JUDUL THRESHOLDING DENGAN PEMILIHAN WINDOW SECARA ADAPTIVE BERBASIS PENGUKURAN TINGKAT KETAJAMAN CITRA

Ukuran: px

Mulai penontonan dengan halaman:

Download "JUDUL THRESHOLDING DENGAN PEMILIHAN WINDOW SECARA ADAPTIVE BERBASIS PENGUKURAN TINGKAT KETAJAMAN CITRA"

Sugiarto Tedjo
6 tahun lalu
Tontonan:

1 PRESENTASI TESIS JUDUL THRESHOLDING DENGAN PEMILIHAN WINDOW SECARA ADAPTIVE BERBASIS PENGUKURAN TINGKAT KETAJAMAN CITRA OLEH I Made Darma Susila PEMBIMBING Dr. Agus Zainal, SKom., M.Kom. Isye Arieshanti, Skom., M.Phil.

2 L A T A R B E L A K A N G Permasalahan Segmentasi Segmentasi citra iluminasi, gradasi warna, dan efek shadow. Sensor Pasif. Sensor Aktif.

3 L A T A R B E L A K A N G Qingming Huang Segmentasi dengan partisi window. Teknik thresholding dengan cara pemilihan window secara adaptive. Lorenz Information Measure dan Otsu. Window Merging. (Qingming, H., dkk, 2005)

4 L A T A R B E L A K A N G Qingming Huang Segmentasi dengan partisi window. Teknik thresholding dengan cara pemilihan window secara adaptive. Lorenz Information Measure dan Otsu. Window Merging (Qingming, H., dkk, 2005).

5 L A T A R B E L A K A N G Penelitian Pendukung Kelemahan metode Otsu yang bias dalam mendeteksi letak lembah (Hou Z., dkk, 2006). Memperhatikan fitur ketajaman citra antar batas region, memudahkan segmentasi (M.Spann., dkk, 1988). Membandingkan lima jenis perhitungan ketajaman citra berbasis spatial yaitu MV, MG, MD, ML, dan ME. (Wee C., dkk, 2006).

6 L A T A R B E L A K A N G Usulan Penelitian Thresholding pemilihan window secara adaptive berbasis tingkat ketajaman citra. Fitur Tingkat Ketajaman Citra Metode threshold MCVT Window growing

7 T U J UA N D A N MA N F A A T P E N E L I T I A N Tujuannya adalah mengembangkan teknik pemilihan window secara adaptive berdasarkan tingkat ketajaman citra. Mensegmentasi citra memiliki iluminasi, efek shadow, dan gradasi warna akibat efek cahaya. Mensegmentasi citra medis yang gelap terang akibat kerja sensor aktif pada Xray.

8 METODA PENELITIAN Langkah Teknik Thresholding yang di Usulkan 1. Inputkan citra. 2. Partisi image sesuai dengan ukuran window. 3. Hitung nilai sharpness masing-masing window. 4. Buat fitur f (x,y), window sebagai pixel dan nilai sharpness sebagai nilai grayvaluenya. 5. Hitung nilai threshold T untuk f (x,y) dengan MCVT 6. Periksa apakah pixel f (x,y) lebih besar T. Jika ya, maka ke langkah 7. Jika tidak, maka ke langkah Threshold pixel f (x,y) dengan nilai threshold MCVT. 8. Periksa apakah keseluruhan image telah di threshold. Jika ya, maka berhenti. 9. Periksa apakah ada pixel f (x,y) graylevel valuenya lebih kecil sama dengan T. Jika ya growing ukuran window. 10. Periksa apakah ukuran window lebih besar dari ukuran citra. Jika ya, maka ke langkah 11. Jika tidak, maka ke langkah Threshold window dengan nilai threshold citra f(x,y). 12. Periksa apakah ada ukuran window ukuran window lebih kecil dari f(x,y). Jika ya, maka ke langkah 3. Jika tidak berhenti.

9 METODA PENELITIAN Langkah Mendapatkan Nilai Threshold MCVT 1. Inputkan citra. 2. Simpan intensitas pixel yang berbeda pada citra. 3. Hitung jumlah pixel yang berbeda pada citra. 4. Buat variabel k dan isikan dengan nilai Hitung probabilitas class grup A (0 <= x <= k ) dan hitung probabilitas class grup B (k+1<= x <= m-1). 6. Hitung mean class grup A dan grup B. 7. Hitung nilai class varian grup A dan B. 8. Hitung probabilitas class grup A (0<= x <=k-1) dan hitung probabilitas class grup B (k <= x <= m-1). 9. Hitung nilai class varian class grup A dan B. 10. Hitung biaya pemisah class grup A dan B. 11. Incremenet nilai k. 12. Periksa apakah k lebih besar sama dengan intensitas pixel terbesar dalam citra. Jika ya, maka ke langkah Lakukan pencarian nilai biaya pemisah minimum.

10 METODA PENELITIAN Partisi Window Kolom ,1 1,2 3 2,1 2,2 Tipe data cell ukuran 2x2 Baris 6 14 pixel pixel Isi dari Cell(1,1)

11 METODA PENELITIAN Pembuatan Fitur dan Pemilihan Window

12 METODA PENELITIAN Beberapa Kondisi Perbesaran Window

13 METODA PENELITIAN Mendapatkan Nilai Error ME (Missclassification( Error) ME = 1 B O B B T O + + F F O O F T perhitungan ME-nya adalah 1-((3+4)/(5+4)) = 0,222.

