OlehYuli Wijayanti

Dosen Pembimbing :

1. Bilqis Amaliah, S.Kom, M.Kom2. Anny Yuniarti, S.Kom, M.Com.Sc

TEKNIK INFORMATIKA-ITS 26 JULI 2010

Latar Belakang

Segmentasi gambar merupakan salah satu faktor yang sangatpenting dalam analisis suatu gambar, karena hasil segmentasisangat berpengaruh terhadap proses kelanjutan dari analisisataupun pengolahan gambar, misalnya representasi besertadeskripsi dari jumlah fitur, klasifikasi obyek, pengenalan, danmasih banyak lagi. Begitu banyak metode segmentasi gambaryang telah dikembangkan saat ini dengan berbagai kelebihandan kekurangannya masing-masing.

Namun, metode segmentasi yang dilakukan melalui sebuahpendekatan neutrosophic dari suatu gambar masih tergolongbaru. Untuk itu pada Tugas Akhir ini akan diimplementasikansalah satu algoritma segmentasi gambar menggunakanpendekatan neutrosophic dengan metode Watershed.

Neutrosophic dapat digunakan untuk menyelesaikanpermasalahan yang tidak dapat diselesaikan denganmenggunakan fuzzy logic dimana permasalahannyaberkaitan dengan masalah ketidakpastian/ ambiguitas.

Pada Tugas Akhir ini, neutrosophy digunakan untukmembantu menangani masalah pengolahan gambar yaituuntuk menentukan domain neutrosophic suatu gambar,setelah domain neutroshophic tersebut diketahui, langkahselanjutnya adalah proses segmentasi menggunakanmetode Watershed yang dilakukan pada domainneutrosophic

Dasar Teori

Neutrosophy

Neutrosophy merupakan cabang dari ilmu filsafat yangmempelajari asal usul, sifat dan ruang lingkup neutralities.Ide neutrosophy ini diperkenalkan oleh FlorentinSmarandache pada tahun 1980.

Terinspirasi dari permainan olahraga (menang, kalah, atauseri), dari kegiatan pemilihan suara (pro, kontra, null atauabstain), dari (positif / negatif /nilai nol), dari (ya / tidak /NA), dari pengambilan keputusan dan kontrol teori(membuat keputusan, tidak membuat, atau ragu-ragu),dari (diterima/ditolak /pending), dan lain-lain.

Istilah "neutrosophic" secara etimologis berasal darikata "neutrosophy" dimana dalam bahasa Perancis dariasal kata neutre, dan dalam bahasa Latin dari asal kataneuter, yang artinya netral dan sophia dalam bahasaYunani berarti keterampilan atau kebijaksanaan.Apabila dirangkai neurtosophy berarti pengetahuantentang pemikiran yang netral.

Watershed

Watershed merupakan salah satu metode yangdigunakan untuk segmentasi sebuah gambar. Konsepyang terdapat pada watershed ini memvisualisasikansebuah gambar dalam tiga dimensi: dua koordinatruang versus tingkat keabuan (gray level).

Koordinat ruang merupakan posisi x dan y padabidang datar dan tingkat keabuan merupakanketinggiannya, semakin ke arah warna putih makaketinggiannya semakin besar.

Dengan anggapan bentuk topografi tersebut, maka dididapatkan 3 macam titik yang dipertimbangkandalam metode ini : Titik yang merupakan regional minimum.

Titik yang merupakan tempat dimana jika setetes air dijatuhkan, maka air tersebut akan jatuh hingga ke sebuahposisi minimum tertentu.

Titik yang merupakan tempat di mana jika air dijatuhkan, maka air tersebut mempunyai kemungkinan untuk jatuh kesalah satu posisi minimum (tidak pasti jatuh ke sebuah titikminimum, tetapi dapat jatuh ke titik minimum tertentu atautitik minimum yang lain).

Pada dasarnya ide dari metode watershed ini sangatlahsederhana, diasumsikan terdapat sebuah lubang yangdibuat pada regional minimum kemudian seluruhtopography tersebut dialiri air yang berasal dari lubangtersebut dengan kecepatan konstan.

Ketika air yang naik dari dua catchment basin hendakbergabung, maka dibangun sebuah dam (bendungan)untuk mencegah penggabungan air tersebut.

Aliran air akan mencapai tingkat yang diinginkan dan akanberhenti mengalir ketika hanya bagian atas dari dam yangterlihat. Tepi dam yang terlihat inilah yang disebut dengangaris watershed.

