TELKOM NIKA , Vol.12, No .3, Septembe r 2014, pp. 5 97~604   ISSN: 1693-6 930,  accredited  A  by DIKTI, De cree No: 58/DIK T I/Kep/2013   DOI :  10.12928/TELKOMNIKA.v12i3.80    597      Re cei v ed Ma rch 4, 2 014;  Re vised J une  14, 2014; Accepte d  Ju ne  30, 2014   Batik Image Retrieval Based on Color Difference  Histogram and Gray Level Co-Occurrence Mat r ix      Agus Eko Mi narno* 1 , Nan i k Suciati 2   1  T e knik Informatika, Univ ersit a s Muhamm a d i yah Ma lan g , Jl.Ra y a T l ogoma s  No. 246 Mal a ng, Kampus  3  Gedun g Kul i ah  Bersama 3, T e lp. 03 41- 464 3 1 8   2   T e knik Informatika, Institut  T e kno l og i Sep u l uh No pemb e r Jl.  T e knik Kimi a, Gedun g T e knik Informatika,   Kampus IT S Sukoli lo, Sura ba ya, 6 011 1 T e lp: 031 – 59 392 1 4   *Corres p o ndi n g  author, e-ma i l  : aguseko @ u mm.ac.id 1 , nanik@if.its.ac.id 2        A b st r a ct  Study in b a tik imag e retrieva l  is still chal le n g in g today. On e of the metho d s for this pro b le m is   usin g a  Col o r  Differenc e Hist ogra m  ( CDH),  w h ich is b a se d  on th e differ e nce of c o lor fe atures a nd  ed ge   orie ntation f eat ures. How e ver,  CDH is  only  u t ilisin g l o cal  fe atures i n stea d  of glo bal  f eatur es; conse q u e n t ly  it cann ot repr e s ent i m a ges  gl oba lly.  W e  sug gest that by  a ddi ng g l o bal fe atures for b a ti k imag e retriev a l,   precisi on w ill i n creas e. Ther efore, in this  study, w e  combin e the  use  of mo difie d  C DH to defin e l o cal   features  an d th e us e of  Grey  Leve l  C o -occur r ence  Ma trix ( G LCM) to  defi ne  glo b a l  feat u r es. T he  modifi e d   CDH is  perfor m e d  by c h a ngi ng the  si z e   of imag e qu antis ation, so  it can  reduc e  the  nu mb er of feat ur es .   F eatures  th at are detecte d b y   GLCM  are   e nergy, entro py,  contrast an d co rrelati on. I n  t h is stu d y, w e   use   300 b a tik i m a g e s w h ich cons i s t of 50 classe s and six i m a g e s in eac h clas s. T he experi m ent result sh o w s  that the  pro pos ed  metho d  is  a b le  to ra ise  96. 5%  of th e  prec i s ion  rate w h ich  is  3.5%  hi gher  than  the  us e o f   CDH on ly. The propos ed  met hod is extracti n g  a sma ller  n u m b e r of featur es; how ever it perfor m s better  for  batik i m a ge ret r ieval. T h is i ndi cates that the  use of GLCM i s  effective combin ed w i th CD H.    Ke y w ords   : ba tik, imag e retri e val, col o r diffe rence  h i stogra m , gray lev e l c o -occurr ence  matrix       1. Introduc tion   On 2 O c tobe r 200 9, UNE SCO an noun ced that bati k  is on e of the   intangi ble  cultural   heritag es of  humanity. Batik can be d e fined as a tra d itional meth od to write so me pattern s and   dots on fa bri c  and  other  material. Bati k patterns  consi s t of on e or mo re  motifs whi c h  are  repe atedly written in an o r de rly sequ e n ce o r  a  disorde r ly seq u ence.  Based  on these m o tifs,  batik images  can be  classi fied in  order to facilitate the document at ion. Several studies on batik  have be en p r opo sed  su ch  as, u s ing  a cardin al spi ne  curve  to extract bati k  feat ure s  by Fa na ni  [1], and  conte n t-ba sed  ima ge retrieval  u s ing  an  en h a n ce d mi cro st ructu r e  de scri ptor by  Mina rno  [2]. Content-b ase d  ima ge  retrieval (CBI R) i s   a me th o d  u s ed fo r  se arching  rel e vant imag es from  a colle ction o f  images. The r e are many tech niqu es u s ed for conten t-based ima g e  retrieval  su ch   as Z e rnike m o ment [3],  Li,  improving  Relevan c e F e e dba ck [4], bi partite g r a p h  model  [5], a n d   discre et co si nes d o main [ 6 ].  