PERBANDINGAN METODE MOMENT INVARIANT HU DAN METODE

DESKRIPTOR FOURIER DALAM PENGENALAN POLA KARAKTER

Zaiful Bahri
Jurusan Matematika FMIPA Universitas Riau
ABSTRAK
Dalam tulisan ini dibahas mengenai perbandingan metode moment invariant Hu dan metode
deskriptor Fourier dalam pengenalan pola karakter dengan berbagai resolusi citra serta
pengaruh skala, rotasi dan translasi terhadap pengenalan citra.
1. PENDAHULUAN
Manusia dapat mengenali objek yang dilihatnya karena otak manusia telah belajar
mengklasifikasikan objek-objek alam sehingga mampu membedakan suatu objek dengan
objek lainnya.
Kemampuan visual manusia inilah yang ditiru oleh komputer dengan menerima
masukkan objek foto digital yang akan dikenali, foto tersebut diproses dan memberikan
keluaran berupa deskripsi objek dalam foto digital.
Beberapa penelitian dalam pengenalan pola untuk menyelesaikan permasalahan
identifikasi dengan objek foto digital, diantaranya pengenalan wajah [1], identtifikasi mata
untuk pengenalan wajah [2].
Momen Invariant dikenalkan oleh Hu pada tahun 1962 yang merupakan fungsi
nonlinear yang invariant terhadap rotasi, translasi dan skala dan dideferensialkan dalam
moment geometri foto [6]. Untuk memperoleh ciri bentuk dilakukan dengan menghitung
moment dan moment sentral foto dalam mode grayscale.
METODOLOGI
2.1 Representasi Citra Digital
Citra digital adalah suatu fungsi identitas cahaya dua dimensi f(x,y), dimana x dan y
menunjukkan koordinat spasial. Nilai f(x,y) pada tiap titik menunjukkan tingkat keabuan
(gray level) citra pada titik tersebut [6]. Citra digital dapat berupa citra dalam mode keabuan
atau citra berwarna (color). Setiap citra direpresentasikan dalam bentuk matrik berukuran m
x n, dimana m menunjukkan banyaknya elemen baris dan n untuk jumlah kolom pada
matriks tersebut.
1 1 1
1
( , ) ( , )
( , )
( , ) ( , )
n
m m n
f x y f x y
f x y
f x y f x y
_

,
K K
M O M
M O M
L L
Gambar 2.1: Representasi citra digital berukuran mxn.
Tiap sel matrik disebut picture element disingkat dengan pixel yang mewakili tingkat
keabuan atau intensitas warna. Pada citra digital dengan format 8 bit akan memiliki 256 (2
8
)
1
intensitas warna. Nilai ini berkisar antara 0 sampai dengan 255 dengan nilai 0 menunjukkan
intensitas paling gelap dan nilai 255 menunjukkan intensitas paling terang.
2.2 Moment Reguler dan Moment Sentral
Moment reguler juga disebut sebagai moment geometri didefinisikan sebagai :
( , )
p q
pq
m x y f x y dxdy

, , 0,1, 2,... p q
(2.1)
di mana
pq
m
adalah orde moment ke (p+q) dari fungsi citra kontinu ( , ) f x y .
Moment sentral
( , ) f x y
didefinisikan sebagai :
( ) ( ) ( , ) ,
p q
pg
x x y y f x y dxdy




, 0,1, 2,... p q
(2.2)
di mana
10 00
/ x m m dan
01 00
/ y m m yang merupakan sentral citra.
Untuk citra digital integral dapat diganti dengan sigma dan
pg
m
menjadi :

( , )
p q
pg
x y
m x y f x y

, 0,1, 2,... p q
(2.3)
Sedangkan untuk moment sentral menjadi :
( ) ( ) ( , )
p q
pg
x y
x x y y f x y

, 0,1, 2,... p q
(2.4)
Moment sentral dihitung menggunakan sentral citra yang sama dengan moment
regular sebuah citra. Oleh karena itu moment sentral invariant terhadap translasi citra.
Dalam transformasi affine, perubaha skala disebabkan oleh :

