PERANGKAT LUNAK SEGMENTASI CITRA DENGAN METODE WATERSHED

ISSN. 1412 - 0100

VOL. 12, NO. 2, OKTOBER 2011

PERANGKAT LUNAK SEGMENTASI CITRA DENGAN METODE WATERSHED Gunawan1, Fandi Halim1, Erni Wijaya2 STMIK Mikroskil Jl. Thamrin No. 112, 124, 140 Medan 20212 1 [email protected], [email protected], 2 [email protected]

Abstrak Metode watershed merupakan salah satu metode dalam segmentasi citra yang membagi citra menjadi region yang berbeda dengan menggambarkan citra sebagai relief topografi. Metode watershed menghasilkan terlalu banyak region yang menyebabkan bagian penting objek terpisah atau disebut oversegmentasi, sehingga perlu dilakukan pengembangan metode. Cara mengurangi oversegmentasi pada metode watershed dapat meliputi watershed dengan memanfaatkan perbedaan gradien untuk menentukan arah dari kemiringan topografi, penambahan marker yang dapat digunakan untuk mensegmentasi sebagian objek yang dipilih, serta dengan menggunakan multiresolusi yang mengurangi oversegmentasi dengan skala ruang. Tujuan dari penelitian ini adalah mengembangkan perangkat lunak yang mampu melakukan proses segmentasi citra dengan menggunakan metode watershed beserta perbedaannya dengan watershed morfologi, marker watershed, dan multiresolusi watershed. Hasil dari perangkat lunak adalah tampilan segmen dari citra awal dan waktu yang dibutuhkan untuk mendapatkan hasil segmen. Kata Kunci: segmentasi, watershed, oversegmentasi.

1.

Pendahuluan Metode watershed merupakan salah satu metode dalam segmentasi citra yang membagi citra menjadi region yang berbeda dengan menggambarkan citra sebagai relief topografi. Sejak diperkenalkan oleh Beucher dan Meyer pada tahun 1993, metode ini secara luas dipelajari untuk mengatasi masalah segmentasi citra. Metode ini efektif dalam menunjukkan detail citra. Namun, metode ini menghasilkan beberapa kelemahan seperti efek oversegmentasi (segmentasi citra yang menghasilkan terlalu banyak region yang menyebabkan bagian penting objek terpisah). Pengembangan metode watershed terus dilakukan guna memperkecil terjadinya efek oversegmentasi. Penambahan arah kemiringan topografi dari daerah tinggi ke daerah rendah yang disebut metode watershed morfologi gradien telah memperkecil efek oversegmentasi. Selain itu, juga terdapat marker watershed dimana bagian topografi ditandai dengan marker untuk mencegah perpecahan region yang ditandai menjadi region yang berbeda. Walaupun marker watershed mencegah terjadinya oversegmentasi, marker watershed tetap memerlukan input marker yang berbeda sesuai dengan citra yang diproses, sehingga tanpa input, hasil yang diperoleh akan tetap sama seperti metode watershed klasik. Munculnya teori skala ruang yang ditemukan oleh Witkin, memberikan nilai tambah dalam mengolah citra dan telah digunakan untuk mengolah citra seperti smoothing, deteksi ciri, segmentasi, dan lain-lain. Hal ini membuka peluang untuk mengatasi masalah oversegmentasi pada metode watershed, dimana jika metode watershed dikombinasikan Gunawan, Fandi Halim, Erni Wijaya | JSIFO STMIK Mikroskil