Usually, th ere i s  a calcu l ation of dista n ce b e twe en  an imag e qu ery  and a  data  set. Currently,  the calculati on la rgely util ize s   featu r e s  su ch  a s  col o r,  texture,  sh a p e   and sp atial la yout. To be  more  spe c ific, severa l pre v ious re se arches were based on col o r a nd  texture only. For in stan ce there i s  GL CM which  is propo sed to extract featu r e s  based on the  co- occurre n ce of grey intensi t y [7] and edge dire cti on  histog ram (E DH) whi c h is used to retri e ve   logo im age s [8]. However, EDH i s   invariant fo r rotated,  scaled a nd tra n slate d  ima g e s.  Manjun ath al so p r op oses  a method  kn own a s  e dge  histog ram d e scripto r  (E HD) [9]. Anoth e r  approa ch i s  p r opo se d by  Julesz u s in g t e xton to  re co gnize texture,  based  on a  grey  scale im age   [10]. Guang -Hai Liu  and  Jing-Yu Ya ng  [11] also u s e  five types of texton combi ned with  GL CM  feature s , such as energy,  contra st,  entropy and homogenity with angles of 0 ° , 45 ° , 90 °  a nd  135 ° . The fea t ures  are  extracted from RGB colo r  spa c e. Thi s  met hod is  kn own  as texton co- occ u rrence matrix (TCM).   Two yea r s l a ter, in 2010  Guang -hai  Liu  et al. [1 2] improved  the TCM me thod by  prop osi ng a n e w feature extraction p r o c e ss u s in g  a m u lti-texton histogram  (MT H ). Comp are d  to  TCM, the mo st signifi cant  improvem ent  of MTH is  a  faster featu r e extractio n  pro c e ss th at can   avoid overla p p ing. Thi s  is  facilitated by  the  use  of four textons in stead of o ne  texton and two  pixel frictio n s  from left to  ri ght an d fro m   top to b o ttom .  In 201 1, Gu ang-Hai  Liu  e t  al. pro p o s ed  a  Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No. 3, September 20 14:  59 7 – 604   598 micro-structure de scriptor  (MSD) [13] whi c h  utilizes various si zes of filters for micro-struct ure  map dete c tio n . They used  2x2, 3x 3, 5x5 and 7x7 filt er si ze s for t h is p u rp ose. Usi ng a p a rti c ula r   filter, they ide n tified co-o ccurren ce val u e s  from the   ce ntre of t he filter to  othe r p a r ts  of the filte r .  The d e tecte d  features a c tually are q u a n tized  valu e s  of colo r inte nsity an d e d ge o r ientatio n on   HSV col o r  sp ace. T he fri c ti on filter of M S D is  den ot e d  by four  sta r ting point s at  (0, 0),  (0, 1 ) ,  (1,  0) a nd  (1, 1 ) .  The  different  startin g  p o in t purp o se i s  t o  avoid  missed pixel s . Co mpared to  T C M  and MT H, MSD uses th ree pixel fricti ons in stea d  of one or t w o pixel frictio n s to dete c t  co- occurre n ce pi xel intensity.  Colo r  Differe nce  Hi stog ra m (CDH) is  a modifi catio n  of MSD o b tained  by p e rformi ng   colo r differen c e to e dge  map an d ed ge ori entatio n to col o r  a  map [14]. Ho wever,  CDH  only  utilizes local f eatures to represent  images. In fact, the use of glob al information is also important  for this purpose. One of the met hods for global features   extraction that is still reliable i s  Grey  Level Co-o ccurren ce M a tri x  (GL C M). T herefo r e, in   t h is study  we combi ne  the  use of  CDH as  a  local featu r e s  extractor a n d  the use of  G L CM a s  a glo bal feature ex tracto r.      2. Datase t  Batik ima g e   dataset is  co llected  by  ca pturing  5 0  types of  bat ik fabric.   Each fabric  i s   captu r ed to a s  much as si x random im age s and the n  resi ze d to 128x12 8 pixels size in JP EG   format. Thu s  the total nu mber  of ima ges i n  a d a taset i s  30 0  and  con s i s ts of 50 cl asses.  Examples of batik imag es  are sho w n in Figure 1.  In g eneral, there  are two patte rns of captured   batik imag es;  geometri c an d non-geo me tric patterns.           Figure 1. Example of Batik image s      3.  