Local Binary Pattern

Algoritma Local Binary Pattern (LBP): Cara Kerja dan Kelebihan

Local Binary Pattern (LBP) merupakan salah satu metode ekstraksi fitur yang penting dalam pengolahan citra. Metode ini telah digunakan secara luas dalam berbagai aplikasi, termasuk pengenalan wajah, deteksi objek dan pengenalan citra.

Nah, pada artikel ini kita akan belajar secara rinci tentang konsep dasar LBP, kelebihan dan kelemahannya, implementasi dalam pengenalan citra serta perbandingan dengan metode lain. Yuk simak!

Apa Itu Local Binary Pattern (LBP)

Local Binary Pattern (LBP) adalah metode deskriptor tekstur yang digunakan untuk menggambarkan pola lokal pada citra. Teknik ini memperhitungkan perbedaan intensitas piksel tetangga dalam suatu area tertentu untuk membentuk representasi biner dari pola tekstur tersebut. LBP telah terbukti efektif dalam banyak aplikasi pengolahan citra dan pengenalan pola.

Cara Kerja Local Binary Pattern (LBP)

Cara kerja Local Binary Pattern (LBP) cukup sederhana dan mudah dipahami. LBP berfungsi dengan membandingkan nilai intensitas piksel dengan nilai intensitas tetangganya dalam suatu area tertentu pada citra. Berikut adalah langkah-langkah cara kerja LBP:

  1. Pilih satu piksel dalam citra sebagai piksel pusat.
  2. Tentukan tetangga-tetangga piksel di sekitar piksel pusat. Biasanya, tetangga-tetangga tersebut terdiri dari 8 piksel yang berada di sekitar piksel pusat.
  3. Bandingkan nilai intensitas piksel pusat dengan nilai intensitas setiap piksel tetangga. Jika nilai intensitas tetangga lebih besar atau sama dengan nilai intensitas piksel pusat, berikan nilai 1. Jika nilai intensitas tetangga lebih kecil dari nilai intensitas piksel pusat, berikan nilai 0.
  4. Setelah membandingkan dengan semua tetangga, kita akan mendapatkan urutan nilai biner 0 dan 1 yang sesuai dengan pola tekstur lokal di sekitar piksel pusat.
  5. Ubah urutan nilai biner tersebut menjadi bilangan desimal untuk mendapatkan representasi numerik dari pola tekstur lokal.
  6. Lakukan proses LBP ini untuk setiap piksel dalam citra untuk mendapatkan representasi LBP dari seluruh citra.
Baca juga :   Association Rule Learning: Pengertian, Jenis dan Implementasi

Dengan cara kerja tersebut, LBP dapat menghasilkan representasi biner dari pola tekstur lokal pada setiap piksel dalam citra. Representasi LBP ini kemudian dapat digunakan untuk analisis dan pengolahan lebih lanjut, seperti deteksi tepi, segmentasi citra, pengenalan objek dan aplikasi lainnya dalam pengolahan citra dan pengenalan pola.

Kelebihan dan Kelemahan Local Binary Pattern (LBP)

Kelebihan LBP

  1. Kecepatan Komputasi: LBP memiliki keunggulan dalam kecepatan komputasi yang tinggi. Algoritma LBP sederhana, sehingga operasi perbandingan dan binerisasi dapat dieksekusi dengan cepat. Hal ini memungkinkan ekstraksi ciri yang efisien pada citra besar dalam waktu yang singkat.
  2. Ketahanan Terhadap Perubahan Skala dan Rotasi: LBP mampu mengatasi perubahan skala dan rotasi pada citra. Teknik ini menggunakan pola tekstur lokal yang relatif tidak berubah terhadap variasi ini, sehingga memungkinkan ekstraksi ciri yang konsisten pada berbagai kondisi citra.
  3. Invarian Terhadap Kecerahan: LBP menjaga invarian terhadap perubahan kecerahan pada citra. Pola tekstur lokal yang digunakan oleh LBP cenderung tidak bergantung pada tingkat kecerahan, sehingga ekstraksi ciri tetap stabil meskipun terdapat variasi tingkat kecerahan dalam citra.
  4. Kemudahan Implementasi: LBP relatif mudah dimengerti dan diimplementasikan. Algoritma LBP sederhana dan tidak memerlukan pengaturan parameter yang kompleks. Hal ini membuatnya dapat dengan cepat diterapkan dalam berbagai aplikasi pengolahan citra.

