Oleh Yuli Wijayanti. Dosen Pembimbing : 1. Bilqis Amaliah, S.Kom, M.Kom 2. Anny Yuniarti, S.Kom, M.Com.Sc

Transkripsi

1 Oleh Yuli Wijayanti Dosen Pembimbing : 1. Bilqis Amaliah, S.Kom, M.Kom 2. Anny Yuniarti, S.Kom, M.Com.Sc TEKNIK INFORMATIKA-ITS 26 JULI 2010

2 Latar Belakang Segmentasi gambar merupakan salah satu faktor yang sangat penting dalam analisis suatu gambar, karena hasil segmentasi sangat berpengaruh terhadap proses kelanjutan dari analisis ataupun pengolahan gambar, misalnya representasi beserta deskripsi dari jumlah fitur, klasifikasi obyek, pengenalan, dan masih banyak lagi. Begitu banyak metode segmentasi gambar yang telah dikembangkan saat ini dengan berbagai kelebihan dan kekurangannya masing-masing. Namun, metode segmentasi yang dilakukan melalui sebuah pendekatan neutrosophic dari suatu gambar masih tergolong baru. Untuk itu pada Tugas Akhir ini akan diimplementasikan salah satu algoritma segmentasi gambar menggunakan pendekatan neutrosophic dengan metode Watershed.

3 Neutrosophic dapat digunakan untuk menyelesaikan permasalahan yang tidak dapat diselesaikan dengan menggunakan fuzzy logic dimana permasalahannya berkaitan dengan masalah ketidakpastian/ ambiguitas. Pada Tugas Akhir ini, neutrosophy digunakan untuk membantu menangani masalah pengolahan gambar yaitu untuk menentukan domain neutrosophic suatu gambar, setelah domain neutroshophic tersebut diketahui, langkah selanjutnya adalah proses segmentasi menggunakan metode Watershed yang dilakukan pada domain neutrosophic

4 Dasar Teori Neutrosophy Neutrosophy merupakan cabang dari ilmu filsafat yang mempelajari asal usul, sifat dan ruang lingkup neutralities. Ide neutrosophy ini diperkenalkan oleh Florentin Smarandache pada tahun Terinspirasi dari permainan olahraga (menang, kalah, atau seri), dari kegiatan pemilihan suara (pro, kontra, null atau abstain), dari (positif / negatif /nilai nol), dari (ya / tidak / NA), dari pengambilan keputusan dan kontrol teori (membuat keputusan, tidak membuat, atau ragu-ragu), dari (diterima/ditolak /pending), dan lain-lain.

5 Istilah "neutrosophic" secara etimologis berasal dari kata "neutrosophy" dimana dalam bahasa Perancis dari asal kata neutre, dan dalam bahasa Latin dari asal kata neuter, yang artinya netral dan sophia dalam bahasa Yunani berarti keterampilan atau kebijaksanaan. Apabila dirangkai neurtosophy berarti pengetahuan tentang pemikiran yang netral.

6 Watershed Watershed merupakan salah satu metode yang digunakan untuk segmentasi sebuah gambar. Konsep yang terdapat pada watershed ini memvisualisasikan sebuah gambar dalam tiga dimensi: dua koordinat ruang versus tingkat keabuan (gray level). Koordinat ruang merupakan posisi x dan y pada bidang datar dan tingkat keabuan merupakan ketinggiannya, semakin ke arah warna putih maka ketinggiannya semakin besar.

7 Dengan anggapan bentuk topografi tersebut, maka di didapatkan 3 macam titik yang dipertimbangkan dalam metode ini : Titik yang merupakan regional minimum. Titik yang merupakan tempat dimana jika setetes air dijatuhkan, maka air tersebut akan jatuh hingga ke sebuah posisi minimum tertentu. Titik yang merupakan tempat di mana jika air dijatuhkan, maka air tersebut mempunyai kemungkinan untuk jatuh ke salah satu posisi minimum (tidak pasti jatuh ke sebuah titik minimum, tetapi dapat jatuh ke titik minimum tertentu atau titik minimum yang lain).

8 Pada dasarnya ide dari metode watershed ini sangatlah sederhana, diasumsikan terdapat sebuah lubang yang dibuat pada regional minimum kemudian seluruh topography tersebut dialiri air yang berasal dari lubang tersebut dengan kecepatan konstan. Ketika air yang naik dari dua catchment basin hendak bergabung, maka dibangun sebuah dam (bendungan) untuk mencegah penggabungan air tersebut. Aliran air akan mencapai tingkat yang diinginkan dan akan berhenti mengalir ketika hanya bagian atas dari dam yang terlihat. Tepi dam yang terlihat inilah yang disebut dengan garis watershed.

