MAKALAH SEMINAR TUGAS AKHIR PERIODE JULI 2010
IMPLEMENTASI SEGMENTASI CITRA INTERAKTIF MENGGUNAKAN REGION MERGING BERBASIS SIMILARITAS MAKSIMAL Ayu Arta Paramita Religia1, Handayani Tjandrasa2, Anny Yuniarti3 Teknik Informatika, Fakultas Teknologi Informasi, ITS email :
[email protected],
[email protected],
[email protected] proses segmentasi selanjutnya digunakan region merging. Proses tersebut membutuhkan interaksi dari user untuk memberikan marker yang menunjukkan posisi object dan background citra.
ABSTRAKSI Saat ini telah banyak metode segmentasi citra yang dikembangkan untuk digunakan sebagai dasar dari proses analisa maupun rekonstruksi citra. Namun pengembangan pada metode segmentasi citra interaktif atau segmentasi semi otomatis untuk citra berwarna masih jarang dilakukan. Dikatakan interaktif karena pada proses segmentasi membutuhkan interaksi dari user untuk memberikan penanda. Makalah ini mengimplementasikan suatu metode segmentasi citra interaktif yang berdasar dari proses segmentasi region merging, namun dengan pendekatan yang berbeda yaitu similaritas maksimal. Region- region yang telah didapatkan pada pre proses akan dicari similaritasnya. Apabila similaritas tersebut maksimal maka akan dilakukan proses region merging dengan menggunakan bantuan penanda dari user. Dari uji coba yang telah dilakukan pada beberapa citra, terbukti bahwa metode segmentasi citra interaktif ini dapat dijadikan alternatif metode segmentasi yang lebih mudah serta memberikan hasil segmentasi yang baik.
2. METODE REGION MERGING BERBASIS SIMILARITAS MAKSIMAL Initial segmentasi merupakan step awal yang berfungsi untuk membagi citra menjadi region – region yang memiliki kesamaan untuk kemudian dapat dilakukan proses merging. Untuk itu digunakan EDISON system [3] yaitu software untuk segmentasi meanshift, dimana segmentasi meanshift merupakan low level segmentasi yang digunakan pada tugas akhir ini.Hasil segmentasi meanshift dari EDISON system ditampilkan pada Gambar 1.
2.1 PENGHITUNGAN SIMILARITAS Setelah melakukan initial segmentasi meanshift dengan EDISON system [3], akan didapatkan region – region kecil. Pada langkah awal dari metode yang digunakan pada tugas akhir ini adalah terlebih dahulu menggunakan deskriptor warna sebagai representasi fitur warna pada objek pada region-region yang didapatkan dari low-level segmentasi tersebut. Seperti diketahui, region dapat direpresentasikan dengan beberapa deskriptor antara lain, warna, edge, tekstur, bentuk dan ukuran dari region. Tujuannnya agar setiap region merepresentasikan descriptor yang sama, yaitu histogram warna.