Color Differ e n ce His t ogr a m   CDH  co nsi s t s  of five  mai n  sectio ns.  Fi rst, tra n sfo r m i ng a n   RGB i m age to   L* a* b*  color   spa c e. Se cond, dete c ti ng ed ge o r ientation  a nd qu antizi n g the valu es to  m  bins,   m = {6,12,18,2 4 ,30,36} . Third, quantizin g each com pon ent of the image  L*a* b*  color into  n  bins,   n={ 54,72,1 0 8 } . Furth e rm o r e, calculatin g the diffe re nce  of the  colo r q uanti z ation an d e dge  orientatio n m ap; and the  differen c e of  edge q uant i z ation and th e  colo r inten s i t y map. Final ly,  combi n ing th e colo r histo g r am an d edg e orientatio n histog ram.       3.1  RG B image to  L*a*b*  Color Space  RGB  colo r sp ace i s  a  com m on colo r sp ace th at is u s ed in g ene ral  appli c ation.  Thoug h  this col o r  spa c e is  simpl e  and st raig htforwa r d,  it ca n not mimic h u man color  pe rce p tion. On  the  other si de,  L* a*b*  col o r sp ace was d e si gned to be p e rceptually u n iform [15], and highly uniform  with respe c t to hum an  colo r pe rception,  thus  L * a*b*   color sp ace   is particula rly  a better choi ce in   this case. In this sectio n, we a r e transf o rmin g an  RGB image to  an XYZ col o r spa c e b e fore   transfo rmin g to an  L*a* b*  color  spac e.       3.2  Edge Orientation Dete cti on in  L*a*b*  C o lo r  Sp a ce  Edge o r ientat ion play s an  i m porta nt rol e  and  i n fluen ce in h u man i m age  perce ption. Thi s   can  provide  a de scriptio n  of obje c t bo unda rie s . Thi s  al so  provid es  sem antic i n formatio n of  an   image an d re pre s ent s feat ure s  of texture and shap e simultan eou sl y. In this paper we cal c ula t e   edge  ori entati on for ea ch  compon ent of  L*a*b*   color  space. Comm on e dge  ori e ntation d e tect ion  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Batik Im age Retrieval Based on Color  Differenc e  Hi stogram  and Gray .... (Agus Eko Minarno)  599 is sta r ted by  conve r ting a  colo r imag e  to a gr ey -scale imag e. T hen, gradie n t magnitud e  a nd  orientatio n are detected b a se d on  the grey-scale im age. Ho weve r, this metho d  suffers fro m  the  loss of a num ber of chrom a tic inform ation.   To p r event th e lo ss of  ch romatic inform ation,  we utili sed  the  Zen z o [16] m e tho d  to g e t  the g r adie n t  from the  col o r im age. In  this  se ction,  ea ch  L*a* b*  co mpon ent  is d e tecte d   with  hori z ontal  ori entation  (g xx )  and ve rtical   orientatio n  (gy y ) ,  an d then  the compute d  dot p r od uct  of  gxx and gyy, resulting in  gxy, using Sobel op erat o r s. Furthe rmo r e, the gra d i ent con s i s ts  of  magnitud e  co mpone nt and  directio n. In  orde r to  get the maximum rate of orient ation cha nge  of  gradi ent, the followin g  form ula is u s ed:      , ar ctan     (1)     Whe r e the rate of orientatio n cha nge for   ,  given by equ ation (2 ) and  (3)      1  ,       cos 2 2 2 /  (2)     2 ,      cos 2 2 2 / 2 /  (3)     More over, we  need to find the maximum  value of gradi ent ( Fm ax )     max 1, 2  (4)     Whe r e:                                       1 ,                      2 ,  (5)     After computi ng the edge orientatio n for each pixel , , then we qu ant ise the  ,   into  m  bins, with variatio n   m = {6,12,18, 24,30,36 } . Th e interval  size of each bin  is cal c ul ated  by  dividing 36 0  with  m . For e x ample, for  m= 6 , the inte rval si ze i s  6 0 , so all  edg e orie ntation s  are  uniformly qu a n tized to intervals of 0, 60, 120, 180, 24 0 ,  300.       3.3 Quan tiza tion   L*a*b*  Color Space  Colo r is  one  of the impo rtant asp e ct s  for im ag e ret r ieval, be cau s e it provide s  hig h ly  reliabl e spati a l inform ation. This aspect  is usua lly pe rforme d a s  fe ature s  in  a color  histo g ra m.  