oleh : kartika candra kirana [5113201012] dosen...

Oleh : Kartika Candra Kirana [5113201012]

DOSEN PEMBIMBING

Dr. Agus Zainal Arifin, S.Kom., M.Kom.

Wijayanti Nurul Khotimah, S.Kom, M.Sc.

1

CONVOLUTION MASK

2

PATAHAN TEPI

SEGMENTASI SULIT

KURANGI

PATAHAN TEPI ?

3

ANT COLONY

OPTIMIZATION (FLEKSIBILITAS PENCARIAN)

Sian Liu (2007)

4

Baskan, 2009 & Rahebi, 2010

KOMUNIKASI LOKAL

LOCAL OPTIMA

DISTRIBUSI SEMUT

5

Liantoni et al (2014)

ACO + Distribusi

(Rasio Gradien)

VISUALISASI LEBIH BAIK DARI PREWITT (LIANTONIE, 2014)

EKSPLORASI BELUM MAKSIMAL

6

Ziang Jiang et al (2014)

ACO + Tambahan Informasi Arah

VISUALISASI LEBIH BAIK DARI PREWITT

KOMPUTASI BESAR

BOBOT ARAH TIDAK MENGIKUTI BENTUK TEPI

PENAMBAHAN INFORMASI TEPI

7

GRADIENT MAGNITUDE

+ Menunjukkan adanya

tepi

GRADIENT DIRECTION

+ Menyambung patahan

tepi

- Patahan Tepi - Tidak menunjukkan tepi

8

KONTRIBUSI Usulan metode PERGERAKAN SEMUT baru

berdasarkan STIMULUS ARAH DAN BESARAN GRADIEN pada ACO

TUJUAN Mengembangkan fungsi pembobotan berdasarkan stimulus arah dan besaran gradien pada algoritma

ACO UNTUK DETEKSI TEPI CITRA

MANFAAT Mendapatkan TEPI YANG AKURAT pada citra

berdasarkan arah dengan KOMPUTASI yang RENDAH

9

1. Bagaimana aturan pembobotan

ARAH DAN BESARAN GRADIEN

pada PERGERAKAN SEMUT ACO?

2. Bagaimana semut berhenti ?

Citra uji coba deteksi tepi merupakan citra grayscale

Groundtruth pada semua citra uji coba dibuat secara

manual

10

11

KONVERSI CITRA

KEABUAN

CITRA

INPUT

DETEKSI TEPI ACO

GMGD

CITRA

OUTPUT

TEPI

Lihat: 22

CITRA

KEABUAN

INISIALISASI

HITUNG INFORMASI HEURISTIK

(𝝁), GRADIENT MAGNITUDE (f)

& GRADIENT DIRECTION (θ)

PENEMPATAN SEMUT

Lihat: 26

13

KONVERSI GRADIENT DIRECTION

MENJADI ARAH TEPI

PENGELOMPOKAN BENTUK ARAH TEPI

HITUNG PROBABILITAS

BERDASARKAN 𝝁, 𝝉, f, ΔW

SEMUT PINDAH PADA PIKSEL

TETANGGA (PROBABILITAS MAX)

UPDATE LOKAL FEROMON

Semua

semut

jalan?

UPDATE GLOBAL FEROMON FITNESS = BINERISASI

DENGAN OTSU

𝒑𝒆𝒓𝒖𝒃𝒂𝒉𝒂𝒏 𝒇𝒊𝒕𝒏𝒆𝒔𝒔

= 𝒕𝒆𝒑𝒊𝑳 − 𝒕𝒆𝒑𝒊𝑳−𝟏𝒎𝒂𝒙( 𝒕𝒆𝒑𝒊𝑳 , 𝒕𝒆𝒑𝒊𝑳−𝟏)

