International Journal of Aplikasi Komputer (0975 - 8887) Volume 49- No.

15, Juli
2012

Sebuah Novel Metodologi untuk Automatic bakteri Colony Kontra

Gurpreet Kaur Research Scholar Departemen ECE Daviet Jalandhar

ABSTRAK Banyak prosedur biologis tergantung pada hitungan akurat dari koloni
bakteri dan organisme lain. Dalam penelitian biomedis dan diagnosis klinis, ada
kebutuhan besar untuk menghitung jumlah bakteri di koran samples.This
menyajikan metodologi yang efektif sederhana dan biaya untuk secara otomatis
menghitung bakteri Koloni (BC). Metodologi yang diusulkan untuk colony counter
otomatis didasarkan pada teknik pengolahan citra digital. Metodologi yang
diusulkan diuji dengan berbagai jenis gambar filter. Hal ini diamati bahwa hasil
yang diperoleh dengan counter yang diusulkan tidak berbeda secara signifikan dari
penghitungan manual. Syarat Umum Digital pengolahan gambar, Pengenalan Pola
Kata kunci Adaptive filter median, koloni bakteri, bakteri, koloni forming unit,
mikroorganisme, pengolahan gambar morfologi.

1. PENDAHULUAN Jika kita pergi melalui literatur kita akan menemukan bahwa
koloni bakteri (BC) penghitungan memainkan peran penting untuk memeriksa
efektivitas desinfektan, untuk melakukan tes tidak hanya di pemeriksaan medis,
tetapi juga dalam makanan dan keamanan obat evaluasi dalam industri farmasi dan
rumah sakit. Perhitungan koloni bakteri juga digunakan di laboratorium
mikrobiologi untuk menguji efisiensi retensi filter atau membran.

Otomatisasi menghitung koloni telah meningkatkan minat selama beberapa

dekade, dan metode ini telah terbukti lebih konsisten daripada penghitungan
manual. Hal ini juga menemukan bahwa jumlah koloni otomatis memiliki
signifikan kurang variasi ketika reanalyzing piring dari yang manual ditentukan
oleh pengamat individu atau beberapa [1]. Apakah itu penghitungan manual atau
menghitung otomatis, untuk membuat koloni lebih terlihat, triphenyle tetrazolium
klorida (TTC) didirikan. Bakteri hidup mengkonversi TTC untuk produk dengan
warna merah tua, dan kontras koloni bakteri berwarna menjadi terang
dibandingkan dengan latar belakang [2].

Hal ini telah dibuktikan bahwa, tidak perlu menggunakan perangkat keras mahal
dan pencitraan sistem untuk mengumpulkan gambar dari koloni bakteri. Dengan
perkembangan kamera digital dan scanner dokumen, gambar koloni bakteri dapat
diperoleh dengan mudah [3]. Koloni menghitung dari tes clonogenic menggunakan
software densitometri telah diperkenalkan. Perangkat lunak ini dinamakan sebagai
Clono-Counter (CC). Seseorang harus memiliki pengalaman untuk memilih
parameter yang tepat untuk CC [4].

