Histogram Warna
Histogram adalah grafik yag menunjukkan frekuensi kemunculan setiap nilai gradiasi warna. Bila digambarkan pada koordinat kartesian maka sumbu X (absis) menunjukkan tingkat warna dan sumbu Y (ordinat) menunjukkan frekuensi kemunculan. Histogram warna merupakan fitur warna yang paling banyak digunakan. Histogram warna sangat efektif mengkarakterisasikan distribusi global dari warna dalam sebuah citra digital (Sutoyo, 2009).
Komposisi warna merupakan salah satu fitur yang dapat digunakan dalam sistem temu balik citra. Komposisi warna dapat direpresentasikan dalam bentuk histogram. Histogram warna merepresentasikan distribusi jumlah piksel untuk tiap intensitas warna dalam citra. Untuk mendefinisikan histogram, warna di kuantisasi menjadi beberapa level diskrit, kemudian untuk tiap level tersebut dihitung jumlah piksel yang nilainya sesuai seperti ditunjukkan Gambar di bawah ini.
Gambar Histogram Warna
Menghitung Histogram Warna
Warna yang sering digunakan adalah RGB (Red, Green, Blue). Jika masing-masing warna didiskritkan menjadi m interval maka total jumlah diskritnya adalah m3. Dengan histogram dapat dicari citra yang memiliki kemiripan komposisi warna.
Pengukuran tingkat kemiripan dilakukan dengan menghitung jarak antar histogram. Jika G = {g1, g2, g3, … , gn}. dan H = {h1, h2, . . . , hn} adalah histogram warna dari dua buah citra, dimana gidan hi adalah jumlah piksel pada level ke i dari kedua histogram dan n adalah jumlah level untuk tiap histogram, maka jarak (d) antara dua histogram dapat dinyatakan dalam jarak Manhattan seperti terlihat pada persamaan berikut :
Langkah-langkah pencarian citra dengan didasarkan pada fitur histogram warna adalah sebagai berikut :
1. Membuat matriks citra
2. Membuat histogram
3. Menghitung jarak histogram
4. Mencari citra dengan jarak histogram terkecil
Menampilkan citra dengan jarak histogram terkecil
Citra dengan nilai jarak yang lebih kecil dianggap memiliki tingkat kemiripan komposisi warna yang lebih tinggi atau lebih mirip dibandingkan dengan citra yang memiliki nilai jarak yang lebih besar.
Misalnya ada sebuah gambar berukuran 3x3 pixel dengan nilai RGB sebagai berikut:
(1,1,1) (1,2,0) (1,2,0)
(1,1,0) (2,1,0) (2,3,1)
(3,2,1) (2,2,1) (2,1,0)
Bila yang digunakan adalah format H(r,g,b) dimulai dari H(0,0,0) sampai dengan H(3,3,3), maka histogram gambar tersebut adalah sebagai berikut :
H(0,0,0)=0 H(0,0,1)=0 H(0,0,2)=0 H(0,0,3)=0
H(0,1,0)=0 H(0,1,1)=0 H(0,1,2)=0 H(0,1,3)=0
H(0,2,0)=0 H(0,2,1)=0 H(0,2,2)=0 H(0,2,3)=0
H(0,3,0)=0 H(0,3,1)=0 H(0,3,2)=0 H(0,3,3)=0
H(1,0,0)=0 H(1,0,1)=0 H(1,0,2)=0 H(1,0,3)=0
H(1,1,0)=1 H(1,1,1)=1 H(1,1,2)=0 H(1,1,3)=0
H(1,2,0)=1 H(1,2,1)=0 H(1,2,2)=0 H(1,2,3)=0
H(1,3,0)=0 H(1,3,1)=0 H(1,3,2)=0 H(1,3,3)=0
H(2,0,0)=0 H(2,0,1)=0 H(2,0,2)=0 H(2,0,3)=0
H(2,1,0)=2 H(2,1,1)=0 H(2,1,2)=0 H(2,1,3)=0
H(2,2,0)=0 H(2,2,1)=1 H(2,2,2)=0 H(2,2,3)=0
H(2,3,0)=0 H(2,3,1)=1 H(2,3,2)=0 H(2,3,3)=0
H(3,0,0)=0 H(3,0,1)=0 H(3,0,2)=0 H(3,0,3)=0
H(3,1,0)=0 H(3,1,1)=0 H(3,1,2)=0 H(3,1,3)=0
H(3,2,0)=0 H(3,2,1)=1 H(3,2,2)=0 H(3,2,3)=0
H(3,3,0)=0 H(3,3,1)=0 H(3,3,2)=0 H(3,3,3)=0
Jika ditulis, histogram dari data-data diatas adalah :
H = {0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 2, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0}.