Diagram Alir Sistem

1. Grayscaling

Merupakan proses merubah gambar ke dalam bentuk gray scale

Persamaan yang digunakan untuk merubah ke bentuk gray scale :

Gray Scale : 0.2989*R+0.5870* G+0.1140*B

2. Pemetaan dan Penentuan matrix gambar pada domain {T,F}

Mean filtering

Start

S-function

End

Input : Gambar

grayscale

Output :

Piksel {T,F}

(2.5.2)

Menentukan parameter a,b dan c

(1) Menentukan histogram

dengan persamaan 2.7.2

(2) Hitung local maxima

dari histogram

(3) Hitung tinggi rata-rata

histogram dengan

persamaan 2.7.3

(4) Tentukan peak

histogram

Start

Input : Gambar

Hasil filtering (5) Tentukan gray lavel B1 dan

B2

(6) Tentukan parameter a dan c

(7) Hitung parameter b dengan

maximum entrophy principal

End

Output : Nilai

Parameter a, b, c

1

1Persamaan untuk

menghitung rata-rata local maxima

3. Enhancement

Metode yang digunakan dalam enhancement ini adalah transformasi intensitas

Start

End

Input : Gambar Txy

Txy <= 0 && Txy <= 0.5

2 x (Txy)^2 1- 2 x ((1- (Txy))^2)

Output : Gambar

enhancement

Ya

Tidak

4. Menentukan thresholds pada T dan FStart

End

Input : Gambar

Enhancement(T)

t0 = nilai inisialisasi,

Pisahkan T dengan t0 menjadi

T1 dan T2

Hitung mean dari masing-masing T1 dan T2

tn - t(n-1) < 0.0001

t1 = µ(T1)+ µ(T2)

2

t0 =tn

Output : Treshold = tn

Ya

Tidak

Start

End

Input : Gambar

pada domain T

Output : Gambar biner

dengan treshold T

Intensitas value T > tresholdT

Set F = 0 (piksel Background) Set T =1 (piksel Object)

YaTidak

5. Menetapkan homogenitas dari domain intensitas dan menentukan {I}

Homogenitas didefinisikan menggunakan standar deviasi dan intensitas discontinuity. Standar deviasi merepresentasikan kekontrasan daerah lokal (local region), sedangkan discontinuity merepresentasikan perubahan tingkat keabuannya.

Menentukan Standar deviasi pada masing-masing window

Start

End

Input : Gambar

hasil enhancement

(1) Set window dengan ukuran

7x7

(2) Tentukan nilai rata2 masing2

window pada gambar

(3) Hitung Standart

deviasimasing2 window pada

gambar

Output : Nilai standart

deviasi di masing2

window pada gambar

Rumus rata-rata dan standart deviasi

Menentukan intensitas discontinuity dari

gambar enhancement.Start

End

Input : Gambar

hasil enhancemant

(1) Set operator sobel pada sumbu x dan y

(2) lakukan konvolusi antara operator sobel

dengan gambar input

(3) Tentukan nilai discontinuity

Output : Gambar

dengan nilai

discontinuity

Cont...

Indeterminate I(x,y) yang

merepresntasikan gambar pada domain I, dihitung dengan menggunakan persamaan sebagai berikut :

Start

End

Input :

- Nilai standart deviasi di

masing2 window pada gambar

- piksel discontinuity

Menentukan nilai homogenitas

Menentukan Indeterminate I(x,y)

Output : Gambar dengan

nilai Indeterminate I(x,y)

6. Mengubah menjadi gambar binerberdasar nilai {T,I,F}

Start

End

T(x,y) >= Treshold T && I(x,y) <

lamda

Input :

- Piksel Indeterminate I(x,y)

- Gambar hasil enhancement T(x,y)

- Piksel pada domain F(x,y)

T(x,y) >= Treshold T v F(x,y) <

Treshold F && I(x,y)>= lamda

F(x,y) >= Treshold F && I(x,y) <

lamda

O(x,y) = 0 F(x,y) = 1O(x,y) = 1 I(x,y) = 1 I(x,y) = 0F(x,y) = 0

True False True FalseTrue False

Piksel O(x,y) Piksel B(x,y)

Piksel E(x,y)

Diagram alir binerisasi berdasarkan nilai obyek, edge dan background

Input :

- Piksel O(x,y)

- Piksel E(x,y)

- Piksel B(x,y)

Start

End

Output : Gambar biner

berdasarkan nilai {T,I, dan F}

__

O(x,y) V B(x,y) V E(x,y)

Set Binery(x,y) = 0 Set Binery(x,y) = 1

Ya Tidak

7. Segmentasi dengan metode WatershedAlgoritma Watershed

Dibawah ini merupakan langkah-langkah dari algoritma watershed.

Tentukan daerah (region) , dengan merepresentasikan objek dan background yang memiliki nilai 0.

Lakukand d ilatasi pada daerah tersebut dengan stuktur elamen 3 x 3.

Bentuklah dam pada posisi dua daerah yang tergabung.

Ulangi langkah (3) hingga semua daerah tergabung.

