SEGMENTASI CITRA BERWARNA MENGGUNAKAN ALGORITMA JSEG

Transkripsi

1 SEGMENTASI CITRA BERWARNA MENGGUNAKAN ALGORITMA JSEG Rully Soelaman 1), Darls Herumurt ), Dyah Wardhan Kusuma. 3) Fakultas Teknolog Informas, Insttut Teknolog Sepuluh Nopember (ITS), Surabaya, 6111, Indonesa E-mal : rully@ts-sby.edu 1), darls@ts-sby.edu ), dyah3@cs.ts.ac.d 3) Abstrak Segmentas ctra merupakan salah satu bagan pentng dar pemrosesan ctra, yang bertujuan untuk membag ctra menjad beberapa regon yang homogen berdasarkan krtera kemrpan tertentu. Salah satu metode yang dapat dgunakan untuk segmentas ctra berwarna adalah algortma JSEG. Algortma JSEG terdr dar dua tahap, yatu kuantsas warna dan segmentas spasal. Pada tahap kuantsas warna, warna-warna pada ctra dkuantsas menjad kelas-kelas yang dapat dgunakan untuk membedakan regon-regon dalam ctra. Selanjutnya, warna pksel ctra dgant dengan label class warna yang bersesuaan sehngga membentuk color class-map dar ctra. Pada tahap segmentas spasal, dlakukan perhtungan ukuran segmentas yang bak berdasarkan class-map yang telah terbentuk. Penerapan ukuran segmentas ke wndow lokal dalam class-map menghaslkan J-mage, yang mana nla tngg dan nla rendah berturutturut bersesuaan dengan boundary regon yang memungknkan dan pusat regon. Selanjutnya, metode regon growng dgunakan untuk mensegmentas ctra berdasarkan J-mage multskala. Percobaan-percobaan membuktkan bahwa JSEG menghaslkan segmentas ctra yang relatf bak pada berbaga macam ctra. Kata kunc : segmentas ctra berwarna, JSEG PENDAHULUAN Segmentas ctra berwarna sangat bermanfaat dalam berbaga aplkas. Dar hasl segmentas ctra, dentfkas regon-regon yang dngnkan dan objekobjek dalam ctra dapat dlakukan, yang mana sangat bermanfaat untuk analss ctra. Sultnya masalah segmentas dsebabkan oleh tekstur ctra. Jka ctra hanya terdr dar regon-regon warna yang homogen, metode clusterng dalam ruang warna dapat dterapkan untuk segmentas ctra. Namun pada kenyataannya, ctra pemandangan alam kaya akan warna dan tekstur sehngga sult untuk mengdentfkas regon-regon pada ctra yang mengandung pola-pola warna-tekstur. Pendekatan yang dgunakan dalam peneltan n berdasarkan pada asums-asums sebaga berkut : Setap regon pada ctra mengandung pola warnatekstur yang terdstrbus unform, Informas warna pada setap regon ctra dapat dnyatakan dengan beberapa warna-warna terkuantsas, yang tepat untuk sebagan besar ctra pemandangan alam berwarna, Warna-warna antara dua regon tetangga dapat dbedakan. Hal n merupakan asums dasar dar semua algortma segmentas ctra berwarna. Gambar 1. Skema algortma JSEG D-17

2 Prosdng Semnar Nasonal Teknon 8 Bdang Teknk Informatka Algortma JSEG memerlukan tga parameter. Parameter pertama adalah threshold untuk proses kuantsas warna. Threshold tersebut menentukan jarak mnmum antara dua cluster warna yang akan dgabungkan. Parameter lannya adalah jumlah skala segmentas dan threshold untuk regon mergng. Gambar 1 menunjukkan skema algortma JSEG. METODE Kuantsas Warna Pertama, warna-warna pada ctra dkuantsas secara kasar tanpa menurunkan kualtas warna secara sgnfkan. Tujuannya adalah untuk mengekstrak beberapa perwaklan warna yang dapat dgunakan untuk