EKSTRAKSI TEPI DENGAN MENGGUNAKAN FUZZY SPATIAL FILTERING DAN SLICHING INTENSITY 1 2
I Gede Aris Gunadi *1, Retantyo Wardoyo 2 Jurusan Pendidikan Fisika, FMIPA, Undiksha Singaraja Program S3 Ilmu Komputer , FMIPA, UGM , Yogyakarta e-mail : *1
[email protected], 2
[email protected] Abstrak
Ekstraksi tepi objek merupakan isu penting dalam bidang image prosessing, terutama dalam kaitannya dengan masalah segmentasi, ekstrasi fitur, dan pengenalan pola. Terdapat dua permasalahan pokok dalam deteksi atau ekstraksi tepi yaitu, pertama munculnya tepi salah, yaitu tepi yang terdeteksi namun bukan merupakan tepi objek yang sebenarnya. Kasus ini biasanya diakibatkan adanya noise. Kedua tepi hilang, yaitu adanya tepi objek yang tidak terdeteksi (hilang). Pada penelitian ini diimplementasikan spatial fuzzy filtering dan Slicing intensity, untuk mengekstraksi tepi pada image dengan variasi noise. Perbandingan hasil pengujian dengan operator deteksi tepi lainnya( sobel,canny, dan prewit), menunjukan spatial fuzzy filtering memiliki keunggulan, mampu minimalkan adanya tepi hilang dan tepi salah. Kata Kunci : Deteksi tepi, Fuzzy filtering, Fuzzy Image processing.
Abstracts Object edge extraction is an important issue in the field of image processing, particularly in relation to the problem of segmentation, feature extraction and pattern recognition. There are two main problems in the detection or extraction of the edge, the edge of the first appearance, the edges are detected but not an actual object edges. These cases are usually caused by the noise. The second edge is lost, that is the object edges are not detected (missing). In this study implemented fuzzy spatial filtering and Slicing intensity, for extracting the edge of the image with noise variations. Comparison of test results with other edge detection operator (Sobel, Canny, and prewit), shows fuzzy spatial filtering has the advantage, able to minimize the loss and the edge of the edge. Key Words : Edge detection, Fuzzy Filtering, Fuzzy Image Processing
1. PENDAHULUAN Deteksi tepi merupakan bagian yang sangat penting dalam bidang pengolahan image ( image processing), tepi (edge) didefinisikan sebagai batas yang membatasi sebuah region dalam sebuah image. Pengenalan dan ekstraksi tepi pada image sangatlah penting untuk keperluan segmentasi dan pengenalan pola. Dalam bidang kesehatan, deteksi tepi sangat dibutuhkan untuk keperluan analisa image medis, misalnya pada hasil CT scan, sebuah metode berdasarkan operasi morphology digunakan untuk mendeteksi tepi pada hasil CT scan, metode ini berasil mendeteksi tepi sekaligus mengeleminasi noise salt paper pada image CT Scan [1]. Berkaitan dengan ekstraksi tepi, beberapa penelitian sudah dilakukan, pada penelitian [2], dilakukan review perbandingan berbagai tehnik pendeteksian tepi diantaranya, (1) Marr Hildreth edge detector,
sebuah detektor tepi yang didasarkan gradient intensity ,(2) canny edge detector , (3) Local thresholding ,(4) deteksi tepi dengan jarak ecludian dan vector angle . Dari review yang dilakukan ditemukan bahwa deteksi tepi dengan operator canny masih dianggap lebih baik karena menghasilkan batas yang lebih tebal dan berkelanjutan (continous). Tepi diindikasikan dengan adanya perubahan tingkat intensitas secara drastis, secara umum metode untuk mendeteksi atau ekstraksi tepi ada dua jenis, pertama didasarkan pada gradient intensitas termasuk didalamnya operator sobel, canny, dan prewit. Kedua deteksi tepi berdasarkan turunan kedua intensitas termasuk didalamnya operator laplacian dan operator laplacian of Gaussian (LOG), operator isotropic, dan operator kirsch. Implementasi fuzzy logic pada bidang image processing sangatlah luas, secara khusus dibahas dalam sebuah kajian Fuzzy Image Processing (FIP), beberapa implementasi tehnik fuzzy pada bidang image prosessing antara lain, fuzzy image enhancement perbaikan kualitas image dengan melakukan modifikasi histogram, Filtering Fuzzy, dan Segmentasi [3,4,5]. Beberapa penelitian yang mengkaitkan deteksi tepi dengan fuzzy logic diantaranya, Ching Yu Tyan [6], memberikan review untuk mendeteksi tepi berdasarkan 16 aturan fuzzy rules. Prinsipnya sebuah tepi dianggap sebagai transisi dari gelap ke terang, terdapat 4 kasus yang terjadi sebuah tepi dilustrasikan pada gambar 1.
Gambar 1 Sistem Fuzzy untuk deteksi pada Penelitian Ching Yu tyan
Penelitian lain juga menggunakan pendekatan fuzzy untuk mendeteksi tepi [7], dalam penelitian ini digunakan 8 aturan fuzzy untuk mendeteksi sebuah pixel merupakan tepi atau bukan tepi , sistem fuzzynya diilustrasikan dalam gambar 2.
Gambar 2 . Sistem Fuzzy rule pada penelitian Abdallah A. Salah satu permasalahan deteksi tepi adalah muncul noise yang menggangu penentuan tepi. Jenis tepi dikelompokan menjadi tiga yaitu: (1) tepi sebenarnya, yang berhubungan dengan tepi objek dalam sebuah image, (2) tepi salah, yaitu tepi yang tidak berhubungan dengan tepi objek dalam sebuah image namum terdeteksi sebagai tepi ,(3) tepi hilang, tepi yang seharusnya terlacak sebagai tepi sebuah objek, namun tidak terdeteksi. Kemunculan noise akan mempengaruhi hasil pelacakan tepi, sehingga dalam deteksi tepi biasanya terlebih dahulu dilakukan proses smoothing dan enhancement, dengan mengimplementasikan sebuah filter untuk mengurangi noise [8]. Filtering adalah metode yang digunakan untuk menghilangkan noise, Secara umum filtering berdasarkan prosesnya dapat bagi menjadi 2 yaitu : filtering berdasarkan domain frekwensi dan filtering berdasarkan domain spatial. Pada filtering frekwensi, dilakukan tapis pada frekwensi yang tidak diinginkan. Spatial frekwensi berkerja berdasarkan operasi pixel dan tetangganya. Beberapa filter yang berdasarkan spatial operasi, median filter, avarage filter, gaussian filter. Berkaitan permasalahan ekstraksi tepi dan pengurangan noise, dalam penelitian ini diusulkan sebuah pendekatan dengan spatial fuzzy filtering. Spatial fuzzy filtering menggunakan sebuah mask berukuran 3x3, perhitungan dilakukan untuk menentukan nilai pixel pusat berdasarkan perbedaan intensitas 4 pixel tetangganya (atas, bawah, kanan, dan kiri), dan mengimplementasikan beberapa aturan fuzzy. Pada tahap akhir untuk mempertegas tepi yang didapat diterapkan juga slicing intensity.
2. METODOLOGI PENELITIAN Penelitian ini bertujuan untuk mengekstrasi tepi image dengan spatial fuzzy filtering, alur proses dalam penelitian ini ditunjukan pada gambar 3.
start
VARIASI KARAKTER IMAGE INPUTAN, DENGAN MENAMBAH NOISE GAUSSIAN, SALT & PEPPER, POISON.
IMPLEMENTASI SPATIAL IMAGE FILTERING BERDASARKAN ATURAN FUZZY DAN SLICING INTENSITY
PENGUJIAN IMAGE DENGAN SPATIAL FILTERING
ANALISA HASIL, DIBANDINGKAN DENGAN SOBEL, CANNY, DAN PREWIT DAN NILAI PSNR ( Peak Signal of Noise Ratio )
Selesai Gambar 3. Alur Penelitian.
2.1 Variasi Noise Inputan Pada image yang akan digunakan dalam eksperimen terlebih dahulu ditambahkan noise, yaitu Gaussian noise, salt & pepper noise, dan poisson noise. Tujuan penambahan noise ini untuk mengetahui sejauh mana, kemampuan metode yang diusulkan untuk meminimalkan pengaruh noise. Pada umumnya noise akan menimbulkan tepi salah, tepi noise akan terdeteksi mendampingi tepi objek utama. Gambar 4 menunjukan image dengan berbagai noise dan pengaruh noise pada pendeteksian tepi.
(a)
(b)
(d)
(c)
(e)
Gambar 4. (a) Image asli Aortic angiogram , (b) Image dengan Gaussian noise , (c) Image dengan salt & pepper noise , (c) Image dengan poisson noise , (d) Pengaruh Noise ( salt & pepper) pada hasil deteksi tepi, memunculkan tepi salah.
2.2 Implementasi Spatial Filtering Dengan Aturan Fuzzy. Langkah langkah yang dilakukan untuk membuat Fuzzy Spatial Filtering adalah : (1). Perhitungan Intensity Diffrence. Pada tahap pertama digunakan sebuah window ( mask) 3x3, pada mask tersebut dilakukan operasi antara pixel pusat dengan kedelapan pixel tetangganya, untuk mendapatkan intensity difference. Proses perhitungan diilustrasikan pada gambar 5. Z1 Z4 Z7
Z2 Z5 Z8
Z3 Z6 Z9
(a)
d1 d2 d3 d4 Fo d6 d7 d8 d9 (b )
Gambar 4. (a) Intensity Pixel , (b) Diffrence Intensity Pixel. 100 80 60 55 60 55 10 200 20
40 -5 -50
20 Fo 140
0 -5 -40
Gambar 5 . Proses perhitungan Diffrence Intensity
Dalam gambar 4(a) menunjukan intensitas pixel pada window ( mask), selanjutnya dilakukan operasi pengurangan pada setiap pixel tetangga dengan dengan pixel pusat. 2. Penentuan Nilai Pixel Pusat ( Filtering) Langkah selanjutnya adalah menentukan nilai pixel pusat, berdasarkan nilai difference intensity pixel tetangganya. Hanya digunakan 4 pixel saja ( atas, bawah,kiri, dan kanan) yaitu d2,d4,d6, dan d8 untuk menentukan nilai pixel pusat. Nilai pixel pusat kemungkinannya hanya 2 yaitu, hitam (black) dan putih ( White) , Aturan yang digunakan untuk menentukan nilai pixel pusat adalah , Implementasi Fuzzy Rules (1) IF d2 is Zero and d6 is Zero THEN d5 is White (2) IF d6 is Zero and d8 is Zero THEN d5 is White (3) IF d8 is Zero and d4 is Zero THEN d5 is White (4) IF d4 is Zero and d2 is Zero THEN d5 is White (5) IF d2 is not Zero and d4 is Zero THEN d5 is Black (6) IF d2 is Zero and d4 is not Zero THEN d5 is Black (7) IF d2 is not Zero and d6 is Zero THEN d5 is Black (8) IF d2 is not Zero and d6 is not Zero THEN d5 is Black (9) IF d2 is not Zero and d6 is Zero THEN d5 is Black (10) IF d6 is not Zero and d8 is Zero THEN d5 is Black (11) IF d6 is Zero and d8 is not Zero THEN d5 is Black (12) IF d6 is not Zero and d8 is not Zero THEN d5 is Black (13) IF d8 is not Zero and d4 is Zero THEN d5 is Black (14) IF d8 is Zero and d4 is not Zero THEN d5 is Black (15) IF d8 is not Zero and d4 is not Zero THEN d5 is Black (16) IF d4 is not Zero and d2 is Zero THEN d5 is Black (17) IF d4 is Zero and d2 is not Zero THEN d5 is Black (18) IF d4 is not Zero and d2 is not Zero THEN d5 is Black
Ilustrasi aturan tersebut ditunjukan dalam gambar 6.
Gambar 6 . Ilustrasi Sistem Aturan Fuzzy , Spatial Fuzzy Filtering
Sedangkan fungsi keanggotaan dari Zero, White, dan Black dinyatakan pada gambar 7 :
Gambar 7 . (a) Fungsi keanggotaan, untuk perbedaan Intensity (b) Fungsi keanggotaan Intensity. Persamaan fungsi keanggotaan untuk Zero, Black , dan White dinyatakan dalam persamaan (1),(2), dan (3) µ Zero (d) = ....................................................................................(1) Sedangkan untuk intesitas pixel (untuk menentukan nilai pixel pusat) , persamaan fungsi keanggotaannya dinyatakan dengan :
µ Black ( x) = …………………………………………(2)
µ White ( x) =
………………………………………….
(3) Sistem diimplementasikan dengan menggunakan metode infrensi mandani dengan menggunakan MATLAB Tool, pada gambar 8 menunjukan view ruler dari implementasi fuzzy spatial filtering
Gambar 8. Review Rule Spatial Fuzzy Filtering dalam Matlab. 3. Konvolusi Spatial Fuzzy Filter Proses perhitungan pada filtering diatas dilakukan pada seluruh image, dengan menggunakan secara konvolusi 4. Intensity Slicing Pada hasil filtering dengan spatial fuzzy filtering dilakukan pengirisan intensity ( Intensity Slicing ). Tujuan pengirisan intensity adalah untuk menonjolkan pixel pixel dengan intesitas gray level tertentu [ 9]. Pendekatan pengirisan intensity yang digunakan dalam penelitian ini adalah : O = ……………….(4)
2.3
Pengujian Pengujian dilakukan dengan melakukan perbandingan hasil ekstraksi tepi oleh fuzzy spatial filtering dengan hasil pada operator sobel, canny, dan prewit. Penilaian dilakukan dengan melihat (presepsi visual) kualitas tepi yang dihasilkan. Kemunculan tepi hilang dan tepi salah dijadikan parameter untuk menilai kualitas tepi yang dihasilkan. Untuk mengetahui pengaruh noise yang tersisa , pada image hasil pengujian dihitung nilai PSNR (Peak Signal of Noise Ratio). Nilai PSNR merupakan sebuah nilai yang menyatakan kualitas image dibandingkan dengan sebuah image acuan, berdasarkan perbandingan noise antara kedua image tersebut [10]. PSNR dihitung dengan persamaan (5). Persamaan (6) menyatakan MSE , mean square error, dihitung dari selisih antara image acuan dengan image yang diuji. Image acuan dalam penelitian ini adalah image inputan yang
telah ditambahkan noise, image uji adalah image hasil ekstraksi tepi pada spatial fuzzy filter, operator sobel, canny, dan prewit. Nilai PSNR paling rendah menunjukan kualitas image yang paling baik, karena image acuannya image yang qualitas dianggap rendah ( image dengan noise), sehingga semakin besar perbedaan image ( nilai MSE besar), maka image uji makin baik. Sedangkan nilai MSE besar, maka nilai PSNR kecil. PSNR = 10 log 10 (
) ……………………………………………………………….(5). (i,j) …………………………………………….(6)
MSE =
3. HASIL DAN PEMBAHASAN Sistem ekstraksi tepi(edge) yang diusulkan dalam paper ini ( spatial fuzzy filtering) telah diujikan pada 15 image. Kualitas tepi yang dihasilkan pada spatial fuzzy filtering dibandingkan dengan hasil pengujian dengan detector canny, sobel, dan prewit. Untuk melihat kualitas image dari sisi kandungan noise juga dilakukan pengukuran PSNR ( Peak Signal to Noise Ratio / dB). Berikut adalah sebagian hasil pengujian yang telah dilakukan tabel 1. Tabel 1. Hasil Ekstrasi tepi dengan Sobel, Canny,Prewit, dan Spatial Fuzzy Filtering dan Nilai PSNR ( Peak Signal of Noise Ratio ) No
Image Inputan
Sobel
Canny
Prewit
Spatial Fuzzy Filtering
PSNR : 6.6052
PSNR :6.7297
PSNR :6.6207
PSNR :5.3137
PSNR : 6.2546
PSNR :6.2442
1
Gaussian noise 2
Salt & noise
pepper
PSNR :6.3326
PSNR :3.4561
3
PSNR: 6.7141
PSNR: 6.5855
PSNR: 6.6887
PSNR: 3.5910
PSNR :3.7163
PSNR :3.723
PSNR: 3.7163
PSNR: 3.723
PSNR: 3.4807
PSNR: 3.7130
PSNR :3.4806
PSNR :3.5107
PSNR: 3.3862
PSNR : 3.3859
PSNR: 3.3862
PSNR : 3.424
Poisson noise 4
gausian noise
5
salt & noise
pepper
6
Poisson noise
Secara keseluruhan hasil ekstraksi tepi dengan menggunakan spatial fuzzy filtering menunjukan hasil yang lebih baik. Operator Sobel dan prewit memiliki keunggulan untuk mengatasi gangguan noise, namun tepi yang yang dihasilkan tidak utuh sebagai sebuah garis ( garis pecah pecah). Kelemahan lainnya dalam beberapa kasus ditemukan operator sobel dan prewit tidak mampu mengekstraksi semua tepi, seperti ditunjukan pada image no 1, 2 pada tabel 1. Jadi kelemahan utama ekstrasi tepi dengan sobel atau prewit adalah banyaknya tepi hilang, yaitu tepi yang merupakan tepi sebenarnya dari objek yang seharusnya terdeteksi, namun pada kenyataannya tidak terdeteksi. Detector canny memiliki kekuatan dalam mendeteksi tepi, namun kelemahannya sangat rentan terhadap gangguan noise, terutama noise jenis salt & pepper. Kemunculan noise dianggap sebagai sebuah tepi ( tepi salah). Pendekatan ekstrasi tepi dengan menggunakan spatial fuzzy filtering mampu mengatasi permasalahan tersebut, secara umum semua tepi bisa terdeteksi dan pengaruh noise terhadap hasil ekstrasi tepi juga dapat diminimalkan. Untuk mengetahui tingkat noise dilakukan perhitungan nilai PSNR, secara umum menunjukan hasil spatial fuzzy filtering menunjukan nilai paling rendah, artinya kandungan noise yang tersisa pada spatial fuzzy filtering lebih rendah dibandingkan hasil pada operator sobel, canny, dan prewit.
Hal ini menunjukan secara kualitas image hasil image yang diproses dengan spatial fuzzy filtering lebih baik.
4. KESIMPULAN Setelah melakukan implementasi dan melakukan pengujian dalam penelitian ini maka terdapat beberapa hal yang dapat disimpulkan : 1. Spatial Fuzzy filtering dapat dijadikan sebuah pendekatan alternatif untuk mendeteksi atau mengekstraksi tepi objek dalam sebuah image. Spatial Fuzzy filtering memiliki beberapa keunggulan dibandingkan operator yang sudah umum digunakan ( sobel,canny,prewit). Dibandingkan dengan operator sobel atau prewit, spatial fuzzy filtering lebih unggul dalam melacak tepi dengan lebih detail, pada operator sobel atau prewit beberapa bagian tepi tidak terlacak (ada tepi hilang). Sedangkan dibandingkan operator canny keunggulan dalam mengatasi adanya noise. Pada operator canny, noise yang ada dianggap sebagai objek, sehingga tepi noise tersebut dimunculkan berdampingan dengan tepi objek yang sebenarnya ( muncul tepi salah). Hal ini akan menyulitkan menentukan tepi objek yang sebenarnya. 2. Pengujian PSNR ( Peak signal of Noise Ratio ), secara umum image yang diproses dengan spatial fuzzy Filtering lebih rendah, dibanding hasil pada operator sobel, canny, prewit. Hal ini menujukan secara kualitas image dengan spatial fuzzy filtering lebih baik. 3. Waktu komputasi yang diperlukan pada spatial fuzzy filtering jauh lebih lama, daripada waktu komputasi dengan operator sobel, canny, dan prewit. Untuk image dengan ukuran 245 x 216, dibutuhkan waktu sekitar 1 menit.
5. SARAN Beberapa saran yang bisa diberikan untuk pengembangan kedepan, terutama pada bidang penelitian image processing terutama yang berkaitan deteksi atau ekstraksi tepi untuk keperluan segmentasi dan ekstraksi fitur. 1. Fuzzy spatial filtering sangat baik digunakan untuk proses ekstraksi tepi, tepi yang dihasilkan jelas dan tidak terputus. Permasalahan dalam deteksi tepi , munculnya tepi hilang dan tepi salah , bisa diatasi dengan menggunakan spatial fussy filtering. 2. Permasalahan spatial fuzzy filtering terletak pada waktu komputasinya yang lebih lama, salah satu pengembangan yang bisa dilakukan adalah melakukan perbaikan algoritma pada spatial fuzzy filtering sehingga proses komputasi lebih cepat. UCAPAN TERIMA KASIH Terima kasih yang sebesarnya penulis sampaikan kepada semua pihak yang telah membantu penulisan jurnal ini, terutama kepada seluruh staf pengajar di program doktoral ilmu computer UGM, rekan rekan di FMIPA UNDISHA Singaraja Bali dan kepada teman teman di program S2/S3 ilmu computer UGM yang selalu saling member semangat.
DAFTAR PUSTAKA [1] Zhao Yu Qian , Gui Wei Hua, Chen Zhen Ceng, Tang jing Tian, Li Ling Yun , “ Medical Image edge Detection Based on Mathemathical Morfology “ , Proceding of 2005 IEEE, Engineering in Medice and Biology, 27 th annual conference, Shanghay Cina. [2]. N. Senthilkumaran and R. Rajesh, “Edge Detection Techniques for Image Segmentation - A Survey”, Proceedings of the International Conference on Managing Next Generation Software Applications (MNGSA-08), 2008, pp.749-760. [3]. A.Suneetha, A.Sri Krisna, “ A New Method of Image Enhancement in Spatial Domain using Histogram Equalization,Smothing, and Fuzzy Technique”, International journal of Computer science & Tecnology, Vol 2, SP, December 2011. [4]. Sivanandan S.N , Sumathi. S , S.N Deppa , “ Introduction to Fuzzy Logic using MATLAB “ , ISBN-10 3-540-35780-7 Springer Berlin Heidelberg New York. [5]. Milindkumar V Sarode, S.A Ladhake, Prashant R Deshmukh , “ Fuzzy Sistem for Color Image Enhancement”, Word Acedemy Science,Enginerring,Techology 48, 2008. [6] Chin Yu Tyan , Paul P Wang , “ Image Processing –enhancement, Filtering and Edge Detection using The Fuzzy Logic Approach “ , IEEE, 1993. [7] Abdallah A. Alshennawy, and Ayman A. Aly , “ Edge Detection in Digital Image using Fuzzy Logic Tehnique “ , World Academy of Science, Engineering and Technology 51 2009 [8] Trucco, Jain , “ Edge Detection “ ,http://www.cse.unr.edu/~bebis/CS791E/Notes/EdgeDetection.pdf [9] Hore Alain , Ziou Djemel , “ Image Quality Metric : PSNR VS SSIM “, IEEE Computer Socety Press, PP 2366 -2369, 2010.
