2. 32
BAB IV
TEKNIK SARIAN VEKTOR SIFAT
4.1
PENGENALAN
Bab ini memperihalkan teknik sarian sifat yang telah dibangun dan dilaksanakan
dalam kajian ini. Hasil perlaksanaannya digunakan sebagai vektor sifat yang menjadi
perwakilan buat imej botol plastik yang menjadi objek kajian. Memandangkan fokus
utama kajian tesis adalah pada teknik sarian sifat dan perwakilan vektor, maka bab ini
merupakan bab penting dalam kerja penyelidikan ini. Dua pendekatan iaitu berasaskan
bentuk dan berasaskan warna tekstur silau telah dipertimbangkan dalam usaha
membangunkan teknik sarian sifat bagi menerbitkan perwakilan vektor fitur untuk
imej-imej botol plastik. Bagi pendekatan berasaskan bentuk, dua algoritma utama iaitu
algoritma kod rantaian dan hakisan telah digunakan manakala bagi pendekatan
berasaskan warna tekstur silau pula dua teknik iaitu teknik kotak sempadan (BB) dan
kawasan pangkasan terpilih (ROI) telah dilaksanakan.
Secara umum, penerangan mengenai teknik sarian sifat dibahagikan kepada
dua bahagian iaitu mengikut pendekatan yang dibuat. Bahagian seterusnya
memperihalkan teknik sarian sifat yang menggunakan pendekatan berasaskan bentuk
dan kemudian diikuti dengan penerangan mengenai teknik sarian sifat berasaskan
warna tekstur silau.
4.2
KAEDAH SARIAN SIFAT BERASASKAN BENTUK
Teknik sarian sifat berasaskan bentuk melibatkan dua kaedah utama iaitu kaedah kod
rantaian dan kaedah hakisan. Penerangan mengenainya diberi dalam sub-seksyen
berikut.
3. 33
4.2.1
Kaedah Kod Rantaian
Kod rantaian (CC) telah diperkenalkan oleh Herbert Freeman pada tahun 1961 dan
kaedah ini dikenali sebagai kod rantaian Freeman (FCC). Ia merupakan kaedah
perwakilan bentuk paling asas yang banyak digunakan oleh pengkaji untuk
menentukan bentuk objek dan sebagainya (Sonka et al. 1999). CC bagi sesuatu objek
adalah struktur data yang mewakili sekeliling tepi imej binari objek tersebut.
Keterangan lengkap mengenai kaedah penjanaan kod rantaian FCC boleh dirujuk di
lampiran F.
a)
Perlaksanaan kaedah kod rantaian ke atas imej botol
Algoritma kod rantaian yang dibangunkan merupakan analisis awal berkenaan
pengecaman bentuk untuk tesis ini. Perlaksanaan algoritma ini melibatkan ujikaji awal
terhadap bentuk sintetik untuk pengelasan bentuk bulat atau tidak bulat. Ia mengambil
konsep bahawa bentuk tersebut menyerupai sifat fizikal botol plastik. Semasa kajian
ini dijalankan, algoritma perwakilan kod rantaian telah melalui kedua-dua peringkat
penormalan dan penukaran ke nombor bentuk seperti yang telah diterangkan di lapiran
F. Namun begitu, apabila algoritma ini diaplikasikan ke atas imej botol, sifat yang
disari masih lagi menghadapi masalah seperti berikut:
i.
Vektor sifat yang terlampau banyak sehingga melibatkan semua arah kod
rantaian iaitu 0 hingga 7. Sebagai contoh rujuk Rajah 4.1 di bawah;
Rajah 4.1
Contoh botol dan janaan kod rantaian
4. 34
Keadaan ini berlaku disebabkan oleh pinggir imej yang bergerigi atau tidak
licin sepenuhnya akibat kesan resolusi imej semasa pertukaran dari imej asal ke imej
binari. Rajah 4.2 di bawah menunjukkan contoh pinggir bergerigi imej secara zum
masuk akibat kesan resolusi dan warna latar belakang yang seakan sama dengan
warna imej botol. Sebagai contoh, warna latar belakang kelabu atau kehijauan.
Apabila penukaran imej dilakukan, potensi bertindihan antara imej dan latarbelakang
imej
akan berlaku.
Rajah 4.2
Rajah 4.3
Contoh (a) imej botol asal dan (b) imej zum masuk tepi botol (b) dan
(c) imej binari pinggir yang bergerigi
Gambaran imej piksel pinggir botol yang (a) licin dan (b) bergerigi
Rajah di atas menunjukkan gambaran tepi imej dalam bentuk piksel di mana
Rajah 4.3(a) mempunyai dua janaan arah kod rantaian iaitu nilai arah 0 dan 6. Rajah
(a)
4.3(b) pula adalah gambaran pinggir bergerigi dalam bentuk piksel yang mempunyai
(b)
lebih janaan arah kod rantaian iaitu 0, 1, 2, 4, 5, 6 dan 7. Oleh itu antara langkah
pembaikan daripada masalah ini adalah dengan menggunakan latar belakang imej
yang hitam sepenuhnya. Warna latar belakang yang hitam menjadikan warna yang
enuhnya.
kontra antara imej objek dan latarnya. Oleh itu apabila penukaran jenis imej
dilakukan, pinggir imej yang j
jelas dan licin boleh dihasilkan.
5. 35
ii.
Vektor sifat yang tidak tetap
Imej pinggir yang bergerigi dan tidak licin menyebabkan saiz dan nilai vektor sifat
yang terhasil setelah dilaksanakan algoritma kod rantaian tidak tetap. Ini kerana
algoritma ini akan memeriksa setiap piksel satu-persatu pada pinggir imej. Sekiranya
terdapat hingar seperti perubahan cahaya sekeliling, ia akan mengakibatkan perubahan
pada vektor sifat yang dihasilkan.
iii.
Masih lagi sensitif kepada titik mula
Seperti yang telah diterangkan awal tadi, kod rantaian perlu dinormalkan kemudian
ditukar kepada nombor bentuk. Namun begitu, kebergantungan kepada titik mula
masih lagi berlaku. Oleh itu kajian ini mencadangkan satu kaedah mengelakkan
kebergantungan kepada titik mula dengan menyusun semula kod rantaian yang telah
ditukar ke bentuk histogram mengikut lingkaran tertutup. Data arah kod rantaian
dalam bentuk histogram lapan bin akan disusun dalam bentuk lingkaran tertutup. Ini
bertujuan menjadikan algoritma kod rantaian ini lebih tahan lasak dan tidak berubah
dengan pusingan kedudukan botol. Lingkaran tertutup bermaksud data dari arah yang
maksimum akan menjadi data pertama dalam histogram dan seterusnya diikuti data
arah selepasnya sehinggalah habis ke lapan arah data tersebut. Contoh untuk botol
BUKAN-PET dan PET serta histogram masing-masing ada ditunjukkan dalam Rajah
4.4.
Apabila histogram 8 arah kod rantaian ini disusun dengan susunan lingkaran
tertutup, permulaan penjelajahan kod rantaian boleh bermula di mana sahaja
sepanjang pinggir imej botol. Keadaan ini membolehkan penjanaan vektor sifat yang
bergantung kepada titik mula boleh di elak sebaiknya. Imej botol plastik perlu melalui
beberapa peringkat pra-pemprosesan sebelum vektor sifat imej boleh disari bagi
proses pengelasan imej botol plastik. Imej asal botol plastik perlu ditukar ke bentuk
imej binari sebelum proses pengesanan pinggir imej dilakukan.
6. 36
Rajah 4.4
Pinggir imej dan histogram arah kod rantaian untuk (a) Botol BUKAN
BUKANPET dan (b) Botol PET
Pinggir imej diperlukan bagi menjejak arah lingkaran tertutup berasaskan
struktur kod rantaian Freeman penyambungan
penyambungan-8. Rajah 4.6 menunjukkan contoh
bagaimana janaan kod rantaian disari daripada pinggir imej binari. Setiap satu kotak
baris dan lajur, contohnya kotak 0 x 0, mewakili satu piksel pinggir imej. Pergerakan
tohnya
mengikut anak panah bermula dari koordinat ( ) dan seterusnya sehingga berakhir
(0,4)
pada koordinat (0,3). Penjelajahan pinggir imej adalah mengikut arah jam. Namun
).
begitu situasi sebenar penjelajahan tepi imej botol akan menghasilkan kod rantaian
yang panjang seperti yang ditunjukkan dalam Rajah 4.5 .
Rajah 4.5
Contoh koordinat objek bukan bulat dan janaan kod rantaian
7. 37
Janaan kod rantaian yang terlalu panjang menyebabkan kesukaran untuk menyari sifat
yang benar-benar mewakili bentuk botol plastik sama ada BUKAN-PET ataupun PET.
Oleh itu di cadangkan satu kaedah mengurangkan saiz kod rantaian tanpa membuang
data-data berguna dan berkaitan. Kaedah tersebut adalah dengan menukar data-data
kod rantaian sedia ada ke dalam bentuk histogram. Histogram ini dipanggil histogram
arah kod rantaian. Histogram ini diwujudkan bagi menyelesaikan beberapa isu di atas
serta mendapatkan vektor sifat yang sesuai mewakili bentuk botol plastik.
