PENGGUNAAN FITUR WARNA DAN TEKSTUR \nUNTUK CONTENT BASED IMAGE RETRIEVAL CITRA BUNGA
Notice bibliographique
Résumé
Pencarian gambar berdasarkan gambar pada database, seringkali dilakukan untuk mengatasi duplikasi pada suatu karya. Content Based Image Retrieval (CBIR) Citra Bunga adalah engine pada komputer untuk melakukan pencarian gambar berdasarkan gambar pada database. Penelitian pada Content Based Image Retrieval (CBIR) Citra Bunga telah dilakukan oleh banyak peneliti. Permasalahan terjadi ketika memilih metode pendekatan seperti preprocessing, ekstraksi fitur dan similarity measure pada CBIR Citra Bunga. Pendekatan yang tidak sesuai dengan data yang diuji, tidak akan memberikan hasil yang optimal. Untuk mengetahui tingkat keberhasilan pendekatan yang digunakan pada CBIR Citra Bunga, digunakan perhitungan nilai precision. Pada penelitian ini, dataset yang akan digunakan adalah dataset Oxford Flower 17. Berdasarkan penelitian sebelumnya, untuk mendapatkan nilai precision yang lebih baik, penelitian ini akan menggunakan ekstraksi fitur warna Hue Saturation Value (HSV), ekstraksi fitur tekstur Gray Level Co-occurrence Matrix (GLCM), dan gabungan kedua fitur dengan pendekatan histogram. Pada penelitian CBIR Citra Bunga ini, terdapat tiga proses yaitu segmentasi menggunakan thresholding, proses ekstraksi fitur, dan pengukuran tingkat kemiripan citra dengan Euclidean Distance. Pengujian pada sistem dilakukan berdasarkan citra yang tersegmentasi dan tidak tersegmentasi. Pengujian sistem dengan hasil Mean Average Precision (MAP) terbesar dihasilkan oleh proses ekstraksi fitur GLCM tidak tersegmentasi sebesar 87,32%, dan untuk nilai MAP terbesar pada citra tersegmentasi dihasilkan pada proses ekstraksi fitur HSV sebesar 83,35%. \n \n \nKata kunci: Content Based Image Retrieval, ekstraksi fitur HSV, ekstraksi fitur GLCM, thresholding, Euclidean Distance, Mean Average Precision (MAP);--- \nSearching images based on images in the database, often done to overcome duplication of a work. Content Based Image Retrieval (CBIR) Flower Image is the engine on the computer To perform image-based image search on the database. Research on Content Based Image Retrieval (CBIR) Flower Image has been done by many researchers. Problems occur when choosing approaches such as preprocessing, feature extraction and similarity measure in CBIR Flower Image. Approaches which don't correspond with the data image test, would not provide optimal results. To know the success rate of approach used in CBIR Flower Image, the calculation of precision value is used. In this study, the dataset that will be used is dataset Oxford Flower 17. Based on previous research, to get better precision value, this research will use Hue Saturation Value (HSV) feature extraction, feature extraction of Gray Level Co-occurrence Matrix (GLCM) texture, and combination of both features with histogram approach. In this research, there are three processes: segmentation using thresholding, feature extraction process, and measurement of image similarity level with Euclidean Distance. For testing the system, is based on segmented image and non-segmented image. The result of the largest Mean Average Precision (MAP) produced in this study, resulted from the process of unsegmented image by the GLCM feature extraction of 87.32%, and for the largest MAP value in the segmented image produced by the HSV feature extraction process of 83.35%. \n \n \nKeywords: Content Based Image Retrieval, feature extraction HSV, feature extraction GLCM, thresholding, Euclidean Distance, Mean Average Precision (MAP)
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,028 | 0,024 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».