PENGUKURAN KEMIRIPAN-SEMANTIK CITRA DENGAN -'BAG OF WORDS'LOKAL FRAGMEN"--SEMANTIK CITRA ~ -'----- ---~-'
.
~-'-"-
",
··-·.'._w_. __ ,._....
--
~,,,,-,~,-
~
.
.,,,/
IMAGE SEMANTIC SIMILARITY MEASUREMENT USING 'BAG OF WORDS' LOCAL IMAGE FRAGMENT Yeni Herdlyeni', Rahmat Widyanto-, Belawati H. Wldjaja' 1 Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor, Kampus Darmaga, Wing 20 Level V Bogor, Jawa Barat, Indonesia. E-mail:
[email protected] 2,3Fakultas Ilmu Komputer, Universitas Indonesia, Kampus Depok, Jawa Barat, Indonesia. E-mail:
[email protected]@cs.ui.ac.id Received: 15 October 2009, Accepted for publication: 21 December 2009
INTISARI Penelitian ini mengusulkan sebuah metode baru pengukuran kemiripan citra menggunakan visual citra "bag-ofwords" fragmen lokal semantik citra. Pada metode ini, citra direpresentasikan dengan sederetan fragmen lokal citra. Fragmen lokal citra adalah bagian citra yang memiliki informasi penting dan secara konsisten muncul bersama pada citra, Ekstraksi fragmen lokal citra menggunakan pembelajaran secara online. Kemiripan semantik citra diukur dengan 1) mencari korespondensi antara dua pasang deretan fragmen citra; dan 2) menghitung kemiripan antara fragmen. Uji coba dilakukan dengan menggunakan database citra benchmark dengan 2,268 citra. Hasil percobaan menunjukkan bahwa metode yang diusulkan dapat meningkatkan rataan precision sebesar 74%. Hasil percobaan menunjukkan bahwa metodologi yang diusulkan dapat digunakan untuk mengukur kemiripan semantik citra dan sesuai dengan persepsi visual manusia. Kata kunci: bag-of-words, fragmen lokal, kemiripan citra, semantik citra ABSTRACT
This research proposes a new approach for measuring semantic image similarities between visual image using 'bagof-words' semantic local image fragments. In this approach, image representation is represented using an ordered list of local image fragment. Local image fragment is a part from images which gives a significant information and appears consistently within images. Local image fragment was extracted using online learning. Image semantic similarity is measured by J) solving a correspondence problem between two ordered sets offeature; and 2) Calculating similarities between matchedfeatures and dissimilarities between unmatchedfeatures. The methodology has already been tested on several benchmark image databases containing 2,268 images. The experimental results show that the proposed method can increase precision by as much as 74% in average. The proposed method is promising that could be used to measure semantic similarity adequately to human visual similar perception. Keywords: bag-of-words, local fragment, image similarity, image semantic
lokal (Local-basedv",
1. PENDAHULUAN
Pada pendekatan
citra direpresentasikan Dua hal penting dalam pengukuran kemiripan citra adalah representasi citra dan teknik pengukur-
representasi
an kemiripan
sensitif
citra. Representasi
adalah representasi sentasi semantik perubahan pengukuran mengukur
citra yang baik
citra yang mampu
merepre-
citra dan tidak sensitif terhadap
cahaya,
geometris.
Sedangkan
teknik
citra yang baik adalah yang mampu kemiripan
citra sesuai dengan persepsi
manusia.
tris, karena informasi
regional
citra, yaitu global
(region-based),
dan
dengan
merupakan
citra global.
terhadap
seluruh
bagian
salah satu teknik
Pendekatan
perubahan
ini sangat
cahaya dan geome-
pada pendekatan
ini mengabaikan
spasial citra. Pada pendekatan
citra direpresentasikan citra hasil segmentasi.
regional,
dengan beberapa regional Pada pendekatan ini, di-
kenai istilah Region of Interest (ROI). Kelemahan pendekatan
Ada tiga teknik representasi
(global-based),
citra. Histogram
global,
ini adalah
segmentasi
yang kurang
baik sehingga ROI yang dihasilkan tidak merepresentasikan
citra yang sebenamya.
Oleh karena itu,
Yeni Herdiyeni dkk.