0
0
x
y
S x x
S y y
1 1 1

1 1 1

] ] ]
(2.5)
Untuk mendapatkan skala invariant, misalkan ( , ) f x y
mewakili citra ( , ) f x y setelah
penskalaan citra oleh
.,
x y
S S
maka ( , ) ( , ) ( , ) f x y f x y f x y dan
, x x y y sehingga diperoleh :
( , )
p q
pq
m x y f x y dx dy





2
( , )
p q p q
x y f x y dxdy

+ +

(2.6)

1 2 p
pq
m
+ +

dengan cara yang sama diperoleh :

2 p q
pq pq

+ +

,
2
00 00
(2.7)
dan dapat didefinisikan normal moment sentral sebagai :
2

00
,
pq
pq

( 2) / 2 p q + +
,
2, 3,... p q +
(2.8)
pq

invariant untuk perubahan skala karena :

2
2
00 00
p q
pq pq
pq pq
pq

+ +

(2.9)
2.3. Tujuh Moment Invariant Hu
Berdasarkan normal moment sentral, Hu memperkenalkan tujuh fungsi nonlinear
yang invariant terhadap translasi, skala dan rotasi. Tujuh moment invariat didefinisikan
sebagai [7]:
1 20 02
+
2 2
2 20 02 11
( ) 4 +

2 2
3 30 12 21 03
( 3 ) (3 ) +

2 2
4 30 12 21 03
( ) ( ) + + +

2 2
5 30 12 30 12 30 12 21 03
( 3 )( )[( ) 3( ) ] + + +
(2.10)

2 2
21 03 21 03 30 12 21 03
(3 )( )[3( ) ( ) ] + + + +

2 2
6 20 02 30 12 21 03 11 30 12 21 03
( )[( ) ( ) ] 4 ( )( ) + + + + +

2 2
7 21 03 30 12 30 12 21 03
(3 )( )[( ) 3( ) ] + + +

2 2
21 30 21 03 30 12 21 03
(3 )( )[3( ) ( ) ] + + + +
Tujuh moment invariant adalah invariant terhadap transformasi citra termasuk di
dalamnya skala, translasi dan rotasi. Bagaimanapun juga tujuh moment invariant ini tidak
invariant terhadap perubahan kontras.
Tujuh moment invariant digunakan dalam pengenalan pola dan performanya bisa
dievaluasi berdasarkan berbagai situasi deformasi termasuk pengkaburan [7], degradasi
spasial [8], random noise [9],[10], skew dan transformasi perspektif [11].
Berikut akan diberikan blok diagaram gambaran tujuh Moment Invarian Hu:

Gambar 2.2: Diagram Proses Kalkulasi Tujuh Moment Invariant Hu.
Gambar 2.2 menunjukkan proses kalkulasi tujuh moment invariant Hu. Pertama
citra dikonversikan ke dalam format biner. Fungsi untuk menghitung moment regular
adalah dalam format : [m]=moment(fig,p,q). fig adalah input citra biner, dan p,q adalah orde
Binarisasi Citra Moment Regular Citra Terpusat
Moment Pusat Normal Moment Moment Invariant Hu
3
moment. Dengan parameter yang ada, dilakukan penjumlahan berdasarkan definisi moment
reguler.
2.4Deskriptor Fourier
Deskriptor Fourier diperkenalkan oleh Zahn dan Roskies [12] untuk menggambarkan
bentuk gambar planar tertutup. Gambar planar tertutup dalam koordinat kartesius berbentuk
2D, boundary s dapat ditelusuri berlawanan arah dengan jarum jam. Setiap titik koordinat
dapat diekspresikan sebagai
0 0 1 1 2 2
( , ), ( , ), ( , ),..., ( , )
k k
x y x y x y x y
. Koordinat ini dapat
diekspresikan dalam bentuk
( )
k
x k x
dan
( )
k
y k y
. Berdasarkan kondisi ini boundary
dapat diekspresikan sebagai suatu barisan bilangan komplek [10] sebagai berikut :
( ) ( ) ( ), s k x k jy k + 0,1, 2,..., 1 k k
(2.11)
Ini berarti sumbu x dibuat sebagai sumbu real dan sumbu y sebagai sumbu imajiner
dari barisan bilangan komplek. Koefisien Transformasi Fourier Diskrit dalam barisan
komplek adalah
( ) : z u
1
2 /
0
1
( ) ( )
k
j u k
k
z u s k e
K