9 Diagram Alir Sistem

10 1. Grayscaling Merupakan proses merubah gambar ke dalam bentuk gray scale Persamaan yang digunakan untuk merubah ke bentuk gray scale : Gray Scale : *R * G *B

11 2. Pemetaan dan Penentuan matrix gambar pada domain {T,F} (2.5.2) Start Input : Gambar grayscale Mean filtering S-function Output : Piksel {T,F} End

12 Menentukan parameter a,b dan c Start Input : Gambar Hasil filtering 1 (5) Tentukan gray lavel B1 dan B2 Persamaan untuk menghitung rata-rata local maxima (1) Menentukan histogram dengan persamaan (6) Tentukan parameter a dan c (2) Hitung local maxima dari histogram (7) Hitung parameter b dengan maximum entrophy principal (3) Hitung tinggi rata-rata histogram dengan persamaan (4) Tentukan peak histogram Output : Nilai Parameter a, b, c End 1

13 3. Enhancement Start Metode yang digunakan dalam enhancement ini adalah transformasi intensitas Ya Input : Gambar Txy Txy <= 0 && Txy <= 0.5 Tidak 2 x (Txy)^2 1-2 x ((1- (Txy))^2) Output : Gambar enhancement End

14 4. Menentukan thresholds pada T dan F Start Start Input : Gambar Enhancement(T) Input : Gambar pada domain T t0 = nilai inisialisasi, Pisahkan T dengan t0 menjadi T1 dan T2 Ya Intensitas value T > tresholdt Tidak t0 =tn Hitung mean dari masing-masing T1 dan T2 Set F = 0 (piksel Background) Set T =1 (piksel Object) t1 = µ(t1)+ µ(t2) 2 Output : Gambar biner dengan treshold T Ya tn - t(n-1) < End Tidak Output : Treshold = tn End

15 5. Menetapkan homogenitas dari domain intensitas dan menentukan {I} Homogenitas didefinisikan menggunakan standar deviasi dan intensitas discontinuity. Standar deviasi merepresentasikan kekontrasan daerah lokal (local region), sedangkan discontinuity merepresentasikan perubahan tingkat keabuannya.

16 Menentukan Standar deviasi pada masingmasing window Start Input : Gambar hasil enhancement Rumus rata-rata dan standart deviasi (1) Set window dengan ukuran 7x7 (2) Tentukan nilai rata2 masing2 window pada gambar (3) Hitung Standart deviasimasing2 window pada gambar Output : Nilai standart deviasi di masing2 window pada gambar End

17 Menentukan intensitas discontinuity dari Start gambar enhancement. Input : Gambar hasil enhancemant (1) Set operator sobel pada sumbu x dan y (2) lakukan konvolusi antara operator sobel dengan gambar input (3) Tentukan nilai discontinuity Output : Gambar dengan nilai discontinuity End

18 Cont... Start Indeterminate I(x,y) yang merepresntasikan gambar pada domain I, dihitung dengan menggunakan persamaan sebagai berikut : Input : - Nilai standart deviasi di masing2 window pada gambar - piksel discontinuity Menentukan nilai homogenitas Menentukan Indeterminate I(x,y) Output : Gambar dengan nilai Indeterminate I(x,y) End

19 6. Mengubah menjadi gambar biner berdasar nilai {T,I,F} Start Input : - Piksel Indeterminate I(x,y) - Gambar hasil enhancement T(x,y) - Piksel pada domain F(x,y) T(x,y) >= Treshold T && I(x,y) < lamda T(x,y) >= Treshold T v F(x,y) < Treshold F && I(x,y)>= lamda F(x,y) >= Treshold F && I(x,y) < lamda True False True False True False O(x,y) = 1 O(x,y) = 0 F(x,y) = 1 I(x,y) = 1 I(x,y) = 0 F(x,y) = 0 Piksel O(x,y) Piksel E(x,y) Piksel B(x,y) End

20 Diagram alir binerisasi berdasarkan nilai obyek, edge dan background Start Input : - Piksel O(x,y) - Piksel E(x,y) - Piksel B(x,y) Ya O(x,y) V B(x,y) V E(x,y) Tidak Set Binery(x,y) = 0 Set Binery(x,y) = 1 Output : Gambar biner berdasarkan nilai {T,I, dan F} End

21 7. Segmentasi dengan metode Watershed Algoritma Watershed Dibawah ini merupakan langkah-langkah dari algoritma watershed. Tentukan daerah (region), dengan merepresentasikan objek dan background yang memiliki nilai 0. Lakukand d ilatasi pada daerah tersebut dengan stuktur elamen 3 x 3. Bentuklah dam pada posisi dua daerah yang tergabung. Ulangi langkah (3) hingga semua daerah tergabung.

