identifikasi parameter optimal dari metode fuzzy c-means...

18 Juli 2014 Tugas Akhir – KI091391 1

Identifikasi Parameter Optimal dari Metode Fuzzy C-Means dan Estimasi Robust Spasial pada

Segmentasi Citra dengan Noise(Kata kunci: Fuzzy C-Means, estimasi robust spasial, penyaringan noise,

segmentasi citra berwarna.)

PRESENTASI TUGAS AKHIR – KI091391

Penyusun Tugas Akhir :

Hardika Khusnuliawati(NRP : 5110.100.206)

Dosen Pembimbing :

Arya Yudhi Wijaya, S.Kom, M.Kom.

Rully Soelaiman, S.Kom., M.Kom.


Identifikasi Parameter Optimal dari Metode Fuzzy Co-clustering dan Estimasi Robust Spasial

pada Segmentasi Citra dengan Noise(Kata kunci: Fuzzy Co-Clustering, estimasi robust spasial, penyaringan noise,

segmentasi citra berwarna.)

PRESENTASI TUGAS AKHIR – KI091391

Penyusun Tugas Akhir :

Hardika Khusnuliawati(NRP : 5110.100.206)

Dosen Pembimbing :

Arya Yudhi Wijaya, S.Kom, M.Kom.

Rully Soelaiman, S.Kom., M.Kom.


Pendahuluan

Latar Belakang

Rumusan Masalah

Batasan Masalah

Tujuan

Manfaat Uji Coba

Uji Kebenaran

Uji Kinerja

PerancanganPerangkat Lunak

Perancangan penyaringan Noisedengan Robust Estimator

Segmentasi Citra dengan NoiseMenggunakan FCCI

Kesimpulan danSaran

Kesimpulan

Saran

AGENDA


PENDAHULUAN


LATAR

BELAKANG

RUMUSAN

MASALAH

BATASAN

MASALAH

TUJUAN &

MANFAAT

PROSES SEGMENTASI CITRA

Citra Asal

Citra HasilSegmentasi


LATAR

BELAKANG

RUMUSAN

MASALAH

BATASAN

MASALAH

TUJUAN &

MANFAAT

Citra Asaldengan Noise Citra Hasil

Segmentasi

PROSES SEGMENTASI CITRA

MASALAH


RUMUSAN

MASALAH

LATAR

BELAKANG

BATASAN

MASALAH

TUJUAN &

MANFAAT

Bagaimana memahami metode penyaringan noise pada citra

dengan menggunakan metode estimasi robust spasial.

Bagaimana mengimplementasikan algoritma Fuzzy Co-

Clustering untuk segmentasi citra dari hasil penyaringn noise.

Parameter apa saja yang dapat mempengaruhi hasil segmentasi

citra menggunakan algoritma Fuzzy Co-Clustering dan estimasi

robust spasial.


BATASAN

MASALAH

LATAR

BELAKANG

RUMUSAN

MASALAH

TUJUAN &

MANFAAT

Sistem perangkat lunak dibangun dengan menggunakan

perangkat lunak MATLAB 7.6.0.324.

Segmentasi dilakukan pada citra dari dataset Barkeley image

segmentation (BSDS500) dengan simulasi kondisi noise meliputi

salt and pepper, Gaussian, dan speckle noise.

Kinerja hasil uji coba segmentasi dihitung menggunakan evaluasi

kuantitatif yang diusulkan Liu dan Yang.


TUJUAN &

MANFAAT

LATAR

BELAKANG

RUMUSAN

MASALAH

BATASAN

MASALAH

Menggunakan metode estimasi robust spasial untuk melakukan penyaringan noise

dari citra.

Melakukan implementasi Fuzzy Co-Clustering untuk segmentasi citra dari hasil

penyaringan noise.

Melakukan evaluasi kinerja algoritma dalam penyaringan noise dan segmentasi

citra dengan pengujian terhadap dataset Barkeley image segmentation.

TUJUAN

Tugas Akhir ini dikerjakan dengan harapan dapat memberikan manfaat pada

bidang informatika dalam melakukan segmentasi citra sehingga didapatkan hasil

segmentasi yang lebih baik.

