perancangan dan pembuatan aplikasi segmentasi gambar...
TRANSCRIPT
PERANCANGAN DAN PEMBUATAN APLIKASI SEGMENTASI GAMBAR DENGAN MENGGUNAKAN
METODE MORPHOLOGICAL WATERSHED
Oleh:
Rudy Adipranata
Andreas Handojo
Ivan Prayogo
Oviliani Yenty Yuliana
JURUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS KRISTEN PETRA
SURABAYA
2005
LAPORAN PENELITIAN NO: 13/Pen/Informatika/I/2005
PERANCANGAN DAN PEMBUATAN APLIKASI SEGMENTASI GAMBAR DENGAN MENGGUNAKAN
METODE MORPHOLOGICAL WATERSHED
Oleh:
Rudy Adipranata
Andreas Handojo
Ivan Prayogo
Oviliani Yenty Yuliana
JURUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS KRISTEN PETRA
SURABAYA
2005
iii
LEMBAR IDENTITAS DAN PENGESAHAN
LAPORAN HASIL PENELITIAN
1. a. Judul Penelitian : PERANCANGAN DAN PEMBUATAN APLIKASI SEGMENTASI GAMBAR DENGAN MENGGUNAKAN METODE MORPHOLOGICAL WATERSHED
b. Nomor Penelitian : 13/Pen/Informatika/I/2005 c. Jalur Penelitian : I/ II/ III/ IV 2. Ketua Peneliti a. Nama lengkap dan Gelar : Rudy Adipranata, ST., M.Eng b. Jenis Kelamin : Laki-laki c. Pangkat/Golongan/NIP : Asisten Ahli/ IIIC/ 99015 d. Bidang Ilmu yang diteliti : Teknologi Perangkat Lunak e. Jabatan Akademik : Asisten Ahli f. Fakultas/Jurusan : Fakultas Teknologi Industri/ Teknik
Informatika g. Universitas : Universitas Kristen Petra 3. Anggota Tim Peneliti (I) : a. Nama lengkap dan Gelar : Andreas Handojo, ST. b. Jenis Kelamin : Laki-laki c. Pangkat/Golongan/NIP : Asisten Ahli/ IIIC/ 00016 d. Bidang Ilmu yang diteliti : Teknologi Perangkat Lunak e. Jabatan Akademik : Asisten Ahli f. Fakultas/Jurusan : Fakultas Teknologi Industri/ Teknik
Industri g. Universitas : Universitas Kristen Petra Anggota Tim Peneliti (II) : a. Nama lengkap dan Gelar : Ivan Prayogo b. Jenis Kelamin : Laki-laki c. Pangkat/Golongan/NIP : d. Bidang Ilmu yang diteliti : Teknologi Perangkat Lunak e. Jabatan Akademik : f. Fakultas/Jurusan : Fakultas Teknologi Industri/ Teknik
Informatika g. Universitas : Universitas Kristen Petra Anggota Tim Peneliti (III) : a. Nama lengkap dan Gelar : Oviliani Yenty Yuliana, ST., MS-CIS b. Jenis Kelamin : Perempuan c. Pangkat/Golongan/NIP : Pembina/ IVA/ 94014 d. Bidang Ilmu yang diteliti : Teknologi Perangkat Lunak e. Jabatan Akademik : Lektor f. Fakultas/Jurusan : Fakultas Ekonomi/ Program Studi
Akuntansi g. Universitas : Universitas Kristen Petra
iv
4. Lokasi Penelitian : Surabaya 5. Kerjasama dengan Instansi lain Nama Instansi : - Alamat : - 6. Tanggal Penelitian : Januari 2005 s/d Juni 2005 7. Biaya : -
Surabaya, 30 Juni 2005
Mengetahui, Ketua Jurusan/ Ka. Unit Ketua Peneliti Djoni Haryadi Setiabudi, M.Eng Rudy Adipranata, M.Eng NIP. 85-009 NIP. 99-015 Menyetujui, Dekan Fakultas Teknologi Industri Oegik Soegihardjo, M.Sc.,MA. NIP. 87-007
v
ABSTRAK
Saat ini, pengolahan gambar dapat lebih mudah dilakukan dengan menggunakan pengolahan gambar digital. Salah satu penyebabnya adalah adanya segmentasi pada gambar digital. Segmentasi dapat dikatakan memisahkan objek-objek yang ada pada gambar, sehingga pengolahan gambar digital dapat dilakukan pada masing-masing objek. Morphological watershed adalah salah satu metode dalam segmentasi. Morphological watershed memproses gambar berdasarkan tingkat warna abu-abunya. 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. Kata kunci: Segmentasi, morphological watershed, morphological processing,
pengolahan gambar digital.
vi
ABSTRACT
In this time, image processing can be easier by using digital image
processing. One of its cause is segmentation existence of digital image. Segmentation can be told is to separate object from an image, so that the digital image processing can be done at each object. Morphological Watershed is one of method in segmentation. Morphological Watershed process image based from its gray-level. Image will formed become topography with darkest colour become its floor. Before using segmentation, pre-processing is required. There are many kinds of pre-processing which can be done and the object resulted by morphological watershed for an image are different each other based on the pre-processing. Keywords: Segmentation, morphological watershed, morphological processing,
digital image processing.
vii
KATA PENGANTAR Penulis mengucapkan syukur kepada Tuhan Yang Maha Esa atas
terselesaikannya penelitian ini. Penulis sadar bahwa hasil penelitian ini masih jauh dari sempurna, karena itu penulis mengharapkan saran dan kritik yang membangun dari berbagai pihak demi perbaikan dari penelitian ini.
Penulis berharap semoga penelitian ini dapat memberikan kontribusi bagi perkembangan bidang ilmu sistem informasi dan teknologi informasi pada umumnya.