membedakan regon-regon dalam ctra. Secara khusus, dperlukan 1 sampa warna dalam ctra pemandangan alam. Kuantsas warna yang bak berpengaruh terhadap proses segmentas. Dalam mplementas peneltan n dgunakan algortma kuantsas warna perseptual []. Algortma kuantsas warna perseptual bekerja berdasarkan perseps penglhatan manusa yang lebh senstf terhadap perubahan pada smooth regon darpada perubahan pada detaled regon (textured regon). Smooth regon adalah boundary regon-regon yang memungknkan, sedangkan detaled regon adalah regon-regon homogen pada ctra. Karena tu, warna-warna dapat dkuantsas secara lebh kasar pada detaled regon tanpa mempengaruh kualtas perseptual secara sgnfkan. Berdasarkan fakta tersebut, setap pksel dtanda dengan bobot yang berdasarkan pada varance dalam wndow lokal sedemkan rupa sehngga pksel-pksel pada smooth regon lebh pentng darpada pksel-pksel pada detaled regon. Algortma n menggunakan statstk lokal yang dperoleh setelah peer group flterng, yatu bobot dalam proses kuantsas vektor. Prosedur kuantsas warna adalah sebaga berkut : 1. Konvers ruang warna RGB ke LUV untuk menjaga kualtas warna.. Pertama, peer group flterng dterapkan untuk menghaluskan ctra dan menghlangkan mpulse nose. Haslnya berupa : x : vektor pksel ctra yang telah dhaluskan oleh anggota peer group-nya N : jumlah cluster awal v : bobot perseptual untuk setap pksel 3. Clusterng dengan Generalzed Lloyd Algorthm (GLA). Haslnya berupa centrod untuk setap cluster warna. 4. Penggabungan cluster-cluster yang jarak centrodnya kurang dar threshold kuantsas warna. 5. Klasfkas pksel ke dalam cluster warna yang centrodnya terdekat dengan ntenstas pksel tersebut. 6. Konvers ruang warna LUV ke RGB untuk menamplkan ctra hasl kuantsas warna. Peer Group Flterng (PGF) Msalkan x (n) menyatakan vektor pksel ctra yang memberkan cr nformas warna pada poss n yang berpusat pada wndow w x w. Urutkan semua pksel pada wndow tersebut berdasarkan jaraknya terhadap x (n) dalam urutan ascendng dan nyatakan sebaga x (n), =,..., k = w 1. Ukuran jarak Eucldean yang dgunakan adalah : d ( n) = x ( n) x ( n), =,..., k (1) d ( n) d 1 ( n)... d k ( n) () Peer group P(m,w) untuk x (n) terdr dar m pksel yang ntenstasnya terdekat dengan x (n) dalam wndow w x w yang berpusat pada x (n). Penentuan m menggunakan estmas dskrmnan Fsher. Crteron yang dmaksmalkan adalah : ( ) a ( ) () + s (), J a1 () = s 1 = 1,..., k (3) d mana : 1 () k 1 a = d j ( n), a () = d j ( n) k + 1 (4) 1 j= 1 1 = j= s () d ( n) a (), s () = d ( n) a () j 1 j= k j (5) j= m adalah ndeks d mana J() bernla maksmum. Selanjutnya x (n) dgant dengan rata-rata anggota peer group-nya. Untuk menghlangkan efek mpulse nose, turunan pertama dar jarak d (n), f (n), dhtung sebelum klasfkas peer group : f ( n) = d +1 ( n) d ( n) (6) Pengujan dlakukan terhadap M ttk pertama dan terakhr dar x (n) untuk memerksa apakah ttk-ttk tersebut termasuk mpulse nose : f ( n) α (7) d mana M = w /, separuh dar ukuran wndow, dan α dset bernla tngg untuk ctra yang sangat rusak dan dset bernla rendah untuk ctra yang sedkt rusak. Jka f (n) tdak memenuh konds tersebut, maka ttkttk terakhr x j (n) untuk j atau j > danggap sebaga mpulse nose dan dhlangkan. Kemudan d j (n) ssanya dgunakan untuk mengestmas peer group yang sebenarnya. Selanjutnya dlakukan perhtungan jarak maksmum setap peer group T(n). Nla T(n) mengndkaskan kehalusan regon lokal. Bobot perseptual untuk setap pksel v(n) dhtung dengan : v( n) = exp( T ( n) ) (8) sehngga pksel-pksel pada detaled regon memlk bobot yang lebh rendah darpada pksel-pksel pada smooth regon. D-18