Kekurangan LBP

  1. Ketidaktepatan dalam Memodelkan Pola Tekstur Global yang Kompleks: LBP tidak selalu akurat dalam memodelkan pola tekstur global yang kompleks. Teknik ini lebih cocok untuk menggambarkan pola tekstur lokal dalam citra.
  2. Sensitivitas Terhadap Variasi Pencahayaan yang Drastis: LBP memiliki sensitivitas terhadap variasi pencahayaan yang drastis dalam citra. Jika terjadi perubahan pencahayaan yang signifikan, hasil ekstraksi ciri LBP dapat terpengaruh dan tidak konsisten.
  3. Tidak Mampu Menangkap Konteks Spasial Antara Piksel: LBP hanya memperhatikan hubungan lokal antara piksel tetangga dan piksel pusat dalam jendela atau blok. Hal ini menyebabkan LBP tidak mampu menangkap konteks spasial yang lebih luas antara piksel dalam citra.
Baca juga :   Fraud Detection: Pengertian, Metode dan Cara Kerjannya

Penerapan Local Binary Pattern dalam Pemrosesan Citra

1. Deteksi Tepi

Local Binary Pattern dapat digunakan untuk mendeteksi tepi dalam citra. Dengan membandingkan intensitas piksel dengan tetangganya, pola LBP yang menunjukkan perubahan tiba-tiba dalam intensitas dapat digunakan untuk mengidentifikasi tepi.

2. Ekstraksi Fitur

LBP juga digunakan secara luas dalam ekstraksi fitur citra. Dengan menerapkan LBP pada berbagai skala dan posisi, fitur-fitur seperti tekstur, sudut dan pola dapat diekstraksi dengan efektif.

3. Pengenalan Pola

LBP dapat digunakan untuk pengenalan pola dalam citra. Dengan mempelajari pola LBP yang mewakili objek atau kelas tertentu, sistem dapat mengenali dan mengklasifikasikan objek yang serupa dalam citra.

Perbandingan Local Binary Pattern dengan Metode Lain

Perbandingan antara LBP dengan metode ekstraksi fitur lainnya seperti Haralick Texture dan Gabor Filter dapat membantu memahami kelebihan dan kekurangan masing-masing metode. Haralick Texture, misalnya, cocok untuk menggambarkan tekstur kasar pada citra, sementara LBP lebih efektif dalam mendeteksi pola tekstur halus. Gabor Filter, di sisi lain, dapat menghasilkan representasi fitur multi-skala yang lebih kaya dibandingkan dengan LBP.

Kesimpulan

Pada pembelajaran kita di atas dapat disimpulkan bawah Local Binary Pattern (LBP) adalah metode ekstraksi fitur yang penting dan telah digunakan secara luas dalam berbagai aplikasi. Kelebihan LBP sebagai metode yang invarian terhadap pergeseran kecil menjadikannya cocok untuk pengenalan objek yang berbeda-beda ukuran dan posisinya. Namun, LBP juga memiliki kelemahan terhadap perubahan skala dan rotasi objek.

Dengan demikian, penggunaan LBP harus dipertimbangkan dengan baik sesuai dengan kebutuhan pengolahan citra.

Artikel ini merupakan bagian dari seri artikel belajar Kecerdasan Buatan dan jika ada ide topik yang mau kita bahas silahkan komen di bawah ya.

Baca juga :   Crawling Data Adalah: Cara kerja, Perbedaan dan Implementasi