Akhir kata, penulis mengucapkan terima kasih kepada semua pihak yang tidak dapat disebutkan satu persatu yang telah membantu terselesaikannya penelitian ini
Surabaya, Juni 2005
Penyusun
viii
DAFTAR ISI
LEMBAR IDENTITAS DAN PENGESAHAN.................................................... iii
ABSTRAK .............................................................................................................. v
ABSTRACT........................................................................................................... vi
KATA PENGANTAR .......................................................................................... vii
DAFTAR ISI........................................................................................................ viii
DAFTAR GAMBAR .............................................................................................. x
BAB 1. PENDAHULUAN ..................................................................................... 1
1.1 Latar Belakang ........................................................................................ 1
1.2 Permasalahan .......................................................................................... 1
1.3 Tujuan Penelitian .................................................................................... 1
1.4 Manfaat Penelitian .................................................................................. 2
1.5 Ruang Lingkup Pembahasan................................................................... 2
1.6 Sistematika Penyusunan Laporan ........................................................... 2
BAB 2. TINJAUAN PUSTAKA ............................................................................ 4
2.1 Digital Image Processing........................................................................ 4
2.2 Gray Level ............................................................................................... 5
2.3 Grayscaling ............................................................................................. 6
2.4 Histogram dan Histogram Equalization ................................................. 6
2.5 Thresholding ......................................................................................... 10
2.6 Morphological Processing .................................................................... 11
2.6.1 Dilation ......................................................................................... 11
2.6.2 Erosion .......................................................................................... 13
2.6.3 Opening ......................................................................................... 13
ix
2.6.4 Closing .......................................................................................... 14
2.6.5 Morphological Gradient ............................................................... 16
2.7 Segmentasi Gambar .............................................................................. 17
2.8 Morphological Watershed..................................................................... 18
2.8.1 Pembentukan Dam ........................................................................ 18
2.8.2 Algoritma Morphological Watershed ........................................... 20
2.9 Pengenalan Objek Sederhana................................................................ 21
2.9.1 Signature ....................................................................................... 21
2.9.2 Slope Histogram............................................................................ 22
BAB 3. METODE PENELITIAN ........................................................................ 24
3.1 Metodologi Penelitian ........................................................................... 24
3.2 Perencanaan Software ........................................................................... 24
3.2.2 Pre-processing pertama ................................................................ 26
3.2.3 Pre-processing kedua.................................................................... 30
3.2.4 Proses Segmentasi......................................................................... 32
3.2.5 Perencanaan User Interface .......................................................... 33
3.2.6 Proses Pengenalan Objek .............................................................. 35
BAB 4. HASIL PENELITIAN DAN PEMBAHASAN ....................................... 38
4.1 Implementasi Software.......................................................................... 38
4.2 Pengujian Software ............................................................................... 38
BAB 5. KESIMPULAN DAN SARAN ............................................................... 55
5.1 Kesimpulan ........................................................................................... 55
5.2 Saran...................................................................................................... 56
DAFTAR PUSTAKA ........................................................................................... 57
x
DAFTAR GAMBAR
Gambar 2.1 Histogram dari 4 Jenis Gambar yang Berbeda.................................... 7
Gambar 2.2 Histogram Equalization dari 4 Jenis Gambar yang Berbeda .............. 9
Gambar 2.3 Dilation A oleh B .............................................................................. 12
Gambar 2.4 Salah Satu Aplikasi Dilation yaitu Memperjelas Teks yang Rusak.. 12
Gambar 2.5 Erosion A oleh B............................................................................... 13
Gambar 2.6 Opening A oleh B.............................................................................. 14
Gambar 2.7 Closing A oleh B ............................................................................... 15
Gambar 2.8 Contoh Lain Opening dan Closing.................................................... 15
Gambar 2.9 Opening dan Closing Gambar Sidik Jadi oleh Matriks B ................. 16
Gambar 2.10 Gambar Sebelah Kanan adalah Hasil Morphological Gradient dari
Gambar Jeruk Sebelah Kiri. .......................................................................... 16
Gambar 2.11 Proses Penganalisaan Gambar......................................................... 17
Gambar 2.12 Konsep Dasar Morphological Watershed ....................................... 19
Gambar 2.13 Pembuatan Dam .............................................................................. 19
Gambar 3.1 Diagram Alir Aplikasi Secara Garis Besar ....................................... 25
Gambar 3.2 Diagram Alir Pre-Processing Pertama ............................................. 26
Gambar 3.3 Diagram Alir Proses Grayscaling ..................................................... 27
Gambar 3.4 Diagram Alir Proses Histogram Equalization .................................. 28
Gambar 3.5 Diagram Alir Proses Thresholding.................................................... 29
Gambar 3.6 Diagram Alir Proses Invert ............................................................... 29
Gambar 3.7 Diagram Alir Proses Erosion ............................................................ 30
Gambar 3.8 Diagram Alir Proses Dilation............................................................ 30
Gambar 3.9 Diagram Alir Proses Morphological Gradient.................................. 31
xi
Gambar 3.10 Diagram Alir Proses Minima Removal............................................ 32
Gambar 3.11 Diagram Proses Segmentasi / Watershed........................................ 33
Gambar 3.12 Perencanaan User Interface ............................................................ 34
Gambar 3.13 Diagram Alir Proses Signature ....................................................... 36
Gambar 3.14 Diagram Alir Pembuatan Slope Histogram..................................... 37
Gambar 4.1 Gambar Hasil Pengujian Terhadap Pre-processing 1 ....................... 39
Gambar 4.2 Gambar Hasil Pengujian Terhadap Pre-processing 2 ....................... 40
Gambar 4.3 Hasil Pengujian Terhadap Gambar Bunga ........................................ 41
Gambar 4.4 Hasil Pengujian Terhadap Gambar Sanrio ........................................ 44
Gambar 4.5 Hasil Pengujian Terhadap Gambar Sederhana.................................. 47
Gambar 4.6 Data Sumber Objek Sederhana ......................................................... 51
Gambar 4.7 Gambar yang akan Diuji Pengenalan Objek ..................................... 53
Gambar 4.8 Hasil Pengenalan Dari Objek Hasil Segmentasi Dari Gambar 4.7 ... 54
1
BAB 1. PENDAHULUAN
1.1 Latar Belakang
Penggunaan gambar digital sudah mulai menggeser penggunaan gambar
analog. Banyak orang sudah mulai menyimpan gambar-gambar ke dalam bentuk
digital. Hal ini disebabkan karena gambar digital dapat disimpan dalam jangka
waktu yang lama, tidak mudah rusak dan dapat diperbanyak sesuai keinginan
dengan mudah, cukup dengan meng-copy gambar itu. Selain itu gambar digital
dapat dilihat dahulu sebelum dicetak dan dapat diubah sesuai keinginan misalnya
untuk membuat gambar hasil dari gabungan dengan gambar lain. Untuk
kebutuhan ini dibutuhkan aplikasi yang dapat mengolah gambar. Aplikasi tersebut
sudah banyak tersedia di pasar. Banyak sekali fungsi-fungsi yang disediakan
untuk mengolah gambar antara lain : fungsi segmentasi gambar, fungsi coloring,
fungsi pengaturan brightness dan contrast, fungsi transformation seperti rotating,
scaling dan lain-lain.
Salah satu fungsi yang penting adalah fungsi untuk mensegmentasi
gambar, karena dengan segmentasi gambar, pengolahan atau pemanipulasian
dapat dilakukan lebih mudah dan lebih cepat. Segmentasi gambar membagi
sebuah gambar menjadi objek-objek berdasarkan karakteristik tertentu dan
kemudian masing-masing objek dapat diolah sendiri-sendiri. Hal ini tentunya
mempermudah dan mempercepat proses pengolahan gambar.
1.2 Permasalahan
Permasalahan yang dihadapi dan diharapkan dapat diselesaikan melalui
penelitian ini adalah
• Bagaimana menghasilkan objek-objek hasil segmentasi yang tepat dan sesuai
dengan bentuk objek aslinya.
• Bagaimana menjalankan proses pengolahan gambar dengan cepat, mengurangi
scan terhadap tiap titik pada gambar yang dilakukan berulang-ulang.
1.3 Tujuan Penelitian
Tujuan dari penelitian ini adalah membuat program yang
2
mengimplementasikan metode Morphological Watershed untuk
mensegmentasikan sebuah gambar sehingga lebih memudahkan untuk
memanipulasi dan mengolah gambar.
1.4 Manfaat Penelitian
Hasil penelitian ini diharapkan dapat bermanfaat bagi perkembangan
sistem informasi serta memberikan aplikasi yang dapat digunakan oleh umum
guna melakukan memanipulasi dan mengolah gambar.
1.5 Ruang Lingkup Pembahasan
Dalam penelitian ini terdapat batasan, yaitu:
• Pembuatan aplikasi yang hanya dapat mengimplementasikan segmentasi
gamba.
