Menggunakan GLCM untuk mendapatkan feature texture : dissimilarity, correlation, homogeneity, contrast, ASM, energy Show Secara visual kita dapat membedakan tekstur suatu gambar dengan mengamati :
Berikut adalah ilustrasi tekstur pada citra dengan distribusi 50% hitam dan 50% putih Kalkulasi statistik seperti mean, median, maupun standar deviasi tidak akan mampu membedakan ke-3 gambar diatas. Ketiga gambar diatas memiliki susunan warna dan intensitas pixel yang sama, namun memiliki pola dan distribusi spasial berbeda yang tidak dapat dikenali oleh kalkulasi statistik seperti mean, median, maupun standar deviasi sehingga munculah Gray-Level Co-occurrence matrix (GLCM) untuk mengatasi permasalahan tersebut. Gray-Level Co-occurrence matrix (GLCM) merupakan teknik analisis tekstur pada citra. GLCM merepresentasikan hubungan antara 2 pixel yang bertetanggaan (neighboring pixels) yang memiliki intensitas keabuan (grayscale intensity), jarak dan sudut. Terdapat 8 sudut yang dapat digunakan pada GLCM, diantaranya sudut 0°, 45°, 90°, 135°, 180°, 225°, 270°, atau 315°. parameter jarak pada GLCM dihitung dengan banyaknya pixel antara pixel reference dan pixel neighbor. Langkah pembuatan matrix GLCM :
Contoh pembuatan matrix GLCM :
Quantization level = count(gray tone)
Step 1
Step 2
untuk, i,j merupakan koordinat pixel pada matrix GLCM, levels merupakan rentang gray tone, pada citra digital 0–255 (level=256), Pi,j merupakan nilai pixel pada koordinat i,j GLCM matrix Contoh perhitungan metric :
Penerapan pada Python Scikit-Image Prerequisites
Install Tool & Library untuk Open BOML (Open Belajar Online Machine Learning)medium.com
conda install -c anaconda scikit-image
Penggunaan Pada Citra Digital
- read image menggunakan cv2.imread()
Nah, ditahap ini kita sudah mampu mengapatkan GLCM matrix dan menghasilkan metric texture GLCM menggunakan library Scikit-Image, Selanjutnya kita akan coba terapkan dataframe diatas kedalam algoritma Neural Network menggunakan library Keras, |