Comm on ap p lication s  typically use RGB color  spa c e  f o r practi cal re aso n s, ho we ver, this ca nn ot  rep r e s ent hu man visual p e rception.    Therefore, i n  this p ape r  we u s e   L*a * b*  color spa c e. Additionall y , each  co m pone nt in   L*a*b*   is qua ntized  to   n  bi ns, whe r e  n = {54,63,7 2 ,81, 90}.  Giv e n  a  colo r ima ge o f  size  M x  N,   f o r   inst an ce,  if  w e  set   n= 7 2 , i t  is equal  L = 8, *a=3, *b =3 .Den ote by  C( x,y )  the qu antize d  imag e,  w h er e  0< x< M,0 < y<N .       3.4 Map  detec t ion  After edge o r ientation d e tection a nd color  qu antiza t ion, the nex t process is micro - stru cture d e tection  on  bot h ed ge  qua ntization  an d  color qua ntizat ion with  fri c tion  o ne pixel and   filter 3x3. We compa r ed   the center value of th e f ilter to its ei ght neig hbo rs. Thi s  a c tivity  prod uced a  set of edge m aps a nd  colo r maps.  Utilizi ng these map s , the differe n c e value  ∆   o f   colo r int ensit y and  edg e  orientatio n of  ea ch  co mp onent  L*a* b*   ca n  b e  cal c ulated and   then   store d  as  col o r feature an d edge featu r es. The final   step is p r e s e n ting these two features i n to a  combi ned  hi stogram. A n  ill ustratio n  of  map  dete c tio n  is p r e s ente d  in  Figu re  2.  The  value s   of a   quanti z ed im age  C ( x, y)  a r e denote d  as  ∈ 0,1, … , 1 . Denote neig hbori ng pixel  locatio n s by  (x, y )  an d  (x ’ , y ’ )  and their colo r index value s  as  C( x, y) =w 1  and  C( x ’ ,y ’ ) = w 2 . Th e values of a n   edge o r ientat ion image  , are denoted by    ∈ 0 , 1 … , 1 . The angles at  (x,y)  an d  (x ’ , y ’ )   Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No. 3, September 20 14:  59 7 – 604   600 are de noted  by  ,  1  and   ′, ′  2 . For neigh bori ng p i xels, whe r e the distan ce i s   D   and re sp ectiv e  quantizatio n numbe rs fo r the colo r an d edge ori ent ations a r e  W  and  V , we c a n   define the col o r differe nce histog ra m a s   equatio n (6 ) and eq uation  (7).     Color Quantization   Color Co- O ccurr ence Color Map Color Feat ure   10   40   90   20   10   20 10   40   90   20 10 20             10   40   90   20   10   20 90   90   50   10   20   10 90   90   50   10 20 10             90   90   50   10   20   10 50   50   90   20   10   20 50   50   90   20 10 20             50   50   90   20   10   20 34   34   56   70   60   80 34   34   56   70 60 80             34   34   56   70   60   80 78   56   56   70   50   80 78   56   56   70 50 80             78   56   56   70   50   80 90   90   90   70   60   80 90   90   90   70 60 80             90   90   90   70   60   80   Edge Qua n tization   Edge Co- O ccurr ence Edge Map Edge Featu r e   10   12   10   4   5   3   10   12   10   4 5 3             10   12   10   4   5   3 11   10   7   5   3   13 11   10   7   5 3 13             11   10   7   5   3   13 10   5   10   10   16   10 10   5   10   10 16 10             10   5   10   10   16   10 8   5   2   10   5   10 8   5   2   10 5 10             8   5   2   10   5   10 5   10   3   17   10   5   5   10   3   17 10 5             5   10   3   17   10   5 10   6   10   10   16   10 10   6   10   10 16 10             10   6   10   10   16   10   Figure 2. Map detection illustration        ,  ∑ ∆  ∆  ∆    ,  ′, ′ ;m a x |  | , |  |   (6)       ,  ∑ ∆  ∆  ∆    ,   ′, ′ ;m a x |  | , |  |   (7)     Whe r e  ∆ ,  ∆  and  ∆  are differen c e value bet ween two  col o r pixels. In th is pap er  we   use  D =1. If the ed ge  orie ntation is  W  and q uanti z at ion of  colo r i s   V,  then th e  feature  of CDH  denote d  as fo llows:       0 ,  1 …   1 ,  0,  1 …   1  (8)     Whe r e  Hc olor   is th e  colo r histog ram  a nd  Hor i  i s  th e edg e o r ien t ation histo g ram. For  instan ce, if we set the  dim ensi on of  col o r q uant izatio n = 7 2  an d e dge o r ientatio n = 1 8 , thu s , the   total feature s  for im age  ret r ieval a r e  72  + 1 8   = 9 0  di mensi onal  fe ature s . Fu rth e rmo r e, thi s  t o tal  feature is d e n o ted as  H.      4.  