View
253
Download
0
Category
Preview:
Citation preview
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.
18 Juli 2014 Tugas Akhir – KI091391 2
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.
18 Juli 2014 Tugas Akhir – KI091391 3
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
18 Juli 2014 Tugas Akhir – KI091391 5
LATAR
BELAKANG
RUMUSAN
MASALAH
BATASAN
MASALAH
TUJUAN &
MANFAAT
PROSES SEGMENTASI CITRA
Citra Asal
Citra HasilSegmentasi
18 Juli 2014 Tugas Akhir – KI091391 6
LATAR
BELAKANG
RUMUSAN
MASALAH
BATASAN
MASALAH
TUJUAN &
MANFAAT
Citra Asaldengan Noise Citra Hasil
Segmentasi
PROSES SEGMENTASI CITRA
MASALAH
18 Juli 2014 Tugas Akhir – KI091391 7
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.
18 Juli 2014 Tugas Akhir – KI091391 8
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.
18 Juli 2014 Tugas Akhir – KI091391 9
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
18 Juli 2014 Tugas Akhir – KI091391 11
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
18 Juli 2014 Tugas Akhir – KI091391 12
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
18 Juli 2014 Tugas Akhir – KI091391 13
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
18 Juli 2014 Tugas Akhir – KI091391 14
Vektor piksel dalam
filtering window
Menjalankan algoritma ERID
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)
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
Menjalankan algoritma ERID
18 Juli 2014 Tugas Akhir – KI091391 15
Vektor piksel dalam
filtering window
Menjalankan algoritma ERID
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)
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
18 Juli 2014 Tugas Akhir – KI091391 16
DESAIN
APLIKASI
DESAIN
Proses
Filtering
DESAIN
Proses Segmentasi
Menjalankan algoritma
penyaringan RML-Filter sesuai
Persamaan 2
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)
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.
18 Juli 2014 Tugas Akhir – KI091391 17
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
18 Juli 2014 Tugas Akhir – KI091391 18
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
18 Juli 2014 Tugas Akhir – KI091391 20
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
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
Inisialisasi Parameter
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
Inisialisasi Parameter
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
Inisialisasi Parameter
InisialisasiKoloni
Mencari Best Initial Cost & Position
Kemotaksis
Kemotaksis
Tumble Swim
Update
If m<Ns Swim
PROSES OPTIMASI
PARAMETER Tu dan Tv
dengan PSO-MPB
Fungsi Objektif
Inisialisasi Parameter
InisialisasiKoloni
Mencari Best Initial Cost & Position
Kemotaksis
Reproduksi
PROSES OPTIMASI
PARAMETER Tu dan Tv
dengan PSO-MPB
Fungsi Objektif
Inisialisasi Parameter
InisialisasiKoloni
Mencari Best Initial Cost & Position
Kemotaksis
Reproduksi
Eliminasi
Tu dan Tv
Optimal
Tu dan Tv Optimal
Iya
Tidak
PROSES OPTIMASI
PARAMETER Tu dan Tv
dengan PSO-MPB
18 Juli 2014 Tugas Akhir – KI091391 28
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
18 Juli 2014 Tugas Akhir – KI091391 29
DESAIN
APLIKASIDESAIN
Proses Filtering
DESAIN
Proses
Segmentasi
Fungsi untuk penentuan jarak
piksel dengan fitur pusat
cluster
Inisialisasi Tu,Tv,max eror, max
iteration
Menentukan Jumlah cluster
Awal C
Menentukan uciAwal secaraRandom 0-1
MenghitungNilai Pcj
MenghitungNilai Dcij
18 Juli 2014 Tugas Akhir – KI091391 30
DESAIN
APLIKASIDESAIN
Proses Filtering
DESAIN
Proses
Segmentasi
Fungsi keanggotaan fitur
Inisialisasi Tu,Tv,max eror, max
iteration
Menentukan Jumlah cluster
Awal C
Menentukan uciAwal secaraRandom 0-1
MenghitungNilai Pcj
MenghitungNilai Dcij
MenghitungNilai Vcj
18 Juli 2014 Tugas Akhir – KI091391 31
DESAIN
APLIKASIDESAIN
Proses Filtering
DESAIN
Proses
Segmentasi
Fungsi keanggotaan objek
Inisialisasi Tu,Tv,max eror, max
iteration
Menentukan Jumlah cluster
Awal C
Menentukan uciAwal secaraRandom 0-1
MenghitungNilai Pcj
MenghitungNilai Dcij
MenghitungNilai Vcj
MenghitungNilai Uci
18 Juli 2014 Tugas Akhir – KI091391 32
DESAIN
APLIKASIDESAIN
Proses Filtering
DESAIN
Proses
Segmentasi
Nilai Uci Indexing Nilai Uci
Pilih UciMax
LabellingPiksel
Citra yang telahTer-Cluster
Citra hasil segmentasi
18 Juli 2014 Tugas Akhir – KI091391 34
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.
18 Juli 2014 Tugas Akhir – KI091391 35
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.
18 Juli 2014 Tugas Akhir – KI091391 36
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
18 Juli 2014 Tugas Akhir – KI091391 37
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
KINERJAUji Skenario 2
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
KINERJAUji Skenario 3
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
KINERJAUji Skenario 4
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
KINERJAUji Skenario 5
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)
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.
Recommended