Kata kunci : segmentasi semi otomatis, citra berwarna, similaritas maksimal, region merging, koefisien Bhattacharyya
1. PENDAHULUAN Saat ini berbagai macam metode segmentasi citra telah banyak dikembangkan baik itu segmentasi citra otomatis maupun semi otomatis. Yang dimaksud segmentasi citra semi otomatis adalah teknik segmentasi yang meminta interaksi user untuk memasukkan input bantuan seperti marker. Salah satu metode segmentasi citra interaktif yang telah dikembangkan adalah metode berbasis graph [1]. Dimana, pada metode tersebut menggunakan watershed sebagai pre-segmentasi / low level segmentasi yang dikombinasikan dengan graph cut sebagai operasi selanjutnya. Seperti diketahui, terdapat berbagai macam metode low level segmentasi yang dapat dijadikan dasar untuk operasi segmentasi di level yang lebih tinggi, antara lain : Mean shift, watershed, super-pixel dan level set [2]. Pada makalah ini, diimplementasikan suatu metode segmentasi citra interaktif baru, region merging berbasis similaritas maksimal [2], dimana metode low level segmentasi yang digunakan adalah mean shift. Dan untuk
Gambar 1 Contoh citra hasil segmentasi meanshift EDISON sytem
Setelah merepresentasikan region dengan deskriptor warna, selanjutnya adalah proses penghitungan similaritas antara 2 region. Pada tugas akhir ini penghitungan similaritas antara 2 region menggunakan koefisien Bhattacharyya. Koefisien Bhattacharyya digunakan karena sangat sederhana dan efisien untuk merepresentasikan similaritas dari region [4]. Diasumsikan R dan Q adalah 2 region. Untuk similaritas
1
dari keduanya adalah ρ ( R, Q ) maka untuk penghitungan similaritas antar region terdapat pada persamaan (1)
berdekatan
SB
B
bukan merupakan anggota
4096
ρ ( R, Q ) = ∑ Hist Ru ⋅ Hist Qu
dengan
…………………(1)
dan
dinotasikan
= {Ai }i =1, 2,...,r . Kemudian untuk setiap
dengan
Ai dan Ai
M B ( Ai ∉ M B ), maka akan
dibentuk kumpulan dari daerah, yang dinyatakan dengan notasi S A = {S jA } . Tentu B ∈ S A , kemudian akan
u =1
i
Hist R dan Hist Q adalah normalisasi histogram
j =1, 2 ,..., k
i
i
dihitung similaritas antara
dari R dan Q, u merupakan elemen ke uth pada region. Nantinya nilai Bhattacharyya yang lebih tinggi antara R dan Q, maka merupakan similaritas yang lebih tinggi pula diantara semuanya.
Ai dan setiap elemen pada
S Ai . Setalah melakukan penghitungan , jika memenuhi aturan similaritas maksimal yaitu apabila similaritas daerah Ai dan B merupakan similaritas yang maksimal
2.2 MARKER OBJEK DAN BACKGROUND
dalam kumpulan daerah
Pada segmentasi citra interaktif, dibutuhkan bantuan user untuk menspesifikan object dan background. User dapat memasukkan input interaktif dengan menggambar marker atau penanda yang berupa garis.Region yang pikselnya terdapat pada objek marker disebut daerah objek marker. Begitu pula region yang pikselnya terdapat pada background marker maka disebut daerah background marker, sedangkan daerah yang tidak ada terdapat marker keduanya maka disebut daerah nonmarker [2]. Pada makalah ini digunakan garis dengan warna hijau sebagai penanda daerah objek dan garis dengan warna biru sebagai penanda daerah background.
S jAi yang dinotasikan dengan
ρ ( Ai , B ) = max ρ ( Ai , S jA ) ……… (3) i
i =1, 2 ,...q
maka
Ai dan B akan digabungkan / di merge
menjadi satu daerah/region, kemudian daerah baru itu akan diberi label yang sama yaitu daerah B , jika tidak memenuhi aturan dari similaritas maksimal maka Ai dan B tidak akan digabungkan. Prosedur diatas akan dilakukan berkali – kali, perulangan terhadap prosedur tersebut berhenti dijalankan apabila seluruh penanda/ marker pada daerah background M B telah digabungkan. Setelah semua daerah pada stage ini digabungkan. Jika prosedur telah berhenti, maka stage 1 pada proses penggabungan ini telah selesai, namun tidak semua bagian pada background akan digabungkan pada stage ini. Karena daerah tersebut mempunyai similaritas yg lebih tinggi diari daerah lain maupun daerah background sendiri. Untuk menyelesaikan problem yang tersisa dari stage 1, maka akan dijalankan stage 2 dimana pada proses ini seluruh daerah non-marker pada background yang tersisa dan pada daerah objek , akan di merge. Daerah non-marker pada objek dan background diasumsikan sebagai P ∈ N , untuk daerah-daerah yang berdekatan
BERBASIS 2.3 ATURAN MERGING SIMILARITAS MAKSIMAL Setelah proses marking objek dan background, proses selanjutnya yang dilakukan pada metode ini adalah mengidentifikasi daerah non-marker dengan bantuan dari marker object dan background. Karena daerah marker hanya mencakup sebagian kecil dari objek dan background, dan daerah non-marker harus diidentifikasi dan tidak asal digabungkan dengan background. Maka untuk mengidentifikasi dapat digunakan mekanisme similaritas maksimal berbasis merging [2]. Diasumsikan daerah Q terletak berdekatan dengan daerah R dan dinotasikan dengan
ρ ( R, Q) = max ρ (Q, SiQ ) , …………………… (2)
pada P di asumsikan sebagai
i =1, 2 ,...q
S P = {H i }i =1, 2,.. p .