21 Poonam Sethi Asisten Profesor Departemen

ECE Daviet Jalandhar

Commercial counter koloni yang tersedia di pasar telah ditinjau dan

diklasifikasikan menjadi dua kategori-jenis Pertama-counter yang tidak counter
otomatis nyata, mereka masih memerlukan teknisi untuk menggunakan probe atau
pena untuk menyentuh setiap koloni dan mendaftarkan hitungan. Tipe kedua
counter semi otomatis atau otomatis counter, perangkat ini harga tinggi datang
dengan perangkat keras mereka sendiri. Kamera digital sekarang tersedia dengan
harga terjangkau. Upaya telah dilakukan untuk mengembangkan sistem yang dapat
menerima gambar yang diperoleh dari perangkat yang terjangkau. Tapi counter
diusulkan telah gagal untuk menghitung koloni berkembang selama media
transparan karena kontras rendah dan juga karena adanya suara-suara di piring
yang membuat sulit untuk membedakan antara suara dan koloni [5]. Masalah ini
dipecahkan dengan menggunakan metode yang berkaitan dengan gambar berwarna
dan akromatik berbeda. Hal ini dicapai dengan memeriksa standar deviasi dari nilai
rata-rata dari setiap channel warna R, G dan B [6]. Seiring dengan koloni
pencacahan, klasifikasi koloni bakteri juga telah dipertimbangkan. Klasifikasi
koloni di sini berarti menghitung koloni strain tertentu dalam sampel. Ini diperoleh
dengan menggunakan Support Vector Machine (SVM) classifier [7]. Dalam kasus
bakteri heterotrofik menghitung, telah terungkap bahwa penghitungan koloni
berdasarkan metode pengolahan citra layak. Tidak hanya itu memiliki kelebihan
cepat, sederhana dan akurat, tetapi juga hasil penghitungan tidak akan terpengaruh
dengan menggunakan inokulasi, variasi, bentuk dan ukuran koloni. Metode ini juga
berlaku secara luas untuk menghitung jenis lain dari mikroba [8]. Algoritma
berdasarkan hamburan pola koloni bakteri yang menunjukkan beberapa fitur
khusus, yang dapat dimanfaatkan untuk identifikasi berbagai spesies bakteri,
diusulkan. Cacat media, mungkin struktural dan optik homogeneities non dapat
mempengaruhi analisis. Pendekatan yang diusulkan dianggap kasus bakteri koloni
dengan bentuk yang sama, oleh karena itu analisis sampel mengandung bakteri
koloni dengan bentuk yang berbeda dengan metode yang diusulkan dapat
menyebabkan kesalahan yang signifikan. Ini harus menunjukkan juga, bahwa
semua gambar sampel bakteri harus dicatat dalam kondisi pencahayaan yang sama
[9]. Sebuah sistem koloni penghitungan otomatis baru, yang membuat penggunaan
teknologi image processing untuk layak menghitung koloni bakteri putih di piring
yang jelas sesuai dengan teori warna RGB, telah dikembangkan. Penggunaan
metode pengolahan citra seperti pada penghitungan koloni putih layak, yang tidak
terpengaruh oleh morfologi koloni, ukuran dan inokulasi metode, tetapi pengaruh
cahaya iradiasi dan warna latar belakang gambar yang dikumpulkan sangat serius.
Oleh karena itu, penggunaan sistem closed source untuk mencapai pencahayaan
untuk menghindari dampak cahaya alami dianjurkan [10].
Menghitung koloni dapat dipengaruhi oleh berbagai parameter yang terkait dengan
sifat fisik dari koloni: ukuran, bentuk, kontras, dan koloni tumpang tindih.
Penentuan tumpang tindih koloni telah disimpulkan oleh analisis bentuk [11], jarak
mengubah dan algoritma DAS juga diusulkan untuk segmen tumpang tindih koloni
[8]. Tujuan dari pekerjaan ini adalah untuk mengembangkan metodologi untuk
menghitung koloni bakteri otomatis menggunakan pengolahan citra digital. Metode
yang diusulkan akan mudah digunakan, karena tidak memerlukan parameter awal;
tidak ada kebutuhan dari setiap jenis intervensi manual dan tangan berpengalaman.
Artefak latar belakang ditangani dengan menggunakan filter. Hal ini selalu
menemukan mudah untuk menghitung koloni dalam gambar kontras tinggi, tetapi
metodologi ini memberikan hasil yang sama-sama diterima untuk gambar kontras
rendah. Makalah ini disusun sebagai berikut: Pengantar Mikroorganisme disajikan
dalam Bagian 2. Metode pengukuran jumlah sel diberikan dalam Bagian 3.
Metodologi yang diusulkan dijelaskan dalam Bagian 4. Hasil disajikan dalam
Bagian 5 dan Pasal 6 terdiri dari kesimpulan & diskusi.

2. Mikroorganisme dunia mikroba terdiri dari organisme mikro dan virus. Virus
adalah entitas non-seluler dan tidak dapat dianggap mikroorganisme.
Mikroorganisme adalah organisme uniseluler (mampu eksistensi sebagai sel
tunggal), terlalu kecil untuk dilihat dengan mata telanjang. Ada lima kelompok
utama mikroorganisme, Archaea, Bakteri, Algae, Protozoa, dan Jamur. Ahli
biologi mengakui keberadaan dua jenis fundamental berbeda dari sel-sel dalam
dunia mikroba, yang disebut sel prokariotik dan eukariotik. Sel-sel eukariotik
memiliki "benar" inti (wilayah sel yang berisi informasi genetik atau DNA) karena
tertutup dalam membran nuklir; Sel prokariot dikatakan memiliki "primitif" inti
karena DNA mereka tidak tertutup dalam membran nuklir. Archaea dan Bakteri
adalah sel prokariotik. Alga uniseluler dan protozoa dan jamur adalah sel
eukariotik, mirip dengan tumbuhan dan hewan. Wilayah nuklir dari sel prokariot
kadang-kadang disebut sebagai nucleoid, tetapi tidak pernah sebagai inti [12].
Bakteri adalah organisme prokariotik uniseluler. Mereka biasanya beberapa
mikrometer panjang. Bakteri datang dalam berbagai bentuk dan ukuran yang
disebut morfologi organisme. Bentuk yang paling umum adalah batang seperti dan
bola. Tidak seperti pada organisme multisel, peningkatan ukuran sel (pertumbuhan
sel dan reproduksi dengan pembelahan sel) yang terkait erat dalam organisme
uniseluler. Bakteri tumbuh dengan ukuran yang tetap dan kemudian mereproduksi
melalui pembelahan biner, suatu bentuk reproduksi aseksual. Dalam kondisi yang
optimal, bakteri dapat tumbuh dan membelah sangat cepat, dan populasi bakteri
dapat melipatgandakan secepat setiap 9,8 menit. Dalam pembelahan sel, dua sel
klon putri identik diproduksi. Untuk mempelajari lebih lanjut tentang pertumbuhan
bakteri merujuk [13].