Pelaksanaan kajian sarian sifat berasaskan KR dan keputusan pengelasan imej botol
plastik boleh dirujuk di Bab 5. Keputusan pengelasan mudah hasil pemilihan data arah
kod rantaian tertentu untuk algoritma ini boleh dirujuk di bab V, Keputusan dan
perbincangan. Kajian ini diteruskan dengan satu lagi kaedah penyarian sifat
berasaskan bentuk yang akan diterangkan dengan lengkap selanjutnya.
4.2.2
Kaedah Hakisan
Asas teknik morfologi adalah operasi pengembangan dan penghakisan (Maragos
1996). Operasi lain untuk morfologi adalah gabungan operasi pengembangan dan
penghakisan iaitu buka dan tutup. Penghakisan adalah teknik yang boleh
mengurangkan nilai binari imej manakala teknik pengembangan boleh meningkatkan
nilai binari imej. Penghakisan akan menapis maklumat dalaman imej manakala
pengembangan menapis maklumat luaran imej (Chen & Wu 2002).
Buka adalah operasi penghakisan diikuti oleh pengembangan manakala tutup
adalah operasi pengembangan diikuti oleh penghakisan. Proses penghakisan akan
menyingkirkan kumpulan piksel dari sempadan objek pada imej yang diproses
(Simhadri et al. 1998). Bilangan piksel yang disingkirkan bergantung kepada saiz
elemen struktur yang digunakan. Sebagai contoh, proses penghakisan keatas imej
binari A dengan elemen struktur B diwakili oleh A Ө B, didefinisikan sebagai :
A ӨB=
{ p | p + b ∈ A∀b ∈ B}
(4. 1)
8. 38
Dengan lain perkataan, proses penghakisan imej A oleh elemen struktur B dimana
semua titik piksel p akan diterjemah kepada B oleh p yang terkandung dalam A.
Contoh imej:
3x3 elemen struktur
Rajah 4
4.6
Hasil selepas hakisan
Imej A
Contoh kesan operasi penghakisan
dalam Rajah 4.6 menunjukkan kesan proses penghakisan menggunakan elemen
struktur berbentuk segiempat sama 3 x 3. Kesan penghakisan berlaku pada nilai bagi
piksel output adalah nilai minimum yang diambil dari nilai semua piksel jiran bagi
satu piksel tertentu. Bagi imej binari, sekiranya nilai piksel tertentu adalah 0, maka
binari,
nilai piksel output adalah 0. Dua jenis kaedah hakisan yang dipertimbangkan dalam
kajian tesis ini adalah hakisan keseluruhan dan hakisan separa. Perbezaan antara
kedua kaedah ini adalah pada bentuk penstrukturan elemen dan tahap hakisan
trukturan
hakisan.
Penerangan lanjut boleh didapati dalam subseksyen seterusnya. Tahap hakisan separa
pada tahap 100% adalah menyamai hakisan keseluruhan. Selain sarian sifat
menggunakan FCC, p
pembangunan algoritma sarian sifat berasaskan bentuk
berdasarkan teori operasi hakisan iaitu salah satu operasi daripada teknik morfologi
matematik juga turut dipertimbangkan Kebiasaannya, teknik morfologi digunakan
dipertimbangkan.
secara meluas untuk proses segmentasi imej (Gonzalez et al 2010). Walau
Gonzalez
bagaimanapun dalam kajian ini, teknik morfologi digunakan untuk penentuan bentuk
imej. Fungsi operasi hakisan yang digunakan adalah seperti berikut:
ungsi
:
A Θ B = {x : B ⊆ A}
Bx
dengan
sementara
A - mewakili imej;
B - mewakili ES
ES;
Bx - mewakili terjemahan B oleh x.
A dan B ∈ R2
(4. 2)
9. 39
Rajah 4.7 memaparkan gambarajah blok yang mewakili keseluruhan prosidur
penakrifan teknik hakisan untuk pengelasan bentuk botol. Tesis kajian ini memberi
penekanan kepada pengelasan botol plastik berdasarkan bentuk, warna tekstur silau
atau kedua-duanya sekali. Kedua-dua aspek bentuk dan warna tekstur silau diambil
kira terutamanya pada kes botol yang terkecuali iaitu sukar untuk ditentukan kelasnya
sama ada oleh bentuk atau warna tekstur silau. Oleh itu sifat dari bentuk dan warna
tekstur silau akan dilakurkan dan seterusnya akan dikelaskan menggunakan alat
pengelas pendiskriminan lelurus dan rangkaian neural.
Imej botol
(masukan)
Segmentasi Imej
Penukaran
jenis ke
imej binari
Dapatkan
pinggir imej
keseluruhan
botol
Laksana Operasi Hakisan
• Setiap sudut 1o hingga 180o,semak piksel imej dan piksel
ES
• Sekira tidak padan hakisan pinggir imej berlaku
• kira jumlah piksel tertinggal
Sarian Vektor Sifat
Kecilkan data (180
ke 9 bin data piksel
Jenis botol dikenalpasti
Plot taburan 9
bin data piksel
Analisa sifat
(Kaedah statistik)
Modul Pengelas
Rajah 4.7 Gambarajah blok keseluruhan perlaksanaan kaedah hakisan
Kaedah morfologi matematik menggunakan elemen struktur (ES) untuk
analisis struktur geometri imej. ES mengandungi corak yang bertindak sebagai
koordinat titik-titik nombor secara diskret yang berhubung terus dengan satu titik asal.
Kebiasaannya, koordinat Cartesian sesuai digunakan sebagai perwakilan elemen untuk
imej kecil pada grid empatsegi (Wang et al. 2004). Rajah 4.8 menunjukkan beberapa
contoh ES pelbagai saiz. Titik asal setiap ES ditandakan dengan bulatan. Titik asal
tidak semestinya berada di tengah-tengah ES tetapi lazimnya ia berada di tengahtengah. Untuk teknik hakisan keseluruhan, ES grid 3x3 dengan titik asal di tengah
telah digunakan dalam kajian ini.
10. 40
3x3
7x7
Rajah 4.8
3x3
Contoh beberapa ES
Apabila operasi morfologi dilakukan ke atas imej dan ES, titik asal ES
diterjemahkan kepada setiap posisi piksel imej dan kemudiannya titik di antara
terjemahan ES dibandingkan dengan nilai piksel imej. Dengan ertikata lain, ES adalah
bentuk yang digunakan untuk berinteraksi dengan imej, dengan tujuan mencari
kesimpulan bagaimana sesuatu bentuk ES berpadanan atau tidak pada suatu imej
tertentu. ES juga biasa digunakan dalam operasi morfologi lain seperti pengembangan,
buka, tutup, jelmaan hit atau miss yang lazimnya dilaksanakan di peringkat
utup,
prapemprosesan. Dalam penyelidikan ini, operasi morfologi hakisan digunakan
sebagai salah satu teknik sarian sifat untuk digunakan sebagai perwakilan vektor sifat
k
imej botol plastik dalam aplikasi pengecaman jenis botol plastik samada jenis PET
atau BUKAN-PET.
,
Menurut George dan Jean (1982), pengetahuan tentang sesuatu objek
bergantung kepada bagaimana tafsiran dilakukan ke atas objek tersebut. Di dalam
keadaan tertentu, pemilihan ES bagi operasi morfologi sangat mempengaruhi hasil
milihan
maklumat yang diperolehi. Terdap dua sifat penting yang lazim dikaitkan dengan
Terdapat
ES:
•
u
Bentuk – Sesuatu ES boleh berbentuk “bulat” atau “garis lurus”, cekung atau
cincin. Pemilihan ES tertentu boleh membezakan sesuatu objek dengan objek
lain bergantung kepada bentuk dan orentasi ruang.
•
Saiz – Sesuatu ES boleh bersaiz 3 x 3 segiempat sama atau 21 x 21 segiempat
sama.
Perbandingan lengkap dan kesan terhadap hasil adalah bergantung kepada jenis
operator morfologi
yang digunakan. Penerangan seterusnya memperihalkan
11. 41
perlaksanaan kesan hakisan keseluruhan terhadap imej sintetik seperti garis lurus dan
garis putus-putus yang mewakili contoh imej hingar.
a)
Perlaksanaan kaedah hakisan keseluruhan ke atas imej sintetik
ES boleh dianggap sebagai penapis yang menapis piksel imej yang tidak berpadanan
dengan bentuk dan saiz ES tersebut. Hakisan berlaku sekiranya saiz piksel imej tidak
padan atau kurang dari saiz dan bentuk ES. Oleh itu, piksel imej yang tidak
bersesuaian akan melalui proses hakisan dan piksel imej yang tertinggal kerana tidak
dihakis seterusnya dijumlahkan bagi mendapatkan nilai jumlah piksel selepas hakisan.
Nilai jumlah piksel tersebut dinormalkan dengan membahagi nilai selepas hakisan
dengan nilai jumlah piksel keseluruhan pinggir imej asal dan rumusnya adalah seperti
berikut,
Nilai piksel ternormal (N) =
Nilai jumlah piksel selepas hakisan
Nilai jumlah piksel keseluruhan pinggir imej asal
Semua data telah dinormalkan dalam bentuk kurang dari satu kerana sasaran untuk
pengelasan adalah antara 0 dan 1.
