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