14 Uji Coba Pemilihan Metode Ketajaman Citra Ori Blur Mask 2 Blur Mask 4 Blur Mask 6 Blur Mask 8 Blur Mask 10

15 Uji Coba Pemilihan Metode Ketajaman Citra (2)

16 Uji Coba Citra Real glasshour party party2 rad Chinese

17 Uji Coba Citra Medis akargigikanan akargigikiri tulangengkel tulangrahangkanan tulangrahangkiri

18 Uji Coba Citra Landsat AmazonRiver garda EcumbeneRiver riverlandsat LakeStClairLandsat

19 Uji Coba Pemilihan Ukuran Window Error Minimum Untuk Teknik Thresholding yang diusulkan Qingming Huang Pada Citra Real Ukuran yang dipilih 32 x 32

20 Uji Coba Pemilihan Ukuran Window Error Minimum Untuk Teknik Thresholding yang diusulkan Qingming Huang Pada Citra Medis Ukuran yang dipilih 32 x 32

21 Uji Coba Pemilihan Ukuran Window Error Minimum Untuk Teknik Thresholding yang diusulkan Qingming Huang Pada Citra Landsat Ukuran yang dipilih 128 x 128

22 Uji Coba Pemilihan Ukuran Window Error Minimum Untuk Teknik Thresholding yang Diusulkan Dalam Penelitian Ini Untuk Citra Real Ukuran yang dipilih 128 x 128

23 Uji Coba Pemilihan Ukuran Window Error Minimum Untuk Teknik Thresholding yang Diusulkan Dalam Penelitian Ini Untuk Citra Medis Ukuran yang dipilih 32 x 32

24 Uji Coba Pemilihan Ukuran Window Error Minimum Untuk Teknik Thresholding yang Diusulkan Dalam Penelitian Ini Untuk Citra Satelit Ukuran yang dipilih 128 x 128

25 HASIL UJI COBA Hasil Uji Coba Pada Kategori Citra Real Ground Truth QM THDS

26 HASIL UJI COBA Hasil Uji Coba Pada Kategori Citra Real (2) Ground Truth QM THDS

27 HASIL UJI COBA Hasil Uji Coba Pada Kategori Citra Medis Ground Truth QM THDS

28 HASIL UJI COBA Hasil Uji Coba Pada Kategori Citra Medis(2) Ground Truth QM THDS

29 HASIL UJI COBA Hasil Uji Coba Pada Kategori Citra Landsat Ground Truth QM THDS

30 HASIL UJI COBA Hasil Uji Coba Pada Kategori Citra Landsat(2) Ground Truth QM THDS

31 ANALISA HASIL UJI COBA Citra Real

32 ANALISA HASIL UJI COBA Citra Medis

33 ANALISA HASIL UJI COBA Citra Landsat

34 KESIMPULAN Teknik thresholding yang diusulkan dalam penelitian ini sebagian besar menghasilkan hasil yang memuaskan dalam mensegmentasi citra medis. Karena gradasi warna terang pada akargigikiri. Oleh karena itu fitur sharpness pada teknik thresholding yang di usulkan memilih window yang gradasi warnanya cerah dan warna gelap, sehingga warna gradasi tersebut pada saat di segmentasi dianggap sebagai intensitas pixel objek jika dibandingkan dengan hasil dari teknik yang diusulkan oleh Qingming Huang. Teknik thresholding yang diusulkan tidak bisa bekerja dengan baik pada image real yang citranya gelap seperti pada citra Chinese. Nilai ketajaman citra Chinese pada teknik thresholding yang diusulkan fokus pada bagian tengah image yang terang dan bagian yang lain windownya membesar sampai memenuhi window, sehingga window tersebut di segmentasi menggunakan nilai threshold global. Teknik thresholding yang diusulkan dapat bekerja dengan baik pada citra satelit yang memiliki iluminasi warna seperti pada citra garda, riverlandsat, dan EcumbeneRiver karena pada citra tersebut terdapat iluminasi warna akibat pencahayaan matahari dibandingkan dengan teknik thresholding yang diusulkan oleh Qingming Huang.

35 D A F T A R P U S T A K A Cao,, L., Shi, Z.K., Cheng, E.K.W. (2002). Fast Automatic Multilevel Thresholding Method, Electron, vol. 38, Chong-Yaw, W., Paramesran,, R., (2006). Measure of Image Sharpness Using Eigenvalue. Information Science. Gonzales, R.C., Woods, E.W (2008), Digital Image Processing,, 3rd edition, Pearson Education, Inc., New Jersey. Hou,, Z., Hu,, Q., Nowinski,, W.L. (2006), On Minimum Variance Thresholding, Pattern Recognation,, vol. 27, hal Macmurray,, T., Pearce, J.A. (1994) IEEE, Threoretical and Experimental Comparison of t he Lorenz Information Measure, Entropy, and the Mean Absolute Error, Biomedical Engineering. M.Spann.,., C.Hornet (1988), Image Segmentation Using A Dynamic Thresholding Pyramid, Pattern Recognation, vol 22, hal Pradhan,, S.S., Patra,, D., Nanda,, P.K. (2008) IEEE, Adaptive Thresholding Based Image Segmentation with Uneven Lighting Condition. Sahoo,, P.K., Soltani,, S., Wong, A.K.C. (1988). Survey of Thresholding Technique. Computer Vision Graphichs Image Process,, vol. 41, hal Qingming,, H., Wen,, G., Wenjian,, C. (2005), Thresholding Technique with Adaptive Window Selection for Uneven Lighting Image, Pattern Recognation, vol. 26, hal

36 Terima Kasih P E N U T U P

dokumen-dokumen yang mirip

Algoritma Thresholding Adaptif Citra Medis Berbasis Pengukuran Tingkat Ketajaman Citra

Algoritma Thresholding Adaptif Citra Medis Berbasis engukuran Tingkat Ketaaman Citra I Made Darma Susila, Agus Zainal Arifin, Isye Arieshanti Vision and Image rocessing Laboratory, Jurusan Teknik Informatika,