Tugas Akhir
SEGMENTASI CITRA MENGGUNAKAN
PENGHAPUSAN TEKSTUR DAN K-MEANS
DENGAN BATASAN RUANG
Gama Wisnu Fajarianto
(NRP. 5107100107)
PENULIS :
Prof. Ir. Handayani Tjandrasa, M.Sc., Ph.D.
LATAR BELAKANG
RUMUSAN MASALAH
BATASAN MASALAH
TUJUAN
KONVERSI RUANG WARNA
BIN DESKRIPTOR
BIN DESKRIPTOR (2)
PENGHAPUSAN TEKSTUR
•
Diberikan adalah notasi dari bin indeks yang berasosiasi dengan
vektor warna y(x) pada lokasi piksel x dan N(x) adalah sekumpulan dari lokasi
piksel di dalam daerah persegi tetangga berukuran Nw x Nw yang memiliki pusat
piksel x tempat informasi warna lokal diambil
•
Estimasi dari 125 bin deskriptor yang merupakan
karakteristik dari distribusi warna setiap piksel diberikan dengan prosedur
perhitungan standard di bawah ini
•
Dimana adalah fungsi Kronecker delta dan adalah konstanta
normalisasi yang memastikan
. Dapat dihitung :
BIN DESKRIPTOR (3)
PENGHAPUSAN TEKSTUR
Jumlah Piksel
Bin Deskriptor
Baris adalah jumlah
piksel dan kolom
adalah bin deskriptor
1
Dihitung untuk setiap
piksel jumlah bin ke n
ada berapa pada
piksel tersebut
2
Hasil di normalisasi
CLUSTERING K-MEANS DENGAN FITUR
BIN DESKRIPTOR
CLUSTERING K-MEANS DENGAN FITUR
BIN DESKRIPTOR (2)
PENGHAPUSAN TEKSTUR
•
125-bin deskriptor dikelompokkan bersama ke dalam cluster yang berbeda
yang bersesuaian dengan setiap kelas dari gambar menggunakan
algoritma K-Means dengan jarak Euclidean
•
Strategi segmentasi ini yaitu dari gambar input menjadi kelas diulang
untuk ruang warna yang berbeda dapat dilihat sebagai saluran gambar
yang berbeda yang disediakan oleh berbagai sensor atau sebagai
multichannel penyaringan di mana saluran diwakili oleh ruang warna yang
berbeda
•
Pada aplikasi ini menggunakan sejumlah Ns segmentasi dengan Ns = 10
ruang warna yaitu C = {RGB, HSV, YIQ, XYZ, LAB, LUV, I
1
I
2
I
3
, H
1
H
2
H
3
, YC
b
C
r
,
dan TSL)
CLUSTERING K-MEANS DENGAN FITUR
BIN DESKRIPTOR (3)
PENGHAPUSAN TEKSTUR
Strategi segmentasi K-Means dapat diuraikan sebagai berikut
1. Secara acak pilih K
1
inisialisasi pusat cluster
2. Pada langkah ke k tetapkan sampel x
m
ke dalam cluster dengan pusat
terdekat , yakni ke cluster i jika
3.