3. TEKNIK MENGUKUR teknik berdasarkan penghitungan sel Mengukur,

melibatkan perhitungan langsung, visual atau instrumental, dan jumlah sel yang
layak tidak langsung. 3.1 jumlah mikroskopis langsung yang mungkin
menggunakan slide khusus yang dikenal sebagai menghitung ruang. Sel-sel mati
tidak dapat dibedakan dari yang hidup. 3.2 penghitungan ruang Elektronik
menghitung jumlah dan distribusi ukuran sel. Untuk sel ukuran bakteri media
menangguhkan harus sangat bersih. Seperti elektronik

International Journal of Computer Aplikasi (0975 - 8887) Volume 49- No.15, Juli
2012

perangkat yang lebih sering digunakan untuk menghitung sel eukariotik seperti sel-
sel darah. 3.3 jumlah sel yang layak langsung, juga disebut jumlah piring,
melibatkan plating keluar (menyebarkan) sampel budaya pada permukaan agar
nutrien. Sampel atau sel suspensi dapat diencerkan dalam pengencer tidak beracun
(misalnya air atau saline) sebelum plating. Jika berlapis pada suatu media yang
cocok, setiap unit yang layak tumbuh dan membentuk koloni. Setiap koloni yang
bisa dihitung disebut koloni forming unit (CFU) dan jumlah CFU ini berkaitan
dengan jumlah yang layak dari bakteri dalam sampel [14]. Usulan Metodologi
(PM) untuk menghitung koloni berada di bawah metode penghitungan yang layak
tidak langsung, yang bakteri yang dibudidayakan pada permukaan padat
menggunakan beberapa nutrisi, di bawah kondisi lingkungan yang sesuai, sehingga
mereka membentuk koloni. Koloni bakteri adalah sekelompok bakteri yang berasal
dari bakteri tunggal, dengan menghitung koloni ini kita dapat memperoleh jumlah
sel.

4. USULAN METODOLOGI (PM) 4.1 Gambar Langkah Akuisisi Pertama menuju

penghitungan koloni adalah untuk memperoleh gambar koloni bakteri. Dengan
kemajuan dalam perangkat digital sekarang hari menjadi sangat mudah untuk
memperoleh gambar digital dari koloni bakteri dikultur pada membran filter.
Gambar dapat diperoleh dengan scanner atau kamera digital. Meskipun kamera
digital menangkap gambar dari atas, scanner dokumen gambar membran dari
bawah dan karena itu lebih rentan terhadap kesalahan yang disebabkan oleh
goresan di bagian bawah. Biasanya, goresan tampak lebih terang pada gambar dan
tidak mungkin keliru sebagai koloni. Jarang, persimpangan jalur awal melalui
koloni tunggal dapat dihitung sebagai ganda.

Gambar 1: Koloni Bakteri Untuk mendapatkan kontras tinggi gambar

koloni 2, 3, 5- triphenyletetrazolium klorida (TTC), pewarna indikasi dari
metabolisme sel yang noda koloni bakteri merah tua tanpa pewarnaan permukaan
latar belakang, ditambahkan. Dengan menggunakan pewarna koloni bakteri
muncul bintik-bintik seperti merah cerah (seperti yang ditunjukkan pada Gambar
1), yang membuat proses penghitungan mudah. Telah diamati bahwa konsentrasi
TTC tidak berpengaruh pada intensitas latar belakang. Konsentrasi TTC bawah
12.5g / ml diproduksi kontras cukup untuk penghitungan otomatis. Kontras lebih
meningkatkan sampai 50g / ml TTC di mana titik lebih pewarna tidak
meningkatkan gambar. Disimpulkan bahwa konsentrasi TTC dari 25g / ml sudah
cukup untuk menghasilkan gambar dengan kontras tinggi antara koloni dan latar
belakang [1]. 4.2 Grayscale Gambar Secara matematis kita dapat mewakili citra
warna dengan rata-rata menggunakan 3 matriks dimensi, satu dimensi untuk warna
merah dan yang kedua untuk warna biru dan yang ketiga untuk warna hijau. Jadi
kita bisa mengambil gambar warna sebagai salah satu 3 matriks untuk setiap
warna. Gambar RGB kadang-kadang disebut sebagai "true color" gambar dan
dapat disimpan sebagai m-by-n-by-3 data array yang mendefinisikan merah, hijau
dan biru komponen warna untuk setiap pixel individu. Warna setiap pixel
ditentukan oleh kombinasi dari intensitas warna merah, hijau dan biru yang
tersimpan dalam setiap pesawat warna pada lokasi pixel. Graphics format file toko
RGB gambar sebagai gambar 24 bit,