MANFAAT


PERANCANGAN

PERANGKAT LUNAK


DESAIN

APLIKASI

DESAIN

Proses Filtering

DESAIN

Proses Segmentasi

Citra Asal

Penambahan

noise pada citra

Segmentasi

citra

Citra hasil penyaringannoise

Citra dengan noise

Penyaringan

noise (filtering)

pada citra

Citra hasilsegmentasi

Metode

FCCI

Metode

RML-Filter

Estimasi

robust

spasial


DESAIN

APLIKASI

DESAIN

Proses

Filtering

DESAIN

Proses Segmentasi

Citra RGB

dengan noise

Menambah lapisan baris

dan kolom pada citra

Membagi citra inputan ke

komponen-komponen

warna citra


DESAIN

APLIKASI

DESAIN

Proses

Filtering

DESAIN

Proses Segmentasi

komponen-komponen

warna citra

Inisialisasi filtering

window dengan ukuran

mxm

Menyimpan nilai piksel

pada filtering window ke

vektor 1D

f(x-1,y-1) f(x-1,y) f(x-1,y+1)

f(x,y-1) f(x,y) f(x,y+1)

f(x+1,y-1) f(x+1,y) f(x+1,y+1)

Piksel dari citra yang sedang dilalui filtering window

dengan ukuran 3x3

f(x-1,y-1) f(x-1,y) f(x-1,y+1) f(x,y-1) f(x,y) f(x,y+1) f(x+1,y-1) f(x+1,y) f(x+1,y+1)

Menjalankan algoritma ERID


Vektor piksel dalam

filtering window


piksel pusat

f(x-1,y-1) f(x-1,y) f(x-1,y+1)

f(x,y-1) f(x,y) f(x,y+1)

f(x+1,y-1) f(x+1,y) f(x+1,y+1)


DESAIN

APLIKASI

DESAIN

Proses

Filtering

DESAIN

Proses Segmentasi

Persamaan 1.

TymedysNyranksyrank Nccc

Jika piksel

terdeteksi

sebagai

noise

Nilai piksel

pusat tidak

berubah

Ya

Tidak



Vektor piksel dalam

filtering window


Mengurutkan

vektor piksel

piksel pusatPosisi piksel

pusat pada vektor

terurut

Memeriksa posisi

piksel pusat sesuai

Persamaan 1.

Jika piksel

terdeteksi

sebagai

noise

Nilai piksel

pusat tidak

berubah

Ya

Tidak

f(x-1,y-1) f(x-1,y) f(x-1,y+1)

f(x,y-1) f(x,y) f(x,y+1)

f(x+1,y-1) f(x+1,y) f(x+1,y+1)


DESAIN

APLIKASI

DESAIN

Proses

Filtering

DESAIN

Proses Segmentasi

Persamaan 1.

TymedysNyranksyrank Nccc


DESAIN

APLIKASI

DESAIN

Proses

Filtering

DESAIN

Proses Segmentasi

Menjalankan algoritma

penyaringan RML-Filter sesuai

Persamaan 2


Mengganti nilai

piksel pusat

Menggabung setiap

komponen-komponen

warna citra

Nilai piksel baru

Citra hasil penyaringannoise

Vektor piksel dalam

filtering window

Koefisien pembobotan

nilai tengah vektor Influence function

Persamaan 2.


