Anda di halaman 1dari 40

TUGAS MATLAB

EDGE, MORPHOLOGY, SEGMENTASI

Tugas Kuliah Pemrosesan Citra Medis :


Dadan Hardianto

Siti Julaiha / 0906597420


Pasca Sarjana
Teknologi Biomedis
Deskripsi:

1. Lakukanlah eksperimen dengan fungsi‐fungsi Matlab yang berkaitan dengan deteksi sisi
dan segmentasi citra (morphology)
2. Proseslah sebuah citra dengan fungsi edge detection yang telah disediakan Matlab
(minimal 2 jenis).
3. Proses citra yang sama pada no.2 untuk melakukan segmentasi terhadap citra tersebut
(maksimum 3 kelas saja) dengan operasi morphology yang tersedia.
4. Tumpangkan hasil proses no.2 dan no.3 dan berilah warna untuk hasil no.2 yang
ditumpangkan pada hasil no.3 (misalnya menggunakan warna hijau)
5. Buatlah laporan terkait eksperimen anda yang disertai citra‐citra input dan output hasil
eksperimen
6. Laporan berupa komentar/kesimpulan anda terhadap fungsi‐fungsi yang dijalankan (apa
yang terjadi) berdasarkan pengamatan anda.

Pemrosesan Citra
Gambar Pertama :
Mammography Payudara yang diperkirakan mempunyai sel kanker

Untuk dapat menganalisa suatu pencitraan, dibutuhkan terlebih dahulu informasi property file
pada gambar tersebut,
Untuk gambar diatas didapatkan syntax dan informasi properti file sebagai berikut :
>> info = imfinfo('mammography.jpg')
info = Filename: 'mammography.jpg'
FileModDate: '15-Feb-2010 15:33:03'
FileSize: 7631
Format: 'jpg'
FormatVersion: ''
Width: 230
Height: 190
BitDepth: 24
ColorType: 'truecolor'
FormatSignature: ''
NumberOfSamples: 3
CodingMethod: 'Huffman'
CodingProcess: 'Progressive'

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


Comment: {}
Dari informasi diatas, kita mengetahui file gambar kita dalam format Truecolor/RGB, sedangkan
untuk melakukan proses analisa edge , diperlukan batas antara dua daerah yang memiliki gray
level yang berbeda atau edge adalah posisi pixel dimana terjadi perubahan intensitas yang
cukup besar. Karena itu diperlukan perubahan format dari Truecolor menjadi format image
Gray image dengan syntak konversi sebagai berikut:
Tugas1 = imread('mammography.jpg')
figure, imshow(Tugas1)
gray = rgb2gray(Tugas1)
figure, imshow(Tugas1), figure, imshow(gray)
sehingga diperoleh hasil gambar sebagai berikut :

20 20

40 40

60 60

80 80

100 100

120 120

140
140

160
160

180
180

20 40 60 80 100 120 140 160 180 200 220


20 40 60 80 100 120 140 160 180 200 220

Deteksi tepi (Edge detection) adalah operasi yang dijalankan untuk mendeteksi
garis tepi (edges) yang membatasi dua wilayah citra homogen yang memiliki tingkat
kecerahan yang berbeda (Pitas 1993). Deteksi tepi berfungsi untuk mengidentifikasi garis
batas (boundary) dari suatu objek yang terdapat pada citra. Tepian dapat dipandang sebagai
lokasi piksel dimana terdapat nilai perbedaan intensitas citra secara ekstrem.
Sebuah edge detector bekerja dengan cara mengidentifikasi dan menonjolkan lokasi-lokasi
piksel yang memiliki karakteristik tersebut.
Analisa pencitraan dengan fungsi edge detection dapat dilakukan dengan berbagi metode
seperti metode Robert, Prewitt, Sobel , Canny, Laplacian, Zero-Cross dll. Untuk mendeteksi
edge ini, digunakan kode pada Matlab dan hasil pencitraan sebagai berikut:
Syntax:
BW1 = edge (gray,’robert’), figure, imshow(BW1) BW2=edge (gray,'prewitt'),
figure, imshow(BW2)

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


50 50

100 100

150 150

50 100 150 200 50 100 150 200

BW3 = edge(gray,’sobel’), figure, imshow(BW3)

20

40

60

80

100

120

140

160

180

20 40 60 80 100 120 140 160 180 200 220

BW4= edge(gray,'log'), figure, imshow(BW4) BW5 = edge(gray,’canny’), figure,


imshow(BW5)

20

40 50
60

80

100
100

120

140 150
160

180

20 40 60 80 100 120 140 160 180 200 220 50 100 150 200

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


Hasil percobaan menunjukkan bahwa Metode Canny dan Laplacian lebih unggul dalam
mendeteksi batas-batas sebuah objek dibandingan Metode Sobel, Prewitt dan Robert. Metode
Canny memperlihatkan lebih jelas garis tepi pada citra. Metode Robert, Sobel, dan Prewit
tidak dapat memberikan garis tepi yang mencukupi karena adanya noisy, ketiga metode
menggunakan metode Gradient . Sedangkan Metode Canny mengatur sisi tepi dengan
derivative dari Filter Gaussian. Canny method menggunakan dua threshold untuk mendeteksi
edge strong dan weak. Weak edge terdeteski hanya ketika berkoneksi dengan strong edge.
Sehingga metode Canny ini menjadil lebih robust terhadap noise dan dapat digunakan untuk
mendeteksi true weak edges.
=========================================================
=====================================
Segmentasi merupakan pemisahkan objek objek yang ada pada gambar, sehingga
pengolahan gambar digital dapat dilakukan pada masing-masing objek.

Morphologi adalah teknik pengolahan citra digital dengan menggunakan bentuk (shape)
sebagai pedoman dalam
pengolahan. Nilai dari setiap pixel dalam citra digital hasil diperoleh melalui proses
perbandingan antara pixel yang
bersesuaian pada citra digital masukan dengan pixel tetangganya. Operasi morphologi
bergantung pada urutan
kemunculan dari pixel, tidak memperhatikan nilai numeric dari pixel sehingga teknik
morphologi sesuai apabila
digunakan untuk melakukan pengolahan binary image dan grayscale image.
Dengan mengatur atau memilih ukuran dan bentuk dari matrik kernel (structuring element)
yang digunakan maka kita
dapat mengatur sensitivitas operasi morphologi terhadap bentuk tertentu (spesifik) pada citra
digital masukan. Operasi Morphologi standar yang dilakukan adalah proses erosi dan dilatasi.