22

di mana komponen merah, hijau dan biru adalah 8 bit masing-masing. Ini
menghasilkan potensi 16 juta warna. Presisi dengan yang gambar kehidupan nyata
dapat direplikasi telah menyebabkan julukan "gambar warna yang benar". Selain
itu, 85% dari kebisingan cenderung di "Intensitas" komponen. Jadi lebih baik
untuk memproses "I" untuk kebisingan-removal daripada tiga R = G = komponen
B [15]. Sebuah gambar digital grayscale adalah gambar di mana nilai setiap pixel
adalah sampel tunggal, yaitu, hanya membawa informasi intensitas tetapi tidak ada
informasi kromatik. Mereka terdiri eksklusif dari warna abu-abu yang bervariasi
dari hitam sebagai intensitas terlemah putih sebagai yang terkuat. Selain hitam dan
putih, mereka terdiri dari berbagai warna abu-abu. Setelah konversi grayscale
bakteri Colony gambar akan terlihat seperti seperti yang ditunjukkan pada Gambar
2.

Gambar 2: image SM setelah konversi grayscale

dasarnya, gambar grayscale standar sebenarnya delapan bit gambar hitam-putih

sehingga untuk setiap pixel, ada satu set 28 nilai-nilai yang diijinkan. Karena ini,
gambar grayscale memiliki banyak warna abu-abu di antara. Alasan untuk
membedakan gambar ini dari jenis lainnya warna gambar adalah bahwa informasi
yang kurang perlu disediakan untuk setiap pixel. Warna abu-abu adalah satu di
mana semua komponen merah, hijau dan biru memiliki intensitas yang sama. Jadi,
perlu untuk menentukan hanya nilai intensitas tunggal untuk setiap pixel. Untuk
mengkonversi warna apapun untuk representasi grayscale dari luminance nya,
yang pertama harus mendapatkan nilai-nilai merah, hijau, dan biru (RGB)
pendahuluan nya. Kemudian, persentase tertentu dari nilai-nilai RGB ditambahkan
bersama-sama. Bobot tergantung pada pilihan yang tepat dari primary RGB, tetapi
tidak pernah diperbaiki. Terlepas dari skala yang digunakan (0.0 ke 1.0, 0 sampai
255, 0% sampai 100%, dll), jumlah yang dihasilkan adalah nilai luminance linear
yang diinginkan. Ada tiga strategi dasar untuk mengkonversi gambar warna ke
gambar grayscale; yaitu metode ringan, metode rata-rata dan metode luminositas.
Mari kita berasumsi bahwa R, G dan B adalah nilai dari pixel Merah, Hijau dan
komponen Biru masing-masing. Juga membiarkan GY menunjukkan tingkat abu-
abu yang dihasilkan untuk pixel itu. Metode ringan rata-rata yang paling menonjol
dan warna paling menonjol. GY = (max (R, G, B) + min (R, G, B)) / 2-rata metode
hanya rata-rata nilai-nilai. Jadi, GY = (R + G + B) / 3 Metode luminositas adalah
pendekatan yang lebih canggih. Hal ini juga rata-rata nilai tetapi membentuk rata-
rata tertimbang untuk memperhitungkan persepsi manusia. Mata manusia lebih
sensitif terhadap hijau dari warna lain, begitu hijau tertimbang paling banyak
dalam pendekatan ini. Warna dalam sebuah gambar dapat dikonversi ke warna
abu-abu dengan menghitung kecerahan efektif atau luminance warna dan
kemudian menggunakan nilai ini untuk membuat warna abu-abu yang cocok
dengan kecerahan yang diinginkan. Jadi,

GY = 0,56 G + 0,33 R + 0,11 B Metode ringan umumnya cenderung mengurangi

kontras gambar yang dihasilkan. Tapi untuk beberapa gambar, tiga algoritma
menghasilkan hasil yang sangat mirip [16].

International Journal of Aplikasi Komputer (0975 - 8887) Volume 49- No.15, Juli
2012