𝒑𝒆𝒓𝒖𝒃𝒂𝒉𝒂𝒏 𝑭𝒊𝒕𝒏𝒆𝒔𝒔≤ 𝜺

KELUARAN

DETEKSI TEPI

belum ya

belum

ya

Lihat: 26-30

Lama

Pengembangan

14

Hitung bobot arah piksel tetangga

Cari indeks arah piksel pusat

Konversi arah gradien menjadi arah tepi

Hitung indeks arah berdasarkan

pengelompokan arah tepi

Set indeks posisi piksel tetangga terhadap piksel pusat

Figure of Merit

𝐹 = 1

max 𝑁𝑖,𝑁𝑑

1

1+ 𝜉𝑑𝑖2

𝑁𝑑

𝑖=1

16

* Email : [email protected]

DATASET

PRIBADI

3 DATA LATIH 26 DATA UJI

CHYNTIA*

4 DATA UJI

17 17

UJI COBA PARAMETER : BOBOT FEROMON

BOBOT INFORMASI HEURISTIK

BOBOT GRADIEN

BOBOT ARAH KANDIDAT BUKAN TEPI (n)

FEROMON AWAL KERUSAKAN FEROMON PENGUAPAN FEROMON

PERBANDINGAN : PREWITT, ACO ,

& ACO GMGD

BOBOT FEROMON

optimum α = 1 β = 1 γ = 1 BOBOT INFORMASI

HEURISTIK BOBOT GRADIEN

18 18

α kecil β & γ besar Informasi tepi meningkat



BOBOT GRADIEN




& ACO GMGD

19 19

Tekstur terdeteksi Tepi Perubahan warna



BOBOT GRADIEN




& ACO GMGD

20 20

n optimum = 0.9



BOBOT GRADIEN




& ACO GMGD

21 21

n=0* n=0.1 n=0.3

n=0.5 n=0.7 n=0.9

n kecil & terdapat banyak percabangan tepi

Probabilitas tepi yang tidak dipilih rendah



BOBOT GRADIEN




& ACO GMGD

f

i

e

c

h

b

d

g

a

1

0

0

0

0

1

0

0

22 22

τ0 optimum = 0.005



BOBOT GRADIEN




& ACO GMGD



BOBOT GRADIEN




& ACO GMGD

23 23

τ0 terlalu besar

Penambahan feromon besar (update lokal

feromon)

Tidak eksplorasi tepi lain

τ0 terlalu kecil

Penambahan feromon kecil (update lokal

feromon)

Eksplorasi luas (daya beda

feromon kecil)

24 24

ϕ optimum = 0.0001



BOBOT GRADIEN




& ACO GMGD



BOBOT GRADIEN




& ACO GMGD

25 25

φ besar Penurunan feromon besar

(update lokal feromon) Eksplorasi tepi

lebih luas

26 26

ρ optimum = 0.0001



BOBOT GRADIEN




& ACO GMGD

27 27

ρ terlalu besar

Penguatan feromon besar (update global)

Eksplorasi kecil

ρ terlalu kecil

Penguatan feromon lemah (update global)

Daya beda feromon kecil



BOBOT GRADIEN




& ACO GMGD

28 28

Parameter Nilai Parameter Keterangan K 256 Jumlah semut 𝝉0 0.005 Feromon awal

φ 0.0001 Kerusakan feromon

p 0.0001 Penguapan feromon α 1 Bobot feromon β 1 Bobot informasi heuristik

γ 1 Bobot stimulus besaran gradien

n 0.9 Bobot arah kandidat piksel bukan tepi (kelompok lokal)

30 30

PREWITT ACO STANDAR ACO GMGD CITRA ASLI

KELEBIHAN

•Gradient Magnitude memberi rekomendasi dalam pergerakan semut

•Gradien Direction menyambung patahan tepi

KELEMAHAN

•Pengelompokan indeks arah fiks kesalahan pergerakan semut

•Gradient magnitude menggunakan mask menyebabkan patahan tepi

• Pembobotan berdasarkan arah dan besaran gradien pada Ant Colony

Optimization untuk deteksi tepi citra dapat mencapai tingkat keberhasilan

akurasi deteksi tepi dengan rata-rata figure of merit sebesar 0.800.

