Sedikit Tentang Pattern Recognition untuk Pengolahan Citra

Tulisan ini saya dedikasikan untuk diri sendiri agar saya dapat mengingat mata kuliah ditempat saya belajar saat ini dan juga dapat saling berbagi dengan rekan-rekan para pengunjung blog ini. Pada postingan kali ini hanya akan sedikit dibahas mengenai pengenalan Pattern Recognition (Pengenalan Pola). Untuk praktik, saya akan mengulasnya di dalam blog khusus saya untuk programming, klik disini.

Beberapa buku dan web sources yang saya rekomendasikan sebagai berikut:
Book:
- Pattern Classification, R.O. Duda, P. E, Hart & D. G. Stork
- Pattern Recognition and Machine Learning, C. M. Bishop
Web Source:
- http://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/
- http://academicearth.org/courses/machine-learning

Mari kita mulai, apa itu pattern recognition. Dalam ilmu computer vision, pattern recognition disebut sebagai proses yang bertujuan untuk memberikan satu hasil nilai atau label pada satu inputan data objek yang berdasarkan pada algoritma tertentu (klasifikasi). Misalnya dalam penelitiannya, Luca Giancardo (PhD Bourgogne University), membedakan jaringan pembuluh darah (blood vessel) dan bagian lainnya pada retina. Dia membedakan jaringan darah dan bagian lainnya dengan label positif (+) dan negative (-). Hal ini bertujuan untuk membedakan bagian retina yang dapat menyalurkan darah dan pada akhirnya dapat dilakukan pendeteksian terhadap penyakit diabetes pada seseorang. Dengan demikian pattern recognition dalam hal ini dapat dimanfaatkan sebagai medical imaging.

Gambar 1. Struktur Mata.

Untuk memberikan label pada data dibutuhkan sebuah keputusan. Dalam kasus tersebut dibutuhkan kemampuan satu computer untuk menentukan manakah yang akan diberi label positif (jaringan pembuluh darah) dan yang mana akan diberi label negative (bagian lainnya).

Gambar 2. Pengambilan keputusan pada pengolahan citra.

Untuk menentukan keputusan tersebut dibutuhkan beberapa tahap. Tahap-tahap tersebut dapat dilihat pada gambar “Bagaimana sebuah mesin pattern recognition membuat keputusan”. Tahap pertama ada ekstrasi fitur dari data masukan. Ekstrasi fitur adalah satu proses yang digunakan untuk mencari karakteristik dari setiap data yang diperoleh, misalnya dalam kasus ini dari data image, sehingga karakteristik itu sendiri dapat berupa nilai matrik atau vector yang berasal dari pixel image tersebut. Hasil dari porses ekstrasi fitur sering disebut sebagai interest point atau feature key. Sedangkan metode yang dapat digunakan adalah Edge detection, Grey level, Texture statistics, SIFT, dan masih ada segudang metode sampai saat ini. Biasa metode ini diterapkan sesuai dengan kondisi image dan hasil yang diinginkan. Misalnya image hasil dari sebuah pencitraan scene atau image out-door dengan masalah intensitas, geometrik, dll. Hasil tersebut akan sangat berbeda dengan image yang dihasilkan di bidang medis, yang biasanya berasal dari pencitraan in-door dengan intensitas cahaya yg konstan dan geometrik yang teratur.

Kemudian tahap selanjutnya adalah normalisasi fitur atau juga pengurangan dimensi vektor. Hal ini dilakukan karena fitur vektor yang dihasilkan pada proses sebelumnya memiliki dimensi yang tinggi, sehingga akan memperlambat kinerja pada tahap selanjutnya yaitu klasifikasi. Selain itu, fitur vektor yang diperoleh mengandung noise yang juga dapat memberikan nilai baik pada klasifikasi atau bahkan bisa menyebabkan kinerja classifier tidak optimal. Untuk normalisasi metode yang dapat digunakan adalah gaussian normalizer, whitening, dll. Untuk mereduksi dimensi dapat digunakan Proncipal Component Analysis (PCA), Fischer Linear Discriminant (LDA), atau Independent Component Analysis (ICA).

Pada akhirnya untuk menentukan satu keputusan, maka dapat dilakukan proses klasifikasi. Mengacu pada pengertian pattern recognition, klasifikasi disini dapat diartikan sebagai algoritma yang dapat digunakan untuk membedakan satu objek kedalam sebuah kelas yang spesifik (kategorisasi). Dalam pengolahan citra (image processing), metode atau algoritma yang dapat digunakan misalnya Bayesian, K-NN, SVM, D-Tree, dll.

Tulisan kali ini cukup sampai disini. Tertarik dengan perbedaan apa itu klasifikasi dan apa itu clustering dalam pengolahan citra? Mudah-mudahan tulisan selanjutnya akan membahasnya. Untuk mengingatkan untuk programming saya menggunakan MATLAB, dan dapat dilihat beberapa tutorial dan penyelesaiaanya di Blog saya yang lain, klik disini.