Validasi hasil segmentasi TP : C1 dianggap obyek, pada C2

dianggap obyek juga. TN : C1 dianggap bukan obyek pada C2

dianggap bukan obyek. FP : C1 dianggap obyek pada C2 dianggap

bukan obyek FN : C1 dianggap bukan obyek pada C2

dianggap obyek

Dimana : C1 = Gb hasil segmentasiC2 = Gb manual

Cara Pengukuran tingkat akurasi yaitumenentukan kesamaan perpiksel C1 danC2, Persamaan untuk menghitungtingkat akurasi ini dapat dituliskan secaramatematis sebagai berikut :

Akurasi =

Start

End

Input : Gambar hasil

segmentasi sistem dan

gambar ground truth (hasil

segmentasi manual)

Proses validasi menggunakan persamaan

2.15

Output : Nilai validasi

Uji Coba dan Evaluasi

Uji coba dilakukan terhadap 34 macam gambar yang berbeda Sknario uji coba :

Perbandingan proses pencaraian parameter maximum dari membershipfunction dengan membandingkan dengan membandingkan antara alternatif 1yaitu metode berdasar histogram sebagaimana yang dijelaskan pada makalahutama [1], dan alternatif 2 yaitu metode berdasar histogram juga yang dijelaskanpada makalah referensi [9].

Mencari nilai parameter window yang digunakan untuk proses pencarianmatrix gambar pada domin I dan lamda yang digunakan untuk pencarianmatrix gambar pada domain T, I dan F yang optimal.

Membandingkan hasil segmentasi dengan menggunakan nilai parameter yangoptimal yang didapatkan dari uji coba sebelumnya dibadingkan dengan metodeyang lain yaitu seperti segmentasi watershed menggunakan distance transform,segmentasi watershed menggunakan gradien, segmentasi watershedmenggunakan operasi morfologi dan gradien, segmentasi watershed denganmarker-controlled, metode deteksi tepi menggunakan sobel dan metode deteksiregion menggunakan mean-shift.

Evaluasi

0

20

40

60

80

100

120

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 2627 282930 31 32 33 34

Nil

ai

ak

ura

si d

ala

m (

%)

Gambar

Grafik Perbandigan Metode pencarian parameter membership function

metode berdasar histogram pada domain neutrosophic

metode berdasar histogram pada domain fuzzy

window 3 window 5 window 7 window 9

0.01 48,53494 48,41144 48,30397 48,22458

0.02 48,87342 48,63233 48,61276 48,51049

0.03 48,9569 48,95694 48,79838 48,78918

0.04 50,278 48,98314 48,99037 48,86759

0.05 50,45036 49,22686 49,00619 48,92676

0.06 50,52641 49,76099 49,25476 49,06583

0.07 53,21026 50,57955 49,24268 49,09936

0.08 53,50888 50,74159 49,99755 49,21387

0.09 54,12991 50,72315 50,5702 49,80185

0.1 55,1613 51,30657 50,79668 50,46706

(a) Gambar Capitol asli(b) Segmentasi menggunakan

mean-shift(c) Segmentasi watershed

dengan marker-controlled(d) Segmentasi menggunakan

menggunakan domainneutrosophic dan metodewatershed

a b

c d

(a) Gambar Coin asli(b) Segmentasi watershed

menggunakangradient(c) Segmentasi

menggunakan mean-shift(d) Segmentasi mengunakan

detik tepi (sobel)(e) Segmentasi watershed

menggunakan operasimorfologi dan gradient

(f) Segmentasi watershedmenggunakan distancetransform

(g) Segmentasi watersheddengan marker-controlled

(h) Metode yang diusulkan.

Kesimpulan Dari hasil uji coba pencarian parameter a, b, dan c pada proses pencarian

parameter maximum dari membership function dengan antara alternatif 1 yaitumetode berdasar histogram yang dijelaskan pada makalah utama[1], danalternatif 2 yaitu metode berdasar histogram yang dijelaskan pada makalahreferensi[9] terbukti bahwa alternatif 2 menghasilkan hasil segmentasi yanglebih optimal dengan perbandingan rata-rata nilai akurasi 56,378 untukalternatif 1 dan 56,583 untuk alternatif 2.

Proses segmentasi citra menggunakan domain neutrosophic dengan metodewatershed dapat menghasilkan hasil segmentasi yang optimal denganparameter lamda = 0.1 dan ukuran window = 3 berdasarkan hasil akurasinya64,0413 %.

Metode watershed dengan pendekatan pada domain neutrosophic terbuktidapat menghasilkan hasil segmentasi yang lebih optimal dengan akurasi 64.04jika dibandingkan segmentasi watershed menggunakan gradien, segmentasiwatershed menggunakan operasi morfologi dan gradien, segmentasi watersheddengan marker-controlled, metode edge-based (Sobel), metode region-based(mean-shift).

Saran

Perlu dilakukan pengembangan segmentasimenggunakan domain neutrosophic dengan metodesegmentasi selain watershed agar dapat dilakukanpembandingan yang lebih jelas.

Proses pembuatan ground truth yang dilakukanpenulis masih sangat primit karena bersifat subyektif,perlu adanya suatu pengukuran yang lebih akuratuntuk mengetahui performa suatu suatu metodesegmentasi.