79

ISSN. 1412 - 0100


dengan skala ruang, maka akan memperkecil oversegmentasi dengan menggabungkan region yang memiliki kesamaan ciri, sehingga segmentasi citra menjadi lebih efisien. Penggabungan ini disebut dengan multiresolusi watershed. 2. Kajian Pustaka 2.1. Segmentasi Pada pemrosesan citra digital, terdapat sebuah proses penting yang sering digunakan sebagai pre-processing untuk proses yang lain. Proses tersebut adalah segmentasi. Proses segmentasi adalah sebuah proses untuk memisahkan satu objek dengan objek lain atau antara objek dengan background (latar belakang) yang terdapat dalam sebuah gambar. Dengan proses segmentasi tersebut, masing-masing objek pada gambar dapat Gambar 1 Posisi Proses Segmentasi Dalam diambil secara individu sehingga dapat Pemrosesan Citra Digital digunakan sebagai input bagi proses yang lain. Secara umum, proses segmentasi terbagi menjadi dua kelompok yaitu segmentasi berdasarkan tepi (edge based segmentation) dan segmentasi berdasarkan daerah (region based segmentation). Segmentasi berdasarkan tepi adalah proses segmentasi untuk mendapatkan garis yang ada pada gambar dengan anggapan bahwa garis tersebut merupakan tepi dari objek yang memisahkan objek yang satu dengan objek yang lain atau antara objek dengan background. Segmentasi berdasarkan daerah adalah proses segmentasi yang dilakukan untuk mendapatkan daerah yang diyakini merupakan sebuah objek. Untuk mendapatkan daerah tersebut, dilakukan analisis terhadap kesamaan tekstur dan warna pada pixel yang terdapat pada citra. [1] 2.2. Watershed Operasi watershed merupakan salah satu metode yang digunakan untuk mensegmentasi citra. Metode watershed membagi skala keabuan atau citra berwarna dalam region berbeda dengan merepresentasikan citra sebagai relief topografi. Analisis ini dijelaskan melalui metafora yang didasarkan pada perilaku air dalam bentang alam. Ketika hujan, tetesan air jatuh di daerah yang berbeda, maka akan mengikuti permukaan yang menurun. Air akan berakhir di bagian bawah lembah sehingga untuk setiap lembah akan ada daerah yang semua air mengalir ke dalamnya. Ketika air yang naik dari dua lembah penampungan hendak bergabung, maka dibangun sebuah dam untuk mencegah penggabungan tersebut. Aliran air akan mencapai tingkat yang diinginkan dan berhenti mengalir ketika bagian atas dari dam terlihat. Tepi dam yang terlihat inilah yang menjadi batasan dan hasil dari segmen citra. Dengan anggapan bentuk topografi tersebut, maka didapatkan tiga macam titik yaitu: a. Titik yang merupakan daerah terendah. b. Titik yang merupakan tempat dimana jika setetes air dijatuhkan, maka air tersebut akan jatuh hingga ke sebuah posisi minimum tertentu. c. Titik yang merupakan tempat dimana jika air dijatuhkan, maka air tersebut mempunyai kemungkinan untuk jatuh ke salah satu posisi minimum (tidak pasti jatuh ke sebuah titik minimum, tetapi dapat jatuh ke titik minimum tertentu atau titik minimum yang lain). Untuk sekumpulan pixel yang memiliki nilai intensitas minimum tertentu dan memenuhi kondisi (b) akan disebut sebagai lembah penampungan (catchment basin), sedangkan Gunawan, Fandi Halim, Erni Wijaya | JSIFO STMIK Mikroskil

