KEPUTUSAN DAN PERBINCANGAN
4.3 Keputusan Peruasan Imej FNAC
4.3.2 Keputusan Pengesanan Pinggir
Seperti bahagian keputusan peruasan kawasan yang lalu, bahagian ini juga akan mengulas mengenai kesan penggunaan setiap bentuk elemen pengstrukturan yang dicadangkan dalam proses penapisan hingar ke atas enam imej FNAC yang sama. Bezanya, pada kali ini kesan setiap elemen tersebut akan dinilai menerusi proses pengesanan pinggir yang dicadangkan
iaitu algoritma RGBAVPPP. Prestasi algoritma ini dengan elemen pengstrukturan terbaik kemudiannya akan dibandingkan dengan algoritma konvensional pengesanan pinggir yang lain yang lazimnya digunakan. Setiap keputusan ini masing-masing akan dibincangkan pada Bahagian 4.3.2(a) dan Bahagian 4.3.2(b) selanjutnya.
4.3.2(a) Keputusan Pengesanan Pinggir Selepas Penapisan Hingar dengan Pelbagai Elemen Pengstrukturan
Rajah 4.29 hingga Rajah 4.34 masing-masing menunjukkan (a) imej asal FNAC, (b) imej FNAC selepas menjalani proses pengesanan pinggir RGBAVPPP tanpa melalui proses penapisan hingar terlebih dahulu dan imej (c) hingga (o) masing-masing menunjukkan keputusan imej pengesanan pinggir RGBAVPPP selepas melalui proses penapisan hingar median dengan pelbagai elemen pengstrukturan ke atas imej FNAC_B1, FNAC_B2, FNAC_B3, FNAC_M1, FNAC_M2 dan FNAC_M3.
(a) Imej tercemar (b) Imej tanpa (c) Struktur 1 (d) Struktur 2
penapisan hingar
(e) Struktur 3 (f) Struktur 4 (g) Struktur 5 (h) Struktur 6
Rajah 4.29: Keputusan pengesanan pinggir RGBAVPPP ke atas imej FNAC_B1 setelah ditapis
(i) Struktur 7 (j) Struktur 8 (k) Struktur 9 (l) Struktur 10
(m) Struktur 11 (n) Struktur 12 (o) Struktur 13
Rajah 4.29: Sambungan
(a) Imej tercemar (b) Imej tanpa (c) Struktur 1 (d) Struktur 2
penapisan hingar
(e) Struktur 3 (f) Struktur 4 (g) Struktur 5 (h) Struktur 6
(i) Struktur 7 (j) Struktur 8 (k) Struktur 9 (l) Struktur 10 Rajah 4.30: Keputusan pengesanan pinggir RGBAVPPP ke atas imej FNAC_B2 setelah
ditapis
(m) Struktur 11 (n) Struktur 12 (o) Struktur 13
Rajah 4.30: Sambungan
(a) Imej tercemar (b) Imej tanpa (c) Struktur 1 (d) Struktur 2
penapisan hingar
(e) Struktur 3 (f) Struktur 4 (g) Struktur 5 (h) Struktur 6
(i) Struktur 7 (j) Struktur 8 (k) Struktur 9 (l) Struktur 10
(m) Struktur 11 (n) Struktur 12 (o) Struktur 13
Rajah 4.31: Keputusan pengesanan pinggir RGBAVPPP ke atas imej FNAC_B3 setelah ditapis
(a) Imej tercemar (b) Imej tanpa (c) Struktur 1 (d) Struktur 2
penapisan hingar
(e) Struktur 3 (f) Struktur 4 (g) Struktur 5 (h) Struktur 6
(i) Struktur 7 (j) Struktur 8 (k) Struktur 9 (l) Struktur 10
(m) Struktur 11 (n) Struktur 12 (o) Struktur 13
Rajah 4.32: Keputusan pengesanan pinggir RGBAVPPP ke atas imej FNAC_M1 setelah ditapis
(a) Imej tercemar (b) Imej tanpa (c) Struktur 1 (d) Struktur 2
penapisan hingar
Rajah 4.33: Keputusan pengesanan pinggir RGBAVPPP ke atas imej FNAC_M2 setelah ditapis
(e) Struktur 3 (f) Struktur 4 (g) Struktur 5 (h) Struktur 6
(i) Struktur 7 (j) Struktur 8 (k) Struktur 9 (l) Struktur 10
(m) Struktur 11 (n) Struktur 12 (o) Struktur 13
Rajah 4.33: Sambungan
(a) Imej tercemar (b) Imej tanpa (c) Struktur 1 (d) Struktur 2
penapisan hingar
(e) Struktur 3 (f) Struktur 4 (g) Struktur 5 (h) Struktur 6
Rajah 4.34: Keputusan pengesanan pinggir RGBAVPPP ke atas imej FNAC_M3 setelah ditapis
(i) Struktur 7 (j) Struktur 8 (k) Struktur 9 (l) Struktur 10
(m) Struktur 11 (n) Struktur 12 (o) Struktur 13
Rajah 4.34: Sambungan
Berdasarkan keputusan yang diperolehi, imej-imej (b) yang tidak melalui proses penapisan terlebih dahulu sebelum proses pengesanan pinggir RGBAVPPP dijalankan tidak mampu mengesan struktur pinggir nukleus dengan baik. Selain itu, didapati elemen-elemen pengstrukturan seperti pada imej (c) hingga (f) pada semua Rajah 4.29 hingga Rajah 4.34 tidak mampu mengurangkan pengaruh hingar dan artifak lain dengan baik. Berbeza dengan imej-imej (g) hingga (o) secara keseluruhannya menghasilkan keputusan pengesanan pinggir yang baik, namun didapati terdapat sedikit artifak yang tidak dapat disingkirkan seperti yang dibulatkan pada imej (h) dan (i) dalam Rajah 4.30 serta imej-imej dalam Rajah 4.34.
