Pengolahan Citra

Jurnal TIF, Vol. 1 No. 2, Desember 2010

149

PENGGUNAAN PENGOLAHAN CITRA DIGITAL PADA PEMERIKSAAN PAP

SMEAR DALAM PENDETEKSIAN KANKER SERVIKS

Suprapto

Teknik Informatika Universitas Brawijaya

ABSTRAK

Di negara berkembang diperkirakan terdapat 200.000 hingga 300.000 pasien kanker meninggal setiap

tahunnya karena kanker kanker leher rahim. Deteksi dini melalui Pap Smear merupakan salah satu cara

untuk mengurangi tingkat morbiditas dan mortalitas karena kanker serviks. Saat ini hasil pemeriksaan tes

Pap Smear masih diperoleh angka negatif palsu yang berkisar antara 5-50%. Salah satu penyebab

munculnya negatif palsu yaitu kesalahan dalam interpretasi. Kesalahan yang disebabkan kesalahan

interpretasi dapat diminimalkan dengan menggunakan bantuan komputer menggunakan program yang

berbasis pada Medical Imaging (pengolahan dan analisis citra digital untuk aplikasi kedokteran). Tujuan

Penelitian ini untuk mengimplementasikan pengolahan dan analisis citra digital untuk aplikasi kedokteran

dalam pemeriksaan Pap Smear. Dengan harapan angka negatif palsu semakin berkurang. Aplikasi medical

imaging dalam pemeriksaan Pap Smear dilakukan dengan tahapan : membuat antarmuka antara skrining

hasil Pap Smear sehingga menjadi citra digital, membuat program pengolahan citra, membuat program

komputer yang dapat memudahkan proses analisis citra sediaan. Dari simulasi dan eksekusi program

diperoleh data pasien jenis diagnosis yang paling banyak yaitu Radang non spesifik, tidak ditemukan sel

ganas sebanyak 48 kasus, diikuti dengan diagosa Trichomonas vaginalis infection dengan sel-sel radang

padat sebanyak 12 kasus. Sedangkan indikasi adanya infeksi karena sel ganas terdapat 8 kasus. Sementara

untuk kasus-kasus lain nilainya dibawah 8 kasus. Dilihat dari usia, maka usia antara 36 dan 45 terdapat 43

pasien sedang untuk usia 46 sampai 60 terdapat 33 pasien.

Kata Kunci : Pap Smear, Pengolahan Citra Digital, kanker seviks.

ABSTRACT

In the developing countries be estimated there are 200.000 until 300.000 women die every year

because cervical cancer. Early detection with Pap Smear is one of the test that can be used to decrease

morbidity and mortality rate because of cervical cancer. From result of research of Pap Smear test this time,

there is a point of false negative which range from 5-50%. One of its cause is mistake in interpretation.The

mistake of interpretation can be minimalize by using softwere based on Medical Imaging (software of digital

image analysis and processing for the medical application). The ain of this activity is to implementation the

using of Medical Imaging software in inspection of Pap Smear test. Application of Medical imaging in

inspection of Pap Smear conducted with some steps : making interface between result of Pap Smear so that

become digital image, making a software digital image processing, making computer software able to

facilitate process analysis of medical image. From simulation and execute program is obtained patient data

diagnosed which at most that is Chafing the non specific and not be found ferocious cell counted 48 cases,

followed with Trichomonas vaginalis infection diagnosed with cell chafe solid counted 12 cases. While

indication existence of infection because ferocious cell there are 8 case. For other case value of under 8 case

Keyword : Pap Smear, Digital Image Processing.

Suprapto, Penggunaan Pengolaan Citra Digital pada Pengujian PAP Smear

150

PENDAHULUAN

Sejak lebih dari 60 tahun yang lalu

Pap Smear telah dilakukan sebagai cara

dignostik kanker serviks. Di negara maju

kejadian kanker seviks cenderung menurun

karena program deteksi dini sudah

sedemikian meluasnya, sehingga kejadian

sebelum kanker atau pra kaker sudah dapat

ditemukan dan ditangani lebih awal,

sehingga angka kematian kanker seviks

menurun hingga 50-60%. Di Indonesia

program tersebut masih belum meluas dan

baru dapt dinikmati oleh golongan

masyarakat tertentu. Selain dari segi biaya,

tenaga yang masih terbatas, serta

kepedulian petugas kesehatan terhadap

kanker servix masih jauh dari memadai,

sehingga deteksi dini masih sulit dilakukan

dan kebanyakan kasus baru ditemukan

sudah dalam stadium lanjut dengan

konsekuensi penanganan/pengobatan

menjadi lebih sulit dan mahal, dibutuhkan

sarana dan petugas khusus dan angka

kesembuhan rendah.

