KUANTISASI WARNA DAN CELULAR NEURAL NETWORK UNTUK SEGMENTASI CITRA BERWARNA

Vol. 2, No. 2 Desember 2011

ISSN 2088-2130

KUANTISASI WARNA DAN CELULAR NEURAL NETWORK UNTUK SEGMENTASI CITRA BERWARNA Imamah1), Devie Rosa Anamisa2) 1,2)

Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Surabaya, Indonesia E-mail: [email protected], [email protected]

ABSTRAK Segmentasi citra merupakan salah satu bagian penting dari pemrosesan citra, yang bertujuan untuk membagi citra menjadi beberapa region homogen berdasarkan kriteria kemiripan tertentu. Citra berwarna memiliki tingkat kesulitan tersendiri dalam proses segmentasinya, terutama pada citra yang memilki keragaman warna cukup tinggi. Penelitian ini mengajukan sebuah metode baru untuk segmentasi citra berwarna menggunakan cellular neural network dengan penambahan kuantisasi warna sebagai tahapan awalnya. Citra masukan akan mengalami proses kuantisasi warna untuk membentuk color-class map. Kemudian citra akan disegmentasi dengan metode cellular neural network. Hasil percobaan dengan metode kuantisasi warna dan CNN untuk proses segmentasi citra berwarna telah menghasilkan segmentasi warna merah, hijau dan biru atau RGB dengan nilai akurasi ratarata 72,5%, dan nilai error 27,5%. Kata Kunci: Segmentasi citra, Cellular neural network, Kuantisasi warna, Color-class map.

ABSTRACT Image segmentation is one important part of pengolahan citra, image segmentation which is intended to divide the image into homogeneous regions based on certain similarity criteria of the image. Color images has its own degree of difficulty in the segmentation process, especially on the image that has color diversity is quite high. In this study finds new method is a cellular neural network with the addition of a color quantization process initially. With these methods have the input image will have a color quantization process to form a color-class map. After color-class map formed the next step is to perform image segmentation by cellular neural network method. The results of experiments with color quantization method and CNN for image segmentation process generates segmentation in color has red, green and blue or RGB with the average accuracy 72.5% and the error value 27.5%. Keyword: Citra segmentation, Cellular neural network, Color quantization, Color-class map.

PENDAHULUAN Segmentasi citra berwarna sangat bermanfaat dalam berbagai aplikasi. Dari hasil segmentasi citra, identifikasi region-region yang diinginkan dan obyek-obyek dalam citra dapat dilakukan, untuk keperluan analisis citra. Cellular neural network adalah algoritma yang memadukan cara kerja neural network dan cellular automata. Metode ini dimodelkan menjadi dua dimensi yang setiap

selnya saling tehubung dengan sel tetangga terdekat untuk saling berinteraksi satu dengan yang lainnya [1]. Paradigma tentang CNN berkembang dengan cepat melingkupi berbagai aplikasi yang memiliki karakteristik dinamika spasial [2]. Salah satu topik yang menarik adalah filtering untuk pengolahan citra. Kemajuan besar telah dibuat banyak peneliti dibidang ini [3], diantaranya adalah dengan dibuatnya template 293

CNN yang dapat digunakan untuk pengolahan citra, dan algoritma untuk pengenalan karakter dan halftoning [4] [7]. Desain template pada CNN, terdiri dari tiga template, yaitu feedback template A, control template B dan bias I. Dalam beberapa tahun terakhir, masalah desain template CNN untuk pengolahan citra telah menarik perhatian dan telah menghasilkan pengembangan metode desain beberapa template CNN. Dari beberapa literature tentang desain template diketahui, cara intuitif akan menyebabkan hasil yang cepat dalam beberapa kasus sederhana, tapi tidak ada jaminan secara pasti bahwa template sesuai dengan yang diinginkan. Template CNN pada banyak kasus lebih banyak meneliti tentang implementasi CNN untuk citra aras keabuan. Hal ini mungkin disebabkan karena output CNN dalam bentuk biner, sehingga lebih mudah diimplementasikan untuk citra aras keabuan. CNN multilayer merupakan salah satu metode yang tepat untuk pengolahan citra berwarna [8]. Pada citra berwarna masingmasing piksel dapat dikelompokkan ke dalam tiga warna dasar, yaitu RGB (Red, Green dan Blue), sehingga memungkinkan untuk mengalokasikan layer pada CNN sesuai dengan komponen warna dasarnya. Citra berwarna memiliki tingkat kesulitan tersendiri dalam proses segmentasi. Jika citra hanya terdiri dari region-region warna yang homogen, metode clustering dalam ruang warna dapat diterapkan. Namun pada kenyataannya, banyak terdapat citra yang memiliki warna beragam, misalnya citra pemandangan alam sehingga memerlukan teknik segmentasi yang lebih baik dibandingkan clustering region warna. Penelitian ini mengajukan sebuah metode baru untuk segmentasi citra berwarna menggunakan cellular neural network dengan penambahan kuantisasi warna sebagai tahapan awalnya. KUANTISASI WARNA DAN CNN Penelitian ini, menjadikan kuantisasi warna sebagai tahapan awal proses segmentasi, dengan tujuan memudahkan pengalokasian komponen warna dasar, yaitu RGB ke dalam