• Metode segmentasi yang digunakan adalah Morphological Watershed.
• Gambar yang disegmentasi merupakan gambar yang tetap/tidak bergerak.
• Format gambar yang digunakan hanya format yang umum dipakai saja yaitu:
jpg, gif, dan bmp.
• Pembuatan aplikasi program dengan Borland Delphi 7.0.
• Dapat menghitung jumlah objek hasil dari segmentasi dan mengetahui
seberapa lama proses segmentasi dilakukan.
• Dapat mengenali objek-objek sederhana seperti persegi, persegi panjang,
segitiga, elips, dan lingkaran.
• Data sumber untuk pengenalan objek dapat ditambah, diubah dan dihapus, data
dapat berupa objek dari hasil segmentasi yang dilakukan.
1.6 Sistematika Penyusunan Laporan
Laporan penelitian ini secara keseluruhan terdiri dari lima bab, dimana
secara garis besar masing-masing bab membahas hal-hal sebagai berikut:
BAB 1
Pendahuluan: berisi latar belakang, permasalahan, tujuan
penelitian, manfaat penelitian, ruang lingkup permasalahan, dan
sistematika penyusunan laporan.
3
BAB 2
BAB 3
BAB 4
BAB 5
Tinjauan Pustaka: membahas tentang teori-teori dasar yang
relevan dan metode yang digunakan untuk memecahkan persoalan
yang dibahas pada penelitian ini.
Metode Penelitian: membahas tentang metode penelitian yang
dilakukan serta perancangan aplikasi.
Hasil Penelitian dan Pembahasan: berisi tentang hasil dari
penelitian, berupa aplikasi yang telah dikembangkan beserta dengan
pengujian aplikasi tersebut.
Kesimpulan dan Saran: berisi kesimpulan yang mencakup
beberapa hal penting pada hasil yang didapat dari penelitian dan
saran-saran yang diajukan bagi penyempurnaannya.
4
BAB 2. TINJAUAN PUSTAKA
Sebuah gambar dapat didefinisikan sebagai fungsi dua dimensi, f(x,y), di
mana x dan y adalah koordinat ruang dan amplitudo dari f dapat disebut intensitas
atau gray-level dari sebuah gambar pada titik yang terletak pada koordinat x dan y.
Jika x, y, dan nilai amplitudo dari f adalah terbatas dan dapat ditentukan nilainya
maka gambar tersebut adalah gambar digital. Gambar digital dibentuk dari
beberapa elemen, yang tiap-tiap elemennya memiliki posisi dan nilai tertentu.
Salah satu elemen yang paling sering digunakan adalah pixel. Pixel adalah titik
yang berisi nilai tertentu yang membentuk sebuah gambar yang lokasinya
ditentukan oleh kombinasi x dan y.
Dalam komputer, ada 2 macam cara penyimpanan gambar dalam memori
yaitu vector graphics, raster graphics dan kombinasi antara keduanya. Pada
vector graphics, penyimpanan gambar 2 dimensi pada komputer dilakukan secara
vektor yaitu penyimpanan posisi titik-titik yang jika dihubungkan membentuk
garis dan garis-garis tersebut kemudian membentuk gambar. Pada raster graphics,
penyimpanan gambar 2 dimensi pada komputer dilakukan secara apa adanya
dalam bentuk array atau matriks yang berisi pixel-pixel, seringkali disebut sebagai
bitmap.
2.1 Digital Image Processing
Image processing adalah suatu metode yang digunakan untuk memproses
atau memanipulasi gambar dalam bentuk 2 dimensi (Gonzalez, 2002). Image
processing dapat juga dikatakan segala operasi untuk memperbaiki, menganalisa,
atau mengubah suatu gambar. Konsep dasar pemrosesan suatu objek pada gambar
menggunakan image processing diambil dari kemampuan indera penglihatan
manusia yang selanjutnya dihubungkan dengan kemampuan otak manusia.
Dalam sejarahnya, image processing telah diaplikasikan dalam berbagai
bentuk, dengan tingkat kesuksesan cukup besar. Seperti berbagai cabang ilmu
lainnya, image processing menyangkut pula berbagai gabungan cabang-cabang
ilmu, diantaranya adalah optik, elektronik, matematika, fotografi, dan teknologi
komputer.
5
Pada umumnya, objektifitas dari image processing adalah
mentransformasikan atau menganalisis suatu gambar sehingga informasi baru
tentang gambar dibuat lebih jelas.
Ada empat klasifikasi dasar dalam image processing yaitu point, area,
geometric, dan frame.
a. Point memproses nilai pixel suatu gambar berdasarkan nilai atau posisi dari
pixel tersebut. Contoh dari proses point adalah adding, substracting, contrast
stretching dan lainnya.
b. Area memproses nilai pixel suatu gambar berdasarkan nilai pixel tersebut
beserta nilai pixel sekelilingnya. Contoh dari proses area adalah convolution,
blurring, sharpening, dan filtering.
c. Geometric digunakan untuk mengubah posisi dari pixel. Contoh dari proses
geometric adalah scaling, rotation, dan mirroring.
d. Frame memproses nilai pixel suatu gambar berdasarkan operasi dari 2 buah
gambar atau lebih. Contoh dari proses frame adalah addition, substraction,
dan and/or.
Selain itu masih ada 3 tipe image processing yaitu:
a. Low-level process: proses-proses yang berhubungan dengan operasi primitif
seperti image pre-processing untuk mengurangi noise, menambah kontras dan
menajamkan gambar. Pada low-level process, input dan output-nya berupa
gambar.
b. Mid-level process: proses-proses yang berhubungan dengan tugas-tugas
seperti segmentasi gambar (membagi gambar menjadi objek-objek),
pengenalan (recognition) suatu objek individu. Pada mid-level process, input
pada umumnya berupa gambar tetapi output-nya berupa atribut yang
dihasilkan dari proses yang dilakukan gambar tersebut seperti garis, garis
contour, dan objek-objek individu.
c. High-level process: proses-proses yang berhubungan dengan hasil dari mid-
level process.
2.2 Gray Level
Gambar digital dapat diwakili oleh format warna RGB (Red-Green-Blue)
6
untuk setiap titiknya, di mana setiap komponen warna memiliki batasan sebesar 1
byte (Gonzalez, 2002). Jadi untuk masing-masing komponen R, G, dan B
mempunyai variasi dari 0 sampai 255. Total variasi yang dapat dihasilkan untuk
sistem dengan format warna RGB adalah 256 x 256 x 256 atau 16.777.216 jenis
warna. Karena setiap komponen warna memiliki batasan sebesar 1 byte atau 8 bit,
maka total untuk mempresentasikan warna RGB adalah 8+8+8 = 24 bit.
Gray-level adalah tingkat warna abu-abu dari sebuah pixel, dapat juga
dikatakan tingkat cahaya dari sebuah pixel. Maksudnya nilai yang terkandung
dalam pixel menunjukan tingkat terangnya pixel tersebut dari hitam ke putih.
Biasanya ditetapkan nilainya antara 0 hingga 255 (untuk 256-graylevel), dengan 0
adalah hitam dan 255 adalah putih. Karena hanya terbatas 1 byte saja maka untuk
mempresentasikan nilai pixel cukup 8 bit saja. Grayscale adalah gambar yang
memiliki gray-level sebagai nilai dari tiap pixel-nya.