menunjukkan cluster ke I dengan sampel n
i
setelah langkah 2
tentukan cluster baru dengan rata-rata sampel dalam cluster
4. Ulangi sampai konvergensi terpenuhi
SUBDIVISI
SUBDIVISI (2)
PENGHAPUSAN TEKSTUR
•
Cluster dengan jumlah anggota lebih besar
dari W
0
dibagi lagi menjadi cluster yang lebih
kecil
•
Cluster akan memiliki maksimal W
0
anggota
•
Membagi cluster menjadi cluster yang lebih
SUBDIVISI (3)
PENGHAPUSAN TEKSTUR
•
Dalam melakukan region growing yang bertujuan memasukkan
piksel menjadi anggota cluster baru terdapat 4 macam pola yang
dipilih secara acak
•
Pola 1
1 = (r-1,c), 2 = (r+1,c), 3 = (r,c-1), 4 =(r,c+1)
•
Pola 2
1 = (r,c-1), 2 = (r,c+1), 3 = (r-1,c), 4 =(r+1,c)
•
Pola 3
1 = (r-1,c), 2 = (r,c-1), 3 = (r+1,c), 4 =(r,c+1)
•
Pola 4
1 = (r,c-1), 2 = (r-1,c), 3 = (r,c+1), 4 =(r+1,c)
MENGGANTI NILAI PIKSEL DENGAN
RATA-RATA
NILAI PIKSEL DAERAHNYA
MENGGANTI NILAI PIKSEL DENGAN
RATA-RATA
NILAI PIKSEL DAERAHNYA (2)
PENGHAPUSAN TEKSTUR
•
Nilai piksel pada setiap cluster diganti dengan
rata-rata nilai piksel pada cluster tersebut
•
Dilakukan pada setiap dimensi
MENGHITUNG RATA-RATA NILAI PIKSEL
ANTAR RUANG WARNA
MENGHITUNG RATA-RATA NILAI PIKSEL
ANTAR RUANG WARNA (2)
PENGHAPUSAN TEKSTUR
3
Setelah dijumlah
Kemudian dibagi
10
10
ruang
warna
1
Nilai Piksel antar
ruang warna
di jumlah
MENGHITUNG RATA-RATA NILAI PIKSEL
ANTAR RUANG WARNA (3)
PENGHAPUSAN TEKSTUR
4
Hasilnya
Gambar
Penghapusan
Tekstur
GAMBARAN UMUM
MENGHITUNG EDGE MAP
SEGMENTASI K-MEANS DENGAN BATASAN RUANG
MENGHITUNG EDGE MAP
•
Untuk mengestimasi edge map dalam konteks tekstur, yang kemudian
akan digunakan untuk mencari daerah bertekstur paling mungkin dan
kemudian untuk membatasi prosedur K-Means, dilakukan perhitungan
pada setiap pixel, jarak berikut
•
Dimana h adalah bin deskriptor yang dihitung pada N
0
x N
0
overlapping
window
•
D adalah L1 norm antar vektor bin deskriptor yang dihitung pada N
0
x N
0
overlapping window
•
Hasil dari edge map pada masing-masing ruang warna dirata-rata dan
dinormalisasi (0-1)
GAMBARAN UMUM
MENGHITUNG PIKSEL YANG HOMOGEN
SEGMENTASI K-MEANS DENGAN BATASAN RUANG
MENGHITUNG PIKSEL YANG HOMOGEN
DARI EDGE MAP (2)
•
Pada edge map diidentifikasi sekumpulan connected
piksel yang edge potential dibawah threshold
•
Dihitung dengan nilai piksel maksimal dikali
threshold kemudian dibandingkan dengan nilai piksel
edge map
•
Prosedur ini berfungsi untuk mendefinisikan peta
daerah tekstur homogen yaitu hasil pembandingan
piksel dibawah threshold
SEGMENTASI K-MEANS DENGAN BATASAN RUANG
MENGHITUNG PIKSEL YANG HOMOGEN
DARI EDGE MAP (3)
Edge
Map
0.37
0.3
0.25
Color Map
GAMBARAN UMUM
MENGAMBIL FITUR PADA CITRA
SEGMENTASI K-MEANS DENGAN BATASAN RUANG
MENGAMBIL FITUR PADA CITRA
HASIL PENGHAPUSAN TEKSTUR
•
Fitur deskriptor vektor memakai semua nilai
warna dari setiap ruang warna.