Secara keseluruhannya, imej (m) dan (n) pada semua rajah menghasilkan keputusan pengesanan pinggir RGBAVPPP yang terbaik. Walaubagaimanapun, jika diambil kira dengan keputusan peruasan kawasan pada Bahagian 4.3.1(a) yang lalu, kesimpulannya, imej (m) yang telah ditapis dengan elemen pengstrukturan 11 berbentuk oktagon (saiz penapisan 7x7) merupakan elemen pengstrukturan yang dikenalpasti terbaik bagi kedua-dua kaedah peruasan dan pengesanan pinggir yang dicadangkan. Elemen pengstrukturan penapisan ini bukan sahaja dapat mengurangkan artifak seperti hingar bintik dan bendasing yang terkandung pada imej, maklumat-maklumat penting untuk proses pengekstrakan ciri seperti kawasan, struktur pinggir
dan paras kelabu nukleus juga dapat dikesan dengan baik. Oleh itu, elemen pengstrukturan oktagon dengan saiz penapisan 7x7 dipilih untuk digunakan dalam projek ini.
4.3.2(b) Keputusan Pengesanan Pinggir Konvensional
Perbandingan prestasi di antara algoritma pengesanan pinggir RGBAVPPP yang dicadangkan dengan beberapa algoritma konvensional yang lazim digunakan seperti Cubic Spline, Frei Chen, Kirsch, Prewitt, Laplacean, Roberts, Robinson, Sobel dan SBRG dijalankan. Rajah 4.35 hingga Rajah 4.40 masing-masing menunjukkan keputusan bagi pengesanan pinggir nukleus imej FNAC_B1, FNAC_B2, FNAC_B3, FNAC_M1, FNAC_M2 dan FNAC_M3. Nilai awalan bagi pusat yang mewakili setiap pinggir nukleus ditetapkan sebagai 255 (putih) manakala kawasan selainnya sebagai 0 (hitam).