DESAIN

APLIKASIDESAIN

Proses Filtering

DESAIN

Proses

Segmentasi

Konversi RGB ke CIELAB

Defuzzifikasi

Citra Asli

Citra Hasil SegmentasiPenentuan Jumlah Cluster

Optimasi parameter Tu dan Tv

dengan PSO-MPB

Implementasi Algoritma

FCCI

Validitas Cluster

Xie and Beni

Jumlah

Cluster

Transformasi 2D ke 1D


DESAIN

APLIKASIDESAIN

Proses Filtering

DESAIN

Proses

Segmentasi

Konversi RGB

ke CIELAB

Fitur L*, a*, b*

Diambil

a*, b*

L

a bFitur diambil

1918 Juli 2014 Tugas Akhir – KI091391

DESAIN

APLIKASIDESAIN

Proses Filtering

DESAIN

Proses

Segmentasi

Menggabungkan matriks

fitur a dan b secara

columnwise

Melakukan transpose

kembali terhadap fitur

gabungan

Fitur gabungan

a dan b dalam Xij

Melakukan transpose

terhadap matriks

fitur a dan b

Fitur a* dan b*

Hasil ab

481x321x2double

125 126 126 126

126 126 126 126

127 127 126 127

128 128 126 125

D1 (fitur a) < 1x154401 double>

125 126 126 126 ... N

D2 (fitur b) < 1x154401 double>

145 144 143 142 ... N

Xij <154401x2double>

125 145

126 144

126 143

126 142

Transpose


DESAIN

APLIKASIDESAIN

Proses Filtering

DESAIN

Proses

Segmentasi

Mulai

Inisialisasi C, S_old,

Tu, Tv

Optimasi Tu dan Tv

Dengan PSO-MPB

Menjalankan Algoritma

FCCI

Menghitung Validitas

Cluster dengan

Xie and Beni

Jumlah Cluster:

C=C-1

Selesai

C=C+1

S_old=S_new

Nilai

S_new>S_old

Ya

Tidak

Fungsi Objektif

PROSES OPTIMASI

PARAMETER Tu dan Tv

dengan PSO-MPB

Fungsi Objektif

Inisialisasi Parameter

p= jumlah variabel yg dioptimasi

S=jumlah bakteri

Nc=jumlah tahapan kemotaksis

Ns=jarak swim bakteri

Nre=jumlah tahap reproduksi

Ned=jumlah tahap eliminasi dispersal

Ped=Nilai probabilitas eliminasi

Ci=Nilai pergerakan bakteri alami

minValueTu = Batas bawah nilai Tu

maxValueTu = Batas atas nilai Tu

minValueTv = Batas bawah nilai Tv

maxValueTv = Batas atas nilai Tv

PROSES OPTIMASI

PARAMETER Tu dan Tv

dengan PSO-MPB

Fungsi Objektif


InisialisasiKoloni

Representasi Bakteri dalam Struct

1xStruct 1xStruct 1xStruct ... S

PositionCost

healthPrevcost

bacteria(i).position(1,1) = (maxValueTu - minValueTu) * rand(1,1) + minValueTu

bacteria(i).position(1,1) = (maxValueTu - minValueTu) * rand(1,1) + minValueTu

S : Jumlah Bakteri

PROSES OPTIMASI

PARAMETER Tu dan Tv

dengan PSO-MPB

Fungsi Objektif


InisialisasiKoloni

Mencari Best Initial Cost & Position

Tu Tv

Inisialisasi Posisi Awal

Inisialisasi Posisi Awal

Update FitnessFunction

PROSES OPTIMASI

PARAMETER Tu dan Tv

dengan PSO-MPB

Fungsi Objektif


InisialisasiKoloni


Kemotaksis

Kemotaksis

Tumble Swim

Update

If m<Ns Swim

PROSES OPTIMASI

PARAMETER Tu dan Tv

dengan PSO-MPB

Fungsi Objektif


InisialisasiKoloni


Kemotaksis

Reproduksi

PROSES OPTIMASI

PARAMETER Tu dan Tv

dengan PSO-MPB

Fungsi Objektif


InisialisasiKoloni


Kemotaksis

Reproduksi

Eliminasi

Tu dan Tv

Optimal

Tu dan Tv Optimal

Iya

Tidak

PROSES OPTIMASI

PARAMETER Tu dan Tv

dengan PSO-MPB


DESAIN

APLIKASIDESAIN

Proses Filtering

DESAIN

Proses

Segmentasi

Fungsi untuk mendapatkan pusat cluster

Inisialisasi Tu,Tv,max eror, max

iteration

Menentukan Jumlah cluster

Awal C

Menentukan uciAwal secaraRandom 0-1

MenghitungNilai Pcj


DESAIN

APLIKASIDESAIN

Proses Filtering

DESAIN

Proses

Segmentasi

Fungsi untuk penentuan jarak

piksel dengan fitur pusat

cluster


iteration


Awal C


MenghitungNilai Pcj

MenghitungNilai Dcij


DESAIN

APLIKASIDESAIN

Proses Filtering

DESAIN

Proses

Segmentasi

Fungsi keanggotaan fitur


iteration


Awal C


MenghitungNilai Pcj


MenghitungNilai Vcj


DESAIN

APLIKASIDESAIN

Proses Filtering

DESAIN

Proses

Segmentasi

Fungsi keanggotaan objek


iteration


Awal C


MenghitungNilai Pcj


MenghitungNilai Vcj

MenghitungNilai Uci


DESAIN

APLIKASIDESAIN

Proses Filtering

DESAIN

Proses

Segmentasi

Nilai Uci Indexing Nilai Uci

Pilih UciMax

LabellingPiksel

Citra yang telahTer-Cluster

Citra hasil segmentasi


UJI COBA


UJI

KEBENARAN

UJI

KINERJA

Uji kebenaran proses penyaringan

noise dengan RML-Filter.