•
Sehingga pada ekstraksi fitur ini menghasilkan
[n
1
x n
1
x 3 x 10] dimensi fitur vektor dengan
n
1
x n
1
adalah banyaknya piksel pada
SEGMENTASI K-MEANS DENGAN BATASAN RUANG
MENGAMBIL FITUR PADA CITRA
HASIL PENGHAPUSAN TEKSTUR
0
0
0
0
1
2
0
3
4
0
0
0
0
1
2
0
3
4
0
0
0
0
1
2
0
3
4
Dimensi 1
Dimensi 2
Dimensi 3
SEGMENTASI K-MEANS DENGAN BATASAN RUANG
MENGAMBIL FITUR PADA CITRA
HASIL PENGHAPUSAN TEKSTUR (2)
0
0
0
0
1
2
0
3
4
0
0
0
0
1
2
0
3
4
Ruang
Warna 1
Ruang
Warna 10
0
0
0
0
1
2
0
3
4
0
0
0
0
1
2
0
3
4
0
0
0
0
1
2
0
3
4
0
0
0
0
1
2
0
3
4
SEGMENTASI K-MEANS DENGAN BATASAN RUANG
MENGAMBIL FITUR PADA CITRA
HASIL PENGHAPUSAN TEKSTUR (3)
Jumlah Piksel
N
1
x N
1
x 3 x 10
Baris adalah jumlah
piksel dan kolom adalah
banyaknya Fitur
Fitur Vektor
GAMBARAN UMUM
SEGMENTASI K-MEANS DENGAN
SEGMENTASI K-MEANS DENGAN
BATASAN RUANG (2)
SEGMENTASI K-MEANS DENGAN BATASAN RUANG
Segmentasi K-Means dengan batasan ruang dapat diuraikan sebagai berikut
1. Secara acak pilih K
1
inisialisasi pusat cluster
2. Pada langkah ke k tetapkan sampel x
m
ke dalam cluster dengan pusat
terdekat , yakni ke cluster i jika
a. Untuk setiap region R
i
dari edge map
b. Cari cluster mayor dari sampel x
m
�
R
i ,
yakni cluster l jika:
Dimana I adalah fungsi indikator
3.
menunjukkan cluster ke i dengan sampel n
i
setelah langkah 2
tentukan pusat cluster baru dengan rata-rata sampel dalam cluster
4. Ulangi sampai konvergensi terpenuhi
5. Fusi region yang kecil, yakni sekumpulan connected pixel dari cluster yang
ukurannya di bawah 300 piksel, dengan region tetangga yang terbesar
UJI COBA
SKENARIO UJI COBA
•
Uji coba pada skenario pertama dilakukan dengan
mengubah nilai parameter threshold pada edge map
dengan parameter lainnya bernilai default
•
Uji coba pada skenario kedua dilakukan dengan
mengubah nilai jumlah kelas K untuk segmentasi
K-Means dengan batasan ruang dengan parameter
lainnya bernilai default
•
Uji coba pada skenario ketiga dilakukan dengan
mengubah jumlah size window untuk pengambilan
fitur dengan parameter lainnya bernilai default
UJI COBA
SKENARIO UJI COBA (2)
•
Uji coba pada skenario keempat dilakukan dengan
mengubah jumlah subdivision dengan parameter
lainnya bernilai default
•
Uji coba pada skenario kelima dilakukan dengan
mengubah jumlah size fuse dengan parameter
lainnya bernilai default
PARAMETER UJI COBA
SKENARIO UJI COBA (3)
Parameter
Nilai
Percobaan Ke
1
2
3
4
5
6
Subdivision
5000 5000 5000 5000 5000 5000
Size Window
5
5
5
5
5
5
Size Fuse
600
600
600
600
600
600
K
9
9
9
9
9
9
Threshold
0.2
0.25
0.27
0.3
0.35
0.37
Parameter Skenario 1
Parameter
Nilai
Percobaan Ke
1
2
3
4
5
6
Subdivision
5000
5000
5000
5000
5000
5000
Size Window
5
5
5
5
5
5
Size Fuse
600
600
600
600
600
600
K
4
5
6
7
8
10
Threshold
0.37
0.37
0.37
0.37
0.37
0.37