, 0,1,1,..., 1 u k
(2.12)
Deskriptor Fourier mempunyai keuntungan dalam mereduksi masalah 2D menjadi
masalah 1D. Signifikansi Deskriptor Fourier dapat digunakan sebagai basis untuk
mengklasifikasi bentuk-bentuk yang berbeda. Berikut beberapa sifat dasar deskriptor
Fourier berdasarkan beberapa transformasi [10].
Tabel 2.1 Sifat-Sifat Dasar Deskriptor Fourier Berdasarkan beberapa transformasi([6]).
No Transformasi Boundary Deskriptor Fourier
1 Identitas S(k) z(u)
2 Rotasi
( ) ( )
j
r
s k s k e

( ) ( )
j
r
z u z u e

3 Translasi ( ) ( )
t xy
s k s k ( ) ( ) ( )
t xy
z u z u u +
4 Skala ( ) ( )
r
s k s k ( ) ( )
s
z u z u
5 Titik Awal
0
( ) ( )
p
s k s k k
0
2 /
( ) ( )
j uk K
p
z u z u e

2.5 Ekstraksi Ciri

Ekstraksi ciri merupakan suatu proses pelatihan. Di mana sebuah sistem bisa
memuat sebuah citra, praproses citra, mengekstrak ciri citra, menghitung jarak antara ciri
citra yang diekstrak dan mengetahui vektor yang tersimpan dalam pustaka model citra, dan
mengenali citra berdasarkan derajat kesamaan antara citra yang dimuat dan model citra.
4

