15, Juli
2012
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.
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].
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].
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.
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.
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
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.
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.
BC Tipe Gambar
Pedoman count
Hitungan oleh PM
Perbedaan
10 10 0
kontras tinggi, tumpang tindih koloni
93 91 -2
Rendah kontras 30 29 -1
120 123 3
[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.
[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.
[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.
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.
26