22 Validasi hasil segmentasi Start Input : Gambar hasil segmentasi sistem dan gambar ground truth (hasil segmentasi manual) Proses validasi menggunakan persamaan 2.15 Output : Nilai validasi End TP : C1 dianggap obyek, pada C2 dianggap obyek juga. TN : C1 dianggap bukan obyek pada C2 dianggap bukan obyek. FP : C1 dianggap obyek pada C2 dianggap bukan obyek FN : C1 dianggap bukan obyek pada C2 dianggap obyek Dimana : C1 = Gb hasil segmentasi C2 = Gb manual Cara Pengukuran tingkat akurasi yaitu menentukan kesamaan perpiksel C1 dan C2, Persamaan untuk menghitung tingkat akurasi ini dapat dituliskan secara matematis sebagai berikut : Akurasi =

23 Uji Coba dan Evaluasi Uji coba dilakukan terhadap 34 macam gambar yang berbeda Sknario uji coba : Perbandingan proses pencaraian parameter maximum dari membership function dengan membandingkan dengan membandingkan antara alternatif 1 yaitu metode berdasar histogram sebagaimana yang dijelaskan pada makalah utama [1], dan alternatif 2 yaitu metode berdasar histogram juga yang dijelaskan pada makalah referensi [9]. Mencari nilai parameter window yang digunakan untuk proses pencarian matrix gambar pada domin I dan lamda yang digunakan untuk pencarian matrix gambar pada domain T, I dan F yang optimal. Membandingkan hasil segmentasi dengan menggunakan nilai parameter yang optimal yang didapatkan dari uji coba sebelumnya dibadingkan dengan metode yang lain yaitu seperti segmentasi watershed menggunakan distance transform, segmentasi watershed menggunakan gradien, segmentasi watershed menggunakan operasi morfologi dan gradien, segmentasi watershed dengan marker-controlled, metode deteksi tepi menggunakan sobel dan metode deteksi region menggunakan mean-shift.

24 Evaluasi 120 Grafik Perbandigan Metode pencarian parameter membership function 100 Nilai akurasi dalam (%) metode berdasar histogram pada domain neutrosophic metode berdasar histogram pada domain fuzzy Gambar

25 window 3 window 5 window 7 window , , , , , , , , , , , , ,278 48, , , , , , , , , , , , , , , , , , , , , , , , , , ,46706

26 a c b d (a) Gambar Capitol asli (b) Segmentasi menggunakan mean-shift (c) Segmentasi watershed dengan marker-controlled (d) Segmentasi menggunakan menggunakan domain neutrosophic dan metode watershed

27 (a) Gambar Coin asli (b) Segmentasi watershed menggunakangradient (c) Segmentasi menggunakan mean-shift (d) Segmentasi mengunakan detik tepi (sobel) (e) Segmentasi watershed menggunakan operasi morfologi dan gradient (f) Segmentasi watershed menggunakan distance transform (g) Segmentasi watershed dengan marker-controlled (h) Metode yang diusulkan.

28 Kesimpulan Dari hasil uji coba pencarian parameter a, b, dan c pada proses pencarian parameter maximum dari membership function dengan antara alternatif 1 yaitu metode berdasar histogram yang dijelaskan pada makalah utama[1], dan alternatif 2 yaitu metode berdasar histogram yang dijelaskan pada makalah referensi[9] terbukti bahwa alternatif 2 menghasilkan hasil segmentasi yang lebih optimal dengan perbandingan rata-rata nilai akurasi 56,378 untuk alternatif 1 dan 56,583 untuk alternatif 2. Proses segmentasi citra menggunakan domain neutrosophic dengan metode watershed dapat menghasilkan hasil segmentasi yang optimal dengan parameter lamda = 0.1 dan ukuran window = 3 berdasarkan hasil akurasinya 64,0413 %. Metode watershed dengan pendekatan pada domain neutrosophic terbukti dapat menghasilkan hasil segmentasi yang lebih optimal dengan akurasi jika dibandingkan segmentasi watershed menggunakan gradien, segmentasi watershed menggunakan operasi morfologi dan gradien, segmentasi watershed dengan marker-controlled, metode edge-based (Sobel), metode region-based (mean-shift).

29 Saran Perlu dilakukan pengembangan segmentasi menggunakan domain neutrosophic dengan metode segmentasi selain watershed agar dapat dilakukan pembandingan yang lebih jelas. Proses pembuatan ground truth yang dilakukan penulis masih sangat primit karena bersifat subyektif, perlu adanya suatu pengukuran yang lebih akurat untuk mengetahui performa suatu suatu metode segmentasi.