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
Gambaran ES
Rajah 4.9 Contoh ES bersaiz 15 x 15
Bagi menerangkan kesan hakisan keseluruhan, ilustrasi grafik digunakan. Rajah 4.9
menunjukkan contoh ES garis lurus melintang bersaiz 15x15 manakala Rajah 4.10,
12. 42
Rajah 4.11 dan Rajah 4.12 masing-masing mewakili tiga contoh kesan hakisan ES
bersaiz 15x15 pada imej garis lurus, garis putus dan garis putus dengan hingar.
Imej garis lurus sebelum hakisan
Garis lurus setelah operasi hakisan, N = 0.769
Rajah 4.10 Contoh imej garis lurus dan hasil selepas operasi hakisan
Imej selepas operasi hakisan
N= 0
Contoh garis putus
Rajah 4.11 Contoh garis putus dan hasil selepas operasi hakisan
Hingar
Garis putus dengan hingar
Imej selepas operasi hakisan, N = 0
Rajah 4.12 Contoh garis putus-putus dan hingar serta hasil selepas hakisan
Merujuk kepada Rajah 4.10, jumlah piksel ternormal selepas hakisan bagi imej garis
lurus adalah 0.769. Nilai ini berkurangan kira-kira 25 peratus dari nilai asal sebelum
hakisan iaitu 1. Nilai tersebut mewakili baki jumlah piksel kesan dari operasi hakisan
yang terus menghakis semua piksel imej yang tidak berpadanan dengan saiz dan
bentuk ES yang dikenakan. Bagi imej garis putus pada Rajah 4.11 pula, jumlah piksel
ternormal selepas hakisan adalah sifar. Garis putus mempunyai ruang kosong yang
dianggap hingar. Ketika proses hakisan, apabila ES terkena pada ruang kosong ia
menyebabkan panjang ES melebihi panjang imej garis putus. Akibatnya operasi
hakisan keseluruhan menganggap tiada piksel di situ lalu terus menghakis semua
piksel imej sehingga tiada langsung piksel tertinggal.
13. 43
Operasi hakisan keseluruhan menghakis semua piksel yang tidak berpadanan
antara imej dan ES. Rajah 4.12 menunjukkan kesan sama seperti Rajah 4.11 dengan
nilai selepas hakisan bersamaan dengan 0 setelah imej garis putus-putus beserta hingar
terhakis. Garis putus menyebabkan wujud keadaan tidak berpadanan antara piksel
imej dan ES. Hakisan yang tidak toleran berlaku sehingga semua piksel garis putus
terhakis sepenuhnya.
b)
Perlaksanaan kaedah hakisan keseluruhan ke atas imej botol plastik
Seterusnya, kaedah hakisan keseluruhan dilaksanakan ke atas imej botol plastik pula.
Rajah 4.13 memaparkan tiga takrifan ES iaitu ES melintang, ES menegak dan ES
pepenjuru kanan.
ES melintang
0
0
1
0
0
0
0
1
0
0
0
0
1
0
0
0
0
1
0
0
ES menegak
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
0
0
0
0
0
ES pepenjuru kanan
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
Rajah 4.13 Tiga contoh takrifan ES
Contoh ES di atas adalah permulaan penentuan bentuk botol plastik samada, PET
atau BUKAN-PET. Anggapan awal yang dibuat adalah, ES menyamai garis menegak,
melintang dan pepenjuru kanan yang membentuk sebiji botol. Anggapan juga dibuat
bahawa semua kedudukan botol adalah dalam keadaan menegak, dengan tutup botol
menghala ke atas. Anggapan awal penting kerana kedudukan botol yang berada dalam
posisi mendatar dengan tutup menghala samada ke kiri atau ke kanan akan
mempengaruhi keputusan pengecaman bentuk botol. Ketiga-tiga ES melintang,
menegak dan pepenjuru kanan bertindak sebagai penuras bagi mendapatkan pinggir
yang berpadanan dengan ES yang ditakrifkan sebelumnya.
Pinggir yang terhasil setelah operasi hakisan ke atas imej botol plastik PET
dan BUKAN-PET dapat dilihat dalam Rajah 4.14 dengan N mewakili nilai piksel
ternormal iaitu jumlah piksel setelah hakisan. Rajah 4.14 turut memaparkan kesan
hakisan terhadap imej botol plastik pada tiga saiz ES berbeza iaitu limabelas, sepuluh
14. 44
dan lima. Didapati semakin kecil saiz ES, nilai N menunjukkan peningkatan. Dengan
itu, dua kesimpulan boleh dibuat berdasarkan pemerhatian di atas iaitu:
i.
Peranan saiz ES - Saiz ES yang digunakan semasa operasi hakisan mempunyai
kesan ke atas keputusan penentuan bentuk botol plastik. Ini kerana jumlah piksel
terhasil setelah operasi hakisan dilakukan ke atas imej amat bergantung kepada
saiz matrik ES yang digunakan walaupun hakisan dilaksana pada bentuk ES
yang sama.
ii.
Kebanyakan sampel imej botol PET menunjukkan jumlah nilai piksel yang
besar pada ES berbentuk menegak sahaja, manakala botol BUKAN-PET akan
menunjukkan nilai yang besar pada ES menegak dan melintang. Namun begitu
terdapat juga beberapa sampel yang menunjukkan keputusan sebaliknya. Oleh
itu kajian ini mengambil pendekatan perlakuran sifat bentuk dan warna tekstur
silau bagi menanggani keadaan sampel botol yang perlu dicam berasaskan
kedua-dua sifat tersebut.
Botol BUKAN-PET
Botol PET
Menegak
Melintang
Pepenjuru kanan
Saiz elemen struktur = 15x15
N= 0.13
N=0
N=0.2019
N=0.2024
N=0
N=0
Saiz elemen struktur = 10x10
N=0.1729
N=0.0024
N=0.2573
N=0.2800
N=0
N=0.3501
N=0.4824
N=0.0489
N=0
Saiz elemen struktur = 5x5
N=0.2545
Rajah 4.14
N=0.0682
N=0.0518
Kesan hakisan terhadap Botol PET dan BUKAN-PET pada saiz ES
berbeza
15. 45
4.2.3
Kaedah Hakisan Separa (HS)
akisan
Kaedah HS sama dengan operasi kaedah HK dengan sedikit perbezaan iaitu operasi
HS lebih fleksibel kerana mempunyai pilihan untuk menentukan peratus tahap hakisan
yang dikenakan. Kaedah ini dicadangkan kerana hakisan keseluruhan menghakis
semua pinggir imej yang terlibat walaupun hanya sedikit sahaja pinggir
yang
berpadanan dengan syarat yang dikenakan. Justeru, HS hanya menghakis tepi imej
yang benar-benar berpadanan dengan syarat yang diberi iaitu peratus penghakisan dan
benar
saiz ES. Kaedah HS juga berupaya mengubah kedudukan titik asal. Pada
kebiasaannya, titik asal berada di tengah-tengah ES. Namun begitu untuk kaedah HS,
.
titik asal untuk ES jenis garis lurus berada pada permulaan ES dan ini
mempercepatkan lagi proses hakisan kerana sebaik sahaja piksel bernilai 1 ditemu
ditemui,
operasi hakisan boleh dilakukan. Contoh ES untuk fungsi garislurus dipaparkan pada
Rajah 4.15 dengan ES terhasil melibatkan satu garis lurus dengan panjang tertentu
an
serta dipusingkan pada sudut tertentu. Pemilihan bentuk ES garis lurus adalah kerana
mengambil kira bentuk botol dan objektif pembangunan algoritma iaitu menentukan
kategori bentuk botol samada botol BUKAN
BUKAN-PET ataupun botol PET.
aupun
Rajah 4.15 Contoh ES fungsi garis lurus
Selain
keupayaan
mengubah
kedudukan
titik
asal
yang membantu
mempercepatkan proses hakisan, kaedah HS juga membenarkan pemilihan tahap
hakisan,
16. 46
hakisan yang diperlukan. Sebagai contoh, tahap hakisan 50% dianggap tahap hakisan
sederhana di mana proses hakisan hanya melibatkan 50% sahaja imej pinggir yang
berpadanan dengan ES. Beberapa contoh untuk menunjukkan kesan hakisan separa ke
atas imej garis lurus, garis putus-putus dan imej hingar pada tahap hakisan 50%
ditunjukkan melalui contoh dalam rajah seterusnya. Perbezaan antara kaedah HS dan
HK boleh dilihat dengan membandingkan contoh pada Rajah 4.10 hingga Rajah 4.12
dengan Rajah 4.16 hingga Rajah 4.18. Ketiga-tiga contoh di bawah ini merupakan
perbandingan kesan tahap hakisan separa dengan hakisan keseluruhan pada Rajah
4.10, Rajah 4.11 dan Rajah 4.12. Membandingkan Rajah 4.10 dengan Rajah 4.16,
jumlah piksel ternormal selepas HS (N=0.9174) adalah lebih besar berbanding selepas
HK (N=0.769). Jelas di sini, penghakisan yang lebih toleran berlaku dengan kaedah
HS kerana ia hanya mengambilkira 50% piksel imej yang tidak berpadanan sahaja
dengan bentuk dan saiz ES yang dikenakan dan hanya piksel tersebut sahaja yang
akan dihakis dan selebihnya akan dijumlahkan untuk nilai N.