setiap layer pada multilayer CNN. Metode CNN dengan kuantisasi warna yang dianalisis dalam penelitian ini mempunyai beberapa tahapan proses seperti digambarkan pada Gambar 1. Citra berwarna

Kuantisasi warna

Color classmap

CNN

Hasil segmentasi Gambar 1.Diagram alir sistem. Kuantisasi Warna Pada tahap kuantisasi warna, citra dikuantisasi secara kasar tanpa menurunkan kualitas warna secara signifikan. Tujuannya untuk mengekstrak beberapa perwakilan warna yang dapat digunakan untuk membedakan region-region dalam citra. Kuantisasi warna yang baik berpengaruh terhadap proses segmentasi. Dalam implementasi penelitian ini digunakan algoritma kuantisasi warna perseptual [9]. Algoritma kuantisasi warna perseptual bekerja berdasarkan persepsi penglihatan manusia yang lebih sensitif terhadap perubahan smooth region daripada textured region. Smooth region adalah boundary region-region yang memungkinkan, sedangkan detailed region atau textured region adalah region-region homogen pada citra. Karena itu, warna-warna dapat dikuantisasi secara lebih kasar pada detailed region tanpa mempengaruhi kualitas perseptual [9]. 294

Berdasarkan fakta tersebut, setiap piksel ditandai dengan bobot yang berdasarkan pada variance dalam window lokal sedemikian rupa sehingga piksel-piksel pada smooth region lebih penting daripada piksel-piksel pada detailed region. Algoritma ini menggunakan statistik lokal yang diperoleh setelah peer group filtering, yaitu bobot dalam proses kuantisasi vektor. Prosedur kuantisasi warna adalah sebagai berikut : 1. Konversi ruang warna RGB ke LUV untuk menjaga kualitas warna. 2. Peer group filtering diterapkan untuk menghaluskan citra dan menghilangkan impulse noise. Hasilnya berupa : a. x : vektor piksel citra yang telah dihaluskan oleh anggota peer group-nya b. N : jumlah cluster awal c. V : bobot perseptual untuk setiap piksel 3. Clustering dengan Generalized Lloyd Algorithm (GLA). Hasilnya berupa centroid untuk setiap cluster warna. 4. Penggabungan cluster-cluster yang jarak centroidnya kurang dari ambang kuantisasi warna. 5. Klasifikasi piksel ke dalam cluster warna yang centroidnya terdekat dengan intensitas piksel tersebut. 6. Konversi ruang warna LUV ke RGB untuk menampilkan citra hasil kuantisasi warna. CNN CNN adalah model dua dimensi yang setiap selnya saling terhubung dengan sel tetangga dekat untuk saling berinteraksi satu dengan yang lainnya. Cellular Neural Network (CNN) adalah array dari sistem dinamis (sel) atau jaringan yang terkoneksi lokal (antar tetangga). Sel dapat diatur dalam beberapa konfigurasi, namun yang paling populer adalah CNN dengan delapan grid persegi panjang berdimensi dua [10]. Setiap sel memiliki input, state, dan output, dan berinteraksi langsung hanya dengan sel dalam radius r jika r=1. Secara umum, output masing-masing sel, bergantung pada input dan output dari sel tetangganya, dan state awal dari jaringan dapat ditunjukkan pada Gambar 2.