Dilatasi adalah proses penambahan pixel pada batas dari suatu objek pada citra digital
masukan
“Untuk gambar grayscale maka nilai hasil operasi (output pixel) adalah nilai maksimal yang
diperoleh dari himpunan
pixel tetangganya. Dalam binary image, jika ada pixel tetangga yang bernilai 1 maka output
pixel akan diset menjadi 1”.

Erosi adalah proses pemindahan/pengurangan pixel pada batas dari suatu objek.
“Untuk gambar grayscale maka nilai hasil operasi (output pixel) adalah nilai minimal yang
diperoleh dari himpunan pixeltetangganya. Dalam binary image, jika ada pixel tetangga yang
bernilai 0 maka output pixel akan diset menjadi 0”.

Jumlah pixel yang ditambahkan atau yang dihilangkan dari batas objek pada citra digital
masukan tergantung pada ukuran dan bentuk dari structuring element yang digunakan.

Operasi dilatasi dan erosi dapat dikombinasikan untuk membentuk suatu filter baru yang
spesifik. Dalam pengolahan
citra digital menggunakan operasi morphologi dikenal istilah “opening filter” dan “closing
filter”.
Dengan mengkombinasikan proses erosi dan dilatasi akan diperoleh efek tertentu yang
berguna dalam pengolahan citra digital.

Opening adalah kombinasi proses dimana suatu citra digital dikenai operasi erosi dilanjutkan
dengan dilatasi

Closing adalah kombinasi dimana suatu citra dikenai operasi dilatasi dilanjutkan dengan
erosi.

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


Proses pendeteksian sisi/edge diatas menggunakan operasi morphologi yang dilakukan
dengan mengurangkan citra asli dengan citra hasil proses erosi atau mengurangkan citra hasil
proses dilatasi dengan citra asli atau dengan mengurangkan citra hasil proses dilatasi dengan
citra hasil proses erosi.

Untuk menjawab persoalan nomer 3 dan nomer 4 yaitu melakukan segmentasi dan
menumpangkan citra hasil deteksi edge dengan hasil segmentasi serta mewarnainya, dapat
dilakukan sekaligus dengan Metode Watershed.
Sehingga percobaan untuk mengetahui lebih dalam tentang Segmentasi Morphologi, saya
lakukan langsung dengan metode Morpologi Watershed yang meliputi ketiga dasar morphologi
diatas.

Morphologi watershed adalah salah satu metode dalam segmentasi yang memproses
gambar berdasarkan tingkat warna abu-abunya. Tujuan segmentasi dengan metode ini adalah
membentuk garis watershed(dam) agar diperoleh segmen dengan boundary yang kontinu.
Gambar dibentuk seakan-akan menjadi topografi dengan warna paling gelap menjadi dasarnya.
Sebelum segmentasi dilakukan dibutuhkan juga pre-processing. Ada banyak macam pre-
processing yang dapat dilakukan dan objek yang dihasilkan oleh morphological watershed
untuk sebuah gambar berbeda-beda berdasarkan pre-processing yang dilakukan.
Segmentation menggunakan metode watershed menghasilkan image yang lebih baik jika kita
dapat mengidentifikasi, atau memberikan tanda / mark bagian foreground dan background
objek.

Marker-controlled watershed segmentation mengikuti prosedur dasar sebagi berikut :

1. Melakukan fungsi segmentation . yaitu melakukan objek segmentasi pada daerah gelap
citra.
2. Melakukan foreground markers. Menghubungkan setiap blobs pixels objek.
3.Melakukan background markers. Pixels yang tidak menjadi bagian dari object.
4. Memodifikasi fungsi segmentation sehingga meminimalkan lokasi marker daerah foreground
dan background.
5. Melakukan segmentasi watershed transform .

Untuk langkah langkah Matlab kodenya sebagai berikut :

1. Membaca Citra berwarna dan mengkonversikannya ke Citra Abu Abu

Syntax :

rgb = imread('mammography.jpg'); I = rgb2gray(rgb); imshow(I)

2. Menggunakan fungsi segmentasi dengan gradient magnitude. Fungsi yang biasa


digunakan sebagai Mask Edgenya adalah metode Sobel, imfilter dan beberapa simple
aritmetik untuk menghitung gradient magnitude. Gradien memberikan tanda yang lebih
jelas pada daerah perbatasan objek dan menurunkan daerah di dalam objek.

Fungsi ini diperintahkan dalam h=fspecial(type) yangmenciptakan filter 2 Dimensional h


pada tipe yang spesifik. F special mengembalikan h sebagai korelasi kernel, yang
merupakan bentuk yang tepat untuk menggunakan imfilter. Type adalah string yang
mempunyai salah satu dari nilai ini.

h=fspecial(type, parameter) menerima filter yang dispesifikasikan dengan tipe ditambah


modifikasi parameter tambahan khusus untuk tipe filter yang dipilih. Nilai default

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


parameter digunakan jika parameter tidak ditentukan. Jenis jenis F special adalah
sebagai berikut:

Value Description
'average' Averaging filter
'disk' Circular averaging filter (pillbox)
'gaussian' Gaussian lowpass filter
'laplacian' Approximates the two-dimensional Laplacian operator
'log' Laplacian of Gaussian filter
'motion' Approximates the linear motion of a camera
'prewitt' Prewitt horizontal edge-emphasizing filter
'sobel' Sobel horizontal edge-emphasizing filter
'unsharp' Unsharp contrast enhancement filter
Saya mencoba memproses 7 filter, kemudian mencoba membandingkan hasilnya, untuk
lebih memahami metode Watershed ini.

METODE SEGMENTASI WATERSHED


Untuk Metode Sobel, pre prossing dari f special ini adalah
hy = fspecial('sobel');
hx = hy';
Iy = imfilter(double(I), hy, 'replicate');
Ix = imfilter(double(I), hx, 'replicate');
gradmag = sqrt(Ix.^2 + Iy.^2);
figure, imshow(gradmag,[]), title('Gradient magnitude Sobel(gradmag)')

Bila dilakukan dengan metode lain yaitu Metode Prewit,


hy = fspecial('prewitt')
Iy = imfilter(double(I), hy, 'replicate');
Ix = imfilter(double(I), hx, 'replicate');
gradmag = sqrt(Ix.^2 + Iy.^2);
figure, imshow(gradmag,[]), title('Gradient magnitude (gradmag)')

