Segmentasi Citra Berwarna Menggunakan Deteksi Tepi dan Fuzzy C-Means yang Dimodifikasi Berdasarkan Informasi Ketetanggaan

Ukuran: px

Mulai penontonan dengan halaman:

Download "Segmentasi Citra Berwarna Menggunakan Deteksi Tepi dan Fuzzy C-Means yang Dimodifikasi Berdasarkan Informasi Ketetanggaan"

Surya Johan
6 tahun lalu
Tontonan:

1 Segmentasi Citra Berwarna Menggunakan Deteksi Tepi dan Fuzzy C-Means yang Dimodifikasi Berdasarkan Informasi Ketetanggaan Septi Wulansari ( ) Pembimbing I: Prof. Ir. Handayani Tjandrasa, M.Sc., Ph.D. Pembimbing II: Dr. Eng. Chastine Fatichah, S.Kom., M.Kom.

2 Pendahuluan

3 Latar Belakang Segmentasi merupakan bagian dari proses pengolahan citra digital dan merupakan proses yang cukup penting Memperbaiki hasil segmentasi yang dihasilkan oleh algoritma Fuzzy C-Means konvensional Hasil segmentasi citra berwarna dengan FCM konvensional

4 Tujuan Mengimplementasikan algoritma Fuzzy C- Means yang dimodifikasi berdasarkan informasi ketetanggaan dalam segmentasi citra berwarna Mengimplementasikan deteksi tepi dalam preprocessing segmentasi citra berwarna Mendapatkan hasil segmentasi pada citra berwarna yang lebih detail

5 Rumusan Masalah Bagaimana mengimplementasikan segmentasi citra berwarna dengan menggunakan deteksi tepi dan algoritma fuzzy c-means yang dimodifikasi berdasarkan informasi ketetanggaan pada perangkat MATLAB Bagaimana hasil segmentasi citra berwarna menggunakan deteksi tepi dan Fuzzy C-Means yang dimodifikasi berdasarkan informasi ketetanggaan dibandingkan dengan metode Fuzzy C-Means biasa

6 Batasan Masalah Implementasi dilakukan dengan menggunakan perangkat Matlab 7.6 R2008a. Segmentasi citra berwarna dilakukan dengan menggunakan deteksi tepi Sobel dan Fuzzy C- Means yang dimodifikasi berdasarkan informasi ketetanggaan. Ekstensi file gambar adalah JPG. Jumlah kluster adalah 2

7 Gambaran Umum Aplikasi Start Data masukan Proses segmentasi Data keluaran Stop

8 Fuzzy C-Means yang dimodifikasi Berdasarkan Informasi Ketetanggaan

9 FCM yang dimodifikasi berdasarkan informasi ketetanggaan vs. FCM konvensional FCM konvensional [1] 1. Inisialisasi parameter bobot dan threshold 2. Inisialisasi matriks U secara acak 3. Mencari titik pusat kluster FCM yang dimodifikasi berdasarkan Informasi Ketetanggaan [1] 1. Inisialisasi parameter bobot dan threshold 2. Inisialisasi matriks U secara acak 3. Mencari titik pusat kluster 4. Menghitung nilai matriks U yang baru 4. Menghitung faktor ketetanggaan G ki

10 FCM yang dimodifikasi berdasarkan informasi ketetanggaan vs. FCM konvensional (lanjut) FCM konvensional [1] 5. Cek jika max{u baru U lama} > threshold, kembali ke langkah 3. Jika tidak berhenti. FCM yang dimodifikasi berdasarkan Informasi Ketetanggaan [1] 5. Menghitung nilai matriks U yang baru 6. Cek jika max{u baru U lama} > threshold, kembali ke langkah 3. Jika tidak berhenti

11 Metodologi

12 Start Jalannya proses Segmentasi Citra Berwarna Secara Umum Citra Berwarna Mengambil intensitas abu-abu citra Deteksi Tepi Membuat garis segmentasi Proses Defuzifikasi Clustering Hasil segmentasi Stop

13 Mengambil Intensitas Abu-abu Citra Start Citra Berwarna Ambil Intensitas masing-masing channel Merata-rata intensitas ketiga warna untuk mendapatkan intensitas abu-abu Stop Citra berintensitas abu-abu