Uji kebenaran segmentasi dengan

metode FCCI dan estimasi robust

spasial pada citra berwarna dengan

noise.


UJI

KEBENARAN

UJI

KINERJA

Data UjiKebenaran 1.

Didegradasi

noise

Jenis & Intensitasnoise

salt & pepper noise

• 5%• 10%• 20%• 25%• 30%• 40%• 50%

Uji coba kebenaran pertama dilakukan untuk menguji kualitas RML-Filter sebagai metode penyaringan noise pada citra.


UJI

KEBENARAN

UJI

KINERJA

IntensitasNoise

Gallegos-Funes

Uji Coba

0.05 31.56 41.55

0.10 29.56 34.56

0.20 26.45 26.91

0.25 25.01 24.52

0.30 23.44 22.33

0.40 20.10 19.10

0.50 16.91 16.98

Data

pembanding


Data UjiKebenaran 2.

Uji coba kebenaran berikutnya dilakukan untuk menguji kebenaran metode segmentasi citra yang digunakan yaitu FCCI dengan estimasi robust spasial pada kasus citra dengan noise.

Citra asli tanpa noise

Citra asli dengan noise

FCCI

FCCI

FCCI + RML-

FILTER

Segmentasi

UJI

KEBENARAN

UJI

KINERJA

Kategori

Segmentasi pada

citra normal

Segmentasi pada citra

dengan noise

(dengan RML-Filter)

Segmentasi pada citra

dengan noise (tanpa RML-Filter)

Jumlah Cluster

3 3 3

S (Validity Cluster)

0,000078 0,000088 0,000436

F(I) 449,416 456.155 563.303

UJI

KEBENARAN

UJI

KINERJA

UJI

KEBENARAN UJI

KINERJA

Hipotesis yang dibangun adalah bahwa kinerja metode segmentasicitra dengan noise menggunakan FCCI dan estimasi robust

spasial dipengaruhi oleh parameter-parameter berikut ini: Standar deviasi () dari distribusi normal yang digunakan untuk

mengeneralisasi koefisien pembobotan pada RML-Filter. Jenis distribusi yang digunakan untuk mengeneralisasi koefisien

pembobotan pada RML-Filter . Nilai intensitas noise dari citra masukan. Jenis noise yang dikenakan pada citra masukan Inisialisasi jumlah cluster awal

UJI

KEBENARAN UJI

KINERJAUji Skenario 1

Hasil Analisis:

Nilai standar deviasi () dari distribusi normal yang digunakan untuk mengeneralisasi koefisien pembobotan pada RML-Filter memberikan pengaruh pada hasilsegmentasi maupun hasil filtering. Hasilsegmentasi terbaik ketika nilai =2 denganhasil F(I)= 173.1351

Nama CitraNilai mean dan standar deviasi F(I) PSNR

208001.jpg

0.5 182.5734 39.0070

1 179.8914 39.9897

2 175.0692 40.4375

(a) (b)

(c)

UJI

KEBENARAN UJI


Hasil Analisis:

Jenis distribusi yang digunakan untukmengeneralisasi koefisien pembobotanmemberikan pengaruh terhadap hasilsegmentasi dan hasil filtering noise. Hasil segmentasi terbaik diperolehdengan menggunakan distribusi uniform dengan hasil F(I)= 173.1351.

Nama CitraJenis

distribusiF(I) PSNR

208001.jpg uniform 176.8003 40.2502

normal 175.0692 40.4375

(a) (b)

UJI

KEBENARAN UJI


Hasil Analisis:

Besar intensitas noise yang diberikan padacitra mempengaruhi hasil penyaringan noisedan segmentasi citra. Hasil segmentasi terbaikdiperoleh ketika intensitas noise yang diberikan sebesar 0.01 dengan nilai F(I)=33.8294. Dari segi waktu komputasi, semakin kecil intensitas noise yang diberikan maka waktu komputasi semakin cepat.

