Upload
buidan
View
238
Download
0
Embed Size (px)
Citation preview
Segmentasi Citra Berwarna Menggunakan Deteksi Tepi dan Fuzzy C-Means yang Dimodifikasi Berdasarkan Informasi Ketetanggaan
Pembimbing I: Prof. Ir. Handayani Tjandrasa, M.Sc., Ph.D.
Pembimbing II: Dr. Eng. Chastine Fatichah, S.Kom., M.Kom.
Septi Wulansari (5109100175)
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 C-Means 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 C-Means yang dimodifikasi berdasarkan informasi ketetanggaan.
• Ekstensi file gambar adalah JPG.
• Jumlah kluster adalah 2
Gambaran Umum Aplikasi
Start
Proses segmentasi Data
masukan
Data keluaran
Stop
Fuzzy C-Means yang dimodifikasi Berdasarkan Informasi Ketetanggaan
FCM yang dimodifikasi berdasarkan informasi ketetanggaan vs. FCM konvensional
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 konvensional [1]
1. Inisialisasi parameter bobot dan threshold
2. Inisialisasi matriks U secara acak
3. Mencari titik pusat kluster
4. Menghitung nilai matriks U yang baru
FCM yang dimodifikasi berdasarkan informasi ketetanggaan vs. FCM konvensional (lanjut)
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
FCM konvensional [1]
5. Cek jika max{U baru – U lama} > threshold, kembali ke langkah 3. Jika tidak berhenti.
Metodologi
Jalannya proses Segmentasi Citra Berwarna
Secara Umum Start
Mengambil intensitas abu-abu
citra
Citra Berwarna
Deteksi Tepi
Clustering Proses Defuzifikasi Membuat garis
segmentasi
Hasil segmentasi Stop
Mengambil Intensitas Abu-abu Citra
Start
Ambil Intensitas masing-masing
channel
Citra Berwarna
Merata-rata intensitas ketiga warna untuk
mendapatkan intensitas abu-abu
Citra berintensitas
abu-abu Stop
Deteksi Tepi
Start
Menghitung dimensi citra
Citra berintensitas
abu-abu
Menginisialisai kernel Sobel x dan y
Citra hasil deteksi tepi
Stop
Menghitung nilai gradien untuk setiap
piksel
Clustering Start
Menentukan threshold, nilai bobot m
Citra hasil deteksi tepi
Inialisasi matriks U secara acak
Matriks U terbaru Stop
Mencari titik pusat kluster vk
Menghitung faktor ketetanggaan piksel Gki
Memperbarui nilai matriks U
Max {U baru – U lama} > threshold
Ya
Tidak
Defuzifikasi
Start
Ci = max {Uik} Matriks U 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) (b) (c)
Keterangan : (a) Citra asli (b) Citra deteksi tepi (c) Citra hasil segmentasi
(a) (b) (c)
Perbandingan pada Uji Coba 1
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
Segmentasi menggunakan deteksi tepi dan FCM yang dimodifikasi berdasarkan informasi ketetanggaan
Akurasi: 78.98%
Iterasi : 23
Perbandingan pada Uji Coba 1
Segmentasi menggunakan FCM konvensional
Akurasi: 61.95%
Iterasi : 15
Uji Coba 2
Data Masukan
• Nama Citra : image_1248.jpg
• Dimensi : 500 x 500 piksel
• Sumber : database Visual Geometry Group Oxford University
Uji Coba 2
(a) (b) (c)
Keterangan : (a) Citra asli (b) Citra deteksi tepi (c) Citra hasil segmentasi
(a) (b) (c)
Perbandingan pada Uji Coba 2
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
Segmentasi menggunakan deteksi tepi dan FCM yang dimodifikasi berdasarkan informasi ketetanggaan
Akurasi: 95.39%
Iterasi : 21
Perbandingan pada Uji Coba 2
Segmentasi menggunakan FCM konvensional
Akurasi: 34.15%
Iterasi : 14
Uji Coba 3
Data Masukan
• Nama Citra : Bombay_31.jpg
• Dimensi : 307 x 380 piksel
• Sumber : MacGill Calibrated Coloured Image Database
Uji Coba 3
(a) (b) (c)
Keterangan : (a) Citra asli (b) Citra deteksi tepi (c) Citra hasil segmentasi
(a) (b) (c)
Perbandingan pada Uji Coba 3
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
Segmentasi menggunakan deteksi tepi dan FCM yang dimodifikasi berdasarkan informasi ketetanggaan
Akurasi: 88.48%
Iterasi : 17
Perbandingan pada Uji Coba 3
Segmentasi menggunakan FCM konvensional
Akurasi: 52.36%
Iterasi : 12
Uji Coba 4
Data Masukan
• Nama Citra : image_0751.jpg
• Dimensi : 551 x 500 piksel
• Sumber : database Visual Geometry Group Oxford University
Uji Coba 4
(a) (b) (c)
Keterangan : (a) Citra asli (b) Citra deteksi tepi (c) Citra hasil segmentasi
(a) (b) (c)
Perbandingan pada Uji Coba 4
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
Segmentasi menggunakan deteksi tepi dan FCM yang dimodifikasi berdasarkan informasi ketetanggaan
Akurasi: 87.93%
Iterasi : 21
Perbandingan pada Uji Coba 4
Segmentasi menggunakan FCM konvensional
Akurasi: 48.44%
Iterasi : 42
• 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
• 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.
Analisis dan Kesimpulan (2)
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), 2011, pp. 396- 400.
[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]
dimana,
A = hasil segmentasi
C = ground truth
c
ic
jj
ii
C
CAAcc
1
1
Sobel
A adalah matriks intensitas dari citra masukan untuk proses deteksi tepi. G =
A*
101
202
101
A*
121
000
121
Gx = Gy =
GyGx22
Perbandingan Akurasi
no Citra ModifFCM FCMkonven
1 Image_0018.jpg 91.68% 28.05%
2 Image_0751.jpg 87.93% 48.44%
3 Anima1.jpg 95.45% 63.08%
4 Bombay_31.jpg 88.48% 52.36%
5 Image_1248.jpg 95.39% 34.15%
6 Image_1345.jpg 80.76% 32.55%
7 Image_0526.jpg 78.98% 61.95%
8 Image_0361.jpg 84.28% 24.09%
9 sampleMerry_0038_Lasalle.jpg 56.12% 74.00%
10 samplepippin_Peel001.jpg 89.09% 54.3 %
Perbandingan Iterasi
no Citra ModifFCM FCMkonven
1 Image_0018.jpg 20 15
2 Image_0751.jpg 21 42
3 Anima1.jpg 21 14
4 Bombay_31.jpg 17 12
5 Image_1248.jpg 21 14
6 Image_1345.jpg 23 15
7 Image_0526.jpg 23 15
8 Image_0361.jpg 21 22
9 sampleMerry_0038_Lasalle.jpg 19 19
10 samplepippin_Peel001.jpg 16 14