Gambar 3.2: Proses Sistem Pengenalan Karakter
HASIL DAN PEMBAHASAN
Hasil eksperimen terutama berdasarkan dua program : ekstraksi ciri dan pengenalan
karakter. Hasil ekstraksi ciri termasuk penghitungan Deskriptor Fourier dan Moment
Invariant, di mana Deskriptor Fourier dan Moment Invariant akan dikenalkan terhadap 26
huruf besar dalam bentuk citra.
Ekstraksi ciri berdasarkan proses pelatihan. Setelah citra dimuat, user perlu untuk
menginputkan huruf besar yang sesuai dengan citra yang diekstrak. Dengan meng-klik
Moment Invariant atau Deskriptor Fourier pada bagian Ekstraksi Ciri. Citra hasil ekstrasi ini
akan disimpan sebagai sebuah model library pada MATLAB dengan ekstensi .mat.
Gambar 3.1 Hasil Pengenalan Karakter A dalam Bentuk Rotasi
C
Citra Pelatihan
Pra proses
Ekstraksi Ciri
Pustaka Model
Ekstraksi Ciri Pengenalan Citra
C
Pra proses
Ekstraksi Ciri
Pengenalan
Citra
C
5
Pengenalan Citra
Gambar 3.2 Hasil Pengenalan Karakter A dalam Bentuk Rotasi, Translasi dan Skala
Dari hasil ekstraksi ciri dan pengenalan pola karakter untuk beberapa resolusi diperoleh
sebagai berikut :
a. Moment Invariant Hu
Tabel 4.1 Daftar 7 Moment Invariant Hu untuk 26 Huruf Besar
dengan resolusi citra 512x512
HU 1 2 3 4 5 6 7
A 0.3669
0.007
6
0.034
7
0.001
8
0.000
0
0.000
1
0.000
0
B 0.2838
0.003
6
0.000
6
0.000
0
0.000
0
0.000
0
0.000
0
C 0.5330
0.017
3
0.023
9
0.028
0
-
0.000
4
-
0.002
5
0.000
0
D 0.3330
0.000
1
0.003
3
0.000
0
0.000
0
0.000
0
0.000
0
E 0.3874
0.021
7
0.000
6
0.002
2
0.000
0
-
0.000
3
0.000
0
F 0.3698
0.037
4
0.010
6
0.000
8
0.000
0
-
0.000
1
0.000
0
G 0.4868
0.003
1
0.003
9
0.005
2
0.000
0
-
0.000
1
0.000
0
H 0.3354
0.000
0
0.000
0
0.000
0
0.000
0
0.000
0
0.000
0
6
I 0.3933
0.115
3
0.000
0
0.000
0
0.000
0
0.000
0
0.000
0
J 0.3825
0.078
5
0.009
5
0.001
2
0.000
0
-
0.000
2
0.000
0
K 0.3335
0.004
9
0.001
4
0.001
4
0.000
0
-
0.000
1
-
0.000
1
L 0.4687
0.067
1
0.044
4
0.006
5
0.000
0
-
0.001
2
0.000
0
M 0.3791
0.010
0
0.000
9
0.000
3
0.000
0
0.000
0
0.000
0
N 0.4008
0.007
4
0.001
0
0.000
9
0.000
0
-
0.000
1
0.000
0
O 0.4076
0.006
1
0.000
0
0.000
0
0.000
0
0.000
0
0.000
0
P 0.3263
0.021
6
0.014
0
0.000
8
0.000
0
0.000
1
0.000
0
Q 0.4075
0.002
4
0.005
7
0.000
0
0.000
0
0.000
0
0.000
0
R 0.2996
0.002
4
0.000
5
0.000
0
0.000
0
0.000
0
0.000
0
S 0.3765
0.017
0
0.000
8
0.000
1
0.000
0
0.000
0
0.000
0
T 0.4261
0.053
2
0.035
5
0.000
2
0.000
0
0.000
0
0.000
0
U 0.4771
0.010
0
0.006
3
0.008
3
0.000
1
-
0.000
8
0.000
0
V 0.4156
0.012
4
0.046
3
0.004
3
0.000
1
-
0.000
3
0.000
0
W 0.3544
0.008
7
0.005
7
0.000
5
0.000
0
0.000
0
0.000
0
X 0.3973
0.025
3
0.000
4
0.000
0
0.000
0
0.000
0
0.000
0
Y 0.4097
0.033
2
0.035
9
0.000
9
0.000
0
-
0.000
1
0.000
0
Z 0.4305
0.027
7
0.004
1
0.000
2
0.000
0
0.000
0
0.000
0
Tabel 4.2 Daftar 7 Moment Invariant Hu untuk Huruf V
dengan resolusi citra 512x512
V 1 2 3 4 5 6 7
512x5
12 0.4156
0.012
4
0.046
3
0.004
3
0.000
1
-
0.000
3
0.000
0
7
256x2
56 0.4152
0.012
6
0.046
1
0.004
3
0.000
1
-
0.000
3
0.000
0
128x1
28 0.4141
0.012
9
0.045
2
0.004
2
0.000
1
-
0.000
3
0.000
0
64x64 0.4117
0.013
6
0.043
7
0.004
0
0.000
0
-
0.000
3
0.000
0
32x32 0.4080
0.014
3
0.043
2
0.004
1
0.000
0
-
0.000
3
0.000
0
16x16 0.4111
0.017
6
0.048
1
0.002
8
0.000
0
-
0.000
3
0.000
0
MEAN 0.4126
0.013
9
0.045
4
0.004
0
0.000
1
-
0.000
3
0.000
0
STD
DEV 0.0027