4.3 Noise Removal Penghapusan kebisingan adalah salah satu tugas utama yang
harus dilakukan dalam pengolahan citra, sebagai kebisingan mengarah ke
kesalahan dalam gambar. Kehadiran kebisingan dimanifestasikan oleh informasi
yang tidak diinginkan, yang sama sekali tidak berhubungan dengan citra yang
diteliti, tetapi pada gilirannya mengganggu informasi yang ada di gambar. Hal ini
diterjemahkan ke dalam nilai-nilai, yang semakin ditambahkan atau dikurangi
dengan nilai-nilai tingkat keabuan yang benar pada tingkat pixel abu-abu.
Kebisingan dari banyak jenis. Dengan demikian citra kebisingan dapat Gaussian,
Uniform atau impulsif distribusi. Sebuah filter digital digunakan untuk
menghilangkan kebisingan dari gambar terdegradasi. Dengan demikian Filter
merupakan subsistem penting dari setiap sistem pemrosesan sinyal. Jadi filter
digunakan untuk peningkatan citra, seperti menghilangkan komponen sinyal yang
tidak diinginkan dari sinyal yang menarik. Pengurangan kebisingan pada dasarnya
diklasifikasikan menjadi dua jenis 1) teknik linear dan 2) teknik Non linear. Dalam
teknik linear rumus pengurangan kebisingan diterapkan untuk semua piksel
gambar linear tanpa mengelompokkan pixel ke pixel berisik berisik dan non.
Kelemahan dari algoritma linear itu merusak pixel non bising karena algoritma
diterapkan untuk kedua piksel berisik berisik dan non. Contoh untuk filter linier
rata-rata, berarti, filter median dll Kebisingan pengurangan Non linear adalah
proses dua langkah 1) deteksi kebisingan dan 2) penggantian kebisingan. Pada
langkah pertama, lokasi kebisingan terdeteksi dan pada langkah kedua, terdeteksi
piksel berisik diganti dengan estimasi nilai [17]. Meskipun filter median adalah
gambar smoothing dan peningkatan teknik yang berguna, juga memiliki beberapa
kelemahan. Filter median menghilangkan baik suara dan detail halus karena tidak
bisa membedakan antara keduanya. Apa pun relatif kecil dalam ukuran
dibandingkan dengan ukuran dari lingkungan akan memiliki minimal
mempengaruhi pada nilai median, dan akan disaring. Dengan kata lain, filter
median tidak dapat membedakan detail halus dari kebisingan. Median filter
tradisional dan mean filter digunakan untuk mengurangi garam-pepper noise dan
kebisingan Gaussian masing-masing. Ketika dua suara ini ada di gambar pada saat
yang sama, penggunaan hanya satu metode filter tidak dapat mencapai hasil yang
diinginkan. Oleh karena itu Adaptive Median Filtering (AMF) telah diterapkan
secara luas sebagai metode canggih dibandingkan dengan standar median filtering.
AMF melakukan pengolahan spasial untuk menentukan piksel dalam gambar telah
dipengaruhi oleh dorongan suara. AMF mengklasifikasikan piksel sebagai
kebisingan dengan membandingkan setiap pixel dalam gambar untuk piksel
tetangga sekitarnya. Ukuran lingkungan disesuaikan, serta ambang batas untuk
perbandingan. Sebuah pixel yang berbeda dari mayoritas tetangganya, serta yang
tidak struktural selaras dengan mereka piksel untuk yang mirip, diberi label
sebagai dorongan suara. Kebisingan piksel ini kemudian diganti dengan nilai pixel
median dari piksel di lingkungan yang telah lulus uji kebisingan pelabelan. AMF
dirancang untuk menghilangkan masalah yang dihadapi oleh Standard Median
Filter. AMF mengubah perilakunya berdasarkan karakteristik statistik dari gambar
di dalam jendela filter. Kinerja filter adaptif biasanya unggul rekan-rekan non-
adaptif [18]. 4.4 Obyek dan Latar Belakang Pemisahan Tingkat abu-abu piksel
milik obyek secara substansial berbeda dari tingkat abu-abu dari pixel milik latar
belakang. Thresholding kemudian menjadi alat sederhana namun efektif untuk
memisahkan objek dari latar belakang. Output dari operasi thresholding adalah
citra biner di mana 0 (hitam) akan menunjukkan pixel yang tergabung ke objek dan
1 (putih) akan menunjukkan latar belakang. Seperti gambar biner yang mudah
dioperasikan,lain

23

format gambarpenyimpanansering diubah menjadi gambar biner ketika mereka

digunakan untuk peningkatan atau deteksi tepi [19]. Karena efisiensi dalam kinerja
dan kesederhanaan dalam teori, teknik thresholding telah dipelajari secara ekstensif
dan sejumlah besar metode thresholding telah diterbitkan. Biasanya, pendekatan
thresholding otomatis diklasifikasikan menjadi dua kelompok utama: global dan
lokal. Dalam metode global, ambang batas tetap digunakan untuk gambar lubang,
sedangkan dalam metode lokal ambang perubahan dinamis (metode lokal sering
digunakan ketika latar belakang adalah tidak merata karena kondisi pencahayaan
yang buruk) dan nilai ambang batas dihitung untuk setiap pixel pada berdasarkan
informasi yang terkandung dalam lingkungan lokal pixel. Dalam konteks
thresholding global yang banyak algoritma telah dilaporkan dalam literatur. Dalam
bi-level thresholding, histogram dari gambar biasanya diasumsikan memiliki satu
lembah antara dua puncak, puncak mewakili latar belakang dan objek, masing-
masing. Ada dua pendekatan utama untuk masalah menemukan ambang intensitas
yang idealnya merupakan bagian bawah kadang-kadang sulit dipahami histogram
lembah ini: teknik parametrik parametrik dan non. Dalam kasus non-parametrik,
kita memisahkan dua kelas tingkat abu-abu secara optimal menurut beberapa
kriteria posterior, tanpa memperkirakan parameter dari dua distribusi. Metode non
parametrik lebih kuat, dan biasanya lebih cepat daripada parametrik [20]. Dalam
gambar digital, keseragaman dan bentuk benda memainkan peran besar dalam
memisahkan objek dari latar belakang. Jumlah perjanjian dari kedua aspek setiap
gambar biner dengan bayangan nyata telah dievaluasi dan hasilnya menunjukkan
bahwa kinerja saat parametrik melestarikan metode non thresholding (Tsai 1985)
baik dibandingkan dengan orang lain dan dapat dengan mudah diperluas untuk
thresholding multilevel [21]. Setelah menerapkan filter dan mengubahnya menjadi
citra biner koloni bakteri akan terlihat seperti seperti yang ditunjukkan pada
Gambar 3.