Metode Laplacian of Gaussian filter, mengembalikan secara rotasi simetris filter


Laplacian dari Gaussian dari ukuran hsize dengan sigma deviasi standar (positif). hsize
dapat menjadi vektor penentu jumlah baris dan kolom dalam h, atau dapat menjadi
skalar, dalam hal ini h adalah matriks persegi. Nilai default untuk hsize adalah [5 5] dan
0,5 untuk sigma. Sehingga Syntax yang ditulis adalah sbb:
hy = fspecial('log',[5 5], 0.5)
>> hx = hy';
>> Iy = imfilter(double(I), hy, 'replicate');
Ix = imfilter(double(I), hx, 'replicate');
gradmag = sqrt(Ix.^2 + Iy.^2);
figure, imshow(gradmag,[]), title('Gradient magnitude (gradmag)')

Metode Laplacian, mengembalikan filter 3-by-3 yang mendekati bentuk dua dimensi
operator Laplacian . Parameter pengontrol Alpha pembentuk Laplacian harus dalam

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


kisaran 0,0 - 1,0. Nilai default untuk alfa adalah 0,2. Sehingga dibutuhkan Syntax
sebagai berikut
>> hy = fspecial('laplacian',[0.2])
>> hx = hy';
>> Iy = imfilter(double(I), hy, 'replicate');
Ix = imfilter(double(I), hx, 'replicate');
gradmag = sqrt(Ix.^2 + Iy.^2);
figure, imshow(gradmag,[]), title('Gradient magnitude (gradmag)')

Metode Gaussian, h = fspecial('gaussian', hsize, sigma) mengembalikan secara


rotasi simetris filter Gaussian lowpass ukuran hsize dengan deviasi standar sigma
(positif). hsize dapat menjadi vektor penentu jumlah baris dan kolom dalam h, atau
dapat menjadi skalar, dalam hal ini h adalah matriks persegi. Nilai default untuk hsize
adalah [3 3]; nilai default untuk sigma adalah 0,5.
>> hy = fspecial('gaussian', [3 3], 0.5)
>> hx = hy';
>> Iy = imfilter(double(I), hy, 'replicate');
Ix = imfilter(double(I), hx, 'replicate');
gradmag = sqrt(Ix.^2 + Iy.^2);
figure, imshow(gradmag,[]), title('Gradient magnitude Gaussian (gradmag)')

Metode Unsharp filter, h = fspecial('unsharp', alpha) mengembalikan 3-by-3


penyaring unsharp kontras tambahan. fspecial menciptakan filter unsharp dari filter
Laplacian negatif dengan parameter alpha. Alpha mengontrol bentuk Laplacian dan
harus dalam kisaran 0,0-1,0. Nilai default untuk alfa adalah 0,2.

hy = fspecial('unsharp', 0.2)

>> hx = hy';

Iy = imfilter(double(I), hy, 'replicate');

Ix = imfilter(double(I), hx, 'replicate');

>> gradmag = sqrt(Ix.^2 + Iy.^2);

>> figure, imshow(gradmag,[]), title('Gradient magnitude (gradmag)Unsharp')

Metode Disk Filter, h = fspecial ( 'disk', jari-jari) mengembalikan filter lingkar rata-rata
(kotak obat) dalam matriks kuadrat sisi 2 * jari-jari+ 1. Jari-jari standar adalah 5.

hy = fspecial('disk', 5);

hx = hy';

Iy = imfilter(double(I), hy, 'replicate');

Ix = imfilter(double(I), hx, 'replicate');

gradmag = sqrt(Ix.^2 + Iy.^2);

figure, imshow(gradmag,[]), title('Gradient magnitude (gradmag)Disk')

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


Melakukan Marker pada Foreground.

Banyak variasi yang dapat dilakukan untuk hal ini, dimana blob pixels harus terkoneksi
padas setiap bagian foreground objek. Sebagai contohnya, dilakukan Teknik Morphologi
“ Opening By Reconstruction” dan “ Closing by Reconstruction” untuk membersihkan
citra. Operasi ini akan menciptakan Maxima Flat di dalam setiap objek yang dapat
dilokasikan sebagai imregionalmax. Kita dapat membandingkan hasil segmentasi
keduanya,

dengan Syntax untuk morphologi Opening yaitu Morphologi Erosion yang diikuti oleh
Morphologi Dilation adalah sebagai berikut :

>> se = strel('disk', 20);

>> Io = imopen(I, se);

>> figure, imshow(Io), title('Opening (Io)')

Sedangkan Syntax u ntuk Morphology Opening by reconstruction yaitu Morphologi


Erosion yang diikuti oleh Morphologi Reconstruction. Adalah sebagai berikut :
>> Ie = imerode(I, se);
>> Iobr = imreconstruct(Ie, I);
>> figure, imshow(Iobr), title('Opening-by-reconstruction (Iobr)')

Melanjutkan Morphologi Opening dengan Closing dapat menghilangkan Dark Spot (Titik
titik gelap) dan Stem Mark. Kita dapat membandingkan Morphologi Closing dengan
Morphologi Closing by Reconstruction, dengan Syntax sebagai berikut :
>> Ioc = imclose(Io, se);
>> figure, imshow(Ioc), title('Opening-closing (Ioc)')

Kemudian dilanjutkan dengan Morphologi Imdilate by imreconstruct. Kita dapat


menyempurnakan citra output dari Morphologi imreconstruct ini. Syntax yang
digunakan sebagai berikut :
>> Iobrd = imdilate(Iobr, se);
>> Iobrcbr = imreconstruct(imcomplement(Iobrd), imcomplement(Iobr));
>> Iobrcbr = imcomplement(Iobrcbr);
>> figure, imshow(Iobrcbr), title('Opening-closing by reconstruction (Iobrcbr)')

Hasil perbandingan Morphologi Opening-closing by reconstruction terlihat lebih efektif


dibandingkan dengan Morphologi Opening-closing untuk menghilangkan noda kecil
tanpa mempengaruhi bentuk keseluruhan dari citra. Kemudian perhitungan Regional
maxima dengan kode Iobrcbr dilakukan untuk memperoleh foreground marker yang
lebih baik. Syntax yang ditulis adalah sebagai berikut :
>> fgm = imregionalmax(Iobrcbr);
>> figure, imshow(fgm), title('Regional maxima of opening-closing by reconstruction
(fgm)')

Untuk membantu menafsirkan hasilnya, maka kita tumpangkan hasil marker foreground
ini pada image asli gray dengan syntax sebagai berikut
>> I2 = I;
>> I2(fgm) = 255;
>> figure, imshow(I2), title('Regional maxima superimposed on original image (I2)')