80

ISSN. 1412 - 0100


sekumpulan pixel yang memenuhi kondisi (c) disebut sebagai garis watershed. Jadi segmentasi dengan metode watershed mempunyai tujuan untuk melakukan pencarian garis wateshed. [1] 2.2.1. Morfologi Watershed Langkah pertama dari morfologi watershed adalah morfologi gradien. Level gradien dari sebuah gambar dilihat sebagai level ketinggian dari bentuk permukaan topografi. Air yang membanjiri permukaan ini akan mengalir ke bagian yang lebih rendah dari permukaan karena gravitasi. Seperti terlihat pada Gambar 2, air akan mengalir ke setiap lembah penampungan. Jika air diberikan di setiap lembah penampungan dan tetap membanjirinya, maka Gambar 2 Ilustrasi Watershed air dari lembah penampungan yang berbeda akan meluap dan sebelum meluap ke wilayah penampungan yang lain, batasan akan dibangun. Watershed, dimana bekerja dengan bagian dari sebuah gambar dengan level gradien yang tinggi, akan dideteksi dan akan digunakan untuk membagi citra ke dalam banyak wilayah dekat yang sama. 2.2.2. Watershed dan Batasan Watershed Sebuah citra digambarkan sebagai daratan kering yang mendapat curahan hujan. Gradien citra digunakan untuk memperkirakan arah dari daratan kering dalam citra. Dengan mengikuti gradien citra dari setiap pixel, aliran setiap titik dalam citra dapat diidentifikasi. Langkah pertama dalam mengoperasikan watershed untuk sebuah citra adalah mengidentifikasi bagian intensitas minimum. Titik ini merupakan dasar dari watershed. Nilai integer citra sering sulit mendekati permukaan yang rata sehingga input citra dikonversi ke titik banjir dan dikaburkan dengan menggunakan Gaussian filter untuk menghasilkan citra yang rata f(x,y). Ini mengeliminasi dataran tinggi dalam citra dan menyederhanakan proses identifikasi maksimum dan minimum. Untuk membedakan titik yang rumit ini, setiap titik akan dibandingkan dengan delapan titik tetangga terdekatnya. Jika semua tetangga lebih besar daripada titik di tengah, maka titik diidentifikasi sebagai intensitas minimum (Gambar 3). Sebaliknya, jika delapan tetangganya memiliki intensitas yang lebih kecil dari titik tengah, maka titik tersebut memiliki intensitas maksimum. Langkah selanjutnya adalah menghitung gradien citra. Tujuannya adalah untuk mengidentifikasi arah dataran untuk setiap pixel dalam citra. Delapan tetangga untuk setiap titik akan dicari untuk menghitung kemiringan daerah terutama arah kemiringan atas bukit yang paling curam dan arah kemiringan bawah bukit yang paling curam (gradien morfologi). Arah ini mungkin dapat berupa arah yang berlawanan yang merupakan ciri tersendiri dari titik tersebut. Kemudian titik citra yang telah dibanjiri akan dikaburkan sehingga dapat digunakan untuk menghindari masalah yang diakibatkan oleh daerah yang tinggi. Pembagian input citra melalui watershed dimulai dengan menandai lokasi dari intensitas minimum dengan wilayah yang unik dan diidentifikasi sebagai output citra. Untuk setiap titik dalam citra, informasi gradien digunakan untuk mengikuti turunan citra untuk beberapa intensitas minimum. Identifikasi untuk perbedaan yang tinggi akan disimpan dalam output pixel yang berhubungan dengan titik mulainya. Saat semua pixel dalam citra telah dihimpun dengan masing-masing nilai minimum, output citra akan mengandung wilayah watershed dari citra. Batas dari wilayah watershed berhubungan dengan daerah intensitas tertinggi dari citra.

Gunawan, Fandi Halim, Erni Wijaya | JSIFO STMIK Mikroskil

81

ISSN. 1412 - 0100


Batasan watershed akan dicatat dengan membaca bagian citra dari kiri ke kanan dan dari atas ke bawah, untuk mendeteksi perubahan dari jumlah wilayah watershed.