Gambar 3: Gambar Binary Bakteri Koloni

4.5 Langkah Batas Ekstraksi Berikutnya terhadap koloni penghitungan adalah

untuk memperoleh batas-batas koloni, yang dapat dicapai dengan menggunakan
operasi morfologi. Morfologi matematika adalah teori linear non beralasan
pengolahan citra. Its sifat geometri yang berorientasi menyediakan kerangka kerja
yang efisien untuk menganalisis karakteristik bentuk objek seperti ukuran dan
konektivitas, yang tidak mudah diakses oleh pendekatan linier. Operasi morfologi
mempertimbangkan bentuk geometris obyek gambar yang akan dianalisis.
Morfologi matematika secara teoritis didirikan pada teori himpunan. Ini
memberikan kontribusi berbagai operator untuk pengolahan gambar, didasarkan
pada beberapa konsep-konsep matematika sederhana. Para operator sangat berguna
untuk analisis gambar biner, deteksi batas, penghapusan noise, image
enhancement, dan segmentasi citra.

International Journal of Aplikasi Komputer (0975 - 8887) Volume 49- No.15, Juli
2012

Sebuah gambar dapat diwakili oleh satu set piksel. Sebuah operasi morfologi
menggunakan dua set piksel, yaitu, dua gambar: gambar data asli yang akan
dianalisis dan elemen penataan. Operasi dasar dari pendekatan berbasis morfologi
adalah terjemahan dari structuring element di atas gambar dan erosi dan / atau
pelebaran dari konten gambar berdasarkan bentuk structuring element. Operasi
morfologi menganalisis dan memanipulasi struktur dari suatu gambar dengan
menandai lokasi di mana elemen penataan cocok. Morfologi matematika,
lingkungan, oleh karena itu, didefinisikan oleh elemen penataan, yaitu, bentuk
structuring element menentukan bentuk lingkungan di gambar.

Gambar 4: Gambar menunjukkan batas-batas koloni

pelebaran adalah operator ekspansi yang membesar objek biner. Erosi adalah
operator penipisan yang menyusut objek. Erosi dan dilatasi dapat dikombinasikan
untuk menyelesaikan tugas-tugas penyaringan tertentu. Kombinasi banyak
digunakan membuka, menutup, dan deteksi batas. Operasi morfologi sangat efektif
untuk mendeteksi batas-batas dalam citra biner [22] [23]. Setelah mencapai batas
koloni, kita dapat menghitung koloni dengan melintasi batas-batas seperti
ditunjukkan pada Gambar 4. 4.6 Menghitung Overlapped Koloni Contour fitur
kelengkungan adalah salah satu informasi yang paling penting yang dapat
digunakan untuk pengenalan obyek dari bentuknya. Poin dari kecembungan
maksimum, cekung dan infleksi partisi kurva gambar ke segmen stabil relatif yang
kemudian dapat dicocokkan terhadap satu sama lain. Kadang-kadang titik-titik ini
juga disebut titik kritis atau penting. Kelengkungan, didefinisikan sebagai tingkat
perubahan lereng, telah banyak digunakan dalam aplikasi yang berbeda seperti
bentuk representasi, ekstraksi fitur, deteksi sudut dan pengenalan obyek. Titik-titik
di mana koloni bakteri tumpang tindih dapat diidentifikasi titik kelengkungan
tinggi di atas batas koloni, atau kita dapat mengatakan titik sudut. Oleh karena itu,
sudut didefinisikan sebagai high-lengkungan point pada busur digital sederhana
atau kurva.
Koloni tumpang tindih dapat ditentukan dengan mencari titik kelengkungan tinggi
pada kurva digital. Deteksi sudut memainkan peran penting dalam pengolahan citra
dan pengenalan pola di mana banyak pendekatan yang berbeda yang telah
dikembangkan. Pendekatan ini dapat secara luas diklasifikasikan ke dalam dua
kategori utama: abu-abu-tingkat dan pendekatan batas berbasis. Tingkat kelabu
mendekati sudut pertandingan menggunakan gray-level sudut template atau
menghitung gradien pada titik-titik tepi sementara pendekatan batas berbasis
menganalisis sifat piksel batas untuk mengidentifikasi sudut. Metode deteksi sudut
berdasarkan batas menggunakan K-cosinus telah diusulkan. Metode ini bertujuan
untuk mencapai deteksi sudut kuat untuk benda-benda yang mengandung berbagai
sudut [24] [25].