3 ISBN : Yogyakarta, November 8 Rata-rata T(n), T avg, mengndkaskan kehalusan keseluruhan ctra. Secara umum, semakn besar nla T avg, semakn berkurang kehalusan ctra dan semakn banyak jumlah cluster yang dperlukan untuk kuantsas warna. Jumlah awal cluster N destmas dengan : N = βt avg (9) d mana β dset bernla pada percobaan. Generalzed Lloyd Algorthm (GLA) GLA dgunakan untuk menanda pksel-pksel yang berbobot rendah dengan cluster yang lebh sedkt untuk mengurang jumlah cluster warna pada detaled regon. Centrod untuk cluster warna C dhtung dengan : v ( n ) x ( n ) c v( n) =, x( n ) C (1) Segmentas Spasal Setelah tahap kuantsas warna, dperoleh color classmap, yatu label yang dtanda pada pksel-pksel dalam ctra yang menyatakan klasfkas cluster warna untuk pksel tersebut. Gambar menunjukkan contoh color class-map. Nla label dwakl oleh tga smbol, *, +, dan o. Gambar 3. Flow chart tahap segmentas spasal Tabel 1 bers hmpunan skala dan ukuran regon yang sesua untuk skala tersebut. Msalnya, jka ukuran ctra lebh besar darpada 56 x 56, tetap lebh kecl darpada 51 x 51, skala awalnya adalah 3. Gambar. Contoh color class-map Gambar 3 menunjukkan flow chart tahap segmentas spasal. Mula-mula, ctra nput danggap sebaga satu regon nsal. Algortma n kemudan mensegmentas semua regon dalam ctra pada skala nsal yang besar. Proses tersebut dulang pada regon-regon tersegmentas baru pada skala berkutnya yang lebh kecl hngga mencapa skala mnmum yang telah dtentukan. Perhtungan J-Image J-mage adalah ctra grayscale yang nla pkselpkselnya adalah nla J yang dhtung terhadap wndow lokal yang berpusat pada pksel tersebut. S B ( ST SW ) J = = (11) SW SW d mana : S = z m (1) T dan S W = z Z C C S = = 1 = 1 z Z z m (13) Keterangan : S T : jarak antar kelas-kelas warna yang berbeda (between class scatter matrx) S W : jarak antar anggota dalam setap kelas warna (wthn class scatter matrx) m : rata-rata lokas spasal pksel dalam wndow m : rata-rata lokas spasal pksel dalam kelas warna D-19

4 Prosdng Semnar Nasonal Teknon 8 Bdang Teknk Informatka Tabel 1. Skala Ukuran wndow pada skala yang berbeda Wndow (pksel) 1 9 x x x x 65 Samplng (1/pksel) 1 / (1 x 1) 1 / ( x ) 1 / (4 x 4) 1 / (8 x 8) Ukuran Regon (pksel) 64 x x x x 51 Valley Mnmum (pksel) Semakn besar nla J, maka pksel tersebut semakn mendekat boundary regon. J-mage dapat dlhat sebaga peta yang mengandung valley dan mountan yang berturut-turut mewakl pusat regon dan boundary regon. (a) Gambar 4. Wndow untuk perhtungan nla J lokal (a) Wndow dasar pada skala 1. (b) Ilustras wndow pada skala. Hanya ttkttk bertanda + yang dgunakan untuk perhtungan nla J lokal, sehngga membentuk wndow dasar yang sama dengan (a). Wndow yang dgunakan dalam perhtungan J-mage berbeda-beda dalam setap skala