---
--
--
------
I 49
pada pendekatan lokal, citra direpresentasikan dengan bagian-bagian tertentu pada citra tanpa melakukan segmentasi. Scale-Invariant Feature Transform (SIFT) merupakan salah satu teknik untuk merepresentasikan citra dengan menggunakan pendekatan Iokal!". Gambar 1 menunjukkan titik utama lokal deskriptor SIFT. Deskriptor SIFT juga digunakan untuk membentuk fragmen atau 'visual words' pada temu kembali citra (Gambar 2)pl. Fragmen citra diperoleh berdasarkan titik utama (key points) citra dari SIFT. Setelah diperoleh fragmen, selanjutnya dilakukan perhitungan untuk mengetahui banyaknya jumlah fragmen pada setiap citra. Jumlah fragmen tersebut direpresentasikan dengan vektor frekuensi fragmen (Gambar 3). Setelah citra direpresentasikan dengan vektor frekuensi fragmen, selanjutnya pengukuran kemiripan citra dilakukan dengan menghitungjarak vektor. Deskriptor SIFT dapat merepresentasikan fitur dengan baik karena tidak sensitif terhadap perubahan skala, rotasi, translasi, dan perubahan pencahayaan!", Namun, SIFT membutuhkan waktu komputasi yang tinggi dan tidak tepat digunakan untuk ekstraksi citra secara real time", Penelitian ini menyajikan algoritma untuk mengukur kemiripan citra dengan menggunakan 'bag-of-words' lokal semantik fragmen. Lokal semantik fragmen diperoleh melalui proses pembelajaran dengan metode Bayes'". Setiap citra direpresentasikan dengan beberapa fragmen semantik citra. Selanjutnya pengukuran kemiripan citra dilakukan dengan menghitung j.arak vektor. Susunan makalah ini terdiri dari enam bab. Bab 1 menjelaskan pendahuluan, bab 2 menjelaskan ekstraksi fragmen semantik citra, bab 3 menjelaskan pengukuran kemiripan citra, bab 4 dan bab 5 menjelaskan percobaan dan hasil percobaan. Bab 6 menjelaskan kesimpulan dan pemanfaatan alagoritma untuk sistem temu kembali citra.
citra, yaitu citra kelas dan citra bukan kelas. Fragmeri citra dideteksi dengan menggunakan Normalized Cross Correlation (NCC). Teknik ini banyak digunakan untuk pencocokan template. Teknik cross-correlation dimotivasi oleh pengukuranjarak Euclid's' dengan formula: d2 j,t(u,
v)
= ~)j(x,y)
-t(x-u,y-u)]2
(1)
x,y denganfadalah citra, t adalah template (potongan citra atau fragmen), x dan y adalah posisi piksel dan u dan v adalah posisi template t. Jika nilai korelasi antara fragmen dan citra pada bagian tertentu melebihi nilai ambang batas (threshold) tertentu yang telah ditetapkan, maka artinya pada citra tersebut terdeteksi mengandung fragmen. Pada penelitian ini, penentuan nilai threshold berdasarkan nilai Minimum Cross Entropy (MCE)[71. Metode MCE menggunakan teori Kullback-Leibler dalam menghitung jarak D antara dua distribusi peluang. Jika diasumsikan P = {Pl,P2, ...,Pn} dan Q = {ql,n, ....,qn} adalah dua buah distribusi peluang maka cross entropy didefinisikan dengan: n D(P,Q)
po
= LPi1og-1 i=l
qi
(2)
Pada metode Bayes, data pengamatan (data pelatihan) dan parameter model dinamakan dengan variable peubah acakl". Data pelatihan dinyatakan dalam bentuk vektor x, Xn = {xl,x2, ..... ,xn} dengan n adalahjumlah data dan parameter model dinyatakan B=(B(l), ..., B(d)Y dengan d adalah dimensi vektor. Dengan menggunakan fungsi kepekatan peluang (probability density function) dan distribusi gabungan p(x, B,Xn} dapat diketahui parameter model p(xIB} sebagai berikut, (3) dan kepekatan peluang bersyarat (posterior) dari parameter B dinyatakan dengan teori Bayes,
2. EKSTRAKSI FRAGMEN SEMANTIK CITRA
pee I x,Xn)
Ekstraksi fragmen semantik citra dilakukan melalui pembelajaran dengan metode Bayesl". Pada pembelajaran diperlukan dua kelompok
dengan p(Blx, Xs) adalah posterior, p(xIB, Xs) adalah likelihood, p(BIXn} merupakan prior, dan p(xIXn} merupakan distribusi marginallkejadian.