24

5. HASIL Usulan Metodologi (PM) untuk bakteri Colony (BC) penghitungan telah
diuji untuk berbagai jenis gambar filter. Gambar sampel telah diambil dari unit
yang terlibat dalam teknologi membran, di mana penghitungan bakteri diperlukan
untuk memenuhi standar kualitas produk mereka. Hasil yang diperoleh dari PM
telah dibandingkan dengan jumlah pengguna seperti yang ditunjukkan pada Tabel
1.

Tabel 1. Perbedaan antara manual & PM menghitung

BC Tipe Gambar

Pedoman count

Hitungan oleh PM

Perbedaan

Tinggi Sebaliknya, tanpa koloni tumpang tindih

10 10 0
 kontras tinggi, tumpang tindih koloni

93 91 -2

Rendah kontras 30 29 -1

Rendah Sebaliknya, berisik kontras 39 37 -2 Tinggi, lebih dari empat tumpang

tindih

120 123 3

kepadatan tinggi 203 201 -2

Tinggi kepadatan, berisik 124 122 -2

6. KESIMPULAN DAN PEMBAHASAN Apakah itu adalah penghitungan manual

atau penghitungan otomatis, penggunaan pewarna berwarna berbeda dan mudah
tersedia menangkap gambar digital dan menyimpan perangkat telah membuat
bakteri penghitungan tugas yang mudah. Tujuan dari pekerjaan ini adalah untuk
mengusulkan metodologi sederhana dengan yang menghitung koloni tugas dapat
dengan mudah dilakukan tanpa menggunakan data pelatihan awal. Kinerja
diusulkan kontra telah diuji pada berbagai jenis gambar Bakteri Colony; menyaring
gambar yang tidak memiliki kecil. koloni, gambar koloni kepadatan tinggi, gambar
kontras rendah, gambar dengan kebisingan latar belakang. Hasil yang diperoleh
dengan usulan kontra telah dibandingkan dengan hitungan manual. Untuk gambar
kontras tinggi yang diusulkan penghitungan metodologi tampil sangat baik. Count
koloni gambar yang mengandung koloni padat dan gambar dengan kontras rendah
juga dalam batas toleransi kesalahan. Telah terungkap bahwa koloni penghitungan
berdasarkan metode pengolahan citra layak. Selanjutnya, metode pengolahan citra
juga banyak berlaku untuk menghitung jenis lain mikroba dan itu sangat
meningkatkan akurasi dan efisiensi. Hadir kerja dapat ditingkatkan lebih lanjut
untuk gambar yang lebih rumit seperti selalu ada ruang lingkup perbaikan dalam
teknik pengolahan citra digital.

7. REFERENSI [1] Matthew L. Clarke, Robert L. Burton, A. Nayo Hill, Maritoni

Litorja, Bulan H. Nahm, Jeeseong Hwang, Low-Cost, High-throughput,
Menghitung Otomatis Bakteri Koloni, Journal of Masyarakat Internasional untuk
Kemajuan Cytometery, Bagian A, No. 77, pp. 790-797, 2010.

[2] Kyung Hyo Kim, Jigui Yu, dan Bulan H. Nahm, Efisiensi dari Membunuh
Assay Radang Paru Opsonophagocytic Peningkatan oleh Multiplexing dan oleh
Mewarnai Koloni,klinis dan Diagnostik Laboratorium Imunologi, Vol. . 10, No.
4, pp 616-621, Juli 2003.

[3] Michael Putman, Robert Burton, Bulan H. Nahm, Cara Sederhana untuk
secara otomatis Hitung bakteri

International Journal of Aplikasi Komputer (0975-8887) Volume 49- ada 0,15, Juli
2012

Colony Forming unit,Journal of imunologi Methods- 302, pp. 99- 102, 2005.

[4] Maximilian Niyazi, Ismat Niyazi dan Claus Belka,Menghitung koloni

Clonogenic Tes dengan menggunakan densitometri Software,Journal Radiasi
Onkologi, 2007. http://www.rojournal.com/content/2/1/4

[5] Chengcui Zhang dan Wei-Bang Chen, Sebuah Metode Efektif dan Kuat untuk
Automatic bakteri Colony Pencacahan, Konferensi Internasional semantik
Computing, IEEE Computer Society, pp. 581-586, 2007.