Gambar 3 Contoh Sederhana dari Wilayah Watershed dan Batasannya [2] 2.3. Marker Watershed Transformasi watershed merupakan metode yang terkenal dalam mensegmentasi citra. Akan tetapi, hasil segmentasi memiliki kelemahan seperti banyaknya gangguan (noise) dan oversegmentasi pada beberapa citra, dimana hasilnya mengandung wilayah yang tidak relevan dan tidak terdeteksi. Konsep penggunaan marker digunakan untuk memecahkan masalah oversegmentasi, dimana tujuannya adalah mendeteksi kehadiran wilayah yang sama dari citra dengan menyederhanakan morfologi citra. Marker terdapat di dalam setiap objek dan bagian yang tidak terdapat marker merupakan wilayah latar belakang (background). [3] Marker dibuat dengan mengidentifikasi interior dari objek untuk disegmentasi. Hasil marker citra M(f) adalah citra biner, dimana pixel adalah marker (dibuat hitam) apabila memiliki kesamaan wilayah, dan pixel akan berwarna putih jika tidak memiliki kesamaan wilayah. Jika sebuah objek tidak ditandai, maka hasil segmentasi akan kehilangan objek tersebut. Terlalu banyak marker akan menghasilkan oversegmetasi dan terlalu sedikit marker akan menggabungkan objek yang berbeda. Jadi untuk meyakinkan interior dari sebuah objek telah dibuat secara keseluruhan, bagian marker dilakukan di akhir gradien citra, FG(f) adalah minimun dan semua gradien minimum ditekankan. Hasil gradien citra dimana marker dibuat adalah subjek dari segmentasi watershed. Segmentasi watershed menghasilkan segmentasi yang lebih stabil termasuk sambungan batas segmentasi sesuai konsep pembuatan lembah penampungan (catchment basin) dan garis watershed (pembagian garis atau batas dam).

Gambar 4 Prinsip Marker Watershed Marker watershed digunakan secara luas untuk perbaikan dari transformasi watershed. Marker watershed dapat diterapkan pada algoritma watershed yang diberikan oleh Vincent dan Soille. [4]


82

ISSN. 1412 - 0100


Algoritma diilustrasikan pada Gambar 5 dengan mengikuti langkah sebagai berikut: a. Gradien morfologi digunakan untuk mencari nilai gradien untuk setiap pixel. b. Semua pixel akan diurutkan berdasarkan level gradien. Pixel dengan gradien yang lebih rendah akan dimanipulasi terlebih dahulu. c. Seperti yang terlihat dalam gambar 4(a), pixel dengan level gradien yang terendah dari sebuah citra akan ditemukan pertama kali dan pixel dari setiap wilayah yang berhubungan akan diberikan tanda khusus. d. Pixel akan diproses dari level gradien terendah sampai yang tertinggi. Dalam setiap level, pixel Gambar 5 Ilustrasi Proses Watershed dengan label tetangga akan ditambahkan ke prioritas Vincent dan Soille antrian seperti yang ditunjukkan pada gambar 4(b). e. Sebuah marker menandai pixel, yang diberikan sebelum proses segmentasi dimulai, akan menjadi awal dari antrian yang dieksekusi dengan pixel tetangganya. Setelah dieksekusi, pixel akan dikeluarkan dari antrian. Setelah semua pixel dengan tanda tetangga telah ditemukan, maka diberikan tanda baru, seperti bola hitam yang ditunjukan pada gambar 4(b), yang menandakan bahwa wilayah tersebut merupakan objek yang telah ditandai. f. Setelah semua pixel diberi tanda, batas antara wilayah dengan membedaan tanda adalah hasil segmentasi watershed dari citra ini. Dalam gambar 4(c), permukaan dibagi menjadi 4 wilayah dan tiga wilayah hasil segmentasi watershed yang dideteksi. 2.4. Multiresolusi Watershed Watershed merupakan salah satu segmentasi citra yang berperan penting dalam banyak aplikasi komputer vision. Watershed yang mensegmen objek dengan background menghasilkan output yang memiliki kelemahan, yaitu banyaknya noise (gangguan) dan oversegmentasi. Untuk meningkatkan mutu dari hasil watershed, maka skala ruang akan ditambahkan dalam metode watershed sehingga disebut sebagai multiresolusiwatershed atau multiskala watershed. Properti multiresolusi pada batas watershed tergantung kepada properti multiresolusi dari intensitas maksimum yang terdapat dalam wilayah. Hal ini akan diketahui setelah citra dikaburkan dengan Gaussian dan struktur citra disederhanakan. Ini mengacu kepada definisi dari skala ruang citra yang teratur m(x,y, ) = f(x,y)*g (x,y) dimana sebuah input f(x,y) digabungkan dengan persaman Gaussian dengan standar devisiasi . Dalam kasus intensitas maksimum (intensitas terbesar), diperkirakan jumlah dari maksimum, minimum, dan titik penentu dalam m(x,y, ). Bersamaan dengan perkembangan penggaburan (blur), intensitas masimum dalam tingkat tak terhingga citra akan menggeser titik penentu dan menghancurkan batas watershed. Wilayah watershed terhubung dengan intensitas maksimum ini dapat dihancurkan pada saat bersamaan. Dalam citra 2 dimensi, ada keadaan dimana intensitas walls dan titik penentu dapat juga muncul sebagai citra dalam Gaussian blur. Untuk menghasilkan hirarki dari wilayah watershed, bagian dari intensitas ekstrim dalam citra harus mengikuti proses pengaburan. Ketika sebuah intensitas minimum hancur ke dalam titik penentu, air yang mengalir ke arah penghancuran minimum akan mengalir ke beberapa intensitas minimum dalam citra. Ini didefinisikan sebagai hubungan orangtua-anak antara dua wilayah watershed. Wilayah yang berhubungan dengan penghancuran intensitas minimum akan menjadi bagian wilayah dari wilayah watershed dimana langsung menurun dari titik penghancuran. Dengan menyambung Gunawan, Fandi Halim, Erni Wijaya | JSIFO STMIK Mikroskil