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


Dapat diperhatikan bahwa beberapa dari bayangan dan beberapa bagian tertutup tidak
ditandai/marked, yang berarti objek-objek ini tidak akan tersegmentasi dengan benar
dalam hasil akhirnya. Juga Marker foreground pada beberapa objek langsung menuju
sisi/edge objek, yang berarti edge dari beberapa blop/bagian pixel dihilangkan dan
kemudian disusutkan sedikit. Perintah ini dapat dilakukan dengan Morphologi Closing
yang diikuti oleh Erosion , dengan Syntax sebagi berikut :
>> se2 = strel(ones(5,5));
>> fgm2 = imclose(fgm, se2);
>> fgm3 = imerode(fgm2, se2);
Prosedur ini cenderung meninggalkan beberapa piksel menyimpang yang terisolasi,
yang harus dihilangkan. Hal ini dapat dilakukan dengan menggunakan bwareaopen,
yang menghapus semua bagian pixel yang memiliki jumlah piksel yang lebih sedikit
dengan syntax sebagai berikut :
>> fgm4 = bwareaopen(fgm3, 20);
>> I3 = I;
>> I3(fgm4) = 255;
>> figure, imshow(I3), title('Modified regional maxima superimposed on original image
(fgm4)')

3. Melakukan Background Markers

Pixel yang lebih gelap/dark menjadi bagian background, maka perintah dimulai dengan
pengoperasian Thresholding.
>> bw = im2bw(Iobrcbr, graythresh(Iobrcbr));
>> figure, imshow(bw), title('Thresholded opening-closing by reconstruction (bw)')

Pixel background berwarna hitam, secara ideal, marker background diusahakn tidak
terlalu dekat dengan edge objek yang akan disegmentasi. Dibutuhkan background yang
tipis dengan melalukan pengoperasian “Skeleton by influence Zones” atau disingkat
SKIZ, dari foreground black white. Perintah ini dilakukan dengan menghitung Watershed
transform dari jarak/distance transform bw, dan menentukan watershed rige lines (DL
== 0 ) sebagai hasilnya. Kode perintah dilakukan sebagai berikut :
>> D = bwdist(bw);
>> DL = watershed(D);
>> bgm = DL == 0;
>> figure, imshow(bgm), title('Watershed ridge lines (bgm)')

4. Melakukan Watershed Transform dari fungsi Segmentasi.

Dengan menggunakan fungsi imimposemin , citra dapat dimodifikasi sehingga


daerah/regional minima nya hanya terlitat pada lokasi tertentu yang diinginkan. Dan
perintah ini digunakan untuk memodifikasi gradient magnitude citra sehingga regional
minima hanya terjadi pada pixel foreground dan background.
>> gradmag2 = imimposemin(gradmag, bgm | fgm4);
Kemudian dilakukan Watershed based segmentasi dengan perintah sebagai berikut :
>> L = watershed(gradmag2);

5. Visualisasi Hasil

Salah satu teknik visualisasi adalah dengan menempatkan foreground markers,


background markers, dan batas-batas objek tersegmentasi pada gambar asli. Metode
Dilation dapat digunakan untuk membuat aspek-aspek tertentu, seperti batas-batas
objek, lebih terlihat. Syntax yang harus ditulis adalah :
>> I4 = I;
>> I4(imdilate(L == 0, ones(3, 3)) | bgm | fgm4) = 255;
>> figure, imshow(I4), title('Markers and object boundaries superimposed on original
image (I4)')

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


Visualisasi menggambarkan bagaimana lokasi marker foreground dan background
mempengaruhi hasil. Pada beberapa lokasi, sebagian daerah tertutup yang lebih gelap
digabungkan dengan tetangganya yang lebih terang karena objek yang tertutup tidak
memiliki marker foreground.
Teknik visualisasi lain yang berguna adalah untuk menampilkan label matriks sebagai
gambar berwarna. Label matriks, seperti yang dihasilkan oleh watershed dan bwlabel,
dapat dikonversi ke gambar truecolor untuk memgvisualisasikan citra dengan
menggunakan perintah:
>> Lrgb = label2rgb(L, 'jet', 'w', 'shuffle');
>> figure, imshow(Lrgb), title('Colored watershed label matrix (Lrgb)')

Kemudian dilakakuan pewarnaan transparansi untuk menempatkan di pseudo-warna ini


label matriks di atas intensitas asli gambar.
>> figure, imshow(I), hold on
himage = imshow(Lrgb);
set(himage, 'AlphaData', 0.3);
title('Lrgb superimposed transparently on original image')

Hasil Citra untuk setiap langkah proses Metode Watershed ini ditampilkan sebagai berikut :

Konversi Citra

20 20

40 40

60 60

80 80

100 100

120
120

140
140

160
160

180
180

20 40 60 80 100 120 140 160 180 200 220


20 40 60 80 100 120 140 160 180 200 220

Segmentasi Gradient Magnitude Filter Sobel Segmentasi Gradient Magnitude Filter Prewitt

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


Gradient magnitude (gradmag) Gradient magnitude (gradmag)Prewitt

20 20

40 40

60 60

80 80

100 100

120 120

140 140

160 160

180
180

20 40 60 80 100 120 140 160 180 200 220


20 40 60 80 100 120 140 160 180 200 220

Segmentasi Gradient Magnitude Filter Segmentasi Gradient Magnitude Filter Laplacian


Laplacian of Gaussian (Log)
Gradient magnitude Laplacian(gradmag)
Default Log Gradient magnitude (gradmag)

20
20

40
40

60
60

80
80

100
100

120
120

140
140

160
160

180
180

20 40 60 80 100 120 140 160 180 200 220


20 40 60 80 100 120 140 160 180 200 220

Segmentasi Gradient Magnitude Filter Unsharp Segmentasi Gradient Magnitude Filter Gaussian
Gradient magnitude (gradmag)Unsharp Gradient magnitude (gradmag)Gaussian

20 20

40 40

60 60

80 80

100 100

120 120

140 140

160 160

180 180

20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


Segmentasi Gradient Magnitude Filter Disk
Gradient magnitude (gradmag)Disk

20

40

60

80

100

120

140

160

180

20 40 60 80 100 120 140 160 180 200 220

Morphology Opening Morphology Opening by Reconstruction


Opening-by-reconstruction (Iobr)
Opening (Io)

20 20

40 40

60 60

80 80

100 100

120 120

140 140

160 160

180 180

20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220

Morphologi Opening Closing Morphology Opening Closing by Reconstruction


Opening-closing (Ioc) Opening-closing by reconstruction (Iobrcbr)

20 20

40 40

60 60

80 80

100 100

120 120

140 140

160 160

180 180

20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220

Regional maxima opening-closing by Regional maxima superimposed on original

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


reconstruction image
Regional maxima of opening-closing by reconstruction (fgm) Regional maxima superimposed on original image (I2)