segmen-tas, sepert pada Gambar 4. Tepan wndow dhlangkan untuk membuat wndow lebh srkuler sehngga tdak menmbulkan bas terhadap objek seg empat. Regon Growng Regon growng dgunakan untuk mengelom-pokkan pksel-pksel ke dalam regon-regon. Haslnya berupa regon-map, yatu label yang dtanda pada pkselpksel dalam ctra yang merupakan klasfkas regon untuk pksel tersebut. Regon growng terdr dar dua tahap, yatu : Valley determnaton Valley determnaton dgunakan untuk menentukan hmpunan valley terbak. Pksel-pksel dengan nla J kurang dar threshold dhubungkan untuk membentuk kanddat valley. Kanddat valley yang ukurannya melebh ukuran valley mnmum pada skala (b) segmentas yang bersesuaan (sepert pada Tabel 1) akan menjad valley. Valley growng Valley growng merupakan proses pembentukan regon-regon dar valley-valley. Regon Mergng Regon mergng dgunakan untuk mengga-bungkan regon-regon yang jaraknya kurang dar threshold regon mergng. Mula-mula, dlakukan perhtungan jarak antara dua regon tetangga dan haslnya dsmpan dalam tabel jarak. Kemudan pasangan regon dengan jarak mnmum dgabungkan. Vektor ftur warna untuk regon tersebut dhtung dan tabel jarak dupdate. Proses tersebut berlanjut hngga mencapa threshold maksmum untuk jarak. Setelah regon mergng, dperoleh hasl segmentas. HASIL UJI COBA Uj coba n melput uj coba knerja. Semua eksperman dlakukan pada sebuah PC dengan prosesor Intel Pentum IV,44 GHz dengan memor sebesar 51 MB. Sstem operas yang dgunakan adalah Wndows XP Professonal. Ctra yang dgunakan untuk uj coba berformat jpg, bmp, ppm, dan tf. Untuk efsens komputas ukuran ctra dbatas mnmal 64 x 64 pksel dan maksmal x pksel. Implementas program menggunakan Matlab 7.. Hasl segmentas pada Lena.tf dtunjukkan pada Gambar 9. Parameter threshold kuantsas warna dset bernla 55, jumlah skala, dan threshold regon mergng bernla,4. Sedangkan hasl segmentas untuk ctra-ctra lan dengan jumlah skala 1 dapat dlhat pada Gambar 1. Uj Coba dengan Varas Ukuran Ctra Grafk perbandngan waktu komputas dengan varas ukuran ctra pada Lena.tf dtunjukkan pada Gambar 5. Dar pengamatan pada gambar, semakn besar ukuran ctra, maka waktu komputas juga semakn besar karena jumlah pksel dalam ctra semakn banyak. Waktu (detk) Lena Ukuran Ctra Waktu kuantsas Waktu spasal Waktu sstem Gambar 5. Grafk perbandngan waktu komputas dengan varas ukuran ctra pada Lena.tf D-11

5 ISBN : Yogyakarta, November 8 Uj Coba dengan Varas Threshold Kuantsas Warna Grafk perbandngan jumlah cluster warna dan jumlah regon dengan varas threshold kuantsas warna pada Lena.tf dtunjukkan pada Gambar 6. Jumlah Lena Threshold Kuantsas Warna Jumlah Cluster Jumlah Regon Gambar 6. Grafk perbandngan jumlah cluster dan jumlah regon dengan varas threshold kuantsas warna pada Lena.tf Dar pengamatan pada gambar, semakn besar threshold kuantsas warna, maka jumlah cluster warna semakn berkurang karena semakn banyak cluster warna yang dgabungkan. Namun jumlah regon yang terbentuk tdak selalu berkurang mengkut jumlah cluster. Jumlah Regon Jumlah Skala lena.tf baboon.bmp peppers.bmp beans.ppm tes.jpg cameraman.tf Gambar 7. Grafk perbandngan jumlah regon dengan varas jumlah skala segmentas Uj Coba dengan