83

ISSN. 1412 - 0100


proses untuk semua intensitas ekstrim dalam citra, hirarki dari wilayah watershed akan dihasilkan. Rataan dari pengkaburan diperlukan untuk membuat dua wilayah digabung dan ini berhubungan dengan tinggi dan lebar daerah dimana mengawali pemisahan wilayah. Ini cukup berbeda dengan pendekatan dimana penggabungan berdasarkan intensitas terendah sepanjang sebuah daerah atau rata-rata intensitas. Dalam operasi algoritma penggabungan ektrim, diberikan lokasi asli dari extensitas ekstrim dalam citra dengan mengikuti titik ini melalui pengawalan eksekusi dari level pengkaburan. Lebih baik menggunakan proses perhitungan yang mahal dari penggabungan semua titik citra ke bagian intensitasnya dari satu level ke level selanjutnya. Pemberian sebuah intensitas minimum pada posisi (x,y) dalam level pengkaburan n, kami mengikuti gradien citra yang menurun dari posisi (x,y) dalam level n+1 sampai intensitas minimum lainnya terpenuhi. Ini adalah rekaman hubungan dari level n ke level n+1 dari bentuk minimum. Link didifinisikan melalui proses ini akan mempunyai gandaan dimana terdapat beberapa ekstrim dalam level n+1 daripada dalam level n. Hasil ini dimanapun lokasi intensitas ekstrim dihancurkan. Sebagai contoh, jika ektrim pada posisi (x,y) dihancurkan pada pengkaburan level n+1, ektrim pada (x,y) akan dihubungkan dengan gradien yang mengikuti beberapa pixel lain pada lokasi (x’,y’) dalam level n+1. Pada saat bersamaan, sedetik pixel sangat dekat (x’,y’) dalam level n akan juga dihubungkan ke (x’,y’) dalam level n+1. Untuk mengeksekusi dimana link berhubungan ke penghancuran ektrim, jumlah dari semua link dari level ke level dibandingkan. Jika dua atau lebih titik ekstrim yang dihubungkan ke titik yang sama, ektrim dengan link jarak terdekat akan dipilih sebagai link normal, dimana link yang lain akan direkam sebagai link hancur. Kemudian, setiap penghancuran intensitas maksimum akan dihubungkan pada level pengkaburan berikutnya dimana langsung menurun dari penghancuran ekstrim. Untungnya, algoritma linking lebih sensitif ke pemilihan tingkat pengkaburan daripada metode multiresolusi lain karena disini akan dibangun hirarki wilayah watershed berdasarkan bagaimana intensitas ekstrim dalam citra dihubungkan dari level ke level. Sebenarnya penggunaan level pengkaburan optimal untuk memudahkan pembangunan hirarki wilayah watershed atau proses pengkaburan, digunakan skema model interpolasi meja untuk memilih persamaan dari N pengkaburan gaussian standar deviasi seperti pada persentasi perubahan dalam jumlah minimum setelah setiap langkah pengkaburan menghasilkan taksiran yang dan M high, konstan. Lebih spesifik, jika Mlow intensitas minimum dari skala terendah pada skala tertinggi dan N sebagai skala intermediate. Ketika persentasi ketepatan berubah exp(ln(Mhigh/Mlow)/N). Level pengkaburan yang setara memilih bahwa I = (Mlow) untuk i [0…N-1]. The lookup function digunakan interpolasi linear antara nilai yang diketahui ( ,M) ke pengembalian level pengkaburan dengan pendekatan M intensitas minimum. Pilihan dari nilai pendekatan N tergantung kepada kemampuan komputasi dan akurat terpendam dari hirarki watershed. Dengan variasi nilai dan mencari apakah n=25 bagian yang puas dalam waktu yang memenuhi syarat waktu untuk citra. Ini sangat mudah untuk membangun hirarki dari wilayah watershed dalam sebuah citra setelah mengeksekusi level penghancuran dari intensitas ekstrim dan dibentuk hubungan orangtua-anak antara wilayah yang berhubungan. Karena tidak menghiraukan kasus dari penciptaan titik kritikal, setiap wilayah mempunyai satu wilayah orangtua, dan hubungan antara wilayah akan digambarkan menggunakan pohon. Wilayah berhubungan dengan akhir intensitas minimum dalam citra adalah akar dari pohon ini. Tidak ada keterbatasan dalam jumlah bagian wilayah yang berhubungan dengan wilayah yang diberikan, jadi pohon menggambarkan hirarki wilayah yang mempunyai jumlah cabang yang berubah-ubah setiap level. [2] Gunawan, Fandi Halim, Erni Wijaya | JSIFO STMIK Mikroskil