20 20

40 40

60 60

80 80

100 100

120 120

140 140

160 160

180 180

20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220

Modified Regional max superimposed on Thresholded opening-closing by reconstruction


original image
Modified regional maxima superimposed (fgm4) Thresholded opening-closing by reconstruction (bw)

20 20

40 40

60 60

80 80

100 100

120 120

140 140

160 160

180 180

20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220

'Watershed ridge lines Markers object boundaries superimposed original


Sobel

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


Watershed ridge lines (bgm) Markers and object boundaries superimposed on original image (I4)Sobel

20 20

40 40

60 60

80 80

100 100

120
120

140
140

160
160

180
180

20 40 60 80 100 120 140 160 180 200 220


20 40 60 80 100 120 140 160 180 200 220

Markers object boundaries superimposed Markers object boundarie superimposed orginal


original Prewitt Laplacian
Markers and object boundaries superimposed on original image (I4)Prewitt Markers and object boundaries superimposed on original image (I4)Laplacian

20 20

40 40

60 60

80 80

100 100

120 120

140 140

160 160

180 180

20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220

Markers object boundaries superimposed Markers object boundarie superimposed original


original (Log) Unsharp

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


Markers and object boundaries superimposed on original image (I4)Log
Markers and object boundaries superimposed on original image (I4)Unsharp

20
20

40
40

60
60

80
80

100
100

120
120

140
140

160
160

180
180

20 40 60 80 100 120 140 160 180 200 220


20 40 60 80 100 120 140 160 180 200 220

Marker object boundarie superimposed original Markers object boundaries superimposed original
Gaussian Disk
Markers and object boundaries superimposed on original image (I4)Gaussian Markers and object boundaries superimposed on original image (I4)Disk

20 20

40 40

60 60

80 80

100 100

120 120

140 140

160 160

180 180

20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220

Colored watershed label matrix pada Sobel Colored watershed label matrix pada Prewitt
Colored watershed label matrix (Lrgb) Sobel Colored watershed label matrix (Lrgb)Prewitt

20 20

40 40

60 60

80 80

100 100

120 120

140 140

160 160

180 180

20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


Colored watershed label matrix pada Laplacian Colored watershed label matrix pada (Log)
Colored watershed label matrix (Lrgb)Laplacian Colored watershed label matrix (Lrgb)Log

20 20

40 40

60 60

80 80

100 100

120 120

140 140

160 160

180 180

20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220

Colored watershed label matrix pada Unsharp Colored watershed label matrix pada Gaussian
Colored watershed label matrix (Lrgb)Unsharp Colored watershed label matrix (Lrgb)Gaussian

20 20

40 40

60 60

80 80

100 100

120 120

140 140

160 160

180 180

20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220

Colored watershed label matrix pada Disk Superimposed transparently on original image
Disk
Colored watershed label matrix (Lrgb)Disk

20

40

60

80

100

120

140

160

180

20 40 60 80 100 120 140 160 180 200 220

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


Superimposed transparently on original image Superimposed transparently on original image
Sobel Prewitt

Superimposed transparently on original image Superimposed transparently on original image


Laplacian (Log)

Superimposed transparently on original image Superimposed transparently on original image


Unsharp Gaussian

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


METODE ALTERNATIF LAIN (MARKER OBJEK
BOUNDARY IMAGE)
Untuk langsung menempatkan hasil dari Pendeteksian Edge pada tugas no. 2 kepada hasil
Morphology Sedimentasi dengan hasil Pendeteksian Edge sebagai Mask nya dan Hasil dari
Morphology Sedimentasi sebagai Markernya, dan hasil tumpangan diberikan pelabelan warna
hijau/biru atau warna lain
Maka dapat saja Perintah dipersingkat, tanpa malakukan metode Watershed , tetapi tetap
melakukan pengoperasian Segmentasi Morphology dengan langkah perintah sbb :
- Konversi dan Pendeteksi Edge pada Citra:
rgb = imread('mammography.jpg'); I = rgb2gray(rgb);
BW1 = edge (I, 'canny'), figure, imshow(BW1); title('Canny edge')
- Garis tepi hasil dari deteksi tepi ini tidak cukup tebal, dapat digunakan gradient biner
masker dan fungsi imdilate untuk menebalkan garis tepi ini :
DI = imadjust(I, [], [0 1]);
BWs = edge(DI, 'canny', (graythresh(DI) * 0.5));
figure, imshow(BWs), title('Canny binary gradient mask')
se90 = strel('line', 3, 90);
se0 = strel('line', 3, 0);
BWsdil = imdilate(BWs, [se90 se0]);figure, imshow(BWsdil), title('Canny dilated gradient
mask')

- Marker pada Foreground dengan Teknik Morphologi “Opening by Reconstruction” dan


“Closing by Reconstruction” untuk membersihkan citra. Operasi ini akan menciptakan
Maxima Flat di dalam setiap objek yang dapat dilokasikan sebagai imregionalmax. Kita
dapat membandingkan hasil segmentasi keduanya,
dengan Syntax untuk morphologi Opening yaitu Morphologi Erosion yang diikuti oleh
Morphologi Dilation adalah sebagai berikut :
>> se = strel('disk', 20);
>> Io = imopen(I, se);
>> figure, imshow(Io), title('Opening (Io)')
Sedangkan Syntax u ntuk Morphology Opening by reconstruction yaitu Morphologi
Erosion yang diikuti oleh Morphologi Reconstruction. Adalah sebagai berikut :
>> Ie = imerode(I, se);
>> Iobr = imreconstruct(Ie, I);
>> figure, imshow(Iobr), title('Opening-by-reconstruction (Iobr)')

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


- Melanjutkan Morphologi Opening dengan Closing dapat menghilangkan Dark Spot (Titik
titik gelap) dan Stem Mark. Kita dapat membandingkan Morphologi Closing dengan
Morphologi Closing by Reconstruction, dengan Syntax sebagai berikut :
>> Ioc = imclose(Io, se);
>> figure, imshow(Ioc), title('Opening-closing (Ioc)')
- Kemudian dilanjutkan dengan Morphologi Imdilate by imreconstruct. Kita dapat
menyempurnakan citra output dari Morphologi imreconstruct ini. Syntax yang
digunakan sebagai berikut :
>> Iobrd = imdilate(Iobr, se);
>> Iobrcbr = imreconstruct(imcomplement(Iobrd), imcomplement(Iobr));
>> Iobrcbr = imcomplement(Iobrcbr);
>> figure, imshow(Iobrcbr), title('Opening-closing by reconstruction (Iobrcbr)')