Menghitung Jarak Histogram
Fitur warna merupakan fitur yang paling banyak digunakan pada sistem image retrieval. Banyak diantaranya mengunakan image color histogram. Histogram warna antara dua buah gambar dapat dihitung jaraknya, dimana gambar yang memiliki jarak paling kecil, merupakan solusinya.
Sebagai contoh ada dua gambar dengan histogram empat warna yang sudah terkuantisasi sebagai berikut :
HA = {20%, 30%, 10%, 40%}
HB = {10%, 10%, 50%, 30%}
Untuk menghitung jarak histogram antara kedua gambar tersebut dapat digunakan rumus berikut :
Jika nilai dua histogram tersebut dimasukkan ke dalam rumus di atas, maka hasilnya adalah sebagai berikut :
d(A,B) = |0.2 - 0.1| + |0.3 - 0.1| + |0.1 - 0.5| + |0.4 - 0.3|
= 0.8
Menaksir Kemiripan Gambar Berdasarkan Jarak Histogram
Histogram warna terdiri dari dua tipe, Global Colour Histograms (GCHs) dan LocalColour Histograms (LCHs). Pada penggunaan GCH, distribusi warna global suatu gambar diambil dan digunakan sebagai metoda. Jika pengguna mencari gambar dengan yang dalam sistem databasenya hanya memperhatikan distribusi warna global suatu gambar, memang, GCH adalah pilihan terbaik. Walaupun demikian, karena GCH hanya mengambil distribusi warna global suatu gambar sebagai pertimbangan untuk membandingkan gambar, ini bisa mengembalikan hasil yang tidak sesuai dengan persepsi visual.
Misalkan ada tiga gambar yang telah dikuantisasi menjadi tiga warna: hitam, abu-abu, dan putih, seperti ditunjukkan pada Gambar A sampai Gambar B. Misalkan gambar A adalah query image, sedangkan gambar B dan C adalah gambar-gambar dalam database.
Gambar A
Gambar B
Sedangkan hasil kuantisasi dari ketiga gambar tersebut seperti terlihat pada Tabel 2.1.
Hasil Kuantisasi Gambar A, B dan C
Nama Gambar | Hitam | Abu-abu | Putih |
A | 37,5% | 37,5% | 25% |
B | 31,25% | 37,5% | 31,25% |
C | 37,5% | 37,5% | 25% |
Maka, jarak antara gambar A dengan gambar B dan C adalah sebagai berikut :
d(A,B) = |0,375 – 0,3125| + |0,375 – 0,375| + |0,25-0,3125|
= 0,125
d(A,C) = |0,375 – 0,375| + |0,375 – 0,375| + |0,25 – 0,25|
= 0
Dari hasil pembandingan, gambar C ternyata ditemukan lebih mirip daripada gambar B (karena jarak C lebih kecil).
Representasi Warna
Pada umumnya, warna dipisahkan menjadikan komponen-komponen, baik komponen warna ataupun komponen kecerahan, penyajian semacam ini disebut komponen warna. Pada komponen warna, tiap komponen dipisahkan dengan model-model tertentu, seperti model RGB, YUV dan YIQ.
Model RGB
Red Green Blue (RGB) merupakan warna dasar yang ada pada sistem komputer. Data video dapat dipisahkan menjadi komponen-komponen untuk masing-masing warna, yaitu merah (red), hijau (green) dan biru (blue). Warna tiap piksel ditentukan oleh kombinasi intensitas dari masing-masing komponen warna dan dipetakan dalam bentuk sebuah koordinat seperti terlihat pada Gambar di bawah ini.