84

ISSN. 1412 - 0100


3.

Metodologi Penelitian Penelitian diawali dengan melakukan studi kepustakaan (library research) terhadap berbagai referensi yang berkaitan dengan segmentasi citra, khususnya pada metode watershed. Sample-sample citra akan dipersiapkan untuk digunakan pada pengujian perangkat lunak. Selanjutnya perangkat lunak akan dirancang dan dikembangkan untuk mengimplementasikan segmentasi citra dengan metode Watershed. Pengujian akan dilakukan terhadap aplikasi yang telah dihasilkan serta memperbaiki kesalahan yang ditimbulkan. Perancangan proses kerja perangkat lunak digambarkan dengan menggunakan flowchart untuk mengetahui proses dan aliran data yang terjadi dalam perangkat lunak yang dirancang. Adapun bentuk rancangan proses aliran data pada perangkat lunak segmentasi ini adalah sebagai berikut.

(a) Watershed Klasik

(b) Watershed Morfologi Gradien

(c) Marker Watershed

(d) Multiresolusi Watershed

Gambar 6 Flowchart Rancangan Kerja Perangkat Lunak 4.

Hasil dan Pembahasan Gambar 7 adalah tampilan antarmuka utama dari perangkat lunak yang dirancang. Tampilan utama memberikan pilihan untuk menentukan eksekusi segmentasi dengan menggunakan metode watershed yang diinginkan. Jika user mengklik tombol “Watershed Klasik”, maka akan muncul tampilan seperti pada Gambar 8. Jika user mengklik tombol “Watershed Morfologi”, maka akan muncul tampilan seperti pada Gambar 9.

Gambar 7 Tampilan Antarmuka Utama Perangkat Lunak Jika user mengklik tombol “Marker Watershed”, maka akan muncul tampilan seperti pada Gambar 10. Jika user mengklik tombol “Watershed Multiresolusi”, maka akan muncul tampilan seperti pada Gambar 11.