Gra y  Le v e l Co-oc c urre nc e Matrix   The u s e  of G r ay Level  Co -occurre nce M a trix  is  perfo rmed to  dete c t four fe ature s , these   are e n e r gy, e n tropy, co ntrast an d corre l ation in fou r   dire ction s ; 0° , 45°, 90°  an d 135 °; so th ere  are 16 featu r es totally. The first step of  GLCM  is tra n sforming th e RGB imag e into gray scale  image. The seco nd step i s  creatin g a co-o ccurren c e   matrix. The third ste p  is d e cidi ng a sp a t ial  relation shi p   b e twee n  the re feren c e pixel and  the nei g h bor pixel.  Parameters  that are co nsid ere d   are ed ge o r ie ntation  ( θ )  an d distan ce  (d) . Furthe rmo r e, the next step  is creatin g  a symmetrical  matrix by ad ding  co -o ccu rre nce matrix  with it s t r a n sp osed m a trix. Then, it  is follo wed  b y   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Batik Im age Retrieval Based on Color  Differenc e  Hi stogram  and Gray .... (Agus Eko Minarno)  601 norm a lizi ng the symmet r i c al matrix b y  comput in g  the prob abi lity of each  matrix eleme n t.  More over, th e final step  is co mputin g  GLCM  feat ure s . Each f eature i s  co mputed by o n e   distan ce  pixel  in fou r  di re ctions, th ose a r e 0°,  4 5 °,  9 0 °   and 135 °,  to detect co -o ccurren c e. Whe n   GLCM  ha s a   matrix  with  a  siz e   Lx L , in  which  L  i s  the  numbe r of  gray levels  of the o r iginal  im age  and  whe n  th e probability  of pixel  i  is the neig hbo r of pixel  j  within  di stan ce  d  and  ed ge   orientatio n  θ  is  P , the energy featu r e, the  entro py feature, the co ntra st feature an d  the   correl ation fe ature can be  cal c ulate d  by equatio ns (14 ) , (15 ) , (16 )  a nd (17 ) .    ∑ , , ,  ,    (9)      ∑ , , , .l o g , , ,  ,    (10 )      ∑  . , , ,  ,    (11 )      ∑     , , ,  ,    (12 )     Whe r e  ∑ . , , ,   , ,  ∑ . , , ,  ,  ,  ∑   ,  2. ,,, ,  ,012. ,,, .   Energy, also  called a s  Angula r  Seco nd   Moment, i s  t he rep r e s ent ation of im ag e hom oge nei ty. When th e  value  of en ergy i s  hi gh,  the   relation shi p s  betwe en pixe ls are highly  homog eno us.  Entropy is t he opp osite  of energy wh ich   rep r e s ent the  ran domn e ss value b e twe en ima g e s . A highe r valu e  of entropy in dicate s that t h e   relation s bet wee n  pixels  are hi ghly ra ndom. Contra st  is a variati on of an ima ge’s g r ay lev e l. An  image with a smooth   texture  ha s  a   lo w contra st  value  and an  im ag e  with a roug h  texture ha s  a   high co ntra st value. Correl ation is a line a r rela tio n shi p  betwee n  pi xels. Let, each GLCM feat ure  0°, 45°, 90° a nd 135 ° as  H asm ( θ ), Hent ( θ ), Hcont ( θ ), Hc or r( θ )   w her e   ∈ 0 ,45 , 90, 135 . So, th e   feature of GL CM is de note d  as follo ws:        0° … 135° , 0° … 135° , 0° …  135° ,    0° ... 135°  (13 )     So, the final feature of a b a tik image i s  a co mbi natio n of CDH featur e s  and G L CM features  denote d  as fo llows :      ,    (14 )     For exampl e, if we  set th e  quanti z ation   of col o r =  7 2 , it con s ist s  of  R=8,  G=3, B = 3; q uanti z ati on  edge o r ientati on = 18 a nd the total GLCM feat ure s  are 16, so the total feature = 106.      