50 I Instrumentasi,
Vol. 34 No.1 January-June 2010
= p(x
I e,Xn)p(e I Xn) p(x I Xn)
(4)
Gambar 1. Lokal deskriptor SIFT
Visual word
Visual vocabul
Gambar 2. Pembentukan fragmen dengan deskriptor SIFT
i
II
Visual vocabulary
Gambar 3. Representasi citra dengan vektor frekuensi fragmen
Yeni Herdiyeni dkk.
I 51
Setelah melalui tahap pembelajaran, akan diperoleh hasil seleksi beberapa potongan bagian citra yang mampu merepresentasikan semantik citra. Gambar 4 menunjukkan contoh beberapa bagian hasil deteksi .semantik citra pada kelas mobil.
-.••... ..••.. ~
III , Gambar
-~'"'-~~
4. Contoh beberapa hasil deteksi bagian semantik objek pada kelas mobil
Setelah fragmen terpilih untuk setiap kelas citra melalui proses pembelajaran, tahap selanjutnya adalah merepresentasikan setiap citra database menggunakan semua fragmen terpilih tersebut. Semua fragmen dideteksi pada setiap citra dengan menggunakan Normalized Cross Correlation (NCC). Setelah itu, setiap citra direpresentasikan dengan vektor korelasi fragmen (Gambar 5).
dengan Ijmerupakan karakteristik ke- i dari sebuah citra di basis data, sedangkan Q merupakan karakteristik ke-i dari citra kueri. j
Semakin dekat nilai cosine similarity ke nilai
1 (satu) maka semakin mirip citra tersebut dengan citra kueri.
4. EVALUASI HASIL PENGUKURAN KEMIRIPAN CITRA Pada tahap evaluasi dilakukan penilaian kinerja sistem dengan melakukan pengukuran recall dan precision untuk menentukan tingkat keefektifan hasil pengukuran kemiripan citra. Recall menyatakan proporsi materi relevan yang ditemukembalikan: Sementara itu, precision menyatakan proporsi materi yang ditemukembalikan yang relevan'?'. Recall
101167
Vektnr Korebsi
Gambar 5. Representasi citra dengan vektor korelasi fragmen
3. PENGUKURAN KEMIRIPAN CITRA
,
ItQ
= --
IIIIQI
t, X Qi = r==::::::::::--'-r==== 1:f=l
I~,:,Qft
..J L.t=l
X
J~,:, L.t=l
IRal = VI
(6)
Untuk mengevaluasi relevansi citra kueri dengan hasil kueri juga dilakukan pengukuran Receiver Operator Characteristic (ROC)[I01.Pengukuran ROC dilakukan untuk mengetahui berapa jumlah kelas positifyang berhasil dikelasifikasikan sejalan dengan jumlah kelas negatif yang salah diklasifikasikan. Pada penelitian ini, hasil kueri yang sesuai dengan citra kueri dinyatakan dengan kelas positif dan hasil kueri yang tidak sesuai dengan citra kueri disebut dengan kelas negatif. Tabell menunjukkan matrik kontingensi untuk pengukuran ROC. Tabel 1. Matrik kontingensi
Pada penelitian ini, pengukuran kemiripan dilakukan menggunakan metode pengukuranjarak vektor dengan nilai vektor merepresentasikan nilai korelasi fragmen citra. Berikut ini adalah formula untuk mengukur jarak vektor menggunakan cosine similarity-": . (~~) srm I Q
. .
Precision.
dengan Ra adalah jumlah citra relevan yang ditemukembalikan, R adalahjumlah citra relevan yang ada di basis data, danA adalahjumlah seluruh citra yang ditemukembalikan.
.. 0.673
I
IRal
= IRf
(5)
If
t
521 Instrumentasi, Vol. 34 No.1 January-June 2010
Aktual Positif
Aktual Negatif
Prediksi Positif
TP
FP
Prediksi Negatif
FN
TN
Berdasarkan matrik kontingensi tersebut, maka nilai recall, precision, True Positif Rate (TPR) dan False Positif Rate (FPR) dapat dinyatakan sebagai berikut:
Recall=---
TP
(7)
TP+FN TP Pr ecision = --TP+FP TruePositifRate
(TPR)
(8) = ---
TP
TP+FN .. Falsel'ositif Rate (FPR)
pendeteksian fragmen, maka pada akhimya setiap citra direpresentasikan dalam bentuk vektor korelasi.