Contoh garis lurus
Rajah 4.16
Kesan hakisan pada tahap 50%, N = 0.9174
Contoh imej garis lurus dan hasil selepas hakisan separa pada tahap 50%
Contoh garis putus-putus
Rajah 4.17
Kesan hakisan pada tahap 50%, N= 0.2239
Contoh garis putus-putus dan hasilnya selepas HS pada tahap 50%
Hingar
Garis putus-putus
Rajah 4.18
Kesan hakisan pada tahap 50%, N = 0.7013
Contoh garis putus-putus dengan hingar dan hasilnya
selepas HS pada tahap 50%
17. 47
Rajah 4.17 pula mewakili contoh perlaksanaan HS 50% ke atas garis putus-putus.
Membandingkan nilai N pada Rajah 4.17 dengan Rajah 4.11, didapati nilai N untuk
HS adalah 0.2239 manakala nilai N utuk HK adalah sifar. Sekali lagi, dalam kes ini
HS 50% menganggap hanya 50% sahaja piksel imej yang tidak berpadanan dengan
ES. Kesan HS yang hanya menghakis hingar di tepi garisan putus-putus ditunjukkan
dalam Rajah 4.18. Garisan putus-putus masih kekal di situ dengan jumlah piksel
ternormal selepas HS lebih besar (N=0.7013) berbanding jumlah piksel ternormal
selepas HK (N=0) yang ditunjukkan pada Rajah 4.12.
a)
Aplikasi awal pada imej sintetik
Di peringkat awal, algoritma HS telah diuji pada imej objek sintetik bagi mendapatkan
gambaran awal kesan pada vektor sifat yang terhasil. Contoh imej objek sintetik yang
digunakan adalah seperti yang ditunjukkan dalam Rajah 4.19. Imej objek dipilih
secara rawak dan menyerupai sifat imej botol plastik yang mempunyai pinggir imej
berlingkaran tertutup.
Rajah 4.19
Contoh-contoh imej objek sintetik
Ujikaji telah dilaksanakan bagi menguji tahap keberkesanan algoritma menyari
perwakilan vektor sifat untuk pelbagai bentuk dan seterusnya diulang pada imej botol
plastik yang menjadi fokus kajian tesis ini. Kesan perlaksanaan HS pada pelbagai
keadaan parameter seperti saiz ES, tahap hakisan, ketebalan pinggir dan keterlibatan
pinggir dengan hingar telah dikaji.
18. 48
Rajah 4.20
Imej sintetik dan kesan hakisan yang dilaksanakan ke atas imej
Rajah 4.20 menunjukkan keputusan perlaksanaan HS ke atas 5 bentuk objek berbeza
pada sudut garislurus b
berbeza, saizES bersamaan 5 piksel kejiranan dan tahap
ES
penghakisan 50%.
Kesan hakisan boleh dilihat pada unjuran pinggir imej berdasarkan takrifan
arah dan saiz ES yang digunakan. Apabila dibandingkan dengan panjang yang
diramal, proses ini mendedahkan sifat yang lebih lengkap berkenaan bentuk sesuatu
objek. Ia juga boleh mendedahkan kaviti yang ditemui pada pinggir imej tersebut.
Semua baki piksel setelah proses hakisan dijumlahkan dan seterusnya jumlah piksel
tersebut dinormalkan dengan membahagi kepada jumlah keseluruhan siluet imej.
Hasilnya adalah parameter N yang mewakili nilai jumlah piksel ternormal seperti yang
diterangkan dalam bahagian terdahulu. Ini kemudiannya diikuti de
dengan proses janaan
histogram yang mewakili setiap sudut dari 1o hingga 180o. Contoh janaan histogram
untuk lima bentuk objek berbeza tadi dipaparkan pada Rajah 4.21.
19. 49
Rajah 4.21
Bentuk objek imej sintetik dan janaan histogram jumlah piksel
selepas hakisan
Setiap bentuk objek mempunyai janaan histogram masing-masing dan terdapat
masing
sifat unik yang boleh membezakan bentuk
bentuk-bentuk objek tersebut. Dari janaan
histogram, beberapa sifat penting boleh disari dan dijadikan perwakilan vektor sifat
bentuk imej botol.
b)
Aplikasi pada imej b
botol
Seperti disebut sebelum ini, ujikaji seterusnya melibatkan perlaksanaan ke atas bentuk
objek imej botol plastik yang menjadi fokus utama kajian. Sama seperti perlaksanaan
ke atas bentuk objek imej, faktor
faktor-faktor seperti saiz ES, tahap hakisan yang
,
20. 50
dikenakan, ketebalan pinggir imej dan gangguan hingar pada pinggir telah
diambilkira. Gabungan parameter optimal telah ditentukan dengan kaedah cuba jaya
untuk menghasilkan perwakilan vektor sifat yang unik dan optimal.
Jadual 4.1 menyenaraikan parameter yang telah diuji untuk tujuan tersebut.
Pelbagai gabungan nilai parameter telah diuji untuk mendapatkan gabungan parameter
paling optimal yang dapat menghasilkan perwakilan vektor sifat paling unik dan jitu.
Jadual 4.1 Senarai parameter serta nilai yang digunakan dalam HS
Parameter yang dimanipulasi
Nilai pilihan parameter
Saiz ES
3, 5, 10 atau 15 piksel kejiranan
Tahap hakisan yang dikenakan
10% hingga 100%
Ketebalan pinggir imej
Canny atau Canny diubahsuai
Hingar
Pinggir dengan hingar dan tanpa hingar
c)
Bentuk ES
ES yang digunakan dalam kajian ini berbentuk garis lurus dan diprogramkan secara
memusing bermula dari sudut 1o hingga ke sudut 180o. Setiap ES bersama operasi
hakisan disimulasikan ke atas pinggir imej botol bagi mendapatkan pinggir yang
benar-benar sepadan untuk menghasilkan keputusan yang dapat membezakan antara
bentuk botol PET dan botol BUKAN-PET. Contoh bentuk ES dapat dilihat pada
Rajah 4.22.
Rajah 4.22
Pandangan zum masuk, untuk (a) pinggir imej dan
(b) contoh bentuk ES
Setiap pinggir imej di sekeliling botol dipadankan dengan ES berbentuk garis
lurus seperti yang ditunjukkan oleh garis biru pada Rajah 4.22(b). ES bersaiz lima
piksel kejiranan dan bersudut 90o memeriksa piksel yang berpadanan dengannya
21. 51
mengikut arah jam bermula dari sudut 1o hingga 180o di sepanjang pinggir imej botol
yang diuji.
d)
Saiz ES
Penentuan saiz ES paling optimum ditentukan dengan menguji algoritma HS dengan
beberapa ES yang berbeza bermula dari saiz panjang piksel bersamaan dengan 3, 5, 10
dan 15. Contoh ES bagi panjang berbeza dan sudut bersamaan 0o yang dilaksanakan
adalah seperti tersenarai dalam Jadual 4.2. Titik asal bagi ES terletak di permulaan
bentuk dan ditandakan dengan warna kuning. Piksel di sebelah titik asal adalah piksel
paling terdekat yang dipanggil piksel jiran.
Jadual 4.2 Contoh ES dengan panjang berbeza
SE dan Saiz panjang piksel
Bentuk ES
SE = strel('line',3,0)
111
SE = strel('line',5,0)
11111
SE = strel('line',10,0)
11111111111
1111111111111111
SE = strel('line',15,0)
Pemilihan saiz ES paling optima dibuat berdasarkan kesan selepas operasi hakisan ke
atas imej. Jadual 4.3 menunjukkan keputusan kesan hakisan separa ke atas pinggir
imej berasaskan penunjuk ukur iaitu nilai N apabila saiz tahap hakisan 50% pada ES
yang berbeza dikenakan ke atas imej botol PET dan BUKAN-PET.