- Hasil perbandingan Morphologi Opening-closing by reconstruction terlihat lebih efektif


dibandingkan dengan Morphologi Opening-closing untuk menghilangkan noda kecil
tanpa mempengaruhi bentuk keseluruhan dari citra. Kemudian perhitungan Regional
maxima dengan kode Iobrcbr dilakukan untuk memperoleh foreground marker yang
lebih baik. Syntax yang ditulis adalah sebagai berikut :
>> fgm = imregionalmax(Iobrcbr);
>> figure, imshow(fgm), title('Regional maxima of opening-closing by reconstruction
(fgm)')
Untuk membantu menafsirkan hasilnya, maka kita tumpangkan hasil marker foreground
ini pada image asli gray dengan syntax sebagai berikut
>> I2 = I;
>> I2(fgm) = 255;
>> figure, imshow(I2), title('Regional maxima superimposed on original image (I2)')

- Dapat diperhatikan bahwa beberapa dari bayangan dan beberapa bagian tertutup tidak
ditandai/marked, yang berarti objek-objek ini tidak akan tersegmentasi dengan benar
dalam hasil akhirnya. Juga Marker foreground pada beberapa objek langsung menuju
sisi/edge objek, yang berarti edge dari beberapa blop/bagian pixel dihilangkan dan
kemudian disusutkan sedikit. Perintah ini dapat dilakukan dengan Morphologi Closing
yang diikuti oleh Erosion , dengan Syntax sebagi berikut :
>> se2 = strel(ones(5,5));
>> fgm2 = imclose(fgm, se2);
>> fgm3 = imerode(fgm2, se2);
- Prosedur ini cenderung meninggalkan beberapa piksel menyimpang yang terisolasi,
yang harus dihilangkan. Hal ini dapat dilakukan dengan menggunakan bwareaopen,
yang menghapus semua bagian pixel yang memiliki jumlah piksel yang lebih sedikit
dengan syntax sebagai berikut :
>> fgm4 = bwareaopen(fgm3, 20);
>> I3 = I;
>> I3(fgm4) = 255;
>> figure, imshow(I3), title('Modified regional maxima superimposed on original image
(fgm4)')
- Visualisasi Hasil

Salah satu teknik visualisasi Penumpangan dua image adalah dengan menempatkan
foreground markers, background markers, dan batas-batas objek tersegmentasi pada
gambar hasil Pendeteksian Edge. Metode Dilation dapat digunakan untuk membuat
aspek-aspek tertentu, seperti batas-batas objek, lebih terlihat. Syntax yang harus ditulis
adalah :
>> I4 = BWsdil;
>> I4(imdilate(I3 == 0, ones(3, 3)) | fgm4) = 255;
>> figure, imshow(I4), title('Markers and object boundaries superimposed on Edge
Detection image (I4)')

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


- Teknik visualisasi lain yang berguna adalah untuk menampilkan pewarnaan pada hasil
tumpangan segmentasi Mask dan Masker. Untuk itu diperlukan pengkonversian file ke
dalam bentuk true color degan perintah label matriks sebagai gambar berwarna. Label
matriks, dapat dikonversi ke gambar truecolor untuk memgvisualisasikan citra dengan
menggunakan perintah dan pewarnaan sesuai dengan yang diinginkan , dengan syntax
sebagai berikut :
figure,imshow(I4)
CC = bwconncomp(I4);
L = labelmatrix(CC);
RGB = label2rgb(L); misalnya untuk pewarnaan default
RGB2 = label2rgb(L, 'spring', 'c', 'shuffle'); misalnya untuk pewarnaan dengan
background warna cyan dan objek memiliki color map spring
figure, imshow(RGB), title('Colored label matrix)')
- Dapat juga dilakukan pewarnaan transparansi untuk menempatkan di pseudo-warna ini
label matriks di atas intensitas asli gambar.
>> figure, imshow(I), hold on
himage = imshow(RGB2);
set(himage, 'AlphaData', 0.3);
title('Lrgb superimposed transparently on original image')
- Terakhir kita dapat saja mengkombinasikan dan mencari pewarnaan yang dapat
memberikan informasi lebih terhadap kriteria obyek dari pencitraan yang kita inginan.
colormap hsv, figure, title('colormap')

Kombinasi dari colormap dapat dilakukan dari tipe jet, hsv, copper, gray, dan lain
sebagainya

METODE ALTERNATIF LAIN (Segmentasi Outline


Image)
- Metode alternatif untuk menampilkan objek yang tersegmentasi pada tumpangan
masknya dapat juga dilakukan dengan penempatan garis disekeliling sel tersegmentasi
sebagai pengganti langkah segmentasi Watershed, dengan fungsi bwperim. Syntaxnya
sebagai berikut:
BWoutline = bwperim(I4);
Segout = I;
Segout(BWoutline) = 255;
figure, imshow(Segout), title('outlined original image');
- Kemudian Metode pelabelan warna cukup dilakukan dengan satu perintah syntax dan
termasuk perubahan konversi ke pada True color atau RGB file yaitu , color map
disesuaikan dengan yang diinginkan
colormap hsv, figure, title('colormap')

Kombinasi dari colormap dapat dilakukan dari tipe jet, hsv, copper, gray, dan lain
sebagainya

Hasil Citra untuk setiap langkah proses Penumpangan Deteksi Edge dan Morphologi
Sedimentasi ditampilkan sbb. :

Konversi Citra

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


20 20

40 40

60 60

80 80

100 100

120
120

140
140

160
160

180
180

20 40 60 80 100 120 140 160 180 200 220


20 40 60 80 100 120 140 160 180 200 220

Pendeteksian Sisi Metode Canny Pendeteksian Sisi Metode Canny Gradient


Mask
Canny binary gradient mask

20

40
50
60

80

100 100

120

140

150
160

180

20 40 60 80 100 120 140 160 180 200 220

50 100 150 200


Pendeteksian Sisi Metode Canny Dilated Morphology Opening
Gradient Mask
Canny dilated gradient mask
Opening (Io)

20
20

40
40
60

60
80

80
100

100
120

140 120

160 140

180
160

20 40 60 80 100 120 140 160 180 200 220


180

20 40 60 80 100 120 140 160 180 200 220

Morphology Opening by Reconstruction Morphologi Opening Closing

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


Opening-by-reconstruction (Iobr) Opening-closing (Ioc)