2.3 Grayscaling
Grayscaling adalah proses perubahan nilai pixel dari warna (RGB)
menjadi gray-level (Gonzalez, 2002). Pada dasarnya proses ini dilakukan dengan
meratakan nilai pixel dari 3 nilai RGB menjadi 1 nilai. Untuk memperoleh hasil
yang lebih baik, nilai pixel tidak langsung dibagi menjadi 3 melainkan terdapat
persentasi dari masing-masing nilai. Salah satu persentasi yang sering digunakan
adalah 29,9% dari warna merah (Red), 58,7% dari warna hijau (Green), dan
11,4% dari warna biru (Blue). Nilai pixel didapat dari jumlah persentasi 3 nilai
tersebut.
2.4 Histogram dan Histogram Equalization
Histogram adalah grafik yang menunjukkan distribusi dari intensitas
sebuah gambar (Gonzalez, 2002). Histogram dari sebuah gambar digital berupa
sebuah fungsi kk nrh =)( , dimana rk adalah nilai warna ke-k dan nk adalah jumlah
pixel dalam gambar yang memiliki nilai tersebut. Pada gray-level, rk adalah
tingkat gray-level ke-k. k=0, 1, 2, …, L-1. L adalah batas maksimum nilai.
Normalisasi dari histogram adalah dengan membagi tiap nilai nk dengan total
pixel dari gambar, p(rk)=nk/n. Jumlah total nilai ( p(rk) ) dari normalisasi
7
histogram adalah 1.
Manipulasi dari histogram dapat digunakan secara efektif untuk image
enhancement (peningkatan kualitas dari gambar). Selain itu juga berguna untuk
aplikasi image processing lainnya seperti segmentasi, kompresi, dan lain-lain.
Histogram juga mudah untuk dikalkulasikan dalam software. Hal-hal tersebut
membuat histogram menjadi sebuah tool yang populer untuk real-time image
processing.
Gambar 2.1 Histogram dari 4 Jenis Gambar yang Berbeda
Gonzalez, R.C., Woods, R.E. Digital Image Processing Second Edition (New Jersey, Prentice Hall, 2002). p. 90
Pada Gambar 2.1. sebelah kiri terdapat sebuah gambar dengan 4 macam
8
karakteristik gray-level yang berbeda: gelap, terang, low-contrast, dan high-
contrast. Di sebelah kanan adalah histogram yang berhubungan dengan gambar d
sebelah kirinya. Bagian horisontal dari histogram adalah nilai gray-level, rk.
Bagian vertikal dari histogram adalah nilai dari kk nrh =)( atau p(rk)=nk/n bila
nilai dinormalisasikan.
Pada gambar yang gelap, nilai-nilai dari histogram terkonsentrasi pada
bagian rendah (gelap) dari gray-scale. Demikian pula pada gambar yang terang,
nilai-nilai dari histogram terkonsentrasi pada bagian tinggi (terang) dari gray-
scale. Pada gambar dengan kontras yang rendah (low-contrast), nilai-nilai dari
histogram menjadi sempit dan terkonsentrasi pada bagian tengah dari histogram.
Pada gambar dengan kontras yang tinggi (high-contrast), nilai-nilai dari
histogram relatif merata pada seluruh nilai gray-level, dengan beberapa garis
vertikal saja yang jauh lebih tinggi dari garis vertikal yang lain. Gambar dengan
histogram seperti ini memiliki detil gray-level yang baik.
Ada 3 macam histogram processing :
a. Histogram equalization
b. Histogram matching (specification)
c. Local enhancement
Histogram equalization bertujuan untuk mengubah intensitas suatu
gambar menjadi sebuah gambar dengan nilai histogram yang relatif sama di setiap
levelnya. Nama lain histogram equalization adalah histogram linearization.
)()(0 0
j
k
j
k
jr
jkk rp
nn
rTs ∑ ∑= =
=== di mana 0 < rk < 1, k=0,1,2,...,L-1
Fungsi di atas menghasilkan sebuah nilai s untuk setiap nilai pixel r pada
gambar aslinya. Histogram equalization memiliki hasil yang hampir sama dengan
contrast stretching tetapi histogram equalization menawarkan kelebihan yaitu
bekerja otomatis secara penuh, karena histogram equalization menetapkan fungsi
transformasi untuk menghasilkan gambar baru dengan histogram yang uniform.
Histogram matching (specification) hampir sama dengan histogram
equalization, hanya saja pada histogram matching, dapat ditentukan sendiri
bentuk dari histogram yang akan dihasilkan. Prosedur dalam menjalankan
histogram matching yaitu :
9
Gambar 2.2 Histogram Equalization dari 4 Jenis Gambar yang Berbeda
Gonzalez, R.C., Woods, R.E. Digital Image Processing Second Edition (New Jersey, Prentice Hall, 2002). p. 95
10
a. Nilai gray-level dari gambar yang asli di-equalize dengan
∑=
==k
j
jk n
nrTs
0
)(
di mana n=total jumlah pixel, nj=jumlah pixel pada gray-level j
b. Tentukan fungsi density yang diinginkan
∑∑=
≈==z
i
iz
z nnwpzGv
00
)()( ,
pz adalah fungsi yang diinginkan untuk output
c. Gunakan fungsi transformasi invers, z=G-1(s) pada gray-level dihasilkan pada
langkah (a).
Histogram equalization dan histogram matching dilakukan pada seluruh
bagian dari gambar. Berbeda dengan local enhancement yang merupakan proses
histogram equalization atau histogram matching yang dilakukan pada
bagian/daerah kecil pada gambar.
2.5 Thresholding
Misal pada sebuah gambar, f(x,y) tersusun dari objek yang terang pada
sebuah background yang gelap (Gonzalez, 2002). Gray-level milik objek dan
milik background terkumpul menjadi 2 grup yang dominan. Salah satu cara untuk
mengambil objek dari backgroundnya adalah dengan memilih sebuah nilai
threshold T yang memisahkan grup yang satu dengan grup yang lain. Maka semua
pixel yang memiliki nilai > T disebut titik objek, yang lain disebut titik
background. Proses ini disebut thresholding. Sebuah gambar yang telah di
threshold g(x,y) dapat didefinisikan:
⎩⎨⎧
≤>
=TyxfjikaTyxfjika
yxg),(0),(1
),(
Nilai T dapat ditentukan dengan banyak cara, salah satunya adalah melalui
perhitungan dimana nilai rata-rata jumlah pixel yang memiliki nilai di bawah T
sana dengan nilai rata-rata jumlah pixel yang memiliki nilai di atas T . Untuk
perhitungan ini, nilai T yang didapat untuk gambar yang memiliki histogram yang
telah ter-equalize adalah berkisar antara 127 dan 128. Nilai maksimum dari T
11
adalah nilai tertinggi dari sistem warna yang digunakan dan nilai minimum dari T
adalah nilai terendah dari sistem warna yang digunakan. Untuk 256-graylevel
maka nilai tertinggi T adalah 255 dan nilai terendahnya adalah 0.
Jika T hanya tergantung pada f(x,y) maka disebut thresholding global.