24. 53
Seperti dijangkakan, nilai N selepas hakisan semakin mengecil apabila saiz ES
semakin meningkat pada gambaran sudut 45o, 90o dan 180o. Keadaan ini
menunjukkan bahawa saiz ES yang kecil mengakibatkan hakisan yang terlalu lengkap
pada pinggir imej sehingga ada masanya tahap hakisan yang dikenakan tidak memberi
kesan ke atas pinggir imej. Oleh itu, nilai jumlah piksel selepas hakisan adalah
bersamaan dengan ‘1’. Jika saiz ES terlalu besar, sebagai contoh jika ia bersaiz 15
piksel kejiranan, maka hakisan yang melampau berlaku walaupun tidak berpadanan
dengan tahap hakisan yang dikenakan. Nilai jumlah piksel selepas hakisan pula
menjadi sifar. Penentuan saiz ES paling optimal juga dilakukan dengan melihat kesan
perubahan saiz ES terhadap nilai N.
e)
Tahap hakisan
Kesan operasi hakisan berasaskan tahap hakisan turut diperhatikan. Untuk ujikaji ini,
tahap peratusan yang berikut telah dipilih iaitu 30, 50, 70 dan 100. Di peringkat awal
ujikaji, tahap peratusan dari 10-100% pada sela 10% telah dilaksanakan. Walau
bagaimanapun, keputusan yang diperolehi menunjukkan pada julat tahap 10% hingga
30% keputusan yang hampir sama diperolehi. Begitu juga pada julat tahap 40%
hingga 60%, dan 70% hingga 100%. Justeru, proses ujikaji dipermudahkan dengan
hanya memilih beberapa tahap hakisan iaitu pada tahap hakisan 30%, 50%, 70% dan
100%. Kesan perubahan tahap hakisan ditunjukkan pada Jadual 4.4. Ujikaji telah
dilaksanakan untuk saiz ES bersamaan 5 piksel kejiranan dan nilai N selepas hakisan
turut dipaparkan. Didapati nilai N semakin mengecil apabila tahap hakisan semakin
meningkat. Pada tahap hakisan 30%, fungsi hakisan seolah-olah tidak memberi
sebarang kesan pada pinggir imej. Pada tahap hakisan 100% (bersamaan HK) pula,
kesan pada pinggir imej boleh dikatakan semakin tinggi terutamanya pada gambaran
sudut 90o. Ini kerana pada tahap ini, fungsi hakisan telah menghakis semua piksel
yang tidak berpadanan dengan ES yang digunakan. Hasil ujikaji ini juga digunakan
untuk menentukan tahap hakisan paling optimal.
25. piksel
ES=5
Botol PET
Nilai N
100
Nilai N
70
Nilai N
50
Nilai N
30%
Hakisan
%
0.5398
0.5995
0.6773
0.08
90o
0.0199
0.359
0.0637
0.2072
180o
0.0599
0.0398
0.1589
1
45o
0.2677
0.5995
0.3472
0.4841
90o
Imej pinggir pada sudut:
0.2946
0.359
0.3851
0.5232
180o
Kesan hakisan separa ke atas (a) botol PET dan (b) botol BUKAN-PET untuk tahap hakisan berbeza
0.0398
0.0398
0.1155
1
45o
Imej pinggir pada sudut:
PET
Botol Bukan-
53
29. 55
f)
Ketebalan pinggir imej
Pinggir imej juga perlu diberi perhatian. Sebaik-baiknya pinggir imej botol adalah
bersamaan dengan satu piksel sahaja. Terdapat dua jenis pinggir yang digunakan
dalam kajian ini iaitu pinggir yang diperkenalkan oleh Canny (1986) dan pinggir
Canny terubahsuai pada satu lelaran hubungan lapan (1 iteration for 8 connected)
menggunakan fungsi imthick dari Matlab (Mathwork 2010).
Contoh imej botol
BUKAN-PET yang menggunakan pinggir Canny dan Canny terubahsuai ditunjukkan
dalam Rajah 4.23.
Rajah 4.23 Pinggir imej (a) Canny dan (b) Canny diubahsuai
g)
Gangguan hingar
Sifat botol PET yang lutsinar boleh menyebabkan hingar yang keterlaluan berlaku
semasa proses penghasilan pinggir imej. Sebaik-baiknya hingar di pinggir imej botol
PET perlu di elak. Seelok-eloknya pinggir imej yang digunakan adalah licin dan tidak
diganggu oleh sebarang hingar. Ini kerana sekiranya hingar wujud di sekeliling
pinggir imej, ia akan mengganggu dan boleh dianggap sebagai sebahagian dari pinggir
imej yang melalui proses hakisan. Rajah 4.24 menunjukkan perbezaan nilai N yang
dijana selepas melalui proses hakisan bagi botol PET dan BUKAN-PET yang
mengandungi hingar dan tanpa hingar. Nilai N bagi semua botol PET dan BUKANPET yang mengandungi hingar lebih tinggi berbanding nilai N untuk botol tanpa
hingar. Merujuk kepada Rajah 4.24(a), kesan hakisan ke atas pinggir imej
mengandungi hingar hampir tiada kerana ketebalan pinggir yang melebihi dari 1
piksel dan hingar yang bertaburan di sekeliling imej. Juga, kesan hakisan juga
tiadanya sepadanan dengan sudut yang diuji iaitu 45o, 90o dan 180o. Bagi pinggir imej
tanpa hingar pula, keputusan berbeza diperolehi selepas operasi hakisan dikenakan ke
30. 56
atas imej di mana kesan hakisan adalah sepadan dengan sudut yang diuji iaitu 45o, 90o
dengan
dan 180o seperti ditunjukkan pada Rajah 4.24(b)
(a)
Rajah 4.24
Kesan hakisan pada tahap 50% dengan ES=5 piksel ke atas imej untuk
(a)pinggir imej mengandungi hingar dan (b)pinggir imej tanpa hingar
pinggir
hingar.
31. 57
4.2.4
Penentuan Parameter HS Optimal
Berdasarkan ujikaji-ujikaji yang dijalankan didapati ES dan tahap hakisan yang
optimal untuk perlaksanaan kaedah HS adalah seperti berikut,
•
Elemen Struktur, ES =
5
•
Peratus hakisan (%) =
70
Rajah 4.25 yang menunjukkan langkah perlaksanaan HS dengan menggunakan
parameter optimal.
Imej yang telah di prapemproses
Pinggir Imej
Set, Saiz ES =3/5/7/10/15
dan
% hakisan
=30%/50%/70%/100%
Lakukan HS (padanan
antara imej dan ES)
Kira jumlah nilai piksel
selepas penghakisan
Imej seterusnya
Rajah 4.25 Carta alir perlaksanaan kaedah HS
Perlaksanaan kaedah HS dengan parameter teroptimum bertujuan menghasilkan
vektor sifat yang padat dan unik. Dua nilai diperolehi iaitu nilai maksimum dan nilai
maksimum kedua hasil janaan histogram 9-bin. Kedua-dua nilai ini digunakan sebagai
input untuk pengelas persamaan lelurus manakala untuk pengelas rangkaian neural
nilai nisbah janaan histogram 9-bin digunakan.
32. 58
4.3
KAEDAH SARIAN SIFAT BERASASKAN WARNA TEKSTUR SILAU
Salah satu sifat yang ketara pada botol plastik adalah sifat warna tekstur silau. Sifat
ini dipanggil warna tekstur silau kerana sifat tekstur botol PET yang jernih, boleh
ditembusi cahaya serta memantulkan cahaya. Sifat berlawanan dengan tekstur silau
adalah sifat legap atau tidak ditembusi cahaya (Resource Recycling, 2005). Menurut
Fisher (2004), pengasingan botol plastik berasaskan jenis plastik dan warna lutcahaya
adalah lebih mudah dan memberi kelebihan.
Beberapa langkah pra-pemprosesan perlu sebagai persediaan imej untuk
perlaksanaan kaedah sarian sifat warna tekstur silau. Imej perlu diproses terlebih
dahulu dengan menukarnya ke bentuk imej kotak sempadan. Beberapa proses awal
juga perlu dilakukan seperti penyeragaman saiz imej, penurasan imej, mendapatkan
lukisan bayangan imej dan pengukuran sifat-sifat imej kotak sempadan. Penurasan
imej bertujuan menuras semua hingar berkaitan dengan cahaya persekitaran dan juga
melakukan penolakan latar belakang (Seung-Hyun et al. 2006). Hasil dari imej skala
kelabu ini dipanggil lukisan bayangan. Semua langkah pra-pemprosesan ini boleh
dirujuk pada bahagian dalam Bab 3 (Metodologi kajian).
Rajah 4.26 memaparkan gambarajah blok umum yang mewakili keseluruhan
prosidur tugasan pengelasan botol plastik. Beberapa masalah dikenalpasti dan menjadi
isu dalam pembangunan kaedah sarian sifat berasaskan warna tekstur silau.
Seterusnya, beberapa langkah segmentasi imej dilakukan agar imej yang digunakan
untuk peringkat seterusnya adalah imej yang sesuai dan dapat memberi sifat vektor
yang terbaik.
33. 59
Kenalpasti Masalah
Sarian Vektor Sifat
Pra-pemprosesan Imej
Penukaran
jenis ke
skala
kelabu
Imej
lukisan
bayangan
Imej kotak
sempadan
Analisa
Piksel
Imej
Pangkasan
terpilih
Plot
histogram
piksel
Kaedah
statistik
Modul Pengelas
Jenis botol
dikenalpasti
Rajah 4.26 Gambarajah blok ringkasan keseluruhan prosidur pengelasan botol plastik
4.3.1
Masalah Berkaitan Perlaksanaan
Pembangunan algoritma penyarian sifat tekstur silau imej botol plastik berlegar pada
lima masalah utama yang menjadi asas pembangunannya. Semua isu-isu yang terlibat
diterangkan secara jelas di bawah.
a)
Pemilihan nilai ambang penukaran ke imej binari
Pemilihan nilai ambang yang tepat semasa proses penukaran daripada imej asal ke
bentuk binari sangat perlu dititikberatkan. Pemilihan sangat bergantung pada fizikal
imej botol kerana botol PET mempunyai tekstur yang lutcahaya manakala botol
BUKAN-PET bertekstur legap (Lancaster County Solid Waste Management Authority
2007). Langkah awal adalah dengan memerhatikan sampel imej histogram dan
penentuan nilai ambang dibuat berdasarkan nilai kelabu yang membezakan antara
objek dan latar belakang.