Koordinat RGB
Sebagai contoh, pada RGB 24 bit, masing-masing komponen warna dinyatakan dalam 8 bit atau 256 level. Misalnya, citra dengan 8 bit per piksel mempunyai 256 warna dan citra dengan 24 bit mempunyai 32768 warna, jadi setiap piksel dapat dinyatakan sebagai berikut :
1. Bit 0 sampai dengan 7 untuk warna merah. 2. Bit 7 sampai dengan 15 untuk warna hijau.
3. Bit 16 sampai dengan 24 untuk warna biru.
Kemungkinan kombinasi warna yang ada adalah = 2563 + 2562 + 2561 = 16.843.008, dimana nilai 0 menyatkan warna hitam sedangakan nilai 16.843.008 menyatakan warna putih.
Model YUV
YUV adalah pemisahan komponen kecerahan (luminance) dan komponen warna (crominanc). Pemisahan komponen tidak hanya dilakukan dengan pemisahan warna, namun dapat juga dilakukan dengan memisahkan komponen kecerahan (luminance) dan komponen warna (crominance). Pada format PAL, sinyal kecerahan dinyatakan dengan Y, sedangkan dua signal warna dinyatakan dengan U dan V.
Masing-masing komponen tersebut diperoleh dengan mentransformasikan RGB dengan rumus :
Y = 0,299 R + 0,587 G + 0,114 B
U = (B-Y) x 0,493
V = (R-Y) x 0,877
Model YIQ
Model YIQ merupakan salah model warna yang berfokus pada persepsi mata manusia terhadap warna. YIQ merepresentasikan warna dalam tiga komponen, yaitu komponen Y mewakili pencahayaan (luminance), komponen I mewakili corak warna (hue) dan komponen Q mewakili intensitas atau kedalaman warna (saturation) (Gonzalez, 2002).
Model ini merupakan standar warna pada penyiaran TV yang diperkenalkan pertama kali oleh NTSC (the National Television System Comitee). Pada siaran televisi tidak dikemas dalam kode RGB waktu dipancarkan melainkan menggunakan model warna lain yaitu YIQ. Hal ini disebabkan karena televisi pada awal perkembangannya hanya mampu menampilkan citra abu-abu. Sehingga ketika peralatan memancar sudah memungkinkan untuk memungkinkan untuk mengirimkan citra berwarna, banyak pesawat televisi yang masih berkemampuan menampilkan citra abu-abu. Agar televisi ini masih bisa digunakan, maka data yang dipancarkan dikemas dalam model YIQ. Sehingga pesawat televisi lama hanya menangkap sinyal Y yang berisi data kecerahan dan langsung menampilkannya pada layar tanpa perlu melakukan proses transformasi, sedangkan pesawat televisi baru dapat menangkap ketiga macam data tersebut dan menampilkan dalam citra berwarna (Ahmad,2005).
Perangkat keras pengolah citra pada umumnya menerapkan model warna RGB dengan pertimbangan kemudahan pada teknis penampilan warna. Konversi warna diperlukan untuk menjembatani perbedaan kedua model warna tersebut agar dapat diproses dan ditampilkan dengan benar.
Perhatikan Gambar 2.8 terlihat bahwa warna hitam diwakili oleh koordinat ruang (0,0,0) yang berarti intensitas semua warna pokok adalah nol persen dan warna putih oleh koordinat (1,1,1) yang berarti semua warna pokok berintensitas 100% karena nilai satu adalah maksimum untuk skala yang dinormalkan pada kubus tersebut. Bila semua warna pokok mempunyai intensitas yang sama dan berada diantara 0 dan 1, maka yang tampak adalah warna abu-abu dengan mudah dapat dihasilkan dari citra warna RGB dengan mengambil niai rata-rata dari ketiga komponen warna pokok merah, hijau, biru (Ahmad, 2005).
Karena ketiga warna pokok tadi dianggap tidak seragam dalam hal kemampuan kontribusi pada kecerahan, sehingga masing-masing komponen tersebut diperoleh dengan cara mengkonversikan nilai RGB ke nilai YIQ dengan rumus :
Y = 0,299 R + 0,587 G + 0,114 B
I = 0,587R-0,275G-0,321B
Q = 0,212R-0,523G-0,321B
Citra query dan citra dalam basis data di konversi dari model warna RGB ke model warna YIQ adalah untuk mengkoversi citra warna ke dalam bentuk yang lebih sesuai untuk pengolahan citra. Pada setiap komponen YIQ memiliki jangkauan nilai 0-255.
Comments
Post a Comment