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

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

Akurasi: 78.98% Iterasi : 23 Segmentasi menggunakan FCM konvensional Akurasi: 61.95% Iterasi : 15


Uji Coba 2


(b)

(c)


(a)

(b)

(c)




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

Uji Coba 3


(b)

(c)


(a)

(b)

(c)





Uji Coba 4


(b)

(c)


(a)

(b)

(c)




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=

Gx  Gy 2

2

Perbandingan Akurasi no 1 2 3 4 5 6 7 8 9 10

Citra 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

ModifFCM 91.68% 87.93% 95.45% 88.48% 95.39% 80.76% 78.98% 84.28% 56.12% 89.09%

FCMkonven 28.05% 48.44% 63.08% 52.36% 34.15% 32.55% 61.95% 24.09% 74.00% 54.3 %

Perbandingan Iterasi no 1 2 3 4 5 6 7 8 9 10

Citra 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

ModifFCM 20 21 21 17 21 23 23 21 19 16

FCMkonven 15 42 14 12 14 15 15 22 19 14

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

Recommend Documents