20 20

40 40

60 60

80 80

100 100

120 120

140 140

160 160

180 180

20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220

Morphology Opening Closing by Regional maxima opening-closing by


Reconstruction reconstruction
Opening-closing by reconstruction (Iobrcbr) Regional maxima of opening-closing by reconstruction (fgm)

20 20

40 40

60 60

80 80

100 100

120 120

140 140

160 160

180 180

20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220

Regional maxima superimposed on original Modified Regional max superimposed on


image original image
Regional maxima superimposed on original image (I2) Modified regional maxima superimposed (fgm4)

20 20

40 40

60 60

80 80

100 100

120 120

140 140

160 160

180 180

20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


Markers-object boundaries superimposed on Pelabelan Warna dan perubahan file konversi
Edge Image ke RGB

20
20

40
40

60
60
80

80
100

100
120

140 120

160 140

180
160

20 40 60 80 100 120 140 160 180 200 220


180

20 40 60 80 100 120 140 160 180 200 220

Pelabelan Warna dan perubahan file konversi Superimposed transparently Pelabelan Warna
ke RGB
Colored label matrix)

20

40

60

80

100

120

140

160

180

20 40 60 80 100 120 140 160 180 200 220

Pelabelan Warna dan perubahan file konversi Superimposed transparently Pelabelan Warna
ke RGB

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


20

40

60

80

100

120

140

160

180

20 40 60 80 100 120 140 160 180 200 220

Colormap type HSV Colormap type JET

Colormap type Colorcube

Metode alternative dengan Pelabelan Warna type jet dan file

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


Segmentasi Outline konversi ke RGB
outlined original image outlined original image

20 20

40 40

60 60

80 80

100 100

120 120

140 140

160 160

180 180

20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220

Memodifikasi preprocessing untuk lebih memberikan kemampuan image atau citra


memberikan informasi yang dibutuhkan bagi penggunanya. Seperti contoh diatas
dimana Pendeteksi bagian yang diperkirakan adalah sel sel kanker sebagai deteksi
awal Kanker Payudara sangat dibutuhkan hasil pengolahan image yang
mempresentasikan infromasi keberadaan , baik letak, jenis bentuk, warna, dimensi,
maupun perbedaan dengan jaringan atau sel di kategorikan normal.

Menurut saya, Metode Segmentasi Watershed klasik seperti yang dicontohkan pada
Demo Matlab, kurang memberikan informasi berarti bagi perbedaan jaringan normal,
benign ataupun kanker. Sedangkan proses penumpangan Mask dan objek dengan
pendeteksian Sisi sebagai Masknya dapat lebih memberikan informasi pada
pembatasan lokasi yang diperkirakan terkena kanker. Serta dengan proses pewarnaan
atau pelabelan warna pada image kanker payudara ini memberikan informasi penting
untuk memvisualisasikan informasi yang dibutuhkan serta dapat digunakan sebagai
pendiferensiasi lokasi jaringan yang diperkirakan terkena kanker dengan jaringan
normal. Bahkan proses pewarnaan dengan metode Colormap HSV DAN JET dapat
memberikan gradiensi warna yang dapat membedakan beberapa jenis jaringan yang
diperkirakan normal, benign atau kanker. Untuk itu dibutuhkan studi lebih lanjut dan
contoh yang lebih beragam lagi.
CONTOH IMAGE KEDUA : SCREENING AWAL KANKER PAYUDARA
DENGAN ULTRASOUND
DETEKSI EDGE
SOBEL LOG

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


sobel edge log edge

50 50

100 100

150 150

200 200

250
250

300
300

350
350

400
400
50 100 150 200 250 300 350 400 450 500 550
50 100 150 200 250 300 350 400 450 500 550

CANNY
canny edge

50

100

150

200

250

300

350

400
50 100 150 200 250 300 350 400 450 500 550

METODE WATERSHED
Konversi Citra Segmentasi Gradient Magnitude Filter Sobel
Gradient magnitude Sobel(gradmag)

50 50

100 100

150 150

200 200

250 250

300 300

350 350

400 400
50 100 150 200 250 300 350 400 450 500 550 50 100 150 200 250 300 350 400 450 500 550

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


Segmentasi Gradient Magnitude Filter Segmentasi Gradient Magnitude Filter Disk
Gaussian
Gradient magnitude Gaussian (gradmag) Gradient magnitude (gradmag)Disk

50 50

100 100

150 150

200 200

250 250

300 300

350 350

400 400
50 100 150 200 250 300 350 400 450 500 550 50 100 150 200 250 300 350 400 450 500 550

Morphology Opening Morphology Opening by Reconstruction


Opening (Io) Opening-by-reconstruction (Iobr)

50 50

100 100

150 150

200 200

250 250

300 300

350 350

400 400
50 100 150 200 250 300 350 400 450 500 550 50 100 150 200 250 300 350 400 450 500 550

Morphologi Opening Closing Morphology Opening Closing by Reconstruction


Opening-closing (Ioc) Opening-closing by reconstruction (Iobrcbr)

50 50

100 100

150
150

200
200

250
250

300
300

350
350

400
50 100 150 200 250 300 350 400 450 500 550 400
50 100 150 200 250 300 350 400 450 500 550

Regional maxima opening-closing by Regional maxima superimposed on original


reconstruction image

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


Regional maxima of opening-closing by reconstruction (fgm) Regional maxima superimposed on original image (I2)

50 50

100 100

150 150

200 200

250
250

300
300

350
350

400
400
50 100 150 200 250 300 350 400 450 500 550
50 100 150 200 250 300 350 400 450 500 550

Modified Regional max superimposed on Thresholded opening-closing by reconstruction


original image
Modified regional maxima superimposed on original image (fgm4)
Markers object boundaries superimposed
50
original Sobel
Thresholded opening-closing by reconstruction (bw)

100
50

150
100

200
150

250
200

300
250

350
300

400
350
50 100 150 200 250 300 350 400 450 500 550

400
50 100 150 200 250 300 350 400 450 500 550

'Watershed ridge lines


Watershed ridge lines (bgm) Markers and object boundaries superimposed on original image (I4)

50
50

100
100

150
150

200
200

250
250
300

300
350

50 100 150 200 250 300 350 400 450 500


400
50 100 150 200 250 300 350 400 450 500 550

Marker object boundarie superimposed original Markers object boundaries superimposed


Gaussian original Disk

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


Markers and object boundaries superimposed on Gaussian original image (I4) Markers and object boundaries superimposed on Disk original image (I4)

50 50

100 100

150 150

200 200

250 250

300 300

350 350

400 400
50 100 150 200 250 300 350 400 450 500 550 50 100 150 200 250 300 350 400 450 500 550

