EKSTRAKSI TEPI DENGAN MENGGUNAKAN FUZZY SPATIAL FILTERING DAN SLICHING INTENSITY - Compressed PDF
EKSTRAKSI TEPI DENGAN MENGGUNAKAN FUZZY SPATIAL FILTERING DAN SLICHING INTENSITY - Compressed PDF
Abstrak
Ekstraksi tepi objek merupakan isu penting dalam bidang image prosessing, terutama dalam
kaitannya dengan masalah segmentasi, ekstrasi fitur, dan pengenalan pola. Terdapat dua
permasalahan pokok dalam deteksi atau ekstraksi tepi yaitu, pertama munculnya tepi salah, yaitu
tepi yang terdeteksi namun bukan merupakan tepi objek yang sebenarnya. Kasus ini biasanya
diakibatkan adanya noise. Kedua tepi hilang, yaitu adanya tepi objek yang tidak terdeteksi (hilang).
Pada penelitian ini diimplementasikan spatial fuzzy filtering dan Slicing intensity, untuk
mengekstraksi tepi pada image dengan variasi noise. Perbandingan hasil pengujian dengan
operator deteksi tepi lainnya( sobel,canny, dan prewit), menunjukan spatial fuzzy filtering memiliki
keunggulan, mampu minimalkan adanya tepi hilang dan tepi salah.
Abstracts
Object edge extraction is an important issue in the field of image processing, particularly in
relation to the problem of segmentation, feature extraction and pattern recognition. There are two
main problems in the detection or extraction of the edge, the edge of the first appearance, the edges
are detected but not an actual object edges. These cases are usually caused by the noise. The second
edge is lost, that is the object edges are not detected (missing). In this study implemented fuzzy spatial
filtering and Slicing intensity, for extracting the edge of the image with noise variations. Comparison
of test results with other edge detection operator (Sobel, Canny, and prewit), shows fuzzy spatial
filtering has the advantage, able to minimize the loss and the edge of the edge.
1. PENDAHULUAN
Deteksi tepi merupakan bagian yang sangat penting dalam bidang pengolahan image
( image processing), tepi (edge) didefinisikan sebagai batas yang membatasi sebuah region dalam
sebuah image. Pengenalan dan ekstraksi tepi pada image sangatlah penting untuk keperluan
segmentasi dan pengenalan pola. Dalam bidang kesehatan, deteksi tepi sangat dibutuhkan untuk
keperluan analisa image medis, misalnya pada hasil CT scan, sebuah metode berdasarkan operasi
morphology digunakan untuk mendeteksi tepi pada hasil CT scan, metode ini berasil mendeteksi
tepi sekaligus mengeleminasi noise salt paper pada image CT Scan [1]. Berkaitan dengan
ekstraksi tepi, beberapa penelitian sudah dilakukan, pada penelitian [2], dilakukan review
perbandingan berbagai tehnik pendeteksian tepi diantaranya, (1) Marr Hildreth edge detector,
sebuah detektor tepi yang didasarkan gradient intensity ,(2) canny edge detector , (3) Local
thresholding ,(4) deteksi tepi dengan jarak ecludian dan vector angle . Dari review yang dilakukan
ditemukan bahwa deteksi tepi dengan operator canny masih dianggap lebih baik karena
menghasilkan batas yang lebih tebal dan berkelanjutan (continous). Tepi diindikasikan dengan
adanya perubahan tingkat intensitas secara drastis, secara umum metode untuk mendeteksi atau
ekstraksi tepi ada dua jenis, pertama didasarkan pada gradient intensitas termasuk didalamnya
operator sobel, canny, dan prewit. Kedua deteksi tepi berdasarkan turunan kedua intensitas
termasuk didalamnya operator laplacian dan operator laplacian of Gaussian (LOG), operator
isotropic, dan operator kirsch.
Implementasi fuzzy logic pada bidang image processing sangatlah luas, secara khusus dibahas
dalam sebuah kajian Fuzzy Image Processing (FIP), beberapa implementasi tehnik fuzzy pada
bidang image prosessing antara lain, fuzzy image enhancement perbaikan kualitas image dengan
melakukan modifikasi histogram, Filtering Fuzzy, dan Segmentasi [3,4,5].