Jika T tergantung dari f(x,y) dan p(x,y) (properti lokal milik titik tersebut, misalnya
rata-rata gray-level pada "tetangga" dari (x,y)) maka disebut thresholding local.
Jika T tergantung dari koordinat spatial x dan y maka disebut thresholding
dynamic atau adaptive.
2.6 Morphological Processing
Kata morphology menandakan cabang dari biologi yang berhubungan
dengan bentuk dan struktur hewan dan tumbuhan (Gonzalez, 2002). Kata
morphology di sini dihubungkan dengan konteks mathematical morphology yang
berarti proses yang menggunakan matematika sebagai tool untuk mengambil
komponen gambar yang berguna untuk menampilkan ulang dan deskripsi dari
region shape (seperti boundaries, skeletons dan convex hull). Juga dapat
digunakan sebagai preprocessing ataupun post processing seperti filtering,
thinning. Morphological processing yang digunakan di sini adalah dilation,
erosion, opening, closing, dan morphological gradient.
2.6.1 Dilation
Dengan A dan B terletak pada Z2, dilation A oleh B, ditandai oleh A⊕B,
didefinisikan
})ˆ(|{ ∅≠∩=⊕ ABxBA x
Persamaan ini didapat dari reflection dari B pada titik origin dan kemudian
digeser sebesar x. Dilation A oleh B adalah kumpulan dari semua pergantian x
sehingga B̂ dan A saling bertumpuk pada paling sedikit 1 elemen yang bukan 0
(nol).
12
Gambar 2.3 Dilation A oleh B
Gonzalez, R.C., Woods, R.E. Digital Image Processing Second Edition (New Jersey, Prentice Hall, 2002). p. 524
Gambar 2.4 Salah Satu Aplikasi Dilation yaitu Memperjelas Teks yang Rusak
Gonzalez, R.C., Woods, R.E. Digital Image Processing Second Edition (New Jersey, Prentice Hall, 2002). p. 525
(a) Elemen A (b) Elemen B (c) Dilation dari A
oleh B (d) Elemen B yang
baru (e) Dilation dari A
oleh B yang baru
(a) Contoh teks dengan resolusi buruk, dengan karakter yang rusak
(b) Elemen B (c) Dilation dari
(a) oleh B. Segmen yang rusak tergabung
13
2.6.2 Erosion
Dengan A dan B terletak pada Z2, erosion A oleh B, ditandai oleh AӨB,
didefinisikan
A Ө })(|{ ABxB x ⊆=
Erosion A oleh B adalah kumpulan dari semua titik x di mana B ditranslasikan
oleh x, termasuk di dalam A.
Gambar 2.5 Erosion A oleh B
Gonzalez, R.C., Woods, R.E. Digital Image Processing Second Edition (New Jersey, Prentice Hall, 2002). p. 526
2.6.3 Opening
Seperti yang telah dijelaskan pada 2.6.1. dan 2.6.2. bahwa dilation
(a) Elemen A (b) Elemen B (c) Erosion dari A oleh B (berwarna abu-abu) (d) Elemen B yang baru (e) Erosion dari A oleh B yang baru
14
memperbesar gambar dan erosion memperkecilnya. Opening adalah proses
erosion yang kemudian dilanjutkan dengan dilation. Maka opening dari A oleh B,
yang ditandai oleh A◦B dapat didefinisikan :
Opening digunakan untuk menghaluskan garis luar dari sebuah objek,
menghancurkan isthmuses yang sempit dan menghilangkan penonjolan.
Gambar 2.6 Opening A oleh B
Gonzalez, R.C., Woods, R.E. Digital Image Processing Second Edition (New Jersey, Prentice Hall, 2002). p. 528
2.6.4 Closing
Closing adalah kebalikan dari opening yaitu proses dilation yang
kemudian dilanjutkan dengan erosion. Maka closing dari A oleh B, yang ditandai
oleh A·B dapat didefinisikan :
Closing digunakan untuk menghaluskan garis luar sebuah objek tetapi kebalikan
dari opening, closing menghilangkan lubang, celah, dan lain-lain
BBABA ⊕= ) (o
BBABA )( ⊕=•
(a) Elemen B ”meluncur” pada bagian dalam garis batas dari A (b) Elemen B (c) Garis tebal adalah garis batas dari opening (d) Opening lengkap (berwarna abu-abu)
15
Gambar 2.7 Closing A oleh B
Gonzalez, R.C., Woods, R.E. Digital Image Processing Second Edition (New Jersey, Prentice Hall, 2002). p. 529
Gambar 2.8 Contoh Lain Opening dan Closing
Gonzalez, R.C., Woods, R.E. Digital Image Processing Second Edition (New Jersey, Prentice Hall, 2002). p. 530
(a) Elemen B ”meluncur” pada bagian luar garis batas dari A (b) Garis tebal adalah garis batas dari closing (c) Closing lengkap (berwarna abu-abu)
16
Gambar 2.9 Opening dan Closing Gambar Sidik Jadi oleh Matriks B
Gonzalez, R.C., Woods, R.E. Digital Image Processing Second Edition (New Jersey, Prentice Hall, 2002). p. 531
2.6.5 Morphological Gradient
Morphological gradient merupakan salah satu aplikasi morphological
processing yang melibatkan dilation dan erosion seperti halnya opening dan
closing. Morphological gradient adalah proses yang menghasilkan output berupa
gambar yang didapat dari pengurangan hasil dilation gambar asli dengan hasil
erosion gambar asli, sehingga dapat didefinisikan:
fbfg ()( −⊕= Ө b)
Gambar 2.10 Gambar Sebelah Kanan adalah Hasil Morphological Gradient dari
Gambar Jeruk Sebelah Kiri.
(a) gambar banyak noise
(b) matriks B (c) gambar yang
sudah di-erosion
(d) Opening dari A
(e) Dilation dari opening
(f) Closing dari opening
17
2.7 Segmentasi Gambar
Segmentasi gambar adalah pemisahan objek yang satu dengan objek
yang lain dalam suatu gambar (Ballerini). Ada 2 macam segmentasi, yaitu full
segmentation dan partial segmentation. Full segmentation adalah pemisahan
suatu object secara individu dari background dan diberi ID (label) pada tiap-tiap
segmen. Partial segmentation adalah pemisahan sejumlah data dari background
dimana data yang disimpan hanya data yang dipisahkan saja untuk mempercepat
proses selanjutnya.
Gambar 2.11 Proses Penganalisaan Gambar
Pada gambar di atas, sebuah gambar yang akan dianalisa dan diolah,
sebelumnya dilakukan segmentasi gambar dahulu agar objek mana saja yang akan
dianalisa dan diolah dapat diambil.
Ada 3 tipe dari segmentasi yaitu:
1. classification-based: segmentasi berdasarkan kesamaan suatu ukuran dari nilai
pixel. Salah satu cara paling mudah adalah thresholding. Thresholding ada 2
macam yaitu global dan lokal. Pada thresholding global, segmentasi
berdasarkan pada sejenis histogram. Pada thresholding lokal, segmentasi
IImmaaggee
"What are the objects to be analyzed?"
Pre-processing, image
enhancement
Segmentation
Binary
operations
Morphological operations and
feature extraction
Classification and
matching
DDaattaa Image analysis
18
dilakukan berdasarkan posisi pada gambar, gambar dibagi menjadi bagian-
bagian yang saling melengkapi, jadi sifatnya dinamis.