85

ISSN. 1412 - 0100


Gambar 8 Tampilan “Watershed Klasik”

Gambar 9 Tampilan “Watershed Morfologi”

Gambar 10 Tampilan “Marker Watershed”

Gambar 11 Tampilan “Multiresolusi Watershed”

Perangkat lunak yang dibuat diuji coba dengan menggunakan citra dengan beragam ukuran dan format citra. Citra tersebut akan diuji dengan empat metode watershed, yaitu watershed klasik, watershed morfologi, marker watershed, dan multiresolusi watershed. Berikut ini adalah perbandingan secara visual hasil segmentasi citra dengan menggunakan keempat metode tersebut. Tabel 1 Gambar Spot.jpg dengan Ukuran 256 x 254

(a) Citra awal

(b) Watershed Klasik Jumlah region = 418 Lama eksekusi = 2,906 detik

(c) Watershed Morfologi Jumlah region = 63 Lama eksekusi = 9,440 detik

(d) Citra awal untuk proses Marker Watershed dengan input marker

(e) Marker Watershed Jumlah region = 2 Lama eksekusi = 5,746 detik

(f) Multiresolusi Watershed theta = 0,5 Jumlah region = 62 Lama eksekusi = 20,186 detik

Tabel 2 Gambar Sel.jpg dengan Ukuran 256 x 256 Gunawan, Fandi Halim, Erni Wijaya | JSIFO STMIK Mikroskil

86

ISSN. 1412 - 0100

(a) Citra awal


(b) Watershed Klasik Jumlah region = 1741 Lama eksekusi = 2,923 detik

(c) Watershed Morfologi Jumlah region = 16 Lama eksekusi = 1 menit 30,117 detik

(d) Citra awal untuk proses Marker Watershed dengan input marker

(e) Marker Watershed Jumlah region = 2 Lama eksekusi = 4 detik

(f) Multiresolusi Watershed theta = 0,5 Jumlah region = 14 Lama eksekusi = 1 menit 46,985 detik

Pengujian pada beberapa citra menunjukkan performa yang berbeda untuk setiap metode. Setiap metode mempunyai kelebihan maupun kelemahan yang dapat disesuaikan dengan tujuan pemakaiaan. Adapun analisis dari setiap metode adalah sebagai berikut: a. Metode watershed klasik: memiliki kelebihan pada waktu eksekusi yang lebih cepat daripada metode watershed lainnya. Akan tetapi, dapat dilihat dari hasil eksekusi, region yang terbentuk terlalu banyak atau mengalami oversegmentasi. b. Metode watershed morfologi: menghasilkan region yang terpusat yang mana berbeda dari watershed klasik yang membagi region secara menyebar. Hasil yang didapat lebih akurat daripada metode watershed klasik, walaupun waktu yang dibutuhkan relatif lama dibandingkan dengan metode watershed klasik. c. Metode marker watershed: menghasilkan region tersegmentasi pada sebagian citra yang ditandai dengan marker. Waktu yang dibutuhkan untuk eksekusi lebih cepat dari metode watershed morfologi. Kelemahannya adalah pada saat penandaan dengan menggunakan marker, user harus mengklik tombol add marker sebelum menandai citra. Jika tidak mengklik tombol add marker, maka citra tidak akan tertandai dengan marker. Selain itu, marker harus ditempatkan pada objek yang memiliki warna dengan intensitas yang lebih gelap, karena jika tidak demikian, maka objek tidak akan tersegmentasi dan hanya muncul garis putih. d. Metode multiresolusi watershed: hasilnya tergantung pada input parameter pada bagian “theta”. Jika input yang dimasukkan sesuai, maka hasil yang didapatkan akan lebih akurat daripada metode watershed lainnya, demikian juga sebaliknya. Waktu yang diperlukan untuk eksekusi juga relatif berbeda sesuai dengan input pada “theta”. “Theta” di-input dengan ketentuan antara 0,1 s.d. 0,9. Tabel 3 Multiresolusi Watershed pada Gambar Spot.jpg