Secara asasnya, apa yang dilakukan adalah
mengklasifikasikan piksel imej dengan memilih satu nilai ambang supaya:
34. 60
0, jika x >= T
Nilai Piksel
=
di mana T adalah nilai ambang
255, jika x <= T
Kaedah nilai ambang digunakan secara meluas untuk mengasingkan sesuatu objek
dari imej latar belakangnya. Ketepatan operasi pengasingan bergantung kepada
pemilihan nilai ambang yang sesuai. Sekiranya nilai yang dipilih terlalu rendah,
kemungkinan terdapat piksel objek yang tidak dapat diasingkan, manakala jika nilai
terlalu tinggi dipilih, kebarangkalian untuk piksel latar belakang turut diasingkan
adalah tinggi. Oleh itu kaedah yang sesuai digunakan adalah kaedah analisa
histogram. Sebagai contoh, imej botol BUKAN-PET mempunyai kontras yang lebih
tinggi berbanding imej botol PET. Rajah 4.27 menunjukkan imej (a) Botol PET dan
(b) Botol BUKAN-PET manakala histogram kedua botol plastik ditunjukkan pada
Rajah 4.28.
(a)
Rajah 4.27
(b)
Imej skala kelabu dengan resolusi 320 x 240 bagi (a) Botol
PET, (b) Botol BUKAN-PET
(a)
Rajah 4.28
(b)
Histogram untuk nilai keamatan bagi (a) Botol PET
(b) Botol BUKAN-PET
35. 61
Corak histogram botol PET mempunyai satu puncak tinggi yang ketara pada
bilangan piksel 0 hingga 50 yang mewakili piksel hitam. Ini disebabkan fizikal botol
PET yang lutsinar dan berbentuk simetri. Keadaan ini menyebabkan terdapat kawasan
yang tidak terpengaruh dengan warna latar belakang serta mencerap cahaya
persekitaran menyebabkan terhasilnya hingar warna putih seolah-olah bentuk fizikal
botol PET adalah legap. Berbanding botol BUKAN-PET, sifat bahan plastik yang
legap menyebabkan puncak piksel berlaku di bilangan piksel ke 150 sebagai mewakili
piksel putih.
b)
Hingar label dan penutup
Label pada badan botol dan penutup merupakan dua jenis hingar yang sering
mengganggu proses sarian vektor sifat yang tepat. Hasil pemerhatian menunjukkan
kebanyakan botol plastik BUKAN-PET diliputi label pada keseluruhan badan botol.
Label tersebut terdiri daripada pelbagai jenis tulisan, gambar dan warna yang
merupakan hingar dan sepatutnya dielakkan. Rajah 4.29 memaparkan imej binari
botol yang lengkap yang sepatutnya diperolehi, namun akibat gangguan label, hanya
sebahagian imej binari botol yang terhasil.
Rajah 4.29 Kesan gangguan label pada Botol BUKAN-PET
Penutup yang berbeza warna dan bahan juga merupakan gangguan dan ini
dipaparkan pada Rajah 4.30. Penutup botol berwarna merah akan hilang apabila
penukaran dari imej asal ke imej binari dilakukan.
Rajah 4.30 Kesan gangguan penutup pada Botol PET
36. 62
c)
Kedudukan dan kecerahan Lampu
Kedudukan dan kecerahan lampu juga memainkan peranan dalam men
menghasilkan
lukisan bayangan imej binari botol yang lengkap. Lukisan bayangan atau siluet imej
yang lengkap penting untuk penghasilan tepi imej yang sempurna Imej botol PET
sempurna.
membenar cahaya menembusi sehingga kesan cahaya memenuhi ruang dan
menjadikan kawasan cahaya menjadi putih. Uji
Ujikaji dilakukan dengan meletakkan
lampu di kiri, tengah dan kanan. Kesan kedudukan lampu dapat dip
dipaparkan pada
Rajah 4.31.
Rajah 4.31
d)
Contoh lukisan bayangan imej botol (a) PET dan (b) BUKAN
BUKANPET pada kedudukan lampu yang berbeza
Warna latar
Warna latar juga memainkan peranan menghasilkan lukisan bayangan imej yang
seragam dan tidak mempunyai hingar yang keterlaluan. Peringkat awal kajian
mempunyai
mengandaikan latar belakang yang hitam sepenuhnya. Rajah 4.3 di muka surat
4.32
seterusnya menunjukkan dua jenis latar belakang berbeza serta lukisan bayangan imej
binari yang terhasil semasa proses penukaran daripada imej asal. Hingar keterlaluan
akan wujud sekiranya latar belakang tidak hitam sepenuhnya terutama untuk botol
jenis PET.
37. 63
Rajah 4.32 Contoh latar belakang dan lukisan bayangan imej yang terhasil
e)
Kawalan kamera
Kamera yang diguna juga perlu diselenggara agar kecerahan yang sesuai diperolehi
semasa proses pengumpulan imej dilakukan. Kamera akan diset di menu set agar
kecerahan yang bersesuaian dengan fizikal botol dan cahaya lampu persekitaran boleh
ditentukan.
Penetapan saiz imej
kepada 320 x 240
Penetapan parameter kecerahan,
kontras dan saturasi
Penetapan parameter berkaitan
imej kepada nilai tertentu
Rajah 4.33 Contoh paparan kawalan kamera
Semua parameter perlu diselaras ke bentuk seperti di Rajah 4.33
bagi
mendapatkan imej botol plastik yang tepat dan sesuai untuk melalui peringkat prapemprosesan. Penetapan nilai parameter adalah berdasarkan kepada cahaya
persekitaran di waktu siang dengan tambahan lampu persekitaran di mana rakaman
imej dilakukan. Berdasarkan isu yang dibincangkan serta pemerhatian ke atas sifat
fizikal botol plastik, kaedah sarian sifat berasaskan tekstur dilaksanakan dengan
mengambilkira semua isu tersebut.
38. 64
4.3.2
Sarian Sifat Berasaskan Warna Tekstur Silau
Pemprosesan imej merupakan aktiviti yang melibatkan prosidur untuk meningkatkan
serta memperbaiki struktur imej asal bagi membolehkan penilaian imej dilakukan
untuk tujuan analisis menggunakan komputer (McAndrew 2004). Selaras dengan
perkembangan teknologi yang merevolusikan kehidupan manusia pada masakini,
komputer menjadi perantara terpenting yang banyak menyumbang dalam kehidupan
seharian manusia. Justeru, dalam bidang pemprosesan imej, analisis menggunakan
komputer ataupun pemprosesan imej digital semakin mendapat tempat dalam pelbagai
cabang bidang yang melibatkan aplikasi mesin penglihatan mahupun pengecaman
imej.
Antara prosidur pemprosesan imej yang biasa dilakukan adalah menghapuskan
hingar pada imej. Hingar adalah ralat rawak yang tidak diingini yang terdapat pada
sesuatu imej dan mungkin mengganggu maklumat asal imej tersebut (McAndrew
2004). Prosidur pemprosesan imej yang asas juga melibatkan kaedah untuk
mengurangkan hingar disebabkan pantulan cahaya persekitaran dan kelajuan
penyampelan imej yang tidak sepadan dengan kelajuan kamera. Secara amnya, imej
boleh dianggap berbentuk empat segi dan mengandungi baris, Y dan lajur, X. Resolusi
bagi imej ditulis sebagai X darab Y atau X x Y. Piksel bermula pada koordint f(0,0),
terletak di pepenjuru kiri atas imej sementara piksel akhir adalah di kordinit f(X-1,Y1) yang terletak di pepenjuru bawah kanan. Rajah 4.34 memperihalkan anggapan imej
sebagai berbentuk segiempat.
Rajah 4.34 Imej digital berbentuk empat segi tepat dengan resolusi 16 x 8
39. 65
Setiap koordinat imej dipanggil piksel, singkatan dari istilah picture element (pixel).
Keadaan sebenar keluaran setiap piksel bergantung kepada jenis imej. Kebanyakan
imej memapar atau mengukur keadaan sebenar secara khusus seperti cahaya, haba,
jarak atau tenaga. Pengukuran juga boleh dibuat dalam pelbagai bentuk. Imej skala
kelabu hanya mengukur intensiti cahaya. Setiap piksel adalah skala yang berkadaran
dengan kecerahan. Kecerahan minimum dipanggil hitam dan kecerahan maksimum
dipanggil putih. Contoh imej skala kelabu Botol PET dan BUKAN-PET ditunjukkan
pada Rajah 4.27 di atas. Imej berwarna mengukur intensiti dan tahap kecerahan
cahaya. Setiap piksel berwarna adalah vektor komponen warna. Ruangan warna yang
biasa digunakan untuk pemprosesan imej adalah RGB (red, green, blue), HSV (hue,
saturation, value) dan CMYK (cyan, magenta, yellow, black). Plot histogram dipilih
untuk memapar taburan setiap nilai piksel secara relatif yang berlaku dalam imej skala
kelabu.
a)
Analisis taburan piksel pada imej botol
Semua piksel bermakna piksel yang dipilih untuk membezakan antara botol PET dan
BUKAN-PET diplot untuk dianalisa menggunakan histogram. Histogram imej adalah
histogram nilai-nilai piksel dalam sebuah imej digital.