Beberapa penelitian yang mengkaitkan deteksi tepi dengan fuzzy logic diantaranya, Ching Yu
Tyan [6], memberikan review untuk mendeteksi tepi berdasarkan 16 aturan fuzzy rules.
Prinsipnya sebuah tepi dianggap sebagai transisi dari gelap ke terang, terdapat 4 kasus yang
terjadi sebuah tepi dilustrasikan pada gambar 1.
Penelitian lain juga menggunakan pendekatan fuzzy untuk mendeteksi tepi [7], dalam penelitian
ini digunakan 8 aturan fuzzy untuk mendeteksi sebuah pixel merupakan tepi atau bukan tepi ,
sistem fuzzynya diilustrasikan dalam gambar 2.
Gambar 2 . Sistem Fuzzy rule pada penelitian Abdallah A.
Salah satu permasalahan deteksi tepi adalah muncul noise yang menggangu penentuan tepi.
Jenis tepi dikelompokan menjadi tiga yaitu: (1) tepi sebenarnya, yang berhubungan dengan tepi
objek dalam sebuah image, (2) tepi salah, yaitu tepi yang tidak berhubungan dengan tepi objek
dalam sebuah image namum terdeteksi sebagai tepi ,(3) tepi hilang, tepi yang seharusnya terlacak
sebagai tepi sebuah objek, namun tidak terdeteksi. Kemunculan noise akan mempengaruhi hasil
pelacakan tepi, sehingga dalam deteksi tepi biasanya terlebih dahulu dilakukan proses smoothing
dan enhancement, dengan mengimplementasikan sebuah filter untuk mengurangi noise [8].
Filtering adalah metode yang digunakan untuk menghilangkan noise, Secara umum filtering
berdasarkan prosesnya dapat bagi menjadi 2 yaitu : filtering berdasarkan domain frekwensi dan
filtering berdasarkan domain spatial. Pada filtering frekwensi, dilakukan tapis pada frekwensi
yang tidak diinginkan. Spatial frekwensi berkerja berdasarkan operasi pixel dan tetangganya.
Beberapa filter yang berdasarkan spatial operasi, median filter, avarage filter, gaussian filter.
Berkaitan permasalahan ekstraksi tepi dan pengurangan noise, dalam penelitian ini diusulkan
sebuah pendekatan dengan spatial fuzzy filtering. Spatial fuzzy filtering menggunakan sebuah
mask berukuran 3x3, perhitungan dilakukan untuk menentukan nilai pixel pusat berdasarkan
perbedaan intensitas 4 pixel tetangganya (atas, bawah, kanan, dan kiri), dan
mengimplementasikan beberapa aturan fuzzy. Pada tahap akhir untuk mempertegas tepi yang
didapat diterapkan juga slicing intensity.
2. METODOLOGI PENELITIAN
Penelitian ini bertujuan untuk mengekstrasi tepi image dengan spatial fuzzy filtering, alur
proses dalam penelitian ini ditunjukan pada gambar 3.
start
Selesai
Gambar 3. Alur Penelitian.
(d) (e)
Gambar 4. (a) Image asli Aortic angiogram , (b) Image dengan Gaussian noise , (c) Image
dengan salt & pepper noise , (c) Image dengan poisson noise , (d) Pengaruh Noise ( salt &
pepper) pada hasil deteksi tepi, memunculkan tepi salah.
Z1 Z2 Z3
Z4 Z5 Z6 d1 d2 d3
Z7 Z8 Z9 d4 Fo d6
d7 d8 d9
(a)
(b )
100 80 60 40 20 0
55 60 55 -5 Fo -5
10 200 20 -50 140 -40
Gambar 7 . (a) Fungsi keanggotaan, untuk perbedaan Intensity (b) Fungsi keanggotaan
Intensity.
Persamaan fungsi keanggotaan untuk Zero, Black , dan White dinyatakan dalam persamaan
(1),(2), dan (3)
µ Zero (d) =
....................................................................................(1)
Sedangkan untuk intesitas pixel (untuk menentukan nilai pixel pusat) , persamaan fungsi
keanggotaannya dinyatakan dengan :
µ Black ( x) =
…………………………………………(2)
µ White ( x) = ………………………………………….