NamaCitra

Intensitas noise

F(I) PSNRWaktu

filtering (detik)

Waktusegmentasi (detik)

35058.jpg

0.0133.8294 56.3609 5.88 46.71

0.05 34.5062 40.3169 6.57 72.27

0.10 38.2877 33.4995 6.90 444.91

(a)

(b)

(c)

UJI

KEBENARAN UJI


Hasil Analisis:

Jenis noise yang diberikan pada citra memberikanpengaruh terhadap hasil dari penyaringan noise dansegmentasi citra. Hasil segmentasi terbaik diperolehketika jenis noise yang diberikan pada citra masukan adalah salt & pepper noise dengan nilai F(I)=378.9194. Dari segi waktu komputasi, citra masukan dengan jenis noise salt & pepper memberikan waktu komputasi yang paling cepat.

NamaCitra

Jenis noise F(I) PSNRWaktu

filtering (detik)

Waktusegmentasi (detik)

124084.jpg

salt &pepper

378.9194 55.1970 5.90 46.53

speckle 395.2574 65.5533 9.98 52.32

gaussian 424.1498 48.5619 16.13 74.15

(a)

(b)

(c)

UJI

KEBENARAN UJI


Hasil Analisis:

Jumlah cluster yang diberikan pada citramemberikan pengaruh terhadap hasil darihasil penyaringan noise dan segmentasi citra. Waktu komputasi yang digunakan untukmelakukan segmentasi citra dari inisialisasicluster awal 3 dan inisialisasi cluster awal 4 mengalami kenaikan sebesar dua kali lipatsedangkan kenaikan waktu komputasi ketikainisialisasi awal cluster 4 dengan inisialisasiawal cluster 5 sebesar 55%.

NamaCitra

Jumlah cluster

F(I)Waktu

segmentasi (detik)

295087.jpg

3 504.6360 91.23

4 519.9796 99.60

5 561.0096 153.29

(a)

(b)

(c)

Kesimpulan dan Saran

Saran

Kesimpulan

1. Segmentasi citra berwarna dengan menggunakan FCCI dan estimasi robustspasial pada kasus citra dengan noise memberikan hasil evaluasi kuantitatifyang lebih baik jika dibandingkan segmentasi citra berwarna hanyamenggunakan FCCI tanpa estimasi robust spasial.

2. Hasil segmentasi citra dengan menggunakan FCCI dan estimasi robustspasial menunjukkan hasil segmentasi citra yang baik dengan menghasilkannilai PSNR yang relatif tinggi, evaluasi kuantitatif yang relatif kecil dan rata-rata error color kurang dari 1.15%.

3. Hasil penyaringan noise dan segmentasi citra menurut uji coba dipengaruhioleh nilai standar deviasi dan jenis distribusi yang digunakan untukgeneralisasi koefisien pembobotan pada metode RML-Filter serta intensitasdan jenis noise dari citra masukan.

Saran

Kesimpulan

4. Pengaruh perubahan nilai standar deviasi dan jenis distribusi yangdigunakan untuk generalisasi koefisien pembobotan pada metode RML-Filter terhadap hasil penyaringan noise dan segmentasi citra dapat dilihatdari nilai PSNR dan nilai evaluasi kuantitatif.

5. Pengaruh perubahan nilai standar deviasi dan jenis distribusi yangdigunakan untuk generalisasi koefisien pembobotan pada metode RML-Filter terhadap hasil penyaringan noise dan segmentasi citra dapat dilihatdari nilai PSNR, nilai evaluasi kuantitatif dan waktu komputasi yangdibutuhkan untuk proses penyaringan noise maupun segmentasi.

6. Inisialisasi jumlah cluster awal untuk segmentasi citra dengan noise

mempengaruhi waktu komputasi dari proses segmentasi. Semakin banyakinisialisasi jumlah cluster, maka waktu yang diperlukan untuk prosessegmentasi semakin lama. Nilai evaluasi kuantitatif juga mengalamikenaikan ketika inisialisasi jumlah cluster ditambah.


TERIMA KASIH

identifikasi parameter optimal dari metode fuzzy c-means...

Documents