Histogram memaparkan
jumlah piksel dalam sesebuah imej pada paksi menegak dengan tahap kecerahan
piksel tersebut pada paksi melintang. Sebuah histogram boleh dibina dengan
mensegmenkan beberapa peringkat data kepada bin yang sama saiz atau disebut juga
sebagai segmen, kumpulan atau kelas. Sebagai contoh, sekiranya data dari 1 hingga
10, dengan selang setiap bin adalah 0.5, maka histogram mempunyai nilai bermula 1
ke 1.5, 2.0, 2.5 dan seterusnya hinggalah 10. Salah satu sifat imej yang hendak
dianalisa adalah nilai kecerahan dan kegelapan piksel. Imej yang mempunyai pelbagai
tona memudahkan pemahaman terhadap histogram imej kerana tona yang sama boleh
dikumpulkan. Ini menjadikan hubungan antara bilangan piksel bagi setiap tona dan
ketinggian bar adalah jelas seperti ditunjukkan pada Rajah 4.35. Dalam konteks
pemprosesan imej, histogram imej merujuk kepada histogram nilai-nilai intensiti
piksel dan histogram menunjukkan jumlah piksel dalam sebuah imej pada tahap
intensiti berbeza. Bagi imej skala kelabu 8-bit, terdapat 256 kemungkinan nilai
intensiti yang berbeza.
40. 66
Rajah 4.35 Taburan penunjuk imej skala kelabu
Oleh itu histogram memaparkan 256 nombor bagi menunjukkan taburan piksel
di kalangan nilai skala kelabu. Teknik thresholding atau nilai ambang merupakan
sebahagian kaedah segmentasi yang dilakukan untuk membezakan antara imej objek
dan latar belakang imej. Tujuan utamanya adalah untuk mengelaskan imej kepada dua
atau lebih komponen objek yang berbeza (McAndrew 2004). Kajian ini menggunakan
histogram skala kelabu untuk mengkaji taburan piksel yang berbeza di antara dua jenis
botol plastik iaitu PET dan BUKAN-PET.
4.3.3
Perlaksanaan Sarian Sifat Tekstur Silau Pada Imej Botol Plastik
Kaedah ini dibangun berasaskan kepada beberapa pemerhatian berikut:
Sifat fizikal botol plastik – kebanyakannya mempunyai bentuk bulat, simetri
dan tiada perbezaan bentuk yang ketara antara botol PET dan BUKAN-PET.
Algoritmanya
melibatkan
pengasingan
seluruh
botol
dan
bukannya
pengasingan cebisan plastik. Oleh itu imej keseluruhan botol perlu lengkap.
Kepelbagaian bentuk botol menyebabkan pembahagian kelas perlu ditentukan
oleh warna tekstur.
Terdapat satu perbezaan ketara iaitu botol PET mempunyai sifat bersinar iaitu
terpengaruh dengan cahaya persekitaran atau mempunyai sifat lutcahaya.
Botol BUKAN-PET pula mempunyai sifat legap dan tidak ditembusi cahaya.
41. 67
Imej Digital Botol Plastik
PRA-PEMPROSESAN
Penormalan saiz imej
Penapisan imej
Tukar ke imej skala kelabu
Dapatkan imej kotak sempadan
SARIAN VEKTOR CIRI
menggunakan imej kotak sempadan
Dari siluet imej:
Plot histogram tekstur intensiti
Kira nilai jumlah piksel
Kira jumlah nilai piksel putih
Kira jumlah purata nilai piksel putih
Dari nilai di atas, dapatkan nilai purata dan
sisihan piawai
PENGELASAN
Kelaskan ciri dengan menggunakan
Persamaan Lelurus
Rangkaian Neural
Jenis kelas ditentukan sama
ada PET atau BUKAN-PET
Rajah 4.36 Rajah blok sarian sifat tekstur imej kotak sempadan
Berasaskan pemerhatian yang dilakukan ke atas sifat fizikal imej botol plastik,
sarian sifat berasaskan warna tekstur botol plastik telah dilaksanakan dengan
menggunakan dua teknik segmentasi imej iaitu segmentasi menggunakan imej kotak
sempadan dan segmentasi menggunakan imej pangkasan kawasan terpilih. Rajah 4.36
dan Rajah 4.37 masing-masing memaparkan rajah blok kaedah sarian sifat
menggunakan teknik segmentasi imej kotak sempadan dan teknik segmentasi imej
pangkasan kawasan terpilih. Kedua-dua rajah blok ini menerangkan secara ringkas
langkah-langkah pembangunan algoritma berasaskan warna tekstur silau.
42. 68
Imej Digital Botol Plastik
PRA-PEMPROSESAN
Penormalan saiz imej
Penapisan imej
Tukar ke imej skala kelabu
Dapatkan imej kotak sempadan
SARIAN VEKTOR CIRI
Algoritma berasaskan tekstur imej pangkasan
terpilih
Dari siluet imej:
Bahagikan 1 imej kepada 5 kawasan
Ambil kawasan ke-5
Pangkas 1 kawasan dari tengah kawasan ke-5
Kira nilai purata dan sisihan piawai piksel 1 hingga 100
PENGELASAN
Kelaskan ciri dengan menggunakan
Persamaan Lelurus
Rangkaian Neural
Jenis kelas ditentukan sama ada PET
atau BUKAN-PET
Rajah 4.37
a)
Rajah blok untuk algoritma penyarian sifat tekstur imej pangkasan
kawasan terpilih
Segmentasi kotak sempadan
Warna tekstur botol plastik PET adalah bersifatkan lutcahaya serta boleh
menampakkan warna latar belakang dengan jelas. Manakala sifat warna tekstur botol
plastik BUKAN-PET pula adalah legap, iaitu tidak ditembusi cahaya dan warna latar
belakang juga tidak mempengaruhi warna botol. Bagi membuktikan perbezaan antara
kedua jenis botol ini, satu program komputer telah dibangunkan untuk menjana
histogram berasaskan nilai keamatan piksel warna tekstur dalam skala kelabu. Seperti
yang telah diterangkan, histogram intensiti piksel botol plastik PET tidak akan
menunjukkan perbezaan ketara antara latar belakang dengan imej objek botol
berbanding histogram intensiti piksel botol plastik BUKAN-PET. Keadaan ini boleh
43. 69
dilihat dengan jelas pada Rajah 4.38(a) dan (b) yang memaparkan imej asal, imej
kotak sempadan dan janaan histogram.
Rajah 4.38
b)
Perubahan imej asal ke janaan histogram imej (a)PET dan
(b)BUKAN-PET
Menggunakan pangkasan ROI
Teknik segmentasi pangkasan ROI mempunyai beberapa langkah yang perlu diikuti
bagi menyari vektor perwakilan sifat imej botol. Semua penerangan mengenai
langkah-langkah yang terlibat dijelaskan di bawah ini seterusnya.
i.
Pemisahan kawasan
Pemilihan kawasan yang paling sesuai untuk proses sarian sifat imej botol perlu dibuat
di samping menghindari hingar seperti label dan tutup botol. Oleh kerana kajian ini
44. 70
melibatkan pengasingan sebuah botol maka segmentasi perlu dilakukan. Setelah imej
lukisan bayangan kotak sempadan terhasil daripada peringkat pra-pemprosesan, imej
ini dipisahkan kepada lima kawasan secara menegak. Kawasan ini dipanggil rantau
pertama hinggalah kelima. Rantau kelima adalah rantau paling bawah dan dipilih
untuk proses seterusnya. Pangkasan ROI, adalah cebisan sampel daripada beberapa
keseluruhan set data yang dikenalpasti untuk tujuan yang tertentu, contohnya untuk
satu imej objek, sebahagian tepi objek boleh dipanggil ROI (Tiffany & Serge 2002).
ROI adalah kawasan imej yang didefinisi untuk analisa seterusnya atau untuk
keperluan pemprosesan. Ini bertujuan memastikan pemprosesan kawasan rantau yang
diminati tersebut tidak mengganggu keseluruhan imej yang dianalisis. Rajah 4.39
menunjukkan contoh bagaimana imej botol dari imej kotak sempadan dipisahkan
kepada lima bahagian yang berbeza.
Rantau Kedua
Rantau Ketiga
Rantau Keempat
Rantau Kelima
Imej Botol dalam bentuk
kotak sempadan
Rajah 4.39
ii.
Imej dipisahkan kepada
lima kawasan
Contoh imej kotak sempadan dan imej yang dipisahkan untuk
mendapatkan rantau yang dipilih.