Beberapa keuntungan bila ditemukan

pada stadium pra kanker adalah: dapat

sembuh total, dapat dengan hanya berobat

jalan, tindakan tidak memerlukan

ketrampilan tinggi, kemampuan seksual

tidak banyak dipengaruhi, dan tidak

memerlukan rehabilitasi yang lama

(Lestadi, 1998). Kendala Tes Pap Smear

sekarang adalah tingginya angka negatif

palsu yang berkisar antara 5-50%, yang

dapat disebabkan : cara pengambilan yang

tidak memadai, kesalahan dalam

pewarnaan, kesalahan skrining dan

kesalahan interpretasi. Kesalahan diagnosis

yang disebabkan karena cara pengambilan

yang tidak memadai, kesalahan dalam

pewarnaan dan kesalahan skrining dapat

diatasi dengan pembuatan petunjuk

prosedur tetap dan pelatihan bagi

paramedis yang terkait dengan pelaksanaan

tes Pap Smear. Sedangkan kesalahan yang

disebabkan kesalahan interpretasi dapat

diminimalkan dengan menggunakan

bantuan komputer menggunakan program

yang berbasis pada Medical Imaging

(pengolahan dan analisis citra digital untuk

aplikasi kedokteran).

Program medical image analysis

merupakan program pengolahan citra

digital yang dibuat khusus untuk keperluan

menganalisis gambar/citra dari sediaan

yang sedang diamati. Dengan program

tersebut dapat diatur fokus dari citra, level

kotras maupun brightness, pembesaran

gambar, melakukan segmentasi dan

pengenalan pola yang ada pada citra.

Dengan segmentasi dan pengenalan pola

dapat diperoleh jumlah sel yang tampak,

melihat mutu sel, dan melihat pola sel-sel

tertentu secara otomatis (Ghassan, 2001).

Dalam penelitian ini dilakukan

tahapan aktivitas : membuat antarmuka

antara skrining hasil Pap Smear sehingga

menjadi citra digital, membuat program

pengolahan citranya tidak sekedar

mendeteksi ketidaknormalan sel, tetapi juga

mengidentifikasikan ketidak-normalan

tersebut pada beberapa katagori (misalnya

sel normal, Radang non spesifik - tidak

ditemukan sel ganas, Trichomonas vaginalis

infection, infeksi karena sel ganas, Infeksi

jamur, inveksi bakteri, infeksi virus HPV

dan lain sebagainya).

Ketepatan diagnosis sitologi Tes Pap

cukup baik untuk mendignosis kelainan

pada traktus genitalis. Laboratorium

sitologi berpengalaman mendapat korelasi

lebih dari 90% dengan hasil histopatologi

dari biopsy, terutama bila kelainan tersebut

adalah displasia berat atau karsinoma in

situ, namun demikin Tes Pap juga

mempunyai angka kasalahan yang disebut

dengan negatif palsu yaitu dilaporkan

negatif tapi sebenarnya positif . Hasil

negatif palsu berkisar 5-50% yang meliputi

62% akibat kesalahan pengambilan sample,

15% akibat kesalahan skrining, dan 23%

akibat kesalahan interpretasi.

Kesalahan laboratorium seperti

dalam pewarnaan sediaan dan dan

kesalahn skrining serta kesalahn

interpretasi juga memberikan kontribusi

hasil negatif palsu yang tinggi. Suatu

laboratorium sitologi yang baik tidak akan

memberikan hasil negatif palsu lebih dari

10%. Laboratorium sitologi dalam


151

kaitannya dengan kesalahankesalahan

tersebut, maka sebaiknya selalu

memperhatikan pengawasan kualitas antara

lain dengan melakukan pemeriksaan ulang

dari 10% hasil sitologi normal baik secara

manual maupun dengan komputer,

pendidikan untuk perningkatan kualitas.

Dengan semakin majunya teknologi

komputer, maka dengan teknik pengolahan

citra digital dapat membantu untuk

mendapatatkan ketepatan diagnosis sitologi

Tes Pap. Dengan pengolahan citra digital

gambar hasil tes Pap yang kurang jelas

dapat diperjelas dengan mengatur level

kontras dan brightness.