5. Performan c e   Measure   For e a ch template im a ge in the  dataset, an M-dim e n s i onal featu r e  vector  T=[T1,T2,… T M ]  is extra c te d an d  stored  in the  data b a se.  Let  Q=[ Q 1,Q2,…Q M ]  be th e fe atu r e   vector of a qu ery image a n d  the distan ce betwe en th em is sim p ly cal c ulate d  as      , ∑ |   | |   | |   |   (15 )     Whe r e     ∑   and     ∑   . The class label s of the  template ima ge that yield  the   smalle st di stance will be  assigne d to  the quer y i m age.In this experime n t, performan ce  wa s  measured u s i ng pre c i s ion  and re call  whi c h are define d  as follo ws:     P(N) =   I N   / N  (16 )     Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No. 3, September 20 14:  59 7 – 604   602 R( N) =  I N  / M  (17 )     Whe r e   I N  is th e num ber of  retrieve d ima ges,   N  i s  th e  numb e r  of relevant ima g e s, a nd  M  i s  the  numbe r of all relevant data  in the dataset.      6. Resul t s  and  Discus s ion   Feature extra c tion u s in g CDH  re sults i n  90 f eatures  whi c h  con s ist  of 72 color f eature s   and 1 8  e dge  orientatio n fe ature s . Th en,  feature s   extraction usi ng GLCM   re sult s  in 16  featu r es  whi c h  con s i s t of feature s  inclu d ing  e nergy,  e n tro p y, contrast  and  co rrel a tion. Each G L CM  feature  is co mputed  in fo ur  dire ction s ,  these  a r e  0° , 45°,  90°  an d 13 5°. T o tall y, there  are   106  feature s  whi c h can b e  re pre s ente d  on  a histog ram ,  as sho w n i n  Figure 3. Figure 3a is  an   example  of a  com puted  i m age  with  Fi gure  3b  a s   it s hi stog ram  repre s e n tation . The h o ri zo n t a l   axis re pre s e n t s 106 featu r es, of whi c h  the first  72 f eature s  a r e  color featu r e s , the se con d  18  feature s  are edge o r ientat ion f eature s   and the la st 16 are G L CM  feature s . By utilizing these  feature s , the  simila rity of image s i s  co mputed  usi n g  the Canb erra ba sed  on  e quation  (1 8);  after   whi c h, the  p r eci s ion  an d t he  re call of   the imag e  re trieval p r o c e s s a r e  com p uted b a sed  on   equatio ns  (1 9) a nd  (20 ) .  For eval uatio n pu rpo s e s ,  one im age i s  ran domly  se lected f r om  e a ch  cla ss, resulting in 50 imag es a s  a data  test. The  eval uation is  run  to retrieve fo ur, six and ei ght  image s ba se d on e a ch i m age in t he  data test. CDH,  by d e fa ult extract s  1 08 featu r es  whi c h  con s i s t of 90 colo r features and  18 ed ge  orientatio n feature s .   In this  study,  we va ried  the  si ze  of colo r  quanti z ation   and fe ature  q uantization, a nd the n   combi ned  th e re sult  with  the GL CM f eature s . T h e  aim of thi s   activity wa s to find the  b e st  quanti z ation  size su ch  th at   the num b e r of  features  is decrea s e d  wh ile in crea sin g  p r e c isio n  at the   same time. T he evaluation  is perfo rmed  in four  sche mes. First, we use  CDH with 108 features  whi c h  co nsi s t  of 9 0   colo r f eature s  (1 0x3 x 3)  a nd 18 e dge ori entatio n  featu r e s .  S e co nd,  u s e  CDH   with 90 featu r es  whi c h co nsi s t of 72 color f eatu r e s  (8x3x3) a nd 18 edge o r ie ntation features.   Third,  use CDH and  GL CM with  124  feature s   wh i c h con s ist of  90  colo r feat ure s   (10x3x3 ) , 1 8   edge  ori entati on featu r e s   a nd 1 6  G L CM  feature s .  Fin a lly,  use CDH and GL CM wi th  106   featu r es   whi c h  con s i s t of 72  colo r f eature s   (8x3x 3 ), 18  edg e o r ientation  feat ure s  a nd 1 6   GLCM  features.  The re sult is  sho w n in Ta ble 1. The averag e preci s i on value s  for retrieving fo ur, six and ei ght  image s in th e four  sche mes a r e  81. 92%, 81. 