= ---
FP
FP+TN
(9) (10)
. 5. PERCOBAAN DAN HASIL PERCOBAAN Database citra yang digunakan pada penelitian ini adalah database dari Microsoft Research Cambridge Object Recognition Image Database (MSRCORID). Pada penelitian ini ada lima kelas objek yang digunakan, yaitu kelas kuda (171 citra), mobil (423 citra), sepeda (195 citra), motor (832 citra), dan domba (148 citra). Data citra uji coba yang digunakan memiliki keragaman geometris, posisi, pencahayaan dan latar belakang citra. Hal ini dimaksudkan untuk menguji kemampuan metode yang digunakan dalam mengukur kemiripan semantik citra. Beberapa contoh citra yang digunakan pada penelitian ditunjukkan pada Gambar 6.
Gambar 7. Beberapa fragmen semantik citra hasil ekstraksi
5.2
PENGUKURAN KEMIRIPAN CITRA
Pada penelitian ini pengukuran kemiripan citradilakukan dengan menghitung jarak vektor menggunakan persamaan kosinus. Gambar 8 menunjukkan hasil pengukuran kerniripan citra untuk kelas sepeda ..Hasil pengukuran kemiripan citra untuk kelas mobil diperlihatkan pada Gambar 9. Hasil pengukuran kemiripan citra untuk kelas motor ditunjukkan pada Gambar 10. Hasil pengukuran kemiripan citra untuk kelas kuda dan hasil pengukuran kemiripan citra untuk kelas domba masing-masing diperlihatkan pada Gambar 11 dan Gambar 12.
Gambar 6. Contoh citra database MSRCORID 5.1
EKSTRAKSI FRAGMEN SEMANTIK CITRA
Berdasarkan hasil percobaan, beberapa fragmen semantik citra ditunjukkan pada Gambar 7. Setelah semua fragmen semantik terpilih untuk setiap kelas, tahap berikutnya adalah mendeteksi kemunculan setiap fragmen tersebut pada setiap citra dalam database. Setelah dilakukan
Gambar 8. Hasil pengukuran kemiripan citra untuk kelas sepeda
Yeni Herdiyeni dkk.
I 53
Gambar 9. Hasil pengukuran kemiripan citra untuk
Gambar 11. Hasil pengukuran kemiripan citra untuk
kelas kuda
kelas mobil
-, . !
f~~~ "·lr~Qo~., ~
it
_
;")C$
1)1
·.:iili
!
We~~~o_€l
- -.~.---..--... - -._-.-
'-~--'--"'<. -~----~
(;-.
c:~
';~"
l)tW
~
~®
'W"ill
~
~
iin~"=1
~l*",
'll')i(1J:2
I
.• ~,
~
~fl! 1,,~-,!I-;l~
,~
!:!BlIl'
;p ~®
i!0 ~®
;;);~W.
'iQ,;<J'.\'!
'1)C;g
~® :7)~l'!':1
~~
~<;;W
:::::Cl$Ii
A
EVALUASI
PENGUKURAN
I'Z;~~
1!i~375'
IMl::T~
'5iOs::9
1!)t.:mn
Ii)'.:.eu
ISjH3!1
kelas domba
KEMIRIPAN
CITRA
. Evaluasi pengukuran kemiripan citra dilakukan dengan menghitung tingkat rataan presisi, True Positif Rate (TPR), dan False Positif Rate (FPR). Untuk menguji kesesuaian persepsi antara hasil pengukuran kemiripan citra sistem dengan pengguna. Berdasarkan hasil pengujian sistem, diperoleh tingkat rataan untuk setiap kelas citra, ditunjukan pada Tabel 2. Gambar 13-22 menunjukkan grafik recall precision dan kurva ROC untuk setiap kelas. Hasil percobaan menunjukkan bahwa metode semantik lokal fragmen memiliki rataan akurasi presisi
541lnstrumentasi,
"!IOSi!.'5.