Sistem dinamis (sel) dalam CNN membentuk suatu matriks MxN dengan sel C(i,j) dengan kordinat kartesius i=1,2,3,...,N. Dengan tiap sel pada sumbu X dan sumbu Y ditunjukkan pada persamaan (1). Xij(t) = -Xij + ∑ A(i,j;k,l)Ykl(t)+∑ B(i,j;k,l)ukl + Iij Yij(t) = f(xij(t)) = ½ (|Xij(t) +1|- |xij(t) -1|) , (1). Xij(t) dan Yij(t) pada persamaan (1) adalah koordinat dari cell. A(i,j;k,l) sedangkan B(i,j;k,l) adalah state, ukl adalah intensitas piksel dari matrik MxN, dan Iij adalah bias dari cell.

Gambar 2. CNN (a) struktur array dan (b) blok diagram pada masing-masing sel. Prosedur CNN dalam melakukan segmentasi citra sebagai berikut: 1. Membentuk suatu matrik MxN untuk setiap sel C(i,j). 2. Membentuk sel tetangga (2r+1)(2r+1), dimana r adalah radius. 3. Melakukan normalisasi untuk intensitas piksel pada matrik MxN. 4. Dengan persamaan (1) dalam membentuk sel dilakukan perulangan pada variasi statenya hingga mencapai waktu diantara t dan t-1. 5. Variasi nilai dari setiap piksel menghasilkan struktur segmentasi citrawarna merah, hjau dan biru. HASIL UJI COBA DAN PEMBAHASAN Uji coba dilakukan pada 6 citra berwarna yaitu citra 1, 2, 3, 4, 5 dan 6 yang bervariasi intensitas warna merah, hijau dan biru. Ada yang memiliki tingkat intensitas warna 295

merah yang tinggi, dan bahkan ada tidak memiliki salah satu warna diatas. Tujuan pengujian ini untuk melihat dan menganalisa hasil segmentasi berdasarkan region warna. Uji coba dilakukan dengan menggunakan beberapa desain template CNN. Pada awalnya digunakan desain template default dari CNN yang selanjutnya disebut sebagai desain template A, yaitu : A

=

B

=

dan nilai bias atau I =-1 . Template ini diterapkan untuk semua layer RGB, hasil percobaan dengan menggunakan template A tidak menunjukkan perubahan pada nilai piksel dari citra yang diinputkan. I atau bias yang bernilai negatif menjadikan semua piksel memiliki nilai kontras yang cukup tinggi. Desain template ini berhasil mensegmentasi citra tetapi tidak semua warna dapat tersegmentasi.. Selanjutnya, citra diuji coba pada desain template B. Desain template ini dibuat untuk masing-masing layer red, layer green dan layer blue. Setiap layer akan memiliki feedback template A, control template B dan nilai bias I. Perhitungan dari masing-masing nilai didapatkan dengan menggunakan control template B untuk setiap template. Nilai bias, didapatkan dengan membagi nilai bias default menjadi tiga nilai, yang jika dijumlahkan menjadi -1. Hasil dari perhitungan diatas mendapatkan nilai untuk desain template B sebagai berikut : Ared

B

=

dimana, nilai bias untuk Ired = -0.25, Igreen= 0.25 dan Iblue = -0.50. Dengan desain template ini, didapatkan warna hijau, warna merah sudah bisa tersegmentasi tetapi kurang sempurna. Warna biru menghasilkan warna blur yang mendekati warna hitam. Berdasar analisa ini, maka diambil inisiatif untuk: a. Menaikkan nilai Ared menjadi 2,1 sampai ditemukan nilai yang paling optimal adalah 2,9. b. Menaikkan nilai Agreen menjadi 2,1 sampai ditemukan nilai optimal pada nilai 2.2. c. Menurunkan nilai Ablue menjadi 1,9 sampai ditemukan nilai optimal pada 0,1. d. Menurunkan nilai bias I menjadi 1,9 sampai ditemukan nilai optimal pada 1,0. Sehingga didapatkan desain template C sebagai berikut: Ared

=

Agreen = Ablue = B

=

dimana nilai bias Ired = -0.25, Igreen= -0.25 dan Iblue = -0.50. Hasil dari segmentasi citra 1, 2, 3, 4, 5 dan 6 dengan desain template C ditunjukkan pada gambar 3-9.