Histogram dan sarian vektor sifat
Segmentasi teknik ROI memilih kawasan lutcahaya untuk botol PET, manakala
kawasan legap untuk botol BUKAN-PET. Pemilihan ROI adalah berdasarkan imej
45. 71
yang telah melalui peringkat pra-pemprosesan bagi mengelak kawasan ROI yang
diliputi label atau tudung botol. Rantau kelima dipangkas bermula dari titik tengah
bahagian kelima. Sebaik sahaja memperolehi ROI daripada kedua-dua jenis kelas,
dengan menggunakan teori intensiti, intensiti tertinggi adalah bersamaan dengan
warna putih manakala intensiti terendah adalah bersamaan dengan warna hitam.
Melalui histogram nilai keamatan dapat dilihat dengan jelas perbezaan nilai keamatan
antara dua jenis kelas botol tersebut. Rantau yang dipilih adalah kawasan yang
diambil secara automatik bermula dari titik tengah bahagian kelima.
Dalam kajian ini, didapati hanya kawasan kelima sahaja yang paling sesuai
untuk mengelakkan hingar seperti kawasan yang dilitupi label dan mempunyai nilai
yang tidak berbeza antara kelas PET dan BUKAN-PET. Intensiti imej mewakili imej
yang bertindak sebagai matrik dengan setiap elemen mempunyai nilai yang berkaitan
dengan bilangan piksel nilai gelap. Histogram berasaskan intensiti piksel warna
tekstur diplot berdasarkan rantau pilihan yang diambil dari rantau kelima imej.
Kebarangkalian berlakunya peringkat kelabu rk dalam imej ditentukan oleh rumus
berikut,
JJ{
{
˫
ŴŵŶ
(4.3)
H.ŵ
dengan n adalah jumlah piksel dalam imej, nk adalah jumlah piksel yang mempunyai
nilai skala kelabu rk dan L adalah jumlah kebarangkalian terjadinya peringkat kelabu
dalam imej atau bersamaan dengan nilai 256. Dua vektor sifat yang disari dari janaan
histogram rantau terpilih adalah taburan purata dan sisihan piawai bagi piksel 1 hingga
100. Vektor sifat yang disari dari histogram piksel intensiti adalah berdasarkan kepada
fungsi berikut, nilai purata msxy bagi piksel dalam
Sxy
dan boleh dikira dengan rumus
berikut:
ͽWYY
{ Y{ WYY { Y{ W{{ Y{ {
(4.4)
dengan rs,t mewakili peringkat kelabu pada koordinat (s,t) dalam kejiranan, dan (s,t)
kejiranan komponen histogram yang dinormalkan bergantung kepada nilai skala
46. 72
kelabu. Sisihan piawai bagi skala kelabu bagi piksel dalam rantau
P(rs,t) diberi
sebagai
4.4
WYY
{ Y{ WYY {{ Y{ .
ͽWYY {
W{{ Y{ {
(4.5)
RUMUSAN BAB
Secara keseluruhan, bab ini membincangkan dua bahagian algoritma sarian sifat
berasaskan bentuk dan berasaskan warna tekstur. Algoritma sarian sifat berasaskan
bentuk mempunyai dua kaedah perlaksanaannya iaitu kaedah kod rantaian dan kaedah
hakisan separa. Algoritma berasaskan warna tekstur pula dilaksanakan dengan dua
kaedah segmentasi imej iaitu imej kotak sempadan dan imej pangkasan kawasan
terpilih. Sarian sifat kedua-dua algoritma ini bertujuan mewakili dua kelas botol
plastik iaitu PET dan BUKAN-PET. Di bab seterusnya peringkat pengujian dan
pengesahan kesahihan vektor sifat tersari akan dipersembahkan menggunakan alat
pengelas rangkaian neural dan persamaan lelurus.
47. 73
TEKNIK SARIAN VEKTOR SIFAT ......................................................................................32
4.1 Pengenalan ..................................................................................................................................32
4.2 Kaedah Sarian Sifat Berasaskan Bentuk ......................................................................................32
4.2.1
Kaedah Kod Rantaian ..................................................................................................33
4.2.2
Kaedah Hakisan ...........................................................................................................37
4.2.3
Kaedah Hakisan Separa (HS) ........................................................................................45
4.2.4
Penentuan Parameter HS Optimal ..............................................................................57
4.3 Kaedah sarian sifat berasaskan warna tekstur silau ...................................................................58
4.3.1
Masalah Berkaitan Perlaksanaan ................................................................................59
4.3.2
Sarian Sifat Berasaskan Warna Tekstur Silau ..............................................................64
4.3.3
Perlaksanaan Sarian Sifat Tekstur Silau Pada Imej Botol Plastik .................................66
4.4 Rumusan Bab...............................................................................................................................72
Jadual 4.1 Senarai parameter serta nilai yang digunakan dalam HS ...................................... 50
Jadual 4.2 Contoh ES dengan panjang berbeza ..................................................................... 51
48. 74
Rajah 4.1 Contoh botol dan janaan kod rantaian................................................................ 33
Rajah 4.2 Contoh (a) imej botol asal dan (b) imej zum masuk tepi botol (b) dan (c) imej
binari pinggir yang bergerigi .................................................................................................... 34
Rajah 4.3 Gambaran imej piksel pinggir botol yang (a) licin dan (b) bergerigi .................. 34
Rajah 4.4 Pinggir imej dan histogram arah kod rantaian untuk (a) Botol BUKAN- PET dan
(b) Botol PET ........................................................................................................................... 36
Rajah 4.5 Contoh koordinat objek bukan bulat dan janaan kod rantaian ............................. 36
Rajah 4.6 Contoh kesan operasi penghakisan ...................................................................... 38
Rajah 4.7 Gambarajah blok keseluruhan perlaksanaan kaedah hakisan.................................. 39
Rajah 4.8 Contoh beberapa ES .............................................................................................. 40
Rajah 4.9 Contoh ES bersaiz 15 x 15 ...................................................................................... 41
Rajah 4.10 Contoh imej garis lurus dan hasil selepas operasi hakisan.................................... 42
Rajah 4.11 Contoh garis putus dan hasil selepas operasi hakisan .......................................... 42
Rajah 4.12 Contoh garis putus-putus dan hingar serta hasil selepas hakisan......................... 42
Rajah 4.13 Tiga contoh takrifan ES .......................................................................................... 43
Rajah 4.14
Kesan hakisan terhadap Botol PET dan BUKAN-PET pada saiz ES
berbeza
44
Rajah 4.15 Contoh ES fungsi garis lurus................................................................................. 45
Rajah 4.16 Contoh imej garis lurus dan hasil selepas hakisan separa pada tahap 50% ........ 46
Rajah 4.17 Contoh garis putus-putus dan hasilnya selepas HS pada tahap 50% .................. 46
Rajah 4.18
Contoh garis putus-putus dengan hingar dan hasilnya .................................... 46
Rajah 4.19
Contoh-contoh imej objek sintetik ................................................................... 47
Rajah 4.20 Imej sintetik dan kesan hakisan yang dilaksanakan ke atas imej ........................ 48
Rajah 4.21
Bentuk objek imej sintetik dan janaan histogram jumlah piksel...................... 49
Rajah 4.22
Pandangan zum masuk, untuk (a) pinggir imej dan ......................................... 50
Rajah 4.23 Pinggir imej (a) Canny dan (b) Canny diubahsuai ................................................ 55
Rajah 4.24
Kesan hakisan pada tahap 50% dengan ES=5 piksel ke atas imej untuk ......... 56
Rajah 4.25 Carta alir perlaksanaan kaedah HS ........................................................................ 57
Rajah 4.26 Gambarajah blok ringkasan keseluruhan prosidur pengelasan botol plastik ....... 59
Rajah 4.27 Imej skala kelabu dengan resolusi 320 x 240 bagi (a) Botol PET, ........................ 60
Rajah 4.28 Histogram untuk nilai keamatan bagi (a) Botol PET ........................................... 60
Rajah 4.29 Kesan gangguan label pada Botol BUKAN-PET ................................................ 61
Rajah 4.30 Kesan gangguan penutup pada Botol PET ............................................................ 61
Rajah 4.31
Contoh lukisan bayangan imej botol (a) PET dan (b) BUKAN- PET pada
kedudukan lampu yang berbeza ............................................................................................... 62
49. 75
Rajah 4.32 Contoh latar belakang dan lukisan bayangan imej yang terhasil .......................... 63
Rajah 4.33 Contoh paparan kawalan kamera......................................................................... 63
Rajah 4.34 Imej digital berbentuk empat segi tepat dengan resolusi 16 x 8 ........................... 64
Rajah 4.35 Taburan penunjuk imej skala kelabu ..................................................................... 66
Rajah 4.36 Rajah blok sarian sifat tekstur imej kotak sempadan ............................................ 67
Rajah 4.37
Rajah blok untuk algoritma penyarian sifat tekstur imej pangkasan kawasan
terpilih
68
Rajah 4.38
Perubahan imej asal ke janaan histogram imej (a)PET dan (b)BUKAN-PET . 69
Rajah 4.39
Contoh imej kotak sempadan dan imej yang dipisahkan untuk mendapatkan
rantau yang dipilih. ................................................................................................................... 70