Untuk dapat mengenali objek-objek yang

ada dalam suatu citra, maka diperlukan

beberapa proses analisa citra lebih dahulu.

Secara umum proses analisa citra/gambar

ini dibagi menjadi tiga bagian yaitu :

1. Low level processing.

2. Intermediate level processing.

3. High level processing.

Low level processing merupakan

proses yang paling awal dari keseluruhan

analisa citra. Tujuannya dari proses ini yaitu

untuk mempermudah pengolahan citra

pada tahap berikutnya. Yang termasuk

dalam katagori low level processing yaitu :

transformasi gambar, perbaikan citra

menggunakan methoda filtering, proses

histrogram, restorasi citra dan kompresi

citra.

Proses analisa yang kedua yaitu

intermediate level processing. Pada proses

mencakup : segmentasi, representasi dan

diskripsi. Tujuan dari proses intermedate

level yaitu untuk melakukan ekstraksi citra

dan membentuk komponen karakteristik

dari citra.

Level terakhir dari proses analisa

gambar yaitu high level processing yang

terdiri dari dua proses yaitu proses

pengenalan dan penterjemahan

MATERI DAN METODOLOGI

Untuk mengetahui pasien menderita

kanker serviks atau tidak, maka dilakukan

pemeriksaan Pap Smear yang diawali

dengan pengambilan sediaan dan

pembuatan skrining untuk dilihat melalui

mikroskop. Mikroskop yang digunakan

menggunakan mikroskop yang sudah

terhubung dengan system komputer

menggunakan video vision, sehingga

skrining sedian dapat diubah menjadi citra

digital secara langsung.

Program aplikasi pengolahan citra

berbasis kecerdasan syaraf tiruan untuk

mendeteksi sel kanker serviks berisi

beberapa tahapan proses:

(1) Tahapan pengolahan dan perbaikan

citra yang berisi proses perbaikan level

kontras dan level brightness citra;

(2) Tahapan Region Growing dan

Segmentasi deteksi tepi. Dalam

tahapan ini dibedakan antara objek

berupa sel dan bukan sel serta

membuat pemodelan sel normal dan

sel abnormal;

(3) Tahapan ektraksi ciri digunakan untuk

membedakan jenis sel-sel abnormal;

(4) Tahapan pembuatan modul software

untuk analisis citra menggunakan JST

(jaringan syaraf tiruan);

(5) Tahapan analisis citra dan

pembuatan resume bagi pasien;

Gambar 1. Proses Pengubahan dari Skrining

Sedian menjadi Citra Digital

Tahap awal pengolahan dan

perbaiakn citra dilakukan dengan

mengkonversi citra berwarna ke citra gray

scale. Pengubahan citra berwarna ke dalam

citra gray level dalam hal ini dilakukan

sebelum proses kontras dan brightness.

Setelah diubah menjadi gray scale level,

maka proses kontras dan brightness hanya

berdasarkan pada 256 tingkat warna.

Sedangkan jika menggunakan citra

Mikroskope Komputer via

Video Vision Citra Digital


152

berwarna 24 bit, maka proses dilakukan

berdasarkan 16,9 juta warna dan memakan

waktu yang lebih lama.

Proses kontras bertujuan untuk

membuat agar pada citra selisih level warna

antara objek dengan latar objek menjadi

lebih jelas. Sehingga warna yang cenderung

gelap akan dibuat lebih gelap, sedang

warna yang cenderung terang akan dibuat

lebih terang (Gonzalez, 2001).

Proses pengaturan brightness

bertujuan untuk mengatur pencahayaan

pada citra. Sehingga untuk penambahan

level brightness, setiap pixel pada citra

ditambah dengan nilai tertentu yang

diinginkan sehingga gambar secara

keseluruhan menjadi lebih terang.

Sebaliknya untuk pengurangan level

brightness menghasilkan citra yang

cenderung lebih gelap.