Parameter Skenario 2
Parameter Skenario 3
Parameter
Nilai
Percobaan Ke
1
2
3
4
Subdivision
5000
5000
5000
5000
Size Window
1
2
3
4
Size Fuse
600
600
600
600
K
9
9
9
9
Threshold
0.37
0.37
0.37
0.37
PARAMETER UJI COBA
SKENARIO UJI COBA (4)
Parameter Skenario 4
UJI COBA
EVALUASI SKENARIO UJI COBA
•
Evaluasi pada skenario uji coba dilakukan dengan perhitungan Probabilistic
Rand Index
•
Perhitungan dengan membandingkan hasil segmentasi dengan beberapa
gambar benchmark human segmentation
•
Dihitung dengan menggunakan rumus
UJI COBA
EVALUASI SKENARIO UJI COBA (2)
Image Benchmark
Nilai
label U
Image Hasil Segmentasi
Nilai
label V
banyaknya sampel label
benchmark
banyaknya sampel label
Hasil segmentasi
Indeks diisi sesuai (U,V)
Nilainya ditambah 1
Membuat matrix zeros
bernama n
1
2
1
2
Jumlahan U
Jumlahan V
3
UJI COBA
EVALUASI SKENARIO UJI COBA (3)
4
RI =1- (Jumlah dari (Jumlahan U x Jumlahan U) dibagi 2 +
(Jumlah dari (Jumlahan V x Jumlahan V) dibagi 2 –
(jumlah dari nilai matrix n))dibagi N(N-1)/2
X
Jumlahan
dibagi 2 +
X
X
Jumlahan
dibagi 2
-Jumlahan
1
-dibagi N(N-1)/2
RI =
UJI COBA
CONTOH GAMBAR HASIL DENGAN
GAMBAR BENCHMARK
1. Gambar Asli
3. Gambar Benchmark
UJI COBA
HASIL UJI COBA SKENARIO 1
•
Hasil uji coba pada skenario
ke 1 menunjukkan performa
terbaik pada percobaan ke
dua yaitu pada nilai
threshold 0.25 dengan nilai
akurasi PRI adalah 74.21 %
No Nilai Akurasi (%) Percobaan Ke 1 2 3 4 5 6 1 80.307 79.871 80.284 79.992 78.731 79.902 2 78.329 77.831 79.54 78.032 73.096 75.752 3 71.429 70.433 73.164 72.759 70.482 74.68 4 86.008 88.677 88.073 86.85 84.401 73.777 5 83.439 85.919 77.278 80.899 85.671 73.64 6 79.264 75.475 79.804 77.874 73.836 78.787 7 83.934 83.317 84.665 84.52 83.909 83.493 8 75.567 80.72 81.029 78.843 80.446 79.966 9 79.188 72.865 77.161 77.058 74.046 75.97 10 30.963 39.101 34.428 34.46 58.527 29.57 11 80.794 83.455 83.433 77.242 76.439 79.594 12 47.959 52.218 47.194 48.426 46.221 45.3 13 72.646 77.965 72.937 73.113 74.869 76.689 14 68.568 65.104 69.413 69.972 73.281 69.769 15 81.292 80.11 81.039 80.469 79.357 77.968 16 71.682 71.973 73.31 74.167 71.821 72.723 17 72.856 73.578 71.427 72.874 73.206 73.335 18 56.89 54.91 57.537 58.348 54.089 57.909 19 55.847 56.699 54.017 53.417 57.047 56.145 20 65.243 63.363 64.975 65.377 65.901 66.807 21 78.071 78.494 77.94 77.916 78.453 78.475 22 72.843 72.236 70.639 70.444 73.369 69.737 23 74.162 76.684 73.355 71.284 77.418 78.649 24 84.021 87.315 87.158 87.978 84.11 79.538 25 68.096 69.962 70.559 68.974 70.014 70.668 26 69.478 78.121 77.809 78.387 71.655 75.412 27 72.987 73.341 73.269 72.562 36.106 71.373 28 86.211 86.508 86.226 85.984 87.902 86.33 29 85.94 83.781 85.655 85.105 85.771 82.981 30 86.16 86.357 90.484 90.375 87.617 85.616 73.34 74.21 74.13 73.79 72.93 72.69