53 %, 85.44% and 8 5 .44%  respe c tively. The  evaluation  was  cond ucte d  in Matlab 20 13a an d Wi n dows 7 o p e r ation sy stem  with Co re i5  2.3   Hz an d 4  GB  memory. T h e  feature  extra c tion  of ea ch  image i n  e a ch sch e me to o k  1.0 91, 1.08 4,  1.097 an d 1. 086 second s  respe c tively. The re sult  sh ows that the redu ction  of fe ature s  from 1 0 8   to 90 may d e crea se p r e c i s ion by 0.3 9 % . Though t here i s  a lo wer preci s io n, this differe nce is   relatively sm all; on the  op posite  scal e,  a sm alle r nu mber of featu r es pot e n tiall y  decrea s e s   the  compl e xity of  the pro c e ss.    Furthe r, new  feature s  that are abl e to incr e a se pre c i s ion signifi cant ly can be add ed. The  feature s  u s e d  are  extra c te d usi ng  GL CM. GLCM  fea t ures ad d 16   new fe atures.  The eval uati o n   of the effect  of the ad ditio n  to 90  CDH feat ure s  a n d  108  CDH fe ature s   sho w s an in crea sin g   pre c isi on  by 3.35% a n d  3.92% resp ectively co m pare d  to th e  use of  CDH featu r e s  o n ly.  Ho wever,  the  average  pre c isi on  of bot h ad diti on s  remain  the  sa me, 85.4 4 %. The r efo r e,  we  con c lu de that  use of co rre c t feat ure s  contribute s  hi gher to p r e c i s ion tha n  the  use of a large   numbe r of f eature s . F r o m  all evalu a t ion sche me s, the fou r th  schem e is the mo st effi cient  scheme b e cause it use s  smalle r  nu mber of feat ure s  with 0.0 05 extra time. An example of  retrieval for f our ima g e s  retrieval is sh own in  Fig u re  4. Figure 4a  is an imag e q uery and Fig u re  4b-e i s  retrie val image s b a se d on the  Can berra m e asu r em ent. Figure  4b i s  the mo st simi lar  image to th e  image  que ry, while  Figu re  4e is the fou r th most  simil a r ima ge to t he ima ge q u ery.  The pe rform a nce  comp ari s on of all sche mes is  pre s e n ted in Figu re  5.  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Batik Im age Retrieval Based on Color  Differenc e  Hi stogram  and Gray .... (Agus Eko Minarno)  603         (a)   (b)     Figure 3. An example of Batik image a n d  it s histog ra m feature: (a ) Batik image  and (b )  Histo g ra m CDH of Batik i m age.       (a)  (b)   (c)  (d)  (e)     Figure 4. An example of image retrieva l: (a) T he q u e r y image, (b -e) the simil a r  image s retu rn ed .      Table 1.Average preci s io n  and re call  co mpari s o n  feature sele ction   Retrieval   Performa nce   CDH   108   CDH   90   CDH   124   Pr op osed   Met h o d   4   Pr ec ision   93, 0 0   93, 5 0   95, 5 0   96, 5 0   Recal l   62, 0 0   62, 3 3   63, 6 7   64, 3 3   6   Pr ec ision   85, 0 0   83, 3 3   90, 3 3   89, 3 3   Recal l   85, 0 0   83, 3 3   90, 3 3   89, 3 3   8   Pr ec ision   67, 7 5   67, 7 5   70, 5 0   70, 5 0   Recal l   90, 3 3   90, 3 3   94, 0 0   94, 0 0           Figure 5. The  performan ce  compa r i s on  of CDH and p r opo se d meth od         0 50 100 150 200 250 300 1 1 12 13 14 15 16 17 18 19 1 1 0 1 Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No. 3, September 20 14:  59 7 – 604   604 7. Conclu sion   This  study p r ese n ts ima g e  rep r e s entati on  u s ing  a m odified  Colo r Differen c e Hi stogram  and GL CM. T he modification is pe rform ed in ord e r to  find the optimal colo r qu a n tization  size, so  that the number of col o r feature s  can  be red u c ed. The re du ced  feature s , then, are repl aced by   GLCM  features to im prov e image  ret r ieval perfo rm ance. Base d  on evalu a tion result, th e  prop osed me thod is abl e to sho w  hig h e r  pre c i s ion  when ret r ievin g  four imag e s . The p r opo sed   method  usi n g  106  CDH fe ature s  a nd  1 8  GL CM fe ature s , ha s  96. 50% p r e c isio n; wh ere a s the   use of 1 08 CDH featu r e s   has 9 3 .00%  pre c isi on.  