Colored watershed label matrix pada Sobel Superimposed transparently on original image
Sobel
Colored watershed label matrix Sobel(Lrgb)

50

100

150

200

250

300

350

400
50 100 150 200 250 300 350 400 450 500 550

Colored watershed label matrix pada Gaussian Superimposed transparently on original image
Gaussian
Colored watershed label matrix (Lrgb)

50

100

150

200

250

300

350

400
50 100 150 200 250 300 350 400 450 500 550

Colored watershed label matrix pada Disk Superimposed transparently on original image
Disk

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


Colored watershed label matrix (Lrgb)

50

100

150

200

250

300

350

400
50 100 150 200 250 300 350 400 450 500 550

Metode alternative lain deteksi edge pada image


Pendeteksian Sisi Metode Canny Pendeteksian Sisi Metode Canny Gradient
Mask
Canny binary gradient mask Canny dilated gradient mask

50 50

100 100

150 150

200 200

250 250

300 300

350 350

400 400
50 100 150 200 250 300 350 400 450 500 550 50 100 150 200 250 300 350 400 450 500 550

HASIL LANGKAH SELANJUTNYA SERUPA DENGAN HASIL PADA WATERSHED SEHINGGA TIDAK
DITAMPILKAN :
Pendeteksian Sisi Metode Canny Dilated Morphology Opening
Gradient Mask
Morphology Opening by Reconstruction Morphologi Opening Closing
Morphology Opening Closing by Reconstruction Regional maxima opening-closing by
reconstruction
Regional maxima superimposed on original Modified Regional max superimposed on
image original image

Markers-object boundaries superimposed on Pelabelan Warna dan perubahan file konversi


Edge Image ke RGB

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


M ark ers and objec t boundaries s uperim pos ed on E dge Detec tion im age (I4) Colored label m atrix )

50 50

100 100

150
150

200
200

250
250

300
300

350
350

400
400 50 100 150 200 250 300 350 400 450 500 550
50 100 150 200 250 300 350 400 450 500 550

Pelabelan Warna dan perubahan file konversi ke Superimposed transparently Pelabelan Warna
RGB
Colored label m atrix )

50

100

150

200

250

300

350

400
50 100 150 200 250 300 350 400 450 500 550

Pelabelan Warna dan perubahan file konversi ke Superimposed transparently Pelabelan Warna
RGB

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


Metode alternative dengan Segmentasi Outline
Colormap type PINK Colormap TRANSPARANT type COVER
outlined original image
outlined original image

50
50

100 100

150 150

200 200

250 250

300 300

350 350

400 400
50 100 150 200 250 300 350 400 450 500 550 50 100 150 200 250 300 350 400 450 500 550

Colormap type JET Colormap TRANSPARANT type JET


outlined original image

50 50

100 100

150 150

200 200

250 250

300 300

350 350

400
400
50 100 150 200 250 300 350 400 450 500 550
50 100 150 200 250 300 350 400 450 500 550

Colormap type HSV Colormap TRANSPARANT type HSV


outlined original image

50 50

100 100

150 150

200 200

250 250

300 300

350 350

400 400
50 100 150 200 250 300 350 400 450 500 550
50 100 150 200 250 300 350 400 450 500 550

Colormap type HOT Colormap TRANSPARANT type HOT

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


outlined original image

50
50

100
100

150
150

200
200

250
250

300
300

350
350

400
400
50 100 150 200 250 300 350 400 450 500 550
50 100 150 200 250 300 350 400 450 500 550

SANGAT JELAS PEMBERIAN COLORMAP WARNA PADA HASIL AKHIR SEGMENTASI


MEMBERIKAN TAMPILAN INFORMASI YANG LEBIH MENARIK DAN LEBIH MEMBERIKAN
ARAHAN TERHADAP TUJUAN PEMROSESAN CITRAAN YAITU MEMBEDAKAN KELAS
KELAS OBYEK ANTARA JARINGAN KANKER DAN NON KANKER.

DENGAN MELAKUKAN BERBAGAI PERCOBAAN PAPDA TUMPANGAN OBJEK PADA


MASKER LAINNYA SEPERTI YANG TERGAMBARKAN PADA IMAGE IMAGE BERIKUT,
DENGAN PEMBERIAN THRESHOLD LANGSUNG PADA MASKER SEGMENTASI EDGE, DAN
MORPHOLOGY DILATE SERTA SEGMENTASI DENGAN BORDERLINE DAN VARIASI
PEWARNAAAN , TERLIHAT HASIL HASIL IMAGE BERIKUT, MEMBERIKAN TAMPILAN
INFORMASI PADA IMAGE DENGAN LANGKAH YANG LEBIH SEDERHANA DIBANDING
METODE WATERSHED DAN METODE LAIN DIATAS, DAN MEMBERIKAN HASIL YANG
OPTIMAL UNTUK MEMBEDAKAN KELAS KELAS OBYEK ANTARA JARINGAN KANKER DAN
NON KANKER, DENGAN BORDERLINE DAN BERBAGAI VARIASI PEWARNAAN SESUAI
YANG DIINGINKAN SI PENGDIAGNOSA.

SEMOGA BERMANFAAAT…

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


rgb = imread('Denises Mammogram (Side-to-Side).jpg');
I = rgb2gray(rgb);
[junk threshold] = edge(I, 'sobel');
fudgeFactor = .5;
BWs = edge(I,'sobel', threshold * fudgeFactor);
figure, imshow(BWs), title('binary gradient mask');
se90 = strel('line', 3, 90);
se0 = strel('line', 3, 0);
BWsdil = imdilate(BWs, [se90 se0]);
figure, imshow(BWsdil), title('dilated gradient mask');
BWdfill = imfill(BWsdil, 'holes');
figure, imshow(BWdfill); title('binary image with filled holes');
BWnobord = imclearborder(BWdfill, 4);
figure, imshow(BWnobord), title('cleared border image');
seD = strel('diamond',1);
BWfinal = imerode(BWdfill,seD);
BWfinal = imerode(BWfinal,seD);
figure, imshow(BWfinal), title('segmented image');
BWoutline = bwperim(BWfinal);
Segout = I; Segout(BWoutline) = 255;
figure, imshow(Segout), title('outlined original image');
BWoutline = bwperim(BWfinal);
Segout = I; Segout(BWoutline) = 255;
figure, imshow(Segout), title('outlined original image');
colormap jet, figure, title('colormap')
colormap hsv, figure, title('colormap')
colormap hot, figure, title('colormap')
colormap gray, figure, title('colormap')

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan


Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan
Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan
Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan
Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan
Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan