PRESENTASI TESIS
JUDUL
THRESHOLDING DENGAN PEMILIHAN WINDOW SECARA ADAPTIVE
BERBASIS PENGUKURAN TINGKAT KETAJAMAN CITRA
OLEH I Made Darma Susila
5108.201.014
PEMBIMBING Dr. Agus Zainal, SKom., M.Kom. Isye Arieshanti, Skom., M.Phil.
LATAR BELAKANG Permasalahan Segmentasi Segmentasi citra iluminasi, gradasi warna, dan efek shadow. Sensor Pasif. Sensor Aktif.
LATAR BELAKANG 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)
LATAR BELAKANG 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).
LATAR BELAKANG 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).
LATAR BELAKANG Usulan Penelitian Thresholding pemilihan window secara adaptive berbasis tingkat ketajaman citra. Fitur Tingkat Ketajaman Citra Metode threshold MCVT Window growing
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.
METODA PENELITIAN Langkah Teknik Thresholding yang di Usulkan 1. 2. 3. 4.
Inputkan citra. Partisi image sesuai dengan ukuran window. Hitung nilai sharpness masing-masing window. 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 9. 7. 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 12. 11. 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.
METODA PENELITIAN Langkah Mendapatkan Nilai Threshold MCVT 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13.
Inputkan citra. Simpan intensitas pixel yang berbeda pada citra. Hitung jumlah pixel yang berbeda pada citra. Buat variabel k dan isikan dengan nilai 0. Hitung probabilitas class grup A (0 <= x <= k ) dan hitung probabilitas class grup B (k+1<= x <= m-1). Hitung mean class grup A dan grup B. Hitung nilai class varian grup A dan B. Hitung probabilitas class grup A’ (0<= x <=k-1) dan hitung probabilitas class grup B’ (k <= x <= m-1). Hitung nilai class varian class grup A’ dan B’. Hitung biaya pemisah class grup A’ dan B’. Incremenet nilai k. Periksa apakah k lebih besar sama dengan intensitas pixel terbesar dalam citra. Jika ya, maka ke langkah 5. Lakukan pencarian nilai biaya pemisah minimum.
METODA PENELITIAN Partisi Window
Kolom 1
3
7
11
12
14
1,1
1,2
2,1
2,2
3
Tipe data cell ukuran 2x2
14 pixel
6
100
Baris
200
125
9
0
255
75
12
25
14
120
20
14 pixel
Isi dari Cell(1,1)
METODA PENELITIAN Pembuatan Fitur dan Pemilihan Window
METODA PENELITIAN Beberapa Kondisi Perbesaran Window
METODA PENELITIAN Mendapatkan Nilai Error ME (Missclassification Error)
ME = 1 −
BO ∩ BT + FO ∩ FT BO + FO
perhitungan ME-nya adalah 1-((3+4)/(5+4)) = 0,222.
Uji Coba Pemilihan Metode Ketajaman Citra
Ori
Blur Mask 6
Blur Mask 2
Blur Mask 4
Blur Mask 8
Blur Mask 10
Uji Coba Pemilihan Metode Ketajaman Citra (2)
Uji Coba Citra Real
party
glassHour
rad
party2
Chinese
Uji Coba Citra Medis
akarGigiKanan
akarGigiKiri
tulangRahangKanan
tulangEngkel
tulangRahangKiri
Uji Coba Citra Landsat
garda
AmazonRiver
riverLandsat
EcumbeneRiver
LakeStClairLandsat
Uji Coba Pemilihan Ukuran Window Error Minimum Untuk Teknik Thresholding yang diusulkan Qingming Huang Pada Citra Real
Ukuran yang dipilih 32 x 32
Uji Coba Pemilihan Ukuran Window Error Minimum Untuk Teknik Thresholding yang diusulkan Qingming Huang Pada Citra Medis
Ukuran yang dipilih 32 x 32
Uji Coba Pemilihan Ukuran Window Error Minimum Untuk Teknik Thresholding yang diusulkan Qingming Huang Pada Citra Landsat
Ukuran yang dipilih 128 x 128
Uji Coba Pemilihan Ukuran Window Error Minimum Untuk Teknik Thresholding yang Diusulkan Dalam Penelitian Ini Untuk Citra Real
Ukuran yang dipilih 128 x 128
Uji Coba Pemilihan Ukuran Window Error Minimum Untuk Teknik Thresholding yang Diusulkan Dalam Penelitian Ini Untuk Citra Medis
Ukuran yang dipilih 32 x 32
Uji Coba Pemilihan Ukuran Window Error Minimum Untuk Teknik Thresholding yang Diusulkan Dalam Penelitian Ini Untuk Citra Satelit
Ukuran yang dipilih 128 x 128
HASIL UJI COBA Hasil Uji Coba Pada Kategori Citra Real Ground Truth
QM
THDS
HASIL UJI COBA Hasil Uji Coba Pada Kategori Citra Real (2) Ground Truth
QM
THDS
HASIL UJI COBA Hasil Uji Coba Pada Kategori Citra Medis Ground Truth
QM
THDS
HASIL UJI COBA Hasil Uji Coba Pada Kategori Citra Medis(2) Ground Truth
QM
THDS
HASIL UJI COBA Hasil Uji Coba Pada Kategori Citra Landsat Ground Truth
QM
THDS
HASIL UJI COBA Hasil Uji Coba Pada Kategori Citra Landsat(2) Ground Truth
QM
THDS
ANALISA HASIL UJI COBA Citra Real
ANALISA HASIL UJI COBA Citra Medis
ANALISA HASIL UJI COBA Citra Landsat
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.
DAFTAR PUSTAKA
• • • • •
Cao, L., Shi, Z.K., Cheng, E.K.W. (2002). Fast Automatic Multilevel Thresholding Method, Electron, vol. 38, 868-870. 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.1732-1743. 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 719-732. • 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. 233-260. Qingming, H., Wen, G., Wenjian, C. (2005), Thresholding Technique with Adaptive Window Selection for Uneven Lighting Image, Pattern Recognation, vol. 26, hal.801808.
PENUTUP
Terima Kasih