14 Deteksi Tepi Start Citra berintensitas abu-abu Menghitung dimensi citra Menginisialisai kernel Sobel x dan y Stop Citra hasil deteksi tepi Menghitung nilai gradien untuk setiap piksel

Start Clustering Citra hasil deteksi tepi

Memperbarui nilai matriks U Menghitung faktor

15 Start Clustering Citra hasil deteksi tepi Menentukan threshold, nilai bobot m Inialisasi matriks U secara acak Ya Mencari titik pusat kluster v k Max {U baru U lama} > threshold Memperbarui nilai matriks U Menghitung faktor ketetanggaan piksel G ki Tidak Matriks U terbaru Stop

16 Defuzifikasi Start Matriks U C i = max {U ik } Citra biner Stop

17 Proses Membuat Garis Segmentasi 1. Mencari piksel-piksel yang bergaris putih pada citra hasil defuzifikasi. 2. Menyimpan indeks piksel-piksel yang berwarna putih. 3. Menandai piksel-piksel pada citra asli dengan indeks piksel sesuai dengan indeks yang disimpan pada langkah sebelumnya.

18 Uji Coba dan Pembahasan

19 Uji Coba 1 Data Masukan Nama Citra : image_0526.jpg Dimensi : 666 x 500 piksel Sumber : database Visual Geometry Group Oxford University

20 Uji Coba 1 (a) (b) (c) Keterangan : (a) Citra asli (b) Citra deteksi tepi (c) Citra hasil segmentasi

21 Perbandingan pada Uji Coba 1 (a) (b) (c) Keterangan : (a) Citra asli (b) Citra hasil segmentasi menggunakan deteksi tepi dan FCM yang dimodifikasi berdasarkan informasi ketetanggaan (c) Citra hasil segmentasi menggunakan FCM konvensional

22 Perbandingan pada Uji Coba 1 Segmentasi menggunakan deteksi tepi dan FCM yang dimodifikasi berdasarkan informasi ketetanggaan Akurasi: 78.98% Iterasi : 23 Segmentasi menggunakan FCM konvensional Akurasi: 61.95% Iterasi : 15

23 Uji Coba 2 Data Masukan Nama Citra : image_1248.jpg Dimensi : 500 x 500 piksel Sumber : database Visual Geometry Group Oxford University

24 Uji Coba 2 (a) (b) (c) Keterangan : (a) Citra asli (b) Citra deteksi tepi (c) Citra hasil segmentasi

25 Perbandingan pada Uji Coba 2 (a) (b) (c) Keterangan : (a) Citra asli (b) Citra hasil segmentasi menggunakan deteksi tepi dan FCM yang dimodifikasi berdasarkan informasi ketetanggaan (c) Citra hasil segmentasi menggunakan FCM konvensional

26 Perbandingan pada Uji Coba 2 Segmentasi menggunakan deteksi tepi dan FCM yang dimodifikasi berdasarkan informasi ketetanggaan Akurasi: 95.39% Iterasi : 21 Segmentasi menggunakan FCM konvensional Akurasi: 34.15% Iterasi : 14

27 Uji Coba 3 Data Masukan Nama Citra : Bombay_31.jpg Dimensi : 307 x 380 piksel Sumber : MacGill Calibrated Coloured Image Database

28 Uji Coba 3 (a) (b) (c) Keterangan : (a) Citra asli (b) Citra deteksi tepi (c) Citra hasil segmentasi

29 Perbandingan pada Uji Coba 3 (a) (b) (c) Keterangan : (a) Citra asli (b) Citra hasil segmentasi menggunakan deteksi tepi dan FCM yang dimodifikasi berdasarkan informasi ketetanggaan (c) Citra hasil segmentasi menggunakan FCM konvensional

30 Perbandingan pada Uji Coba 3 Segmentasi menggunakan deteksi tepi dan FCM yang dimodifikasi berdasarkan informasi ketetanggaan Akurasi: 88.48% Iterasi : 17 Segmentasi menggunakan FCM konvensional Akurasi: 52.36% Iterasi : 12