2. edge-based: mencari garis yang ada pada gambar dan garis tersebut digunakan
sebagai pembatas dari tiap segmen.
3. region-based: segmentasi dilakukan berdasarkan kumpulan pixel yang
memiliki kesamaan (tekstur, warna atau tingkat warna abu-abu) dimulai dari
suatu titik ke titik-titik lain yang ada disekitarnya.
2.8 Morphological Watershed
Morphological Watershed adalah salah satu pendekatan untuk
segmentasi (IDL, 1999). Konsep dari Morphological Watershed adalah
menggambarkan sebuah gambar dalam bentuk 3 dimensi dengan menganggap
tingkat warna abu-abu adalah sebagai ketinggiannya dan dianggap bahwa semakin
ke arah warna putih semakin tinggi. Jadi lebih cocok kalau dikatakan bahwa
tingkat warna abu-abu adalah sebagai tingkat kedalamannya. Prinsip dari
Morphological Watershed adalah mencari garis watershed (batas air) yaitu garis
dimana titik-titiknya merupakan titik tertinggi dari penggambaran sebuah gambar
ke dalam bentuk 3 dimensi.
2.8.1 Pembentukan Dam
Dam atau watershed line adalah hal yang paling penting dalam
morphological watershed. Pembuatan dam didasarkan pada gambar binary, yang
merupakan anggota Z2. Cara termudah untuk membuat dam adalah dengan
menggunakan morphological dilation.
20
Pada Gambar 2.13 disebutkan ada 2 daerah (daerah dengan nilai
minimum) yang akan di segmentasi pada kondisi pengisian air n-1 (gambar paling
atas). Kemudian gambar selanjutnya menunjukan kondisi pada saat pengisian air
n. Pada saat ini 2 daerah tersebut menjadi 1 daerah. Pada kondisi seperti ini, dam
harus dibuat untuk mencegah 2 daerah tersebut menyatu. Gambar paling bawah
menunjukan proses pengisian air secara perlahan dengan melakukan
morphological dilation menggunakan matriks 3x3. Pada pengisian atau
morphological dilation pertama masih belum terjadi penyatuan 2 daerah
(ditunjukan pada Gambar 2.13 paling bawah dengan warna abu-abu muda).
Kemudian pada morphological dilation selanjutnya (warna abu-abu tua) terjadi
penyatuan 2 daerah, maka titik di mana 2 daerah tersebut menyatu dibangun
sebuah dam, yang ditandai dengan kotak yang berisi tanda silang. Proses ini
dilakukan berulang hingga proses pengisian air n = maks+1.
2.8.2 Algoritma Morphological Watershed
Buat M1,M2,M3, ... , MR menjadi kumpulan koordinat titik dalam daerah
dengan nilai minimum dari sebuah gambar g(x,y). Gambar di sini pada umumnya
sudah merupakan gambar yang telah diproses dengan pre-processing terlebih
dahulu. Kemudian buat C(Mi) menjadi kumpulan koordinat pada daerah pengisian
yang memiliki hubungan dengan daerah minimum Mi (dianggap daerah pengisian
dan daerah minimum membentuk komponen yang saling tersambung). Notasi min
dan max digunakan untuk menandai nilai minimum dan nilai maksimum dari
g(x,y). Kemudian buat T[n] menjadi kumpulan koordinat (s,t) di mana g(s,t) < n,
sehingga dapat didefinisikan:
T[n]={(s,t)|f(x,y)<n}
Secara geometri, T[n] adalah kumpulan koordinat dari g(x,y) yang berada di
bawah daerah g(x,y) = n.
Topografi tersebut kemudian diisi dengan penambahan integer mulai dari
n = min hingga n = max. Pada setiap penambahan n, algoritma perlu mengetahui
jumlah titik yang berada di bawah "kedalaman" n. Pada umumnya, daerah yang
berada di bawah g(x,y) = n diberi warna hitam atau nilai 0 dan yang berada di
atasnya diberi warna putih atau nilai 1.
21
Kemudian buat Cn(Mi) menjadi kumpulan koordinat titik pada daerah
pengisian yang berhubungan dengan daerah minimum Mi yang diisi pada tahap n.
Cn(Mi) dapat dilihat sebagai gambar binary bila menggunakan persamaan:
][)()( nTMCMC iin ∩=
Dengan kata lain Cn(Mi) = 1 pada lokasi (x,y) jika (x,y) ∈ C(Mi) dan (x,y) ∈T[n],
selain itu Cn(Mi) = 0. Dari sini dapat dikatakan bahwa UR
iiMnC
1n )(C][
=
= dan
UR
iiMC
1
)(C]1[max=
=+
C[n-1] adalah subset dari C[n] dan C[n] adalah subset dari T[n] maka
C[n-1] adalah subset dari T[n]. Dari sini didapatkan bahwa tiap komponen yang
terhubung dari C[n-1] memiliki 1 komponen yang terhubung dari T[n]. Jika Q
adalah kumpulan komponen yang terhubung dalam T[n], maka untuk tiap
komponen yang terhubung q∈Q[n], maka ada 3 kemungkinan:
a. ]1[ −∩ nCq adalah kosong
b. ]1[ −∩ nCq mengandung 1 komponen yang terhubung dari C[n-1]
c. ]1[ −∩ nCq mengandung lebih dari 1 komponen yang terhubung dari
C[n-1]
Jika kondisi c terjadi maka pengisian akan menyebabkan 2 daerah menjadi 1,
maka titik pada C[n-1] menjadi milik dam atau watershed line.
2.9 Pengenalan Objek Sederhana
Salah satu pengaplikasian segmentasi adalah pengenalan objek hasil
segmentasi yang telah dilakukan (Gonzalez, 2002). Pengenalan objek di sini
adalah pengenalan objek sederhana dengan menggunakan metode Signature dan
Slope Histogram untuk mengenali objek sederhana tersebut. Objek sederhana di
sini berupa lingkaran, kotak, segitiga, dan lain-lain.
2.9.1 Signature
Signature adalah sebuah representasi fungsional 1-D untuk sebuah
batasan dan dapat di-generate dalam berbagai cara. Salah satu cara yang paling
mudah adalah dengan mencari jarak titik tengah dengan pixel yang merupakan
22
batasan berdasarkan sudut mulai dari 0 hingga 359 derajat. Bentuk yang
dihasilkannya umumnya berupa garis atau dapat juga disebut waveform.
Metode ini diperlukan untuk mengenali objek–objek yang mengalami
perubahan baik ukuran maupun kemiringannya. Untuk objek yang mengalami
perubahan ukuran (diperbesar atau diperkecil), garis atau waveform yang
dihasilkan memiliki perbedaan amplitudo dengan garis atau waveform dari objek
yang sebenarnya. Untuk objek yang mengalami perubahan kemiringan (dirotasi),
garis atau waveform yang dihasilkan mengalami pergeseran titik awalnya (starting
point-nya) dengan garis atau waveform dari objek yang sebenarnya.
2.9.2 Slope Histogram
Slope Histogram adalah histogram yang mencatat gradien atau
kemiringan dari tiap pixel berwarna hitam dalam sebuah gambar. Slope Histogram
dapat digunakan untuk mengenali objek dengan cara membandingkan histogram
dari data asli dengan histogram dari objek yang ingin dikenali.
