SALIENT POINTS PADA CITRA TULANG CORTICAL BERBASIS TRANSFORMASI WAVELET

Transkripsi

1 SALIENT POINTS PADA CITRA TULANG CORTICAL BERBASIS TRANSFORMASI WAVELET Oleh: Ika Usfarina Dhamasari( ) DosenPembimbing1: Dr. AgusZainalArifin, S. Kom, M. Kom Dosen Pembimbing 2: Diana Purwitasari, S. Kom, M. Sc JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INFORMASI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2010

2 Pendahuluan Dasar Teori Proses Ekstraksi Salient Points UjiCoba& Evaluasi Kesimpulan& Saran

3 1. Pendahuluan Latar Belakang Adanya riset terkait salient points atau interest points[lou99] Salient points mempunyai banyak kegunaan, antara lain diaplikasikan untuk berbagai keperluan antara lain registrasi citra medis, pengindeksan citra (image indexing), penelusuran, dan pencocokan stereoscopic [Bry05] 2

4 1. Pendahuluan Latar Belakang Pengukuran Lebar Cortical dapat digunakan sebagai diagnosa suatu penyakit (pengukuran secara manual memiliki kelemahan) Tugas Akhir Pengukuran Lebar Cortical Bone Berbasis Active Shape Model (Gede Wirrya) dengan fokus pengembangan pada pembangkitan salient points secara otomatis berdasarkan Transformasi Wavelet 3

5 3. Proses Pengklasifikasian Gigi 1. Pendahuluan Permasalahan 1. Bagaimana Transformasi Wavelet digunakan untuk mendapatkan salient points suatu citra? 2. Bagaimana memunculkan salient points pada citra panorama gigi ROI tulang cortical yang telah diproses dengan Transformasi Wavelet? 4

6 1. Pendahuluan Tujuan Membangun sebuah aplikasi untuk membangkitkan (mengekstraksi)salient pointspadacitrapanorama gigiroi tulang cortical Ekstraksi salient points dengan WSP 5

7 Anatomi Gigi 6

8 Konsep Piramida Citra Ukuran citra N x N Didekomposisi sebanyak j level Namun pada aplikasi ini didekomposisi sebanyak 3 level 7

9 Dekomposisi dengan Transformasi Wavelet Koefisien Approksimasi(CA j+1) atau subband LL atau A Koefisien Detail Horisontal(CD(h) j+1) atau subband HL atau H Koefisien Detail Vertikal(CD(v) j+1) atau subband LH atau V Koefisien Detail Diagonal (CD(d) j+1) atau subband HH atau D 8

10 Dekomposisi dengan Transformasi Wavelet Koefisien anak didefinisikan sebagai berikut 9

11 3. Proses Pengklasifikasian Gigi Gambaran Umum 10

12 %Gauss function gauss= pre(image); im=double(image); H=fspecial('gaussian', 3, 0.5 gauss = imfilter(image, H, 'replicate'); %indexed image grayscale X=double(X)+1; X=ind2gray(X,map); Preprocessing 11

13 Dekomposisi dengan Transformasi Wavelet 12

14 Penghitungan Salient Points Bagian 1 13

15 H D V Urutkan Saliency value pada detail horisontal Urutkan Saliency value pada detail diagonal Urutkan Saliency value pada detail vertikal Tentukan threshold saliency value Tentukan threshold saliency value Tentukan threshold saliency value Mendapatkan koordinat salient points (x,y) Mendapatkan koordinat salient points (x,y) Mendapatkan koordinat salient points (x,y) Rekonstruksi citra Penghitungan Salient Points Bagian 1 Citra dengan salient points Selesai 14

16 4. UjiCobadanEvaluasi Metode Ground Truth 15

17 5. Uji Coba Uji Coba 1 16

18 5. Uji Coba Uji Coba 2 17

19 5. Uji Coba Uji Coba 3 18

20 Kesimpulan Wavelet dapat digunakan untuk mengekstraksi salient points pada citra tulang cortex dengan batas ambang salient points yang diekstraksi yaitu minimal 8% s.d. 20% Semakin banyak nilai koefisien wavelet yang diambil, makan semakin banyak pula jumlah salient points sebuah citra Waktu komputasi berbanding lurus dengan jumlah salient points yang diekstraksi 19

21 Saran Uji coba dilakukan terhadap lebih banyak data Metode uji coba menggunakan ASM, dengan hasil dari sistem ini dijadikan input untuk metode ASM, sehingga metode ini bisa diuji secara numerik, tidak hanya secara visual 20

22 erima Kasih 21