[6] Chengcui Zhang, Wei-Bang Chen, Wen-Lin Liu, dan Chi-Bang Chen, Sebuah
Otomatis bakteri Colony Counting System, IEEE International Conference on
sensor Networks, di mana-mana, dan Trustworthy Computing, pp. 233-240, 2008.
[7] Wei-Bang Chen dan Chengcui Zhang, Bakteri Colony Pencacahan dan
Klasifikasi untuk Clonogenic Assay,Kesepuluh IEEE Simposium Internasional
Multimedia, pp. 487-488, 2008.

[8] Hong Men, Yujie Wu, Xiaoying Li, Zhen Kou, Shanrang Yang,Menghitung
Metode bakteri heterotrofik Berdasarkan pada Image processing,IEEE CIS, pp.
1238-1241, 2008.

[9] Igor Buzalewicz, Katarzyna W.Krol, dan Halina Podbielska,analisis

pengolahan gambar dipandu untuk estimasi bakteri koloni jumlah dengan cara
transformasi optik,optik mengungkapkan, Vol. 18, Nomor 12, pp. 12.992-13.005
7 Juni 2010.

[10] Shen Wei-Zheng, Wu Ya-Chun, Zhao Lie, Zheng Hui, Studi Eksperimental
untuk Automatic Colony Menghitung Sistem Berdasarkan Image Processing,
Internasional konferensi Aplikasi Komputer dan Sistem Modeling, Vol. 6, pp. 612-
615, ICCASM 2010.

[11] Jostein Dahle, Manish Kakar, Harald B. Steen, dan Olav Kaalhus,
Automated Menghitung Koloni sel mamalia oleh Sarana dari B Scanner datar dan
Image Processing, cytometry Bagian A, 60A: 182-188, 2004.

[12] Index of / themicrobialworld, tersedia di

http://textbookofbacteriology.net/themicrobialworld/

[13] Bakteri - Wikipedia bahasa Indonesia, ensiklopedia bebas:

http://en.wikipedia.org / wiki / Bakteri

[14] Teknik Mikrobiologi - Teknik Mikroba Mikrobiologi, tersedia di

http://microbes.org/microbiology-techniques
[15] MO Al-Dwairi, ZA Alqadi, AA AbuJazar dan R. Abu Zneit, Dioptimalkan
benar-Color Image Processing,Dunia Ilmu Terapan Journal, 8 (10): 1175-1182,
2010.

[16] Debasish Biswas, A. Nag, S. Ghosh, Arindrajit Pal, S. Biswas, S. Banerjee,

Anjan Pal Novel Gray Scale Teknik Konversi Berdasarkan Pixel Depth, Journal
of global Research di Ilmu Komputer, Vol. 2, No 6, pp. 118-121, Juni 2011.

[17] Manohar Annappa Koli, Ulasan Teknik Noise Reduction Impulse,

International Journal pada Ilmu Komputer dan Teknik, Vol. 4, No. 2, pp. 184-196,
2012.

25

[18] Mr. Salem Saleh Al-amri, Dr. NV Kalyankar dan Dr. Khamitkar SD, Studi
Perbandingan Removal Kebisingan dari Citra Penginderaan Jauh, Internasional
Jurnal Ilmu Masalah Komputer, Vol. 7, No 1, pp 32-36, Januari 2010.(0975-
8887).,

[19] Tarun Kumar, Karun Verma, Sebuah Teori Berdasarkan Konversi RGB
gambar untuk Gray gambar, International Journal of Aplikasi Komputer Vol . 7,
No 2, hlm. 7-10, September 2010.

[20] N. Nacereddine, L. Hamami, M. Tridi, dan N. Oucief, Non-Parametrik

Histogram-Based Metode Thresholding untuk Weld Cacat Deteksi di Radiografi,
World Academy of Science, Teknik dan Teknologi 9, pp . 213-217, 2005.

[21] PK Sahoo, S. Soltani, AKC Wong, YC Chbn, Sebuah Survei Teknik

Thresholding, Vision Komputer,

International Journal of Aplikasi Komputer (0975-8887) Volume 49- No.15 , Juli

2012

Graphics, Dan Pengolahan Citra, Vol. 41, pp. 233-260, 1988.

[22] Aishy Amer, New Binary Morphological Operations for Effective Low-Cost
Boundary Detection, International Journal of Pattern Recognition and Artificial
Intelligence, Vol. 17, No. 2, pp. 1-13, 2002.

[23] RCGonzales, REWoods, Digital Image Processing, 2-

nd Edition, Prentice Hall, 2002.

[24] Cho-Huak Teh, Roland T. Chin, On the Detection of Dominant Points on

Digital Curves, IEEE Transactions on Pattern Analysis and Machine Intelligence,
Vol. 2, No. 8, pp. 859-872, August 1989.

[25] Te-Hsiu Sun, K-Cosine Corner Detection, Journal of

Computers, Vol. 3, No. 7, pp. 16-22, July 2008.

26