Untuk mengidentifikasi adanya objek

pada citra tersebut, maka dapat dilakukan

dengan menggunakan metode region

growing. Region growing merupakan suatu

prosedur yang digunakan untuk

mengelompokan pixel-pixel atau sub-sub

region menjadi satu region. Pixel-pixel yang

saling berdekatan dan memiliki kemiripan

(dalam hal ini intensitas warnanya), maka

dikelompokan dalam satu region tersendiri

(Wani, 1999). Tujuan dari region growing

agar setiap objek dari citra bitmap

dipisahkan satu sama lain, diketahui

koordinat posisinya dan setiap objek

disimpan dalam satu file terpisah.

Proses deteksi tepi dilakukan untuk

memperoleh pola tepi dari objek yang ada

di dalam citra. Deteksi tepi objek nantinya

digunakan sebagai acuan dalam membuat

pola signature. Persayaratan yang

diinginkan dari proses deteksi tepi yaitu

garis yang menelusuri tepi objek yang tidak

boleh terputus dan lebar garis yang

diinginkan yaitu satu pixel. Metoda deteksi

tepi yang dipilih mengacu pada teknik teori

Graph, karena pola deteksi tepi yang

dihasilkan tidak terputus dan berukuran

satu pixel.

JST yang digunakan untuk

mengklasifikasi jenis sel yaitu JST dengan

model pendekatan probabilistik. Yang

membedakan antara satu JST dengan JST

yang lain yaitu bergantung pada paradigma

pembelajaran jaringannya dalam

menyesuaikan nilai bobot untuk setiap

objek pelatihan (Schalkoff, 2000). Algoritma

PNN mengacu pada metode Bayesian

dalam pengklasifikasian pola. Suatu

keputusan dengan metode bayes

merupakan hasil seleksi dari beberapa

pilihan kategori yang memiliki kondisi

risiko terkecil atau minimum.( Li, 1999)

Gambar 2 memperlihatkan Arsitektur

JST dengan model pendekatan Probabilistik.

Dari arsitektur jaringan tersebut terlihat

bahwa jumlah node pada lapisan hidden

tergantung pada banyaknya sample pada

proses pelatihan yang digolongkan pada

satu kelas objek. Penggolongan tersebut

dilakukan harus berdasarkan sifat

kemiripannya. Jika dua sample yang

kemiripannya sangat jauh dikelompokan

pada satu kelas, maka menyebabkan

keluaran menjadi tidak valid (Suprapto

1999).

Gambar 2. Arsitektur JST Probabilistik

Pattern

/Hidden

layer

Input

Pick The Maximum

Output

Output

Unit

Input

Nod

P

1

P

2

P

m

Q

1

Q

2

Q

m


153

Secara garis besar JST berbasis

probabilistik memiliki karakteristik sebagai

berikut :

Struktur dasar

Memiliki tiga lapisan yaitu lapisan input,

lapisan pola hidden dan lapisan output

Hubungan satu-satu yang menghu-

bungkan unit pola dengan contoh

pelatihan

Setiap output mewakili satu kelas.

Inisialisasi bobot

Vektor berat masukan dari unit pola I

diinisialisasi ke I pola vektor yang

dinormalisasi lebih dahulu.

Vektor bobot masukan dari setiap unit

keluaran diinisialisasi kedalam vektor

semuanya satu kali.

Perhitungan Aktivitas

Nilai Oj dari unit pola j didefinisikan

sebagai :

Nilai Oj dari unit output j didefinisikan

sebagai :

i

i

jijj OWPm

O 1

Nilai berat tidak disesuaikan

Jika ada contoh baru, maka unit pola

baru ditambahkan.

Program aplikasi Pengolahan Citra

Digital Pada Pemeriksaan Pap Smear untuk

mendeteksi Kanker Serviks dibuat dengan

teknik OMT (Object Modeling Technique)

3. Hasil dan Pembahasan

Dari 100 sampel terdapat 53 sampel

yang didiagnosis radang non spesifik, tidak

ditemukan sel ganas.

Gambar 3. Citra dengan Diagnosa Radang

Non Spesifik

Gambar 4.Hasil Deteksi Tepi Gambar 3.

Gambar 3 menunjukan citra dengan

diagnosa radang non spesifik, tidak


Hasil proses segmentasi region

growing, citra biner dan deteksi tepi dari

Gambar 3. diperoleh pada Gambar 4.

Terlihat dalam Gambar 4. sel-sel radang

yang dominant, namun demikian tidak


21exp i

i

jij XWO


154

Gambar 5. Citra dengan Diagnosa Radang

Non Spesifik

Dari 100 sampel terdapat 4 sample

yang dindikasikan dan didiaknosa infeksi

jamur. Gambar 6. menunjukan citra dengan

infeksi jamur. Sedangkan Gambar 7

menunjukan hasil citra invers dari citra

pada Gambar 6.