(3)
O =
……………….(4)
2.3 Pengujian
Pengujian dilakukan dengan melakukan perbandingan hasil ekstraksi tepi oleh fuzzy spatial
filtering dengan hasil pada operator sobel, canny, dan prewit. Penilaian dilakukan dengan melihat
(presepsi visual) kualitas tepi yang dihasilkan. Kemunculan tepi hilang dan tepi salah dijadikan
parameter untuk menilai kualitas tepi yang dihasilkan. Untuk mengetahui pengaruh noise yang
tersisa , pada image hasil pengujian dihitung nilai PSNR (Peak Signal of Noise Ratio). Nilai PSNR
merupakan sebuah nilai yang menyatakan kualitas image dibandingkan dengan sebuah image acuan,
berdasarkan perbandingan noise antara kedua image tersebut [10]. PSNR dihitung dengan
persamaan (5). Persamaan (6) menyatakan MSE , mean square error, dihitung dari selisih antara
image acuan dengan image yang diuji. Image acuan dalam penelitian ini adalah image inputan yang
telah ditambahkan noise, image uji adalah image hasil ekstraksi tepi pada spatial fuzzy filter,
operator sobel, canny, dan prewit. Nilai PSNR paling rendah menunjukan kualitas image yang paling
baik, karena image acuannya image yang qualitas dianggap rendah ( image dengan noise), sehingga
semakin besar perbedaan image ( nilai MSE besar), maka image uji makin baik. Sedangkan nilai
MSE besar, maka nilai PSNR kecil.
Tabel 1. Hasil Ekstrasi tepi dengan Sobel, Canny,Prewit, dan Spatial Fuzzy Filtering dan Nilai
PSNR ( Peak Signal of Noise Ratio )
gausian noise PSNR :3.7163 PSNR :3.723 PSNR: 3.7163 PSNR: 3.723
Poisson noise PSNR: 3.3862 PSNR : 3.3859 PSNR: 3.3862 PSNR : 3.424
Secara keseluruhan hasil ekstraksi tepi dengan menggunakan spatial fuzzy filtering menunjukan
hasil yang lebih baik. Operator Sobel dan prewit memiliki keunggulan untuk mengatasi gangguan
noise, namun tepi yang yang dihasilkan tidak utuh sebagai sebuah garis ( garis pecah pecah).
Kelemahan lainnya dalam beberapa kasus ditemukan operator sobel dan prewit tidak mampu
mengekstraksi semua tepi, seperti ditunjukan pada image no 1, 2 pada tabel 1. Jadi kelemahan utama
ekstrasi tepi dengan sobel atau prewit adalah banyaknya tepi hilang, yaitu tepi yang merupakan tepi
sebenarnya dari objek yang seharusnya terdeteksi, namun pada kenyataannya tidak terdeteksi.
Detector canny memiliki kekuatan dalam mendeteksi tepi, namun kelemahannya sangat rentan
terhadap gangguan noise, terutama noise jenis salt & pepper. Kemunculan noise dianggap sebagai
sebuah tepi ( tepi salah). Pendekatan ekstrasi tepi dengan menggunakan spatial fuzzy filtering mampu
mengatasi permasalahan tersebut, secara umum semua tepi bisa terdeteksi dan pengaruh noise
terhadap hasil ekstrasi tepi juga dapat diminimalkan.
Untuk mengetahui tingkat noise dilakukan perhitungan nilai PSNR, secara umum menunjukan
hasil spatial fuzzy filtering menunjukan nilai paling rendah, artinya kandungan noise yang tersisa
pada spatial fuzzy filtering lebih rendah dibandingkan hasil pada operator sobel, canny, dan prewit.
Hal ini menunjukan secara kualitas image hasil image yang diproses dengan spatial fuzzy filtering
lebih baik.
4. KESIMPULAN
Setelah melakukan implementasi dan melakukan pengujian dalam penelitian ini maka terdapat
beberapa hal yang dapat disimpulkan :
1. Spatial Fuzzy filtering dapat dijadikan sebuah pendekatan alternatif untuk mendeteksi atau
mengekstraksi tepi objek dalam sebuah image. Spatial Fuzzy filtering memiliki beberapa
keunggulan dibandingkan operator yang sudah umum digunakan ( sobel,canny,prewit).