(a) Imej asal (b) Cubic Spline (c) Frei Chen (d) Kirsch
(e) Prewitt (f) Laplacean (g) Roberts (h) Robinson
(i) Sobel (j) SBRG (NA=149) (k) RGBAVPPP Rajah 4.35: Keputusan pengesanan pinggir nukleus imej FNAC_B1
(a) Imej asal (b) Cubic Spline (c) Frei Chen (d) Kirsch
(e) Prewitt (f) Laplacean (g) Roberts (h) Robinson
(i) Sobel (j) SBRG (NA=125) (k) RGBAVPPP Rajah 4.36: Keputusan pengesanan pinggir nukleus imej FNAC_B2
(a) Imej asal (b) Cubic Spline (c) Frei Chen (d) Kirsch
(e) Prewitt (f) Laplacean (g) Roberts (h) Robinson Rajah 4.37: Keputusan pengesanan pinggir nukleus imej FNAC_B3
(i) Sobel (j) SBRG (NA=135) (k) RGBAVPPP Rajah 4.37: Sambungan
(a) Imej asal (b) Cubic Spline (c) Frei Chen (d) Kirsch
(e) Prewitt (f) Laplacean (g) Roberts (h) Robinson
(i) Sobel (j) SBRG (NA=139) (k) RGBAVPPP Rajah 4.38: Keputusan pengesanan pinggir nukleus imej FNAC_M1
(a) Imej asal (b) Cubic Spline (c) Frei Chen (d) Kirsch Rajah 4.39: Keputusan pengesanan pinggir nukleus imej FNAC_M2
(e) Prewitt (f) Laplacean (g) Roberts (h) Robinson
(i) Sobel (j) SBRG (NA=111) (k) RGBAVPPP Rajah 4.39: Sambungan
(a) Imej asal (b) Cubic Spline (c) Frei Chen (d) Kirsch
(e) Prewitt (f) Laplacean (g) Roberts (h) Robinson
(i) Sobel (j) SBRG (NA=69) (k) RGBAVPPP Rajah 4.40: Keputusan pengesanan pinggir nukleus imej FNAC_M3
Merujuk kepada keputusan seperti yang ditunjukkan pada Rajah 4.35 hingga Rajah 4.40, dapat diperhatikan dengan jelas melalui mata kasar, algoritma-algoritma konvensional seperti Cubic Spline, Frei Chen, Kirsch, Prewitt, Laplacean, Roberts, Robinson dan Sobel tidak dapat mengesan pinggir struktur nukleus imej FNAC dengan baik. Terdapat pinggir-pinggir lain yang dibina dalam setiap kawasan nukleus menyebabkan pengesanan pinggir yang sebenar menjadi lebih sukar. Ini adalah kerana berdasarkan konsep algoritma tersebut seperti yang telah dinyatakan dalam Bab 2 yang lalu, taburan paras kelabu yang tidak seragam dalam imej FNAC akan menyebabkan kawasan tersebut dikesan sebagai satu pinggir yang lain. Selain itu, pinggir-pinggir yang dihasilkan pada setiap nukleus juga kelihatan terputus-putus, tidak licin dan tebal. Hanya sebahagian sahaja pinggir dapat dikesan menyebabkan proses pengekstrakan ciri morfologi akan menjadi tidak tepat. Ini adalah kerana dalam projek penyelidikan ini, saiz dan bentuk asal nukleus sel memainkan peranan yang amat penting dalam penghasilan data ciri morfologi yang lain dengan tepat. Struktur pinggir yang tebal akan menyebabkan ukuran perimeter nukleus yang diperolehi menjadi lebih tinggi. Oleh itu, algoritma-algoritma tersebut jelas menunjukkan yang ianya tidak sesuai digunakan dalam projek ini.
Berbeza dengan keputusan algoritma SBRG seperti yang ditunjukkan pada setiap imej (j), algoritma ini menghasilkan pengesanan pinggir yang lebih baik untuk nukleus sel imej FNAC.
Semua pinggir nukleus yang dihasilkan adalah lebih licin, halus dan bersambungan menyebabkan bentuk dan saiz asal nukleus dapat dikekalkan. Walaubagaimanapun, algoritma ini lebih memakan masa kerana nilai ambang dan nilai kedudukan titik benih awalan yang optimum perlu ditentukan sendiri oleh pengguna secara cuba jaya. Ini menyebabkan ianya tidak sesuai digunakan dalam projek penyelidikan ini yang memerlukan teknik pengesanan pinggir bertindak secara automatik.
Berbeza dengan hasil keputusan pada semua imej (k), algoritma RGBAVPPP menunjukkan prestasi yang lebih baik berbanding algoritma konvensional yang lain. Algoritma yang dicadangkan ini berjaya mengurangkan kelemahan yang dihadapi oleh algoritma konvensional
yang lain. Dapat diperhatikan imej yang terhasil melalui algoritma yang dicadangkan ini mempunyai dua tahap paras kelabu iaitu 0 dan 255 di mana masing-masing mewakili warna hitam (kawasan selain pinggir nukleus) dan putih (pinggir nukleus). Algoritma RGBAVPPP ini juga mampu mengesan pinggir nukleus sahaja tanpa kewujudan pinggir-pinggir yang lain.
Stuktur pinggir yang dibina adalah lebih halus, licin dan bersambungan menyebabkan ukuran perimeter nukleus yang sebenar dapat dikekalkan. Bukan itu sahaja, algoritma ini juga mampu mengesan nilai ambang atau lokasi nilai titik awalan secara automatik. Secara keseluruhannya, kelebihan-kelebihan yang ditunjukkan oleh algoritma RGBAVPPP yang dicadangkan ini menyebabkan ianya dikenalpasti sesuai untuk digunakan sebagai teknik peruasan berautomatik bagi mengekstrak ciri-ciri morfologi daripada imej-imej FNAC.