Untuk dapat menggunakan Slope Histogram, sebuah gambar sebaiknya
diubah dahulu menjadi biner. Hal ini dapat dilakukan dengan menggunakan
threshold. Setelah gambar siap, maka gradien atau kemiringan tiap pixel yang
berwarna hitam dicari. Di sini dapat digunakan matriks yang memetakan pixel
tersebut dengan pixel-pixel berwarna hitam yang ada disekelilingnya. Matriks
yang digunakan adalah 5 x 5.
Persamaan garis dalam matematika adalah sebagai berikut:
ax+by+c=0
di mana a, b, dan c adalah parameter yang menjelaskan posisi garis dan
orientasinya, dan x,y adalah koordinat horisontal dan vertikal. Nilai a dapat dicari
dengan menggunakan rumus cos( θ + π/2 ) dan b dapat dicari dengan (1 – a * a)1/2
Sedangkan konstanta c dapat dicari dari c = -ax –by. Garis yang ”terbaik” didapat
dengan mencoba semua sudut antara -90 hingga 90 derajat dengan asumsi bahwa
garis harus melalui paling sedikit satu dari pixel berwarna gelap dalam matriks
5x5. Nilai error didapatkan dari jumlah ax+by+c untuk setiap x dan y yang pixel-
nya berwarna hitam. Jika semua pixel berwarna hitam berada pada 1 garis maka
nilai error-nya adalah 0 dan dengan memilih garis dengan nilai error paling
23
minimum, maka garis yang ”terbaik” dapat dipilih. Nilai pada histogram milik
sudut dari garis yang ”terbaik” di-increment dan dengan demikian terbentuklah
Slope Histogram.
Untuk membandingkan 2 Slope Histogram dapat digunakan distance
yang didefinisikan:
D = babbaa
ba•−•+•
•
Dimana dot product dari a dan b didefinisikan:
∑−
=•N
iiibaba
1
Nilai D dapat dikatakan nilai kemiripan dari a dan b.
24
BAB 3. METODE PENELITIAN
3.1 Metodologi Penelitian
Metodologi dan langkah-langkah yang digunakan dalam penelitian ini
adalah sebagai berikut:
1. Studi literatur, yaitu pengumpulan bahan dan pembelajaran mengenai
algoritma yang diperlukan, khususnya algoritma Morphological Watershed.
2. Desain program, yaitu tampilan dari aplikasi yang akan dibuat.
3. Pembuatan program dengan menggunakan Delphi 7.0.
4. Pengujian dan analisa program
• Pengujian terhadap program yang dibuat dengan mencoba hasil segmentasi
gambar, apakah sesuai dengan perhitungan yang ada pada algoritma. Selain
itu mencoba semua tombol yang ada pada aplikasi, apakah terjadi error
atau tidak.
• Analisa hasil segmentasi gambar dari program yang dibuat, apakah sama
dengan hasil yang diharapkan dari segmentasi dengan metode
Morphological Watershed.
5. Pembuatan laporan, yaitu pembuatan laporan penelitian yang terdiri dari:
• Pendahuluan
• Tinjauan Pustaka
• Metode Penelitian
• Hasil Penelitian dan Pembahasan
• Kesimpulan dan Saran
3.2 Perencanaan Software
Agar software morphological watershed dapat mengsegmentasi gambar
dengan baik, maka diperlukan rancangan algoritma. Secara garis besar algoritma
ditunjukkankan pada Gambar 3.1.
25
Gambar 3.1 Diagram Alir Aplikasi Secara Garis Besar
Keterangan:
• Input file pertama kali adalah file yang nantinya akan disegmentasi. Setelah
nama file di-input-kan, gambar di-load dan dipersiapkan untuk segmentasi.
• Pre-processing di sini masih terdiri dari beberapa proses dan akan dibahas
lebih lanjut setelah ini.
• Gambar yang sudah disiapkan melalui proses pre-processing disegmentasi
dengan menggunakan metode morphological watershed. Kemudian dihitung
lama waktu yang dibutuhkan mulai dari pre-processing hingga selesainya
segmentasi dan jumlah objek yang dihasilkan.
• Proses dapat berhenti di sini atau dapat juga dilakukan proses lain pada objek
yang dihasilkan oleh segmentasi. Proses tersebut adalah yang biasa dikenal
sebagai copy atau cut dan kemudian objek tersebut dapat di-paste baik pada
software ini maupun pada software lainnya yang berbasis sistem operasi yang
sama.
26
3.2.2 Pre-processing pertama
Pre-processing merupakan kumpulan dari proses yang digunakan untuk
dapat menghasilkan segmentasi yang terbaik. Ada banyak sekali proses yang
dapat digunakan. Pada software ini akan digunakan 2 macam pre-processing yang
berbeda. Pre-processing yang pertama menggunakan grayscaling, histogram
equalization, thresholding, invert, erosion, dan dilation.
Gambar 3.2 Diagram Alir Pre-Processing Pertama
Gambar 3.2 menunjukkan pre-processing dapat menggunakan histogram
equalization dan invert secara opsional. Histogram equalization membuat
histogram dari suatu gambar menjadi histogram yang ter-equalize. Beberapa
objek malah terkesan menghilang atau bergabung dengan objek lainnya, sehingga
27
susah untuk disegmentasi nantinya. Kemudian untuk invert, apabila gambar
tersebut lebih didominasi oleh warna gelap maka sebaiknya tidak perlu di-invert
agar gambar tersebut dapat disegmentasi menjadi objek yang diinginkan.
Proses grayscaling adalah proses untuk mengubah gambar yang memiliki
warna menjadi gambar yang memiliki tingkat warna abu-abu (gray-level). Pada
Gambar 3.3 dijelaskan bagaimana cara kerja proses ini dalam bentuk diagram alir.
Gambar 3.3 Diagram Alir Proses Grayscaling
Gambar yang akan di-grayscaling nilai tiap titik akan disamakan nilai
Red, Green, dan Blue-nya sehingga untuk tiap titik hanya memiliki 1 nilai saja
yang disebut nilai gray-level-nya. Pada Gambar 3.3 proses grayscaling yang
digunakan mengambil persentasi tertentu dari masing-masing warna kemudian
dijumlahkan untuk mendapatkan nilai yang baru. Cara lainnya yaitu langsung
membagi sama rata ketiga nilai warna tersebut untuk mendapatkan nilai yang baru
(dicari rata-rata dari ketiga nilai warna Red, Green, dan Blue).
Proses histogram equalization seperti yang telah dijelaskan sebelumnya,
digunakan untuk mengubah intensitas suatu gambar menjadi sebuah gambar
dengan nilai histogram yang relatif sama di setiap levelnya. Pada Gambar 3.4
28
dijelaskan bagaimana cara kerja dari algoritma histogram equalization, mulai dari
pengambilan nilai untuk histogram, kemudian perhitungan histogram menjadi
histogram yang ter-equalize, hingga pengubahan pada tiap pixel pada gambar agar
histogram dari gambar tersebut menjadi histogram yang ter-equalize.