0.001
8
0.001
7
0.000
5
0.000
1
0.000
0
0.000
0
b. Deskriptor Fourier
Hasil perhitungan menggunakan Deskriptor Fourier untuk 26 huruf besar dengan
resolusi 512x512 adalah sebagai berikut :
Tabel 4.3 Daftar 8 Deskriptor Fourier untuk 26 Huruf Besar
dengan resolusi citra 512x512
DF 1 2 3 4 5 6 7 8
A
0.329
6
0.080
3
0.03
79
0.083
9
0.031
9
0.014
9
0.026
0
0.006
7
B
0.038
1
0.123
9
0.06
02
0.046
8
0.038
4
0.008
2
0.008
0
0.010
8
C
0.649
7
0.136
2
0.11
97
0.013
7
0.047
1
0.023
4
0.025
5
0.022
4
D
0.102
0
0.016
9
0.00
98
0.003
2
0.016
5
0.007
9
0.003
1
0.009
4
E
0.577
7
0.309
7
0.17
74
0.081
0
0.032
4
0.103
0
0.074
1
0.009
3
F
0.469
9
0.158
0
0.13
54
0.101
8
0.089
8
0.043
8
0.020
1
0.034
0
G
0.948
3
0.427
4
0.14
52
0.049
8
0.079
4
0.011
5
0.027
5
0.033
2
H
0.019
2
0.418
1
0.00
27
0.060
9
0.008
4
0.075
0
0.002
4
0.027
0
I
0.000
1
0.094
0
0.00
01
0.045
4
0.000
1
0.004
6
0.000
1
0.023
6
J
0.348
9
0.153
9
0.13
42
0.040
1
0.037
2
0.030
3
0.018
7
0.011
7
K
0.056
0
0.240
0
0.17
50
0.149
2
0.018
3
0.047
0
0.018
3
0.032
7
L 0.332 0.159 0.04 0.046 0.004 0.043 0.011 0.006
8
9 4 82 8 9 1 4 4
M
0.385
8
0.064
8
0.54
78
0.051
7
0.104
4
0.073
7
0.032
3
0.008
4
N
0.166
3
0.545
2
0.09
06
0.096
9
0.029
8
0.026
3
0.032
9
0.030
2
O
0.000
7
0.002
9
0.00
16
0.003
0
0.000
2
0.001
2
0.000
2
0.001
3
P
0.139
5
0.148
5
0.05
35
0.010
9
0.025
8
0.009
7
0.012
3
0.001
9
Q
0.194
7
0.063
5
0.05
70
0.033
8
0.019
4
0.003
8
0.001
5
0.001
2
R
0.357
8
0.085
5
0.16
04
0.048
7
0.039
8
0.017
8
0.020
5
0.012
9
S
0.079
7
0.604
9
0.03
04
0.646
0
0.013
8
0.053
3
0.006
9
0.038
9
T
0.033
3
0.250
5
0.06
96
0.008
6
0.081
7
0.025
1
0.023
2
0.005
9
U
1.239
3
0.104
6
0.03
31
0.008
6
0.062
1
0.022
2
0.046
7
0.028
1
V
0.736
6
0.117
6
0.01
47
0.062
2
0.081
7
0.483
0 0,198
0.032
8
W
0.275
6
0.086
4
0.42
33
0.049
3
0.037
0
0.066
3
0.047
3
0.005
5
X
0.102
0
0.142
3
0.01
65
0.183
3
0.022
1
0.039
7
0.006
0
0.026
4
Y
0.324
4
0.146
8
0.13
03
0.060
4
0.004
1
0.009
6
0.042
1
0.024
6
Z
0.144
0
0.499
2
0.03
95
0.075
7
0.014
4
0.027
7
0.033
5
0.050
8
Tabel 4.4 Daftar 8 Deskriptor Fourier untuk citra huruf A
dengan beberapa resolusi
A 1 2 3 4 5 6 7 8
512x5
12
0.329
6
0.08
03
0.037
9
0.08
39
0.031
9
0.014
9
0.02
60
0.006
7
256x2
56
0.337
1
0.07
97
0.034
7
0.08
54
0.031
1
0.014
2
0.02
54
0.006
7
128x1
28
0.352
1
0.07
73
0.029
3
0.08
89
0.029
3
0.010
8
0.02
82
0.008
4
64x64
0.341
7
0.08
60
0.032
4
0.08
93
0.036
1
0.019
3
0.03
07
0.012
5
32x32
0.578
1
0.16
67
0.034
5
0.11
49
0.020
0
0.036
3
0.04
53
0.035
8
MEAN
0.387
7
0.09
80
0.033
8
0.09
25
0.029
7
0.019
1
0.03
11
0.014
0
STD
DEV
0.095
5
0.03
45
0.002
8
0.01
14
0.005
3
0.009
0
0.00
73
0.011
1
9
Dari hasil pengenalan 26 citra karakter, performa untuk moment Invariant Hu diperoleh
bahwa untuk resolusi citra karakter 512x512 sampai dengan 128x128 tingkat pengenalan
karakter tetap 100%. Pengenalan karakter dengan metode moment invariant Hu akan
menurun 86,4% pada resolusi citra karakter 64x64 dan 69,2% untuk citra karakter dengan
resolusi 32x32. Sedangkan pengenalan dengan metode deskriptor Fourier diperoleh bahwa
untuk resolusi citra karakter 512x512 sampai dengan 64x64 tingkat pengenalan karakter
tetap 100%. Pengenalan karakter dengan metode deskriptor Fourier akan menurun 53.8%
pada resolusi citra karakter 32x32.
3. KESIMPULAN DAN SARAN
4.1 Kesimpulan