Gambar 6. Citra dengan Infeksi Jamur

Gambar 7. Citra Invers dari Gambar 6.

Setelah proses perbaikan citra pada

domain low level, maka dilakukan proses

segmentasi region growing untuk mendeteksi

objek pada citra objek yang diidetifikasikan,

kemudian dilakukan proses deteksi tepi dan

penelusuran tepi dari objek yang nampak

pada gambar. Hasil proses segmentasi

region growing, deteksi tepi dan penelusuran

tepi ditunjukka pada Gambar 8.

(a)

Sel Jamur

Sel Jamur


155

(b)

Gambar 8. a. Hasil Citra Biner dengan

Thresholding (b). Hasil deteksi tepi

Setelah dilakukan proses region growing

dan dilanjutkan dengan citra biner

menghasilkan citra seperti pada Gambar

8.a. Sedangkan Gambar 8.b merupakan

hasil deteksi tepi terhadap objek yang

terdapat pada citra.

Gambar 9. Hasil Eksekusi Program dengan

identifikasi infeksi jamur

Dari Gambar 8.a. terlihat bentuk dari

sel jamur yang memanjang. Bentuk ini jauh

berbeda dengan sel epitel dari leher rahim.

Kesulitan untuk mengidentifikasi infeksi

jamur yaitu jika injeksi ini disertai dengan

sel radang yang cukup rapat.

Gambar 10. Citra dengan Identifikasi

Kanker

(a)

Sel Kanker


156

(b)

Gambar 11.(a). Hasil Citra Biner dengan

Thresholding (b). Hasil Deteksi Tepi Gambar

10.

Setelah proses perbaikan citra pada

domain low level, maka dilakukan proses

segmentasi region growing untuk

mendeteksi objek pada citra. Langkah

berikutnya melakukan proses deteksi tepi

dan penelusuran tepi dari objek yang

nampak pada gambar. Hasil proses

segmentasi region growing, deteksi tepi dan

penelusuran tepi diperoleh pada Gambar

11.

Gambar 12. Hasil Eksekusi Program dengan

identifikasi Sek Kanker.

Contoh citra dengan indikasi

mengandung sel kanker ditunjukan pada

Gambar 5.4. dari 100 sampel yang

digunakan terdapat 8 sampel dengan

indikasi mengandung sel kanker.

Untuk mendapatkan hasil diagnosa

yang bagus, maka pengolahan citra yang

dilakukan harus menggunakan gabungan

dari proses perbaikan kontras dan

perbaikan level brightness. Citra yang

cenderung gelap harus ditambah level

brightnessnya, sedangkan citra yang

cenderung terang, maka level brightnessnya

dikurangi.

Untuk citra dengan tapilan sel yang

kurang besar, maka akan menghasilkan

hasil yang kurang bagus. Proses zooming

dengan software akan menghasilkan citra

yang kurang baik. Oleh karena itu

pembesaran dapat dilakukan secara analog

pada mikroskop. Rata-rata dengan

pemakaian pembesaran 400 x akan

menghasilkan tapil sel yang secara

langsung dapat dioleh dengan program

medical image analisis.

Untuk citra dengan tapilan sel yang

kurang besar, maka akan menghasilkan

hasil yang kurang bagus. Proses zooming

dengan software akan menghasilkan citra

yang kurang baik jika pembesaran

dilakukan lebih dari 4 kali. Oleh karena itu

pembesaran dapat dilakukan secara analog

pada mikroskop. Rata-rata dengan

pemakaian pembesaran 400 x akan

menghasilkan tampilan sel yang secara

langsung dapat dioleh dengan program

medical image analisis.


157

Tabel 1. Data pasien berdasarkan klasifikasi

jenis infeksi

No Katagori Pasien Jumlah

1 Infeksi jamur dengan sel

radang yang padat

4

2 Atrophic smear dengan

radang non spesifik.