H i yang bukan merupakan bagian dari daerah background ( H i ∉ M B ) dan H i yang bukan merupakan bagian daerah objek ( H i ∉ Mo ) kumpulan daerah tersebut diasumsikan
Kemudian untuk setiap
Dari persamaan diatas, maka proses penggabungan
atau merging dilakukan jika ρ ( R , Q ) maksimal. Aturan merging tersebut san-gat sederhana namun ini merupakan dasar dari metode yang digu-nakan pada tugas akhir ini.
sebagai
2.4 PROSES PENGGABUNGAN / MERGING Setelah didapatkan similaritas maksimal dari tiap region. Maka proses yang dilakukan selanjutnya adalah proses penggabungan/ merging. Untuk proses penggabungan pada tugas akhir ini, terdapat 2 stage yang akan dilakukan [2]. Pada stage pertama, akan dilakukan penggabungan/merge untuk daerah background dengan daerah lain yang berdekatan. Untuk setiap daerah B ∈ M B , akan dibentuk kumpulan daerah yang
{ }
S H i = S JH i
teradapat pada
j =1, 2 ,.. p
. Daerah P ada pula yang
S H i ,kemudian similaritas antara P dan
setiap elemen pada
S H i akan dihitung, jika memenuhi
aturan maksimal similaritas yang direpresentasikan.
ρ ( P, H i ) = max ρ ( H i , S Hj ) i
i =1, 2 ,...q
2
………………… (4)
Maka P dan
Keempat macam citra merepresentasikan karakteristik berbeda : • citra pertama : Citra yang memiliki perbedaan warna objek dan background yang contrast , contoh : citra Bird.bmp • citra kedua : citra yang beberapa bagian pada objeknya memiliki kesamaan warna dengan background. contoh : citra Monalisa.bmp • citra ketiga : citra yang pada bagian objek memiliki karakteristik warna yang sangat mirip dengan background. Contoh : citra Starfish2.bmp • citra keempat : pada citra ini terdapat 2 objek yang nantinya harus disegmentasi atau dapat dikatakan multiple object extraction. Contoh : citra Twodogs.bmp. Keempat histogram setiap karakteristik citra ditunjukkan pada Gambar 3 (a), (b), (c), dan (d).
H i akan di gabungkan/dimerge
menjadi satu daerah/region. Jika tidak memenuhi aturan tersebut maka tidak digabungkan. Sama dengan stage 1, prosedur pada stage 2 ini dijalankan terus menerus pula hingga tidak ada lagi daerah non-marker N yang dapat digabungkan. Stage 1 dan stage 2 akan dijalankan terus menerus hingga tidak ada daerah yang digabungkan lagi. Kemudian akhirnya daerah yang ada hanya akan diberi label objek atau background, dari sinilah, maka akan dapat dengan mudah melakukan mendapatkan kontur dari objek dengan mengekstraksi daerah objek saja.
