1 Segmentasi Citra Berwarna Menggunakan Deteksi Tepi dan Fuzzy C-Means yang Dimodifikasi Berdasarkan Informasi Ketetanggaan Septi Wulansari ( ) Pembim...
Segmentasi Citra Berwarna Menggunakan Deteksi Tepi dan Fuzzy C-Means yang Dimodifikasi Berdasarkan Informasi Ketetanggaan
Septi Wulansari (5109100175) Pembimbing I: Prof. Ir. Handayani Tjandrasa, M.Sc., Ph.D. Pembimbing II: Dr. Eng. Chastine Fatichah, S.Kom., M.Kom.
Pendahuluan
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
Tujuan • Mengimplementasikan algoritma Fuzzy CMeans 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
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
Batasan Masalah • Implementasi dilakukan dengan menggunakan perangkat Matlab 7.6 R2008a. • Segmentasi citra berwarna dilakukan dengan menggunakan deteksi tepi Sobel dan Fuzzy CMeans yang dimodifikasi berdasarkan informasi ketetanggaan. • Ekstensi file gambar adalah JPG. • Jumlah kluster adalah 2
Gambaran Umum Aplikasi
Start
Data masukan
Proses segmentasi
Data keluaran
Stop
Fuzzy C-Means yang dimodifikasi Berdasarkan Informasi Ketetanggaan
FCM yang dimodifikasi berdasarkan ketetanggaan vs. FCM konvensional FCM konvensional [1] 1. 2. 3.
4.
Inisialisasi parameter bobot dan threshold Inisialisasi matriks U secara acak Mencari titik pusat kluster
Menghitung nilai matriks U yang baru
informasi
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 faktor ketetanggaan Gki
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
Metodologi
Jalannya proses Segmentasi Citra Berwarna Secara Umum Start
Citra Berwarna
Membuat garis segmentasi
Hasil segmentasi
Mengambil intensitas abu-abu citra
Deteksi Tepi
Proses Defuzifikasi
Clustering
Stop
Mengambil Intensitas Abu-abu Citra
Start
Citra Berwarna
Ambil Intensitas masing-masing channel
Stop
Merata-rata intensitas ketiga warna untuk mendapatkan intensitas abu-abu
Citra berintensitas abu-abu
Deteksi Tepi Start
Citra berintensitas abu-abu
Stop
Menghitung dimensi citra
Citra hasil deteksi tepi
Menginisialisai kernel Sobel x dan y
Menghitung nilai gradien untuk setiap piksel
Clustering
Start
Citra hasil deteksi tepi
Menentukan threshold, nilai bobot m
Inialisasi matriks U secara acak
Mencari titik pusat kluster vk
Ya
Max {U baru – U lama} > threshold
Memperbarui nilai matriks U
Menghitung faktor ketetanggaan piksel Gki
Tidak Matriks U terbaru
Stop
Defuzifikasi Start
Matriks U
Ci = max {Uik}
Citra biner
Stop
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.
Uji Coba dan Pembahasan
Uji Coba 1 Data Masukan • Nama Citra : image_0526.jpg • Dimensi : 666 x 500 piksel • Sumber : database Visual Geometry Group Oxford University
Uji Coba 1
(a) Keterangan : (a) Citra asli (b) Citra deteksi tepi (c) Citra hasil segmentasi
(b)
(c)
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
Perbandingan pada Uji Coba 1 Segmentasi menggunakan deteksi tepi dan FCM yang dimodifikasi berdasarkan informasi ketetanggaan
Uji Coba 2 Data Masukan • Nama Citra : image_1248.jpg • Dimensi : 500 x 500 piksel • Sumber : database Visual Geometry Group Oxford University
Uji Coba 2
(a) Keterangan : (a) Citra asli (b) Citra deteksi tepi (c) Citra hasil segmentasi
(b)
(c)
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
Perbandingan pada Uji Coba 2 Segmentasi menggunakan deteksi tepi dan FCM yang dimodifikasi berdasarkan informasi ketetanggaan
Uji Coba 3 Data Masukan • Nama Citra : Bombay_31.jpg • Dimensi : 307 x 380 piksel • Sumber : MacGill Calibrated Coloured Image Database
Uji Coba 3
(a) Keterangan : (a) Citra asli (b) Citra deteksi tepi (c) Citra hasil segmentasi
(b)
(c)
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
Perbandingan pada Uji Coba 3 Segmentasi menggunakan deteksi tepi dan FCM yang dimodifikasi berdasarkan informasi ketetanggaan
Uji Coba 4 Data Masukan • Nama Citra : image_0751.jpg • Dimensi : 551 x 500 piksel • Sumber : database Visual Geometry Group Oxford University
Uji Coba 4
(a) Keterangan : (a) Citra asli (b) Citra deteksi tepi (c) Citra hasil segmentasi
(b)
(c)
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
Perbandingan pada Uji Coba 4 Segmentasi menggunakan deteksi tepi dan FCM yang dimodifikasi berdasarkan informasi ketetanggaan
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.
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.
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), 400. 2011, pp. 396[2] McGill Calibrated Coloured Image Database. [Online]. http://pirsquared.org/research/mcgilldb/browsedownloa d.html [3] Visual Geometry Group. [Online]. http://www.robots.ox.ac.uk/~vgg/data/flowers/
Terima kasih
Akurasi • Persamaan untuk mendapatkan iterasi [1] c
Acc
Ai C i
i 1
c
C j j 1
dimana, A = hasil segmentasi C = ground truth
Sobel Gx =
1 2 1
0 0 0
1 2 * A 1
1 2 Gy = 0 0 1 2
1 0 * A 1
A adalah matriks intensitas dari citra masukan untuk proses deteksi tepi. G=