Th e avera ge p r eci s ion of the  prop osed m e thod  whe n  retri e ving four, six a nd eight imag es is 3. 8 5 % h i gher tha n  th e origin al CDH. Therefore, we  can  co ncl ude  that the prop ose d  meth od  is abl e to pe rf orm b e tter, while it ha s a  smaller  numb e r   of feature s  co mpared to the origin al CDH for bati k  image s retri e val .       Referen ces   [1]  F anan i A, Yun i arti A, and S u ciati  N. Geom etric F eature  Extractio n  of  Batik Image U s ing C a rdi n a l   Spli ne C u rve  Repr esentati on.  TEL K OMN I KA Te l e commu n i ca ti o n ,  Com p u t i n g ,  El e c tro n i cs and  Contro l.  201 4; 12(2).    [2]  Minarn o  Ag us- E ko, Munark o  Yuda, Bim anto r o  F i tri, Kurnia w a rd han i Arrie  and Suc i ati N anik.  Batik   Imag e Retri e v a l Base d on  Micro-Structur e Descri p tor .  2 nd Asia-P acifi c  Confere n ce  on Com puter   Aide d S y stem  Engi neer in g–A PCASE. Ba li, Indo nesi a . 201 4; 2: 63-64.   [3]  Nugr oho, S apt adi,  and  Darm a w a n  U. R o tati on Inv a ria n t In de xi ng F o r  Ima ge Us in g Z e rn i k e Mome nts  and R-T r ee.  T E LKOMNIKA T e lec o mmun icat ion, Co mputin g ,  Electronics a nd Co ntrol.  20 11; 9(2).   [4]  Li, Guizhi. Improvin g Re l e vanc e F eed back in Imag e Retriev a l b y  Incorp orati n g Unl abe lle d   Images.  T E LKOMNIKA Indon esia n Journ a l o f  Electrical Eng i ne erin g.  201 3 ;  11(7): 363 4-3 640.   [5]  Z u kuan, W .  E. I., et al. An  Effici ent Con t ent Based I m age R e triev a l Schem e.  TELKOMNIKA  Indon esi an Jou r nal of Electric al Eng i ne eri ng.   2013; 1 1 (11):  698 6-69 91.   [6]  Irianto, Su he n d ro Y. Se gme n t ation T e chni q ue fo r Ima ge I nde xing  an d R e trieva l o n  Dis crete Cos i n e s   Domai n .  TELKOMNIKA Telecommunication, Com puti ng, El ectronics a nd  Contro l.  201 2; 11(1): 1 1 9 - 126.   [7]  RM H a ral i ck, K   Sh an gmug a m , Dinste i n.  T e xt ural  featur e  for ima g e  clas sificatio n .  IEEE  T r ansacti on   on Syste m s, Man an d Cyb e r m atics.  1 973;  SMC-2(6): 61 0 - 621.    [8]  AK. Jain, A. Vaila ya . Image r e trieva l usin g  color a nd sh ap e.  Journ a l of   P a ttern Rec ogn i t ion . 19 96;  29(8): 12 33- 12 44.   [9]  BS manju nath ,  JR. Ohm,  VV. Vasudev a n ,  A. Yamad a . Color a n d  texture  desc r iptors.  IEEE  Confer ence  on  Circuit an d Systems for vid e o  technol ogy.  20 01; 11(6):  70 3 - 715.   [10]  B. Julesz, T e xtons. T he ele m ents of te xtu r e perc ept i on and  t heir inter a ctions.  Na tu re .  1 9 8 1 ;  290  (580 2): 91-9 7 .  [11]  Guang- Hai L i u,  Jing Yu Yang.  Image Retrie v a l bas ed on th e texto n  co-oc c urrenc e matrix.  Journ a l of   Pattern Reco g n itio n.  200 8;   41: 3521- 35 27.   [12]  Guang- Hai  Li u ,  Lei Z h a ng, Y i ng-K un H ou,  Z uo Yon g  L i , Jing Y u  Ya ng.  Image R e triev a l b a sed  on   multi-te xton h i s t ogram.  Journ a l  of Pattern Re cogn ition.  2 010 ; 43: 2380- 238 9.   [13]  Guang- Hai  Li u, Z uo-Yon g  L i ,  Lei Z h an g, Yo ng  Xu.  201 1. Image  Retr iev a l  base d  o n  mic r o-structur e   descri por.  Jour nal of Pattern  Reco gniti on . 2 011; 44: 2 123- 213 3.   [14]  Guang- Hai  Liu ,  Jing-Yu Y a n g . Conte n t-ba sed  ima ge r e trieval  usi ng c o lor d i fferenc e  histogr am.   Journ a l of Pattern Rec ogn itio n . 2013; 4 6 : 18 8-19 8.   [15]  RC. Gonzal es, RE. W oods.  Di gital i m age pr o c essin g .  3rd ed ition. Prentic e Hall. 2 007: 4 2 4 : 447.   [16]  SD Z enzo. A  n o te on t he gr a d ie nt of multi  i m age.  C o mput er Visi on, Grap hic, an d Imag e  Processi ng.   199 6; 33(1): 11 6-12 5.     Evaluation Warning : The document was created with Spire.PDF for Python.