Gambar 12. Hasil pengukuran untuk kemiripan
kelas motor
5.3
~~;1!i>l
11111111 11.11'1111
!#fo
Gambar 10. Hasil pengukuran kemiripan citra untuk
iQ'ro
1111111111
'fIKfiJ
~i n:n;P5
ljr.31i:l
Vol. 34 No.1 January-June 2010
sebesar 0,74. Berdasarkan hasil tersebut, maka metode ini sudah cukup baik mengukur kemiripan citra berdasarkan semantik citra. Tabel 2. Rataan presisi untuk setiap kelas citra Kelas Citra Sepeda Mobil Motor Kuda Domba
Presisi
TPR
FPR
0,81 0,75 0,86 0,64 063
0,81 0,74 0,85 0,63 064
0,29 0,36 0,15 0,37 036
Gambar 13-14 menunjukkan grafik recall precision untuk citra sepeda. Untuk kelas sepeda, rataan akurasi presisi mencapai 0,81. Hal ini juga
ditunjukkan pada grafik ROC yang menyatakan bahwa jumlah kelas positif, yaitu hasil kueriyang relevan (TPR) mencapai 0,81 sedangkan hasil kueri yang tidak relevan (FPR) mencapai 0,29.
mencapai 0,85, sedangkan hasil kueri yang tidak relevan (FPR) mencapai 0,15. precision-recall
graph
1
0.9 ):frecision-recall
graph
0.8
0.7 0.8
~
0.6
~~
.~
1
0.5
0.6
<,
0.4 :~ 0.5
'~
1t 0.3 0.4 0.2
0.3
0.1
0.2
0.1
00
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
,
recall
Gambar Gambar
15. Grafik Recall Precision mobil
13. Grafik Recall Precision untuk kelas sepeda
untuk kelas
roc curve
o:-~
roc CUNa
0.9 0.9
07
0.8/ 01
~ 0.6 05
~
l°.5
~
0.4
!
0.4
0.3 /
0.3
0.2
0.2
0.1
0.1
00
00':--::-0."-1 ---="0.'::-2 ---="0.'::-3 ---="0.-:-4 ---="0.C:---='0.6=---=-'01=---=-'0.8=---=-'0.9=---' 5 false positive rate 0.1
0.2
0.3
0.4 false
0.5 positive
0.6
0.7
0.8
0.9
rate
Gambar Gambar
/
1 ;/i
~ 0.6
~
/
16. Grafik ROC kelas mobil
14. Grafik ROC kelas sepeda precision-recall
Gambar 15-16 menunjukkan grafik recall precision untuk citra mobil. Untukkelas mobil, rataan akurasi presisi mencapai 0,75. Hal ini juga ditunjukkan pada grafik ROC yang menyatakan bahwajumlah kelas positif, yaitu hasil kueri yang relevan (TPR) mencapai 0,74, sedangkan hasil kueri yangtidak relevan (FPR) mencapai 0,36. Gambar 17-18 menunjukkan grafik recall precision untuk citra motor. Untuk kelas motor, memiliki rataan akurasi presisi yang paling tinggi, yaitu mencapai 0,86. Hal ini juga ditunjukkan pada grafik ROC yang menyatakan bahwa jumlah kelas positif, yaitu hasil kueri yang relevan (TPR)
graph
0.9 0.8 01
~
0.6
o
:~ 0.5
~ 0.4 0.3 0.2 0.1
DO
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
recall
Gambar
17. Grafik Recall Precision motor
untuk kelas
Yeni Herdiyeni dkk.
I 55
roc curve
roc curve
0.9
1
0.8
0.9
0.7
O.S
~
0.7
~ 0.6
~
~ 0,6
~
.a
1
05 .
~
'1
0.5
g
0.4
.~
0.4
0.3
0.3 0.2 0.2
0.1 0.1 " 0
0
0.1
0.2
0.3
0.4 0.6 0.5 false positive rate
0.7
°0~~0~.1--0~.2--0~.3--~0.4--~0.~5--0.L6--0~.7~0~.8--0~.9~ O.S
0.9
false positive rate
1
Gambar 18. Grafik ROC kelas motor
Gambar 20. Grafik ROC kelas kuda
Gambar 19-20 menunjukkan grafik recall precision untuk citra kuda. Untuk kelas kuda,
Gambar 21-22 menunjukkan grafik recall precision untuk citra domba. Untuk kelas domba,
memiliki
memiliki
rataan
akurasi
presisi
Hal ini juga ditunjukkan menyatakan
bahwa
0,63.
rataan
akurasi
Hal ini juga ditunjukkan
kelas positif,
yaitu
menyatakan
(TPR) mencapai
0,63,
hasil kueri yang relevan
jumlah
hasil kueri yang relevan sedangkan
mencapai
pada grafik ROC yang
hasil kueri yang tidak relevan
(FPR)
0,47. Hasil analisis menunjukkan citra kuda yang ada di dalam database memiliki variasi
rnencapai
yaitu 0,64,
sedangkan
hasil kueri yang tidak relevan
(FPR)
mencapai
0,36. Sama seperti menunjukkan
geometris yang paling besar sehingga hasil akurasi-
dalam database memiliki paling besar sehingga
kelas lainnya.
dibandingkan precision-recall graph
pada kelas kuda, citra yang
ada di
variasi geometris
hasil akurasinya
kelas lainnya.