a. Baik metode deskriptor Fourier maupun metode moment invariant Hu dapat
digunakan untuk pengenalan citra karakter 26 huruf besar dengan resolusi citra yang
berbeda yang tidak terpengaruh oleh skala, rotasi dan translasi citra karakter.
b. Metode deskriptor Fourier lebih baik dari pada metode moment invariant Hu dalam
pengenalan citra karakter samapi dengan resolusi citra karakterdari 512x512 sampai
dengan 32x32.
c. Waktu komputasi metode moment invariant Hu lebih lama dari metode deskriptor
Fourier untuk citra karakter yang sama. Dengan konfigurasi computer yang sama
rata-rata waktu komputasi metode moment invariant sekitar tiga kali waktu
komputasi metode deskriptor Fourier.
4.2 Saran
Karena baik metode deskriptor Fourier maupun metode moment invariant Hu
mampu mengenali citra karakter dengan berbagai resolusi dan skala, rotasi dan translasi,
maka disarankan bagi peneliti untuk menggunakan kedua metode tersebut dalam
pengenalan citra karakter dalam bentuk citra terdegradasi atau blur.
DAFTAR PUSTAKA
[1]. Anam Sarawat, Islam Md. Shohidul, Kashem M.A, Islam M.N, Islam M.R, Islam
M.S. Face Recognition Using Genetic Algorithm and Back Propagation Neural
Network. Proceedings of the International MultiConference of Engineers and
Computer Scientists 2009 Vol I IMECS 2009, March 18 - 20, 2009, Hong Kong.
[2]. Bartlett Marian Stewart, Movellan Javier R, Sejnowski Terrence J. Face Recognition
by Independent Component Analysis.IEEE Transaction On Neural Network, Vol. 13,
No. 6, November 2002.
[3]. Dewi Agushinta R, Karmilasari, Suranto Eko S. Klasifikasi Kelompok Usia
Berdasarkan Ciri Wajah Pada Sistem Pengenalan Wajah. Proceeding, Seminar
Ilmiah Nasional Komputer dan Sistem Intelijen (KOMMIT 2008) Auditorium
Universitas Gunadarma, Depok, 20-21 Agustus 2008 ISSN : 1411-6286
10
[4]. Eide A, Jahren C, Jorgensen S, Lindblad T, Lindsey CS and Osterud K. 1994.
Eye Identification for Face Recognition with Neural Networks.
http://www.it.hiof.no/prosjekter/hoit/html/nr2_96/eye_id.html (diakses 12 April
2008).
[5]. Fausett L. 1994. Fundamentals of Neural Networks (Architectures, Algorithms, and
Applications). Prentice-Hall, New Jersey.
[6]. R. Gonzales and R. E. Wood. 2002. Digital Citra Processing, Second Edition.
Prentice Hall, Inc., New Jersey.
[7]. T, Suk and J. Flusser. 2002. Blur and Affine Moment Invariants, ICPR2002, 16
th
International Conference on Pattern Recognition, Vol.4, pp.339-342.
[8]. J. Flusser and T. Suk, 1998. Degraded image analysis an invariant approach, IEEE
Trans on Pattern Analysis and Machine Intelligence, Vol.20, No.6.
[9]. A. Hero , J.ONeill, and W. Williams. 1998. Moment matrics for recognition of
spasial pattern in noise images, J. Royal Statistical Society, Ser.b, Vol.51, No.2
pp.271-279.
[10].S. Pakchalakis and O. Lee,1999. Pattern recognition in gray scale images using
moment based invariants feature, Image Processing and its Apllication, IEEE
Conference Publication No.pp.245-249.
[11].R. Sivaramakrishna and N. S. Shasidhar,1997, Hus moment invariants: how
invariant are they under skew and prespective transformation, IEEE Conference
Communications, Power and Computing, pp.292-295.
[12]. C. T. Zahn and R. Z. Roskies, 1972. Fourier descriptors for plane closed curves, IEEE
Transaction on Computer, C-21 (1), pp.269-281,
11