(a) Citra awal

(b) theta = 0,4 Jumlah region = 222 Lama eksekusi = 10,482 detik

(c) theta = 0,5 Jumlah region = 62 Lama eksekusi = 20,186 detik

(d) theta = 0,6 Jumlah region = 63 Lama eksekusi = 25,304 detik

(e) theta = 0,7 Jumlah region = 63 Lama eksekusi = 44,956 detik

(f) theta = 0,8 Jumlah region = 51 Lama eksekusi = 3 menit 8,764 detik

Tabel 4 Multiresolusi Watershed pada Gambar Sel.jpg


87

ISSN. 1412 - 0100

(a) Citra awal


(b) theta = 0,4 Jumlah region = 15 Lama eksekusi = 59,785 detik

(c) theta = 0,5 Jumlah region = 16 Lama eksekusi = 1 menit 3,332 detik

(d) theta = 0,6 Jumlah region = 14 Lama eksekusi = 1 menit 46,985 detik

(e) theta = 0,7 Jumlah region = 100 Lama eksekusi = 1 menit 58,965 detik

(f) theta = 0,8 Jumlah region = 21 Lama eksekusi = 6 menit 18,551 detik

Dari hasil pengujian pada Tabel 1, Tabel 2, Tabel 3, dan Tabel 4 dapat disimpulkan bahwa semakin kecil theta yang di-input, maka luas region yang dihasilkan semakin sempit. Demikian juga sebaliknya, semakin besar theta yang di-input, maka region tersegmentasi semakin luas. Berdasarkan lama eksekusi dari setiap pengujian, disimpulkan bahwa lama eksekusi memiliki keterkaitan dengan parameter theta yang di-input, yaitu eksekusi akan semakin lama dengan theta yang lebih besar. 5.

Kesimpulan Pengujian dari perangkat lunak segmentasi citra dengan menggunakan metode watershed menghasilkan kesimpulan sebagai berikut: a. Dari semua pengujian dengan menggunakan keempat metode watershed, hasil segmentasi yang dihasilkan oleh metode multiresolusi watershed lebih baik dibandingkan dengan metode watershed lainnya jika input parameter theta yang digunakan sesuai. b. Dari segi waktu eksekusi, metode watershed klasik menghasilkan waktu eksekusi yang paling cepat dibandingkan dengan metode watershed lainnya. Setelah itu, diikuti oleh marker watershed karena hanya sebagian region yang tersegmentasi. Lalu diikuti oleh watershed morfologi dan terakhir multiresolusi watershed. c. Dari segi oversegmentasi, metode watershed klasik menghasilkan oversegmentasi yang paling banyak dibandingkan dengan metode watershed lainnya. d. Marker watershed hanya mensegmentasi sebagian dari citra yang telah dipilih dengan menggunakan marker sehingga marker watershed tepat digunakan untuk mempertegas objek yang dicari dalam citra. e. Pada multiresolusi watershed, semakin kecil input parameter, maka luas region tersegmentasi semakin sempit, dan sebaliknya, semakin besar input parameter, maka luas region tersegmentasi semakin luas. Referensi [1] R. Adipranata, Kombinasi Metode Morphological Gradient dan Transformasi Watershed pada Proses Segmentasi Citra Digital, Universitas Kristen Petra. [2] J. M. Gauch, 1999, Image Segmentation and Analysis via Multiscale Gradient Watershed Hierarchies, IEEE. [3] S. Lefevre, 2007, Knowledge From Marker in Watershed Segmentation, CAIP'07 Proceedings of the 12th International Conference on Computer Analysis of Images and Patterns, France. [4] M. Mancas and B. Gosselin, 2003, Fuzzy Tumor Segmentation Based on Interative Watersheds, Belgium.


88

PERANGKAT LUNAK SEGMENTASI CITRA DENGAN METODE WATERSHED

Recommend Documents