0.9
O.B
0.8
0.7
0.7
0.6
0.6
c o
s
.~ 0.5 1! Co 0.4
:~ 0.5 ii 0.4
03
03
0.2
0.2
0.1
0.1
0.1
0.2
03
0.4
0.5 recall
0.6
0.7
19. Grafik recall precision kuda
561 Instrumentasi,
0.8
0.9
untuk kelas
OL-~~L-~~~~~L-~~L--L~ o 0.1 0.2 0.3 0.4
0.5 recall
0.6
----
0.8
0.9
Gambar 21 Grafik recall precision untuk kelas domba
Vol. 34 No.1 January-June 2010
---
0.7
------------------------------------------
yang
menurun
precision-recall graph
0.9
Gambar
0,64.
kelas positif,
analisis
jumlah
nya menurun
dibandingkan
mencapai
pada grafik ROC yang (TPR) mencapai
hasil
bahwa
presisi
menggunakan 'bag-ofwords' lokal fragmen sematik citra mampu meningkatkan rataan akurasi presisi sebesar 75%. Ini menunjukkan metode yang dikembangkan dapat mengukur kemiripan citra sesuai dengan persepsi manusia.
roc curve
0.9 0.8 0.7
~ 0.6
7. DAFTAR PUSTAKA
~
lO.5 0.3
[1] Datta, R., et al. 2007. Image Retrieval: Ideas, Influences, and Trend of the New Age. ACM Transaction on Computing Survey.
0.2
[2] Lowe. 2004. Distinctive
~ 0.4
Scale-Invariant 0.1
00
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
false positive rate
Gambar 22. Grafik ROC untuk kelas Domba
6. KESIMPULAN
Image Features from Keypoints. International Journal
of Computer Vision. [3] Tirilly, P., et al. 2009. A Review of Weighting Schemes for Bag of Visual Words Image Retrieval.
Publications Internes de l'IRISA. [4] Jing, F.,Li.,M., et al. 2004a. An efficient and effective region-based image retrieval framework. IEEE Trans. Image Processing 13, 5,699-709. [5] Fei-Fei, L., et al. 2004. Learning Generative Visual Model from few training examples: An incremental Bayesian approach tested on 101 object categories.
Penelitian ini mengusulkan metode pengukuran kemiripan semantik menggunakan 'bagof words' lokal fragmen semantik citra. Pada metode ini sebuah citra direpresentasikan dengan sejumlah lokal fragmen citra. Lokal fragmen citra adalah bagian dari citra yang mengandung informasi semantik citra. Lokal fragmen citra diperoleh melalui proses pembelajaran secara online menggunakan teknik Bayes.
In IEEE CVPR Workshop of Generative Model Based Vision (WGMBV). [6] Lewis, J.P. 1995. Fast Normalized Cross Correlation. Vision Interface, p.120-123. [7] Pal N.R. 1996. On Minimum Cross Entropy Thresholding. Pattern Recognition, vol. 29, pp. 575-580. [8] Smeulders, A.W.M., et al. 2000. Content-based
Pengukuran kemiripan semantik citra terdiri dari dua tahap, yaitu: 1) Pengukuran kemiripan lokal fragmen citra dengan menggunakan Normalized Cross Correlation (NeC); dan 2) Pengukuran kemiripan citra menggunakan pengukuran jarak vektor kosinus. Berdasarkan hasil percobaan, metode pengukuran kemiripan citra
IEEE PAMI, 22(12), 1349-1380 [9] Baeza-Yates R & Berthier Ribeiro-Neto. 1999. Modern Information Retrieval. New York:Addison Wesley. [10] Davis, Jesse, dan Goadrich, Mark. 2006. Proceeding of 34thInternational Conference on Machine Learning.
Image Retrieval at The End of The Early Years.
Yeni Herdiyeni dkk.
157