8

3 Coccus infection deng-an

sel radang padat

2

4 Ditemukan sel epitel

dengan perubahan radang,

tidak ditemukan sel ganas

10

5 Radang non spesifik, tidak

ditemukan sel ganas

53

6 Trichomonas vaginalis

infection dengan sel-sel

radang padat

12

7 Didapat sel-sel atipik yang

degenerasi, periksa ulang

1

8 Ditemukan sel-sel

mencurigakan keganasan

1

9 Masih ditemukan sel sel

Ganas Hidup

8

10 HPV (Human Papiloma

Virus), tidak ditemukan sel

ganas

1

KESIMPULAN DAN SARAN

Kesimpulan

1. Dengan menggunakn teknik

pengolahan citra digital, maka mutu

dari hasil skrining dapat ditingkatkan,

sehingga objek sel dapat lebih terlihat

dengan jelas. Citra menggunakan

pembesaran 400 menghasilkan tapilan

sel yang mudah untuk diolah dengan

program medical image analysis.

2. Dengan memanfaatkan sistem

kecerdasan buatan dalam menganalisis

citra sediaan, maka seorang operator

sangat terbantu karena penghitungan sel

secara otomatis dilakukan dengan

program komputer.

3. Walaupun program analisis citra

tersebut sangat membantu dalam

pemeriksaan citra sedian dari pasiean

Pap Smear, tetapi kemempuan seorang

dokter sepesialis patologi anatomi

sebagai pengambil putusan masih tetap

diperlukan, karena program yang

dibuat hanya dapat membedakan sel

normal dan abnormal.

4. Dengan memanfaatkan sistem basis

data, hasil pemeriksaan Pap Smear dapat

disimpan dalam sistem komputer dan

sewaktu-waktu dapat dilihat kembali

dengan mudah jika diperlukan.

5. Dari data pasien jenis diagnosis yang

paling banyak yaitu radang non spesifik,

tidak ditemukan sel ganas sebanyak 48

kasus, diikuti dengan diagosis

trichomonas vaginalis infection dengan

sel-sel radang padat sebanyak 12 kasus.

Sedangkan indikasi adanya infeksi

karena sel ganas terdapat 8 kasus dan

untuk kasus-kasus lain nilainya

dibawah 8 kasus.

6. Dilihat dari usia, maka usia antara 36

dan 45 terdapat 43 pasien sedang usia 46

sampai 60 terdapat 33 pasien. Sementara

pasien yang melakukan Pap Smear pada

usia kurang dari 35 tahun dan lebih dari

60 tahun berjumlah kurang dari 10

pasien.

Saran

1. Untuk beberapa kasus, pembesaran 400

belum menghasilkan gambar yang

baik, terutama untuk mengidentifikasi

infeksi bakteri tricomonas atau coccus

2. Untuk mengidentifikasi sel yang

tertutup sel radang yang padat, harus

ditambahkan proses segmentasi

dengan metode yang lebih baik. Hal

tersebut dilakukan untuk mencegah

kesalahan identifikasi.


158

DAFTAR PUSTAKA

Gonzalez, Rafael C., and Woods, Richard E.,

2001, Digital Image Processing, Addison-

Wesley Publishing Company, Inc.

Ghassan Hamarneh, Tim McInerney,

Deformable Organisms for Automatic

Medical Image Analysis, IEEE Trans.

PAMI 13(7) , 2001 page 703-714.

Lestadi, Julisar, 1998, Penuntun Diagnostik

Praktis Sitologi Ginekologik Apusan

PAP, Lab. Patologi Anatomi RSPAD

Gatot Subroto, Jakarta.

LiMin Fu, 1999, Neural Network in Computer

Intelligence, McGraw-Hill Inc., Florida.

Schalkoff, Robert J., 2000, Pattern

Recognotion : Statistical, Structural and

Neural Approaches, Clemson University,

John Eiley & Sons, Inc.

Suprapto, 1999, Aplikasi Pengolahan Citra

Digital berbasis Jaringan Syaraf Tiruan

Boolean Untuk mengenali Pola Tulisan ,

Laporan Penelian DPP FT Univ.

Brawijaya.

Suprapto, 2002, Perancangan dan

Pembuatan Sistem Pengenalan Pola

berbasis Jaringan Syaraf Tiruan

Probabilistik untuk Mengenali Obejek

Bergerak , Laporan Penelitian Dosen

Muda.

Wani, M.A., and Batchelor, B.G., Edge-

Region Based Segmentation of Renge

Image, IEEE Trans. on Pattern Analysis

and Machine Intelligence., vol. 16, no 3,

March 1999.

Pengolahan Citra

Documents

Transcript of Pengolahan Citra