=

Agreen = Ablue =

Gambar 3(a). Citra 1 296

Gambar 3(b). Hasil segmentasi

Gambar 6(b). Hasil segmentasi

Gambar 7(a). Citra 5 Gambar 4(a). Citra 2

Gambar 7(b). Hasil segmentasi Gambar 4(b). Hasil segmentasi

Gambar 8(a). Citra 6 Gambar 5(a). Citra 3

Gambar 8(b). Hasil segmentasi Gambar 5(b). Hasil segmentasi

Gambar 6(a). Citra 4

Uji coba penelitian dengan metode kuantisasi warna dan CNN menghasilkan tingkat akurasi yang berbeda sesuai dengan desain template yang digunakan. Berdasarkan tabel 1, dapat dianalisa bahwa tingkat akurasi tertinggi didapatkan pada segmentasi citra berwarna dengan menggunakan desain template C, sedangkan desain template dengan tingkat akurasi terendah didapatkan saat menggunakan desain template default dari metode cellular neural network atau desain template A. 297

Pengukuran akurasi dihitung dengan persamaan (2) untuk masing-masing citra yang disegmentasi dengan menggunakan desain template A, B dan C.

dengan algoritma optimasi seperti GA (genetic algorithm) atau algoritma yang lain, untuk dapat menemukan desain template yang akurat.

Akurasi =

[1] Li Huaqing, Liao Xiaofeng, Li Chuandong, Huang Hongyu, Li Chaojie, Edge detection of noisy citras based on cellular neural networks, Communications in Nonlinear Science and Numerical Simulation, 16: 3746– 3759, 2011.

x 100%

(2)

X pada persamaan (2) adalah jumlah piksel dari citra yang diuji dan tersegmentasi dengan benar, sedangkan Y adalah jumlah total piksel dari citra yang diuji. Tabel 1. Tingkat akurasi metode kuantisasi warna dan CNN dengan desain template yang berbeda. Desain template CNN (%) Citra A B C 1 10 22 68 2 15 31 77 3 9 25 65 4 23 28 70 5 14 43 81 6 18 29 74 Rata14.8 29.7 72.5 rata akurasi (%) Berdasarkan uji coba yang telah dilakukan, menunjukkan hasil segmentasi dengan desain template C memiliki tingkat akurasi rata-rata sebesar 72,5%. Dengan menggunakan kuantisasi warna sangat membantu pengclusteran region yang berperan besar dalam segmentasi. Pada percobaan ini, template yang digunakan tidak dapat menghasilkan desain template yang otomatis untuk semua warna pada citra, sehingga dilakukan pemisahan warna terlebih dahulu, dan dibentuk layer input sesuai dengan komponen warna dasar RGB. KESIMPULAN DAN SARAN Pada penelitian ini penggunaan metode kuantisasi warna dan CNN untuk proses segmentasi citra berwarna telah menghasilkan segmentasi warna merah, hijau dan biru atau RGB rata-rata sebesar 72.5%, dan tingkat error 27.5%. Hal ini dimungkinkan karena desain template belum menunjukkan kombinasi nilai matrik yang tepat dalam proses segmentasinya. Pada penelitian selanjutnya, dapat dicoba untuk menggabungkan metode CNN

DAFTAR PUSTAKA

[2] Chua Lo and Roska T, The CNN paradigm, IEEE Trans. Circuits Syst. I,40: 147-156, 1993. [3] Matsumoto T, Yokohama T, Suzuki H, and Furukawa R, Several citra processing examples by CNN, in Proc. IEEE Int. Wkshp. Cellular Neural Networks Application, 100-111, 1990. [4] Matsumoto T, Chua Lo, and Suzuki H, CNN cloning template: Shadow detector, IEEE Trans. Circuits System, 37:10701073, 1990. [5] Matsumoto T, Chua Lo, and Yokohama T, Citra thinning with a cellular neural network, IEEE Trans. Circuits System, 37:633-635,1990. [6] Crounse K.R, Roska T, and Chua Lo, Citra halftoniug with cellular neural networks, IEEE Trans. Circuits System, 40:267-283, 1993. [7] Chua Lo and Shi B. E, Multiple layer cellular neural networks: A tutorial, Algorithms and Parallel VLSZ Architectures, 137-168, 1991. [8] Deng, Kenney, Moore, dan Manjunath, Peer Group Filtering and Perceptual Color Citra Quantization, to appear in Proc. of ISCAS, 1999. [9] Wener, Edgar, dan Aristofanes, Detection of Masses in Mammogram citra using CNN, Geostatistic functions and SVM, Computer in Biology and Medicine, 41,2011.

298