Gambar 3.4 Diagram Alir Proses Histogram Equalization
Proses thresholding adalah proses untuk mengubah gambar yang
memiliki tingkat warna abu-abu menjadi gambar biner berdasarkan suatu nilai
tertentu yang menjadi tolok ukurnya. Pada Gambar 3.5 dijelaskan bagaimana cara
kerja algoritma ini dalam bentuk diagram alir. Nilai n pada gambar tersebut
menunjukkan batas yang menjadi tolok ukur pengubahan nilai tiap pixel, apakah
menjadi 0 (hitam) atau 255 (putih).
29
Gambar 3.5 Diagram Alir Proses Thresholding
Gambar hasil proses invert ini lebih dikenal dengan istilah gambar
negatif. Pada Gambar 3.6 dijelaskan cara kerja dari algoritma proses invert. Proses
ini merupakan proses untuk mengubah nilai tiap pixel menjadi sebaliknya. Pixel
yang memiliki nilai rendah diubah menjadi pixel yang memiliki nilai yang tinggi,
begitu pula sebaliknya.
Gambar 3.6 Diagram Alir Proses Invert
30
Proses erosion dan dilation adalah proses morphological yang digunakan
untuk menghaluskan gambar sehingga lebih mudah untuk disegmentasi. Gambar
3.7 menjelaskan bagaimana cara kerja algoritma dari erosion dan Gambar 3.8
menjelaskan bagaimana cara kerja algoritma dari dilation. Kedua proses ini
memerlukan nilai yang terdapat pada histogram.
Gambar 3.7 Diagram Alir Proses Erosion
Gambar 3.8 Diagram Alir Proses Dilation
3.2.3 Pre-processing kedua
Pre-processing yang kedua terdiri dari grayscaling, morphological
gradient, dan minima removal. Pre-processing yang kedua menggunakan lebih
31
sedikit proses dan diharapkan lebih cepat dan lebih baik dari pre-processing yang
pertama. Proses grayscaling dapat dilihat pada Gambar 3.3 dan tidak dibahas di
sini.
Proses morphological gradient adalah proses di mana gambar baru yang
dihasilkan merupakan hasil selisih dari proses dilation dari gambar asli dengan
proses erosion dari gambar asli. Proses ini memerlukan hasil dari proses erosion
dan dilation. Proses erosion dan dilation dapat dilihat pada Gambar 3.7 dan
Gambar 3.8. Gambar 3.9 menjelaskan bagaimana cara kerja algoritma
morphological gradient.
Gambar 3.9 Diagram Alir Proses Morphological Gradient
Proses minima removal dapat dikatakan proses perataan dasar dari daerah
minimum sehingga daerah minimum memiliki nilai yang uniform. Gambar 3.10
menjelaskan bagaimana cara kerja algoritma ini.
32
Gambar 3.10 Diagram Alir Proses Minima Removal
3.2.4 Proses Segmentasi
Proses segmentasi dengan menggunakan Morphological Watershed
dijelaskan lengkap pada Gambar 3.11. Min dan max di sini adalah nilai minimum
dan maksimum dari pixel-pixel pada gambar. Ini digunakan untuk mempersingkat
waktu, sehingga tidak diperlukan untuk memulai dari 0 hingga 255. Penentuan
daerah dan garis dicek mulai dari pixel dengan nilai minimum hingga maksimum.
33
Seperti yang dijelaskan pada gambar jika pixel tersebut merupakan daerah
minimum atau tidak memiliki irisan dengan kumpulan pixel yang terhubung pada
n-1 maka pixel tersebut membentuk daerah baru. Jika irisan dengan kumpulan
pixel yang terhubung pada n-1 hanya 1 komponen atau daerah maka pixel menjadi
milik komponen atau daerah tersebut. Jika lebih dari 1 maka menjadi dam atau
watershed lines.
Gambar 3.11 Diagram Proses Segmentasi / Watershed
3.2.5 Perencanaan User Interface
User Interface dirancang sedemikian rupa dengan pengaksesan semua
tombol terletak pada menubar seperti yang tampak pada Gambar 3.12. Layar
dibuat maximize agar mempermudah dalam meng-edit dan memilih objek yang
ada pada gambar. Selain memilih dari menu, user juga dapat menekan tombol
34
yang merupakan icon dari menu yang ada pada toolbar untuk mempercepat
penggunaan tanpa perlu membuka menu satu per satu.
Gambar 3.12 Perencanaan User Interface
Tombol-tombol yang ada:
1. Pada menu File:
a. New: untuk membuat gambar baru. Gambar yang akan dibuat di sini hanya
berupa gambar yang merupakan gabungan objek-objek hasil segmentasi
dari gambar lain.
b. Open: untuk me-load gambar.
c. Save: untuk meng-save gambar.
d. Close: untuk menutup gambar yang sedang aktif
e. Close All: untuk menutup seluruh gambar yang sedang dibuka
f. Exit: untuk keluar dari software
2. Pada menu Edit:
a. Copy: untuk meng-copy objek hasil segmentasi dan menyimpannya pada
Clipboard
b. Cut: untuk meng-cut objek hasil segmentasi dan menyimpannya pada
Clipboard
c. Paste: untuk mem-paste objek hasil segmentasi yang ada pada Clipboard
d. Undo: untuk kembali 1 langkah sebelumnya.
3. Pada menu View:
a. Toolbar: untuk menampilkan form toolbar yang berisi posisi pointer
mouse dan nilai pixel di mana pointer tersebut berada bila pointer mouse
35
berada di atas gambar yang aktif. Form ini juga berisi histogram dari
gambar yang sedang aktif.
b. Tile, Cascade: untuk menata agar gambar yang dibuka menjadi teratur
c. Arrange Icons: untuk menata gambar yang sedang di-minimize agar tidak
bertumpukan satu dengan yang lain
4. Pada menu Tools:
a. Grayscaling: mengubah gambar dengan format warna menjadi gambar
dengan format gray-level
b. Histogram Equalization: meng-equalize-kan histogram dari sebuah
gambar
c. Thresholding: untuk mengubah gambar gray-level menjadi gambar biner
d. Invert: membalik nilai dari titik-titik pada gambar
e. Morphological Processing: terdiri dari Erosion (menjalankan
morphological processing erosion), Dilation (menjalankan morphological
processing dilation), Opening (menjalankan morphological processing
erosion kemudian dilation), Closing (menjalankan morphological
processing dilation kemudian erosion), Morphological Gradient
(menjalankan morphological processing morphological gradient) dan
Minima Removal (meratakan daerah minimum pada gambar)
f. Watershed Segmentation: menjalankan segmentasi gambar.
5. Pada menu Segmentation:
a. Watershed Segmentation Using Threshold: menjalankan segmentasi
dengan menggunakan pre-processing pertama secara lengkap.
b. Watershed Segmentation Using Threshold (without invert): menjalankan
segmentasi dengan menggunakan pre-processing pertama secara lengkap
tetapi proses invert tidak dipakai.
c. Watershed Segmentation Using Morphological Gradient: menjalankan
segmentasi dengan menggunakan pre-processing kedua secara lengkap.
3.2.6 Proses Pengenalan Objek
Proses pengenalan objek menggunakan metode Signature dan Slope
Histogram. Signature yang digunakan adalah mencari jarak titik tengah dengan
36
pixel yang merupakan batasan berdasarkan sudut mulai dari 0 hingga 359 derajat.
Gambar 3.13 menjelaskan bagaimana proses Signature dilakukan.
Gambar 3.13 Diagram