31 Uji Coba 4 Data Masukan Nama Citra : image_0751.jpg Dimensi : 551 x 500 piksel Sumber : database Visual Geometry Group Oxford University

32 Uji Coba 4 (a) (b) (c) Keterangan : (a) Citra asli (b) Citra deteksi tepi (c) Citra hasil segmentasi

33 Perbandingan pada Uji Coba 4 (a) (b) (c) Keterangan : (a) Citra asli (b) Citra hasil segmentasi menggunakan deteksi tepi dan FCM yang dimodifikasi berdasarkan informasi ketetanggaan (c) Citra hasil segmentasi menggunakan FCM konvensional

34 Perbandingan pada Uji Coba 4 Segmentasi menggunakan deteksi tepi dan FCM yang dimodifikasi berdasarkan informasi ketetanggaan Akurasi: 87.93% Iterasi : 21 Segmentasi menggunakan FCM konvensional Akurasi: 48.44% Iterasi : 42

35 Analisis dan Kesimpulan Secara visual, hasil yang diperoleh dari segmentasi citra berwarna menggunakan deteksi tepi dan FCM yang dimodifikasi berdasarkan informasi ketetanggaan menunjukkan hasil yang lebih detail dibandingkan hasil segmentasi citra berwarna menggunakan FCM konvensional. Namun pada citra yang detailnya sedikit, metode segmentasi citra berwarna menggunakan deteksi tepi dan FCM yang dimodifikasi menggunakan informasi ketetanggaan masih menghasilkan derau.

36 Analisis dan Kesimpulan (2) Menggunakan perbandingan nilai akurasi, segmentasi citra berwarna menggunakan deteksi tepi dan FCM yang dimodifikasi berdasarkan informasi ketetanggaan menunjukkan hasil yang lebih baik dibandingkan hasil segmentasi citra berwarna menggunakan FCM konvensional karena nilai akurasinya lebih tinggi Segmentasi citra berwarna menggunakan deteksi tepi dan FCM yang dimodifikasi berdasarkan informasi ketetanggaan lebih cocok digunakan untuk citra yang lebih banyak detil/objeknya.

37 Daftar Pustaka [1] S. Santhalakshmi and G. Bharathi, "Local and Spatial Information Based Fuzzy C-Means Clustering for Color Image Segmentation," in 3rd International Conference on Electronics Computer Technology (ICECT), 2011, pp [2] McGill Calibrated Coloured Image Database. [Online]. [3] Visual Geometry Group. [Online]. d.html

38 Terima kasih

39 Akurasi Persamaan untuk mendapatkan iterasi [1] Acc i1 dimana, A = hasil segmentasi C = ground truth c A i c C C j1 j i

40 Sobel A adalah matriks intensitas dari citra masukan untuk proses deteksi tepi. G = * A * A Gx = Gy = Gy Gx 2 2

41 Perbandingan Akurasi no Citra ModifFCM FCMkonven 1 Image_0018.jpg 91.68% 28.05% 2 Image_0751.jpg 87.93% 48.44% 3 Anima1.jpg 95.45% 63.08% 4 Bombay_31.jpg 88.48% 52.36% 5 Image_1248.jpg 95.39% 34.15% 6 Image_1345.jpg 80.76% 32.55% 7 Image_0526.jpg 78.98% 61.95% 8 Image_0361.jpg 84.28% 24.09% 9 samplemerry_0038_lasalle.jpg 56.12% 74.00% 10 samplepippin_peel001.jpg 89.09% 54.3 %

42 Perbandingan Iterasi no Citra ModifFCM FCMkonven 1 Image_0018.jpg Image_0751.jpg Anima1.jpg Bombay_31.jpg Image_1248.jpg Image_1345.jpg Image_0526.jpg Image_0361.jpg samplemerry_0038_lasalle.jpg samplepippin_peel001.jpg 16 14

dokumen-dokumen yang mirip

Modifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram

Modifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram Shabrina Mardhi Dalila (5109100049) Dosen Pembimbing 1 Prof. Ir. Handayani Tjandrasa, M.Sc., Ph.D. Dosen