Dibandingkan dengan operator sobel atau prewit, spatial fuzzy filtering lebih unggul dalam
melacak tepi dengan lebih detail, pada operator sobel atau prewit beberapa bagian tepi tidak
terlacak (ada tepi hilang). Sedangkan dibandingkan operator canny keunggulan dalam
mengatasi adanya noise. Pada operator canny, noise yang ada dianggap sebagai objek,
sehingga tepi noise tersebut dimunculkan berdampingan dengan tepi objek yang sebenarnya
( muncul tepi salah). Hal ini akan menyulitkan menentukan tepi objek yang sebenarnya.
2. Pengujian PSNR ( Peak signal of Noise Ratio ), secara umum image yang diproses dengan
spatial fuzzy Filtering lebih rendah, dibanding hasil pada operator sobel, canny, prewit. Hal
ini menujukan secara kualitas image dengan spatial fuzzy filtering lebih baik.
3. Waktu komputasi yang diperlukan pada spatial fuzzy filtering jauh lebih lama, daripada waktu
komputasi dengan operator sobel, canny, dan prewit. Untuk image dengan ukuran 245 x 216,
dibutuhkan waktu sekitar 1 menit.
5. SARAN
Beberapa saran yang bisa diberikan untuk pengembangan kedepan, terutama pada bidang penelitian
image processing terutama yang berkaitan deteksi atau ekstraksi tepi untuk keperluan segmentasi
dan ekstraksi fitur.
1. Fuzzy spatial filtering sangat baik digunakan untuk proses ekstraksi tepi, tepi yang dihasilkan
jelas dan tidak terputus. Permasalahan dalam deteksi tepi , munculnya tepi hilang dan tepi salah ,
bisa diatasi dengan menggunakan spatial fussy filtering.
2. Permasalahan spatial fuzzy filtering terletak pada waktu komputasinya yang lebih lama, salah
satu pengembangan yang bisa dilakukan adalah melakukan perbaikan algoritma pada spatial
fuzzy filtering sehingga proses komputasi lebih cepat.
Terima kasih yang sebesarnya penulis sampaikan kepada semua pihak yang telah membantu
penulisan jurnal ini, terutama kepada seluruh staf pengajar di program doktoral ilmu computer
UGM, rekan rekan di FMIPA UNDISHA Singaraja Bali dan kepada teman teman di program S2/S3
ilmu computer UGM yang selalu saling member semangat.
DAFTAR PUSTAKA
[1] Zhao Yu Qian , Gui Wei Hua, Chen Zhen Ceng, Tang jing Tian, Li Ling Yun , “ Medical Image
edge Detection Based on Mathemathical Morfology “ , Proceding of 2005 IEEE, Engineering in
Medice and Biology, 27 th annual conference, Shanghay Cina.
[2]. N. Senthilkumaran and R. Rajesh, “Edge Detection Techniques for Image Segmentation - A
Survey”, Proceedings of the International Conference on Managing Next Generation Software
Applications (MNGSA-08), 2008, pp.749-760.
[3]. A.Suneetha, A.Sri Krisna, “ A New Method of Image Enhancement in Spatial Domain using
Histogram Equalization,Smothing, and Fuzzy Technique”, International journal of Computer
science & Tecnology, Vol 2, SP, December 2011.
[4]. Sivanandan S.N , Sumathi. S , S.N Deppa , “ Introduction to Fuzzy Logic using MATLAB “ ,
ISBN-10 3-540-35780-7 Springer Berlin Heidelberg New York.
[5]. Milindkumar V Sarode, S.A Ladhake, Prashant R Deshmukh , “ Fuzzy Sistem for Color Image
Enhancement”, Word Acedemy Science,Enginerring,Techology 48, 2008.
[6] Chin Yu Tyan , Paul P Wang , “ Image Processing –enhancement, Filtering and Edge Detection
using The Fuzzy Logic Approach “ , IEEE, 1993.
[7] Abdallah A. Alshennawy, and Ayman A. Aly , “ Edge Detection in Digital Image using Fuzzy Logic
Tehnique “ , World Academy of Science, Engineering and Technology 51 2009
[9] Hore Alain , Ziou Djemel , “ Image Quality Metric : PSNR VS SSIM “, IEEE Computer
Socety Press, PP 2366 -2369, 2010.