Penjelasan dan Improvement Algoritma Images Comparison

Ternyata tulisan saya terakhir terkait algoritma perbandingan kesamaan mutlak antara dua gambar mendapatkan sambutan yang lumayan. Namun beberapa rekan mengatakan bahwa contoh yang saya tampilkan itu terlalu sederhana. Jika ada images lain yang lebih rumit, belum tentu berhasil.

Seperti yang telah saya jelaskan di tulisan sebelumnya, data berupa image atau gambar bisa dibaca menjadi matriks penyusunnya. Matriks tersebut berisi angka nilai dari dimensi (width x height) dan layer yang ada. Sebagai contoh:

1. Image ber-extension .jpg disusun berdasarkan 3 layers RGB.
2. Image ber-extension .png disusun berdasarkan 4 layers.

Sehingga dari satu buah image, kita bisa mendapatkan matriks penyusun berukuran w x h x layer.

Perbandingan yang saya lakukan itu adalah membandingkan dua matriks data gambar.

Jadi secara logika mau gambar seperti apapun bisa diaplikasikan.

Dari sebuah image, kita bisa mendapatkan satu buah matriks yang unique. Jika kita hendak menemukan kesamaan dan perbedaan dari dua buah images, maka kita sebenarnya hendak membandingkan dua buah matriks.

Oleh karena itu, berikut beberapa syarat yang harus dipenuhi:

1. Ukuran matriks harus sama. Konsekuensinya adalah:
2. Dimensi harus sama. Idealnya kedua images harus berasal dari dimensi yang sama. Walaupun berbeda, kita bisa melakukan proses resizing agar kedua images tersebut memiliki dimensi yang sama. Tapi akan ada konsekuensi dari hal ini.
3. Banyaknya layer harus sama (kedua images berasal dari extension yang sama).
4. Kedua images harus memiliki start yang sama. Maksudnya, margin gambar harus sama persis. Tidak ada perbedaan rotasi images.

---

Case I

Misalkan saya coba images hasil screenshot di bawah ini:

## [1] "Gambar Base:"

## [1] "Gambar yang akan dicek:"

## [1] "hasil pengecekan: (red dots)"

Seperti dilihat, algoritmanya berjalan sempurna. Berhasil menemukan perbedaan-perbedaan kecil yang ada.

---

Case II

Komplikasi muncul saat saya menggunakan images hasil scan. Kenapa? Kita belum tentu bisa mendapatkan konsistensi pembacaan warna hasil scan. Sebagai contoh, saat algoritma berusaha menemukan perbedaan antara dua gambar berikut:

## [1] "Gambar Base:"

## [1] "Gambar yang akan dicek:"

Kalau diperhatikan dengan detail, perbedaan antara dua images itu sangat sedikit sekali. Coba deh dilihat, nemu gak?

Hasil pengecekannya cukup mencengangkan:

Semua area dinilai berbeda!

Improvement ke Algoritma

Hal ini terjadi karena algoritma awal saya benar-benar mengecek kesamaan mutlak values dari dua matriks images yang ada. Oleh karena itu, saya memperbaiki algoritmanya dengan menambahkan parameter sensitivitas.

Apa maksudnya?

Misalkan kita hendak membandingkan nilai dan .

Dengan algoritma yang sekarang, .

Kita bisa memberikan rules baru: jika perbedaan nilai antara keduanya masih dalam safety range, maka .

Maka, berikut adalah hasil algoritma barunya:

Mmmh, masih belum memuaskan yah…

TAPI jika saya mengubah sensitivitas menjadi 10%, kita dapatkan:

Nah dapet deh sekarang perbedaannya di mana.

Jangan-jangan kalian juga gak ngeh bedanya di mana?