Varas Jumlah Skala Grafk perbandngan jumlah regon pada berbaga ctra dengan varas jumlah skala dtunjukkan pada Gambar 7. Data pada grafk menunjukkan bahwa semakn besar jumlah skala, maka hasl segmentas semakn detal. Hal n dtunjukkan dengan semakn banyaknya jumlah regon yang terbentuk. Uj Coba dengan Varas Threshold Regon Mergng Grafk perbandngan jumlah regon dengan varas threshold regon mergng pada Lena.tf dtunjukkan pada Gambar 8. Jumlah Regon Lena ,1,,3,4,5,6,7,8,9 1 Threshold Regon Mergng Jumlah Regon Gambar 8. Grafk perbandngan jumlah regon dengan varas threshold regon mergng pada Lena.tf Data pada grafk menunjukkan bahwa semakn besar threshold regon mergng, maka jumlah regon yang terbentuk semakn sedkt karena semakn banyak regon yang dgabungkan. SIMPULAN Dar hasl uj coba yang dlakukan, ddapatkan beberapa smpulan sebaga berkut: 1. Algortma JSEG berhasl dmplementaskan untuk segmentas ctra berwarna.. Semakn besar ukuran ctra nput yang akan dproses, maka waktu komputas sstem yang dperlukan juga semakn besar. 3. Nla parameter threshold kuantsas warna mempengaruh hasl segmentas dan waktu komputas sstem. Semakn besar threshold kuantsas warna, maka jumlah cluster warna yang terbentuk semakn sedkt karena semakn banyak cluster warna yang dgabungkan. Waktu komputas sstem juga semakn kecl karena semakn sedkt cluster warna yang dproses. 4. Nla parameter jumlah skala mempengaruh hasl segmentas dan waktu komputas sstem. Semakn besar jumlah skala, hasl segmentas semakn detal karena semakn banyak regon yang terbentuk. Waktu komputas sstem juga semakn besar karena proses semakn spasal dulang sebanyak jumlah skala yang dplh oleh pengguna. 5. Nla parameter threshold regon mergng mempengaruh hasl segmentas dan waktu komputas sstem. Semakn besar threshold regon mergng, maka semakn sedkt jumlah regon yang terbentuk. Waktu komputas sstem juga semakn kecl karena semakn sedkt regon yang dproses. 6. Pengembangan yang mungkn dlakukan adalah pencaran algortma optmas untuk mengurang waktu komputas algortma JSEG. Selan tu, juga dlakukan penngkatan kegunaan dar algortma JSEG dengan membangun perangkat lunak untuk keperluan mage retreval atau object recognton yang memanfaatkan hasl segmentas dar algortma JSEG. D-111

6 Prosdng Semnar Nasonal Teknon 8 Bdang Teknk Informatka DAFTAR PUSTAKA [1] Y. Deng, B. S. Manjunath, dan H. Shn. Color Image Segmentaton, In : Proceedngs of IEEE Computer Socety Conference on Computer Vson and Pattern Recognton CVPR 99, Fort Collns, CO, vol., pp , Jun [] Y. Deng, C. Kenney, M. S. Moore, dan B. S. Manjunath, Peer Group Flterng and Perceptual Color Image Quantzaton, to appear n Proc. of ISCAS, [3] Y. Deng, B. S. Manjunath, Unsupervsed Segmentaton of Color-Texture Regons n Images and Vdeo, IEEE Transactons on Pattern Analyss and Machne Intellgence (PAMI 1), vol. 3, no. 8, pp. 8-81, Agustus 1. [4] C. Kenney, Y. Deng, B. S. Manjunath, dan G. Hewer, Peer Group Image Enhancement, IEEE Transactons on Image Processng, vol. 1, no., Februar 1. [5] R. O. Duda dan P. E. Hart, Pattern Classfcaton and Scene Analyss, John Wley & Sons, 197. [6] Lnear dscrmnant analyss Wkpeda, the free encyclopeda, <URL: nant> D-11