3. METODOLOGI Metodologi dari sistem ini secara keseluruhan digambarkan pada diagram alir Gambar 2
Gambar 3 Histogram untuk citra (a)Bird.bmp (b) Monalisa.bmp (c) Starfish2.bmp (d) Twodogs.bmp
Citra original dan citra intial segmentasi ditunjukkan pada Gambar 4.(a) dan (b),
Gambar 2 Diagram Alir Metode Region Merging berbasis similaritas maksimal
Pada gambar 2 ditunjukkan diagram alir dari algoritma segmentasi region merging berbasis similaritas maksimal secara keseluruhan. Gambar 4 (a) Citra Original Bird.bmp (b) Citra original yang digabungkan dengan citra segmentasi low level/initial segmentasi
4. UJI COBA DAN EVALUASI
Tabel 1 menunjukkan citra dengan marker dan jumlah marker objek dan background pada citra. Gambar 5 merupakan hasil uji coba skenario 1 pada citra yang memiliki perbedaan warna objek dan background yang contrast, Sedangkan untuk analisis hasil uji coba skenario 1 keseluruhan dapat dilihat pada tabel 2. Dari hasil uji coba yang dilakukan pada 4 citra RGB, terlihat bahwa metode segmentasi citra interaktif menggunakan region merging berbasis similaritas maksimal dapat mensegmentasi citra dengan baik.
a. Uji Coba dengan 4 macam citra RGB Pada skenario ini, akan dijabarkan hasil uji coba segmentasi citra interaktif menggunakan 4 macam citra RGB yang memiliki jumlah region dan karakteristik citra yang berbeda. 4 macam citra RGB tersebut diambil dari dataset pada referensi [5].Tujuan dari uji coba ini adalah untuk mengetahui keakuratan sistem dalam mensegmentasi citra RGB yang berbeda secara semi automatis.
3
kedua ini masih dilakukan pada keempat citra RGB yang diuji cobakan pada uji coba pertama. Citra original dan citra intial segmentasi ditunjukkan pada Gambar 6. (a) dan (b).
Tabel 1 Uji Coba dengan citra Bird.bmp
citra original bermarker
citra initial segmentasi bermarker
jumlah marker objek background
2
2
Gambar 6 (a) Citra Original Monalisa.bmp (b) Citra original yang digabungkan dengan citra segmentasi low level/initial segmentasi
Tabel 3 menunjukkan citra dengan marker dan jumlah marker objek dan background pada citra. Tabel 3 Uji Coba dengan citra Monalisa.bmp
citra original bermarker
Gambar 5 Hasil Segmentasi citra Bird.bmp
citra initial segmentasi bermarker
jumlah marker objek
background
1
2
Tabel 2 Hasil Uji Coba 1 dengan 4 citra RGB Round 1
Round 2
nama citra
size citra
jumlah region
Running Process (s)
stage 1
stage 2
stage 1
stage 2
Bird.bmp
163 x 192
170
5.96875
3
3
3
0
Monalisa.bmp
376 x 425
522
58.9844
6
9
3
0
starfish2.bmp
448 x 368
1088
80.625
4
6
2
0
twodogs.bmp
335 x 295
196
16.5469
3
4
3
0
Pada Tabel 2, dilihat bahwa running process sistem dipengaruhi oleh jumlah region, semakin banyak jumlah region maka running processnya akan lebih lama serta membutuhkan proses merging yang lebih banyak pada setiap stage dan round.
b. Uji Coba dengan mengganti koefisien Bhattacharyya dengan Euclidean Distance Gambar 7(a) Hasil Segmentasi citra Monalisa.bmp pada uji coba 2 (b) Hasil segmentasi pada uji coba 1
Untuk uji coba kedua ini menggunakan skenario penghitungan similarita berbeda dari uji coba pertama. Jika pada uji coba pertama untuk proses mencari similaritas antar region digunakan Bhattacharyya koefisien. Sedangkan pada uji coba kedua ini, penghitungan similaritas akan dilakukan dengan Euclidean distance. Persamaan 5 menampilkan rumus untuk menghitung similaritas menggunakan Euclidean distance[2]. Dimana notasi – notasi pada persamaan tersebut sama dengan notasi yang terdapat pada Persamaan 1.
ρ ( R, Q) = −
4096
∑ ( Hist
U =1
U R
Gambar 7(a) merupakan hasil uji coba skenario 2 pada citra yang beberapa bagian pada objeknya memiliki kesamaan warna dengan background dan Gambar 7(b) merupakan hasil segmentasi citra monalisa.bmp pada uji coba 1, Sedangkan untuk analisis hasil uji coba skenario 2 keseluruhan dapat dilihat pada tabel 4. Pada Tabel 4 tampak bahwa penghitungan similaritas antar region dapat dilakukan dengan metode Euclidean distance, hanya apabila dibandingkan dengan metode koefisien Bhattacharyya, keseluruhan proses dengan metode Euclidean distance membutuhkan waktu proses lebih lama. Demikian pula dengan proses merging pada setiap stage dan round Euclidean distance membutuhkan proses merging lebih banyak jika dibandingkan dengan menggunakan koefisien Bhattacharyya.
− Hist QU ) ……………….(5)
Uji coba kedua ini dilakukan untuk membandingkan bagaimana kinerja sistem jika proses penghitungan similaritas dilakukan dengan Euclidean distance. Yang dimaksud dengan kinerja sistem adalah running process dan banyaknya jumlah merging yang dilakukan pada setiap stage. Sama dengan uji coba pertama, uji coba
4
Tabel 4 Hasil Uji coba dengan metode penghitungan similaritas menggunakan Euclidean distance nama citra
jumlah region
Running Process (s)
Running proses uji coba1 (s)
stage 1
stage 2
stage 1
stage 2 0
Jumlah proses merging Round 1
Round 2
Bird.bmp
170
6.28125
5.96875
3
3
3
Monalisa.bmp
522
60.3906
58.9844
8
9
3
0
starfish2.bmp
1088
81.6094
80.625
4
6
3
0
twodogs.bmp
196
17.7656
16.5469
3
4
3
0
c. Uji Coba dengan mengganti model warna citra RGB menjadi citra HIS
Gambar 9 (a) Citra Original Twodogs.bmp (b) Citra yang sudah diubah model warnanya menjadi HSI (c) Citra HSI yang telah digabungkan dengan citra segmentasi low level(initial segmentasi)
Jika pada proses uji coba pertama dilakukan pada citra RGB, maka untuk proses uji coba ketiga sistem akan diujikan pada citra HSI.Citra HSI berasal dari kata Hue, Saturation, dan Intensity. Hue = mendeskripsikan warna murni, Saturasi = derajat banyaknya warna murni yang dilunakkan dengan warna putih, Intensitas = menggabungkan informasi warna dari H dan S. Tujuan dari uji coba ketiga ini adalah mengetahui apakah sistem dapat bekerja pada citra dengan model warna yang berbeda. Langkah uji coba untuk citra HSI ini hampir sama dengan citra RGB [2] hanya bila pada citra RGB setiap color channel diberi nilai yang sama yaitu R = 16, G = 16 dan B = 16 sehingga total bernilai 4096. Untuk citra HSI ini diberikan nilai untuk H = 16 , S = 4, dan I = 4 sehingga total bernilai 256. Kemudian dengan menggunakan histogram dari nilai tersebut, dan melakukan perhitungan similaritas menggunakan metode yang sama dengan uji coba 1 yaitu Bhattacharyya. Didapatkan similaritas maksimal dengan aturan yang sama pula dengan uji coba 1. Gambar 8 merupakan perubahan warna citra dataset yang semula RGB menjadi HSI. Untuk merubah citra RGB menjadi HSI digunakan fungsi matlab.
Tabel 5 Uji Coba dengan citra Twodogs.bmp citra initial segmentasi bermarker
citra original bermarker
jumlah marker objek
background
5
3
Gambar 10(a) Hasil segmentasi citra Twodogs.bmp pada model warna HSI (b) Hasil segmentasi pada uji coba 1 Tabel 6 Hasil Uji coba dengan mengganti model warna citra RGB menjadi citra HSI nama citra
Gambar 8 (a) citra RGB dari dataset (b) citra RGB yang telah diubah menjadi HSI
Citra original, citra yang diubah kedalam model warna HSI, citra intial segmentasi ditunjukkan pada Gambar 9 (a), (b) dan (c). Tabel 5 menunjukkan citra dengan marker serta jumlah marker objek dan background pada citra.Gambar 10(a) merupakan hasil uji coba skenario 3 pada citra multiple objek, (b) merupakan hasil uji coba citra twodogs.bmp pada uji coba 1.
jumlah region
Running Process (s)
Running proses uji coba1 (s)
Jumlah proses merging Round 1
Round 2
stage 1
stage 2
stage 1
stage 2
Bird.bmp
170
10.4063
5.96875
7
2
3
0
Monalisa.bmp
522
67.1563
58.9844
8
3
0
0
starfish2.bmp
1088
146.875
80.625
8
10
2
0
twodogs.bmp
196
21.0781
16.5469
6
2
2
0
Tabel 6 menampilkan hasil uji coba ketiga, dari tabel tersebut menunjukkan bahwa uji coba ketiga ini membutuhkan waktu proses yang lebih lama dari proses uji coba pertama dan kedua. Serta membutuhkan proses merging yang lebih banyak pada setiap stage dan round. Dan pada citra starfish2.bmp, dimana pada Tabel dicetak warna biru sistem tidak dapat mensegmentasi dengan baik, sehingga objek yang diinginkan tidak dapat terekstraksi. 5
Tabel 7 Uji Coba dengan citra Starfish2.bmp
d. Uji Coba dengan mengganti Initial Segmentasi Meanshift menjadi Super Piksel Berbeda dengan ketiga skenario uji coba yang sebelumnya, skenario uji coba keempat ini merubah initial segmentasi yang awalnya merupakan initial segmentasi meanshift yang merupakan hasil keluaran dari EDISON system [3], diubah menggunakan metode initial segmentasi lain selain meanshift yaitu super piksel. Berbeda dengan mean shift,super piksel membagi citra menjadi bagian-bagian kecil seperti membaginya berdasarkan piksel citra tersebut. Initial segmentasi super piksel ini juga didapatkan dari hasil sistem yang telah ada yang dibuat oleh Greg mori [6]. Gambar 11 merupakan contoh initial segmentasi super piksel
citra original bermarker
citra initial segmentasi bermarker
jumlah marker objek
background
2
2
Gambar 13(a) merupakan hasil segmentasi citra Starfish2.bmp pada uji coba 4 (b) Hasil segmentasi pada uji coba 1 Tabel 8 Hasil Uji coba dengan mengganti initial segmentasi meanshift menjadi super piksel
Gambar 11 merupakan contoh initial segmentasi super piksel
Tujuan dari uji coba keempat ini mengetahui apakah sistem dapat bekerja pada initial segmentasi berbeda, apakah nantinya hasil yang didapatkan lebih bagus dengan menggunakan super piksel atau kebalikannya. Citra original dan citra intial segmentasi ditunjukkan pada Gambar 12(a) dan (b).
nama citra
jumlah region
Running Process (s)
Running proses uji coba1 (s)
stage 1
stage 2
stage 1
stage 2
Jumlah proses merging Round 1
Round 2
Bird.bmp
618
20.5313
5.96875
4
4
3
0
Monalisa.bmp
613
52.8906
58.9844
5
6
3
0
starfish2.bmp
662
57.3585
80.625
4
6
3
0
twodogs.bmp
647
53.6094
16.5469
6
5
3
0
Karena initial segmentasi super piksel memiliki banyak region segmentasi maka untuk proses segmentasi utama, membutuhkan lebih banyak marker yang dibutuhkan untuk mendapatkan hasil yang sama apabila menggunakan initial segmentasi meanshift. Gambar 12(a) Citra Original Starfish2.bmp (b) Citra original yang digabungkan dengan citra segmentasi low level/initial segmentasi
e. Uji coba pada citra yang bagian daerah objeknya terdapat pada background Dalam proses uji coba system terdapat pula kegagalan dalam melakukan proses segmentasi dan system tidak dapat mengekstraksi objek dengan baik. Gagalnya proses tersebut karena beberapa bagian dari objek terdapat pada background. Sehingga berapa pun jumlah marker yang diberikan , tidak dapat mendapatkan hasil segmentasi yang optimal. Gambar 13 (a) merupakan citra original starfish1.bmp dan (b) merupakan citra initial segmentasi.
Tabel 7 menunjukkan citra dengan marker serta jumlah marker objek dan background pada citra. karakteristik warna yang sangat mirip dengan background, Gambar 13(a) merupakan citra hasil segmentasi untuk scenario uji coba ke 4 dan 13(b) merupakan hasil segmentasi pada uji coba 1 , Sedangkan untuk analisis hasil uji coba skenario 4 keseluruhan dapat dilihat pada tabel 8. Tabel 8 menampilkan hasil uji coba keempat, dimana pada tabel tersebut menunjukkan jumlah region, running proses pada initial segmentasi super piksel berjumlah hampir sama antar citra. Pada tabel 8 running proses untuk citra bird.bmp dan twodogs.bmp membutuhkan waktu yang jauh lebih lama dibandingkan bila menggunakan initial segmentasi meanshift.
6
• Proses segmentasi citra dapat dilakukan pula dengan mengganti initial segmentasinya dengan menggunakan super piksel. Namun membutuhkan marker yang lebih banyak dari initial segmentasi mean shift. • Semakin banyak jumlah region pada citra maka akan semakin lama waktu prosesnya serta membutuhkan banyak proses merging pada stage dan round dari sistem.
Gambar 14(a) Citra Original Starfish1.bmp (b) Citra original yang digabungkan dengan citra segmentasi low level/initial segmentasi
Tabel 9 menunjukkan citra dengan marker serta jumlah marker objek dan background pada citra. Tabel 9 Uji Coba dengan citra Starfish1.bmp citra initial segmentasi bermarker
citra original bermarker
jumlah marker objek
background
REFERENSI 3
[1]. P.Felzenswalb, D.Huttenlocher, Efficient graphbased image segmentation,International Journal of Computer Vision 59, 2004. [2]. J.Ning, L.Zhang, D.Zhang, C.Wu, Interactive image segmentation by maximal similarity based on region merging, International Journal of Pattern Recognition 43, 2010. [3]. EDISON System (http://coewww.rutgers.edu/riul/research/code.html , Diakses 2 Juli 2010) [4] K.G.Derpanis, The Bhattacharyya Measure,
[email protected], 2008. [5] Hong kong Polytechnic University, Hong kong, China(http://www4.comp.polyu.edu.hk/~cslzhang/, Diakses 2 Juli 2010 ) [6] Superpixel: Empirical Studies and Applications (http://www.seattle.intelresearch.net/~xren/research/ superpixel/, Diakses 14 Juli 2010)
4
Gambar 15 merupakan hasil dari segmentasi pada citra starfish1.bmp, Sedangkan untuk analisis hasil uji coba skenario 5 keseluruhan dapat dilihat pada tabel 10.
Gambar 15 merupakan hasil segmentasi citra Strafish1.bmp Tabel 10 Hasil uji Coba pada citra yang bagian daerah objeknya terdapat pada background
nama citra
jumlah region
Running Process (s)
Starfish1.bmp
1535
118.563
Round 1
.
Round 2
stage 1
stage 2
stage 1
stage 2
7
5
3
-
Tabel 10 menampilkan hasil ujicoba untuk citra dimana bagian daerah objeknya terdapat pada background. citra ini memiliki 1535 region. Untuk running proses pada citra starfish1.bmp dibutuhkan waktu 118.563 . namun dengan waktu yang sangat lama sistem tidak mendapatkan hasil segmentasi yang optimal pada citra ini.
5. KESIMPULAN Kesimpulan yang diperoleh berdasarkan uji coba dan analisa hasil yang telah dilakukan adalah : • Permasalahan proses merging dari citra berwarna dapat dilakukan dengan menghitung similaritas antar region dan mencari maksimal similaritas tiap regionnya. • Koefisien Bhattacharyya dan Euclidean distance dapat dapat digunakan untuk menghitung similaritas antar region, namun berdasar hasil uji coba hasil yang lebih baik adalah menggunakan koefisien Bhattacharyya.
7