• Penggunaan besaran gradien dalam aturan transisi probabilitas semut

dapat meningkatkan informasi keberadaan tepi

• Penambahan arah dalam aturan transisi probabilitas dapat membantu

semut dalam menghubungkan tepi

• Selisih jumlah piksel tepi antar iterasi dapat dijadikan sebagai kriteria

berhenti dimana jumlah tepi dapat dikomputasi menggunakan Otsu

thresholding.

31 31

• Perbaikan dapat dilakukan pada pengelompokan bentuk arah

yang tidak dibuat statis.

• Algoritma deteksi tepi ACO dapat dikembangkan menjadi

multi level deteksi tepi berdasarkan arah

32 32

• Baskan, Ozgur., Haldenbilen, Soner., Ceylan, Huseyin., dan Ceylan, Halim., (2009) “A New Solution Algorithm for Improving Performance of Ant Colony Optimization” Elsevier Vol.211, Hal.75-84.

• Baterina, A.V., dan Oppus, Carlos., (2010) “Image Edge Detection Using Ant Colony Optimization” International Journal of Circuits, Systems and Signal Processing, Vol.4, Issue.2, hal.25-33.

• Chao, Yang. (2010), A Comparison of Medical Image Analysis Algorithms for Edge Detection, Thesis M.Comp. Sc, Hőgskolan A Găvle, Swedan.

• Dorigo, Marco., dan Stűtzle, Thomas., (2004). “Ant Colony Optimization” MIT Press, London.

• Etemad, S.Ali., dan White, Tony., (2011), “An Ant Inspired Algorithm for Detection of Image Edge Feature” Elsevier, Vol.11, hal.4883-4893.

• Kim, H.S., Park, K.H., Yoon, H.S., dan Lee, G.S., (2008) “Speckle Reducing Anisotropic Diffusion based on Directions of Gradient” IEEE, Vol.8, No.8, Hal. 198-203.

33

• Liantonie, Febri., Kirana, K.C., dan Muliawati, T.H. (2014) “Adaptive Ant Colony Optimization based Gradien for Edge Detection” Journal of Computer Science, Vol.7. Issue.2, hal.78-84.

• Mullen, R. J., Monekoso, D., Barman, S., dan Remagnino, P. (2009), “A Review of Ant Algorithm”. Elsevier, Vol.36, hal.9608-9617.

• Rahebbi, Javad., Elmi, Zahra., Nia, A.F., dan Shayan, Kamran., (2010), “Digital Image Processing using an Ant Colony Optimization based on Genetic Algorithm” IEEE, Vol.6, N0.10, hal.145-149.

• Sianipar, R.H., (2013), “Pemrograman Matlab dalam Contoh dan Penerapan” 1ed edition, Informatika, Bandung.

• Sian Lu, De., dan Chang Chen, Chien. (2007), “Edge Detection Improving by Ant Colony Optimization”. Elsevier, Vol.29, hal.416-425.

• Sun, Genyung., Liu, Qinhou., Liu, Qiang., Ji, Changyuan., dan li, Xiaowen. (2007) “A Novel Approach for Edge Detection based on The Theory of Universal Gravity” Elsevier, Vol.40, hal.2766-2775.

34

• Shwekhawat, A., Poddar, P., dan Boswal., (2009) Ant colony Optimization Algorithms: Introduction and Beyond, Artificial Intelligence Seminar, Indian Institute of Technology Bombay, India.

• Umbaugh, Scott E., (1998), “Digital Image Processing and Analysis” 2ed edition, CRC Press, New York.

• Verma, Om Prakash., dan Sharma, Rishabh., “An Optimal Edge Detection Using Universal Law of Grafity and Ant Colony Algorithm” IEEE, hal.507-511.

• Yuanjuan, Liang., Hongyu, Feng., Jilun, Zhang., dan Qinglin, Miao. (2012), “Gradient direction based Human Face Positioning Algorithm Applied in Complex Background”. Springer. hal.385-391.

• Zhang, Jian., He, Kun., Zheng, Xiuqing., dan Zhou, Jiliu., (2010), “An Ant Colony Optimization Algorithm for Image Edge Detection” IEEE, Vol.215-219.

35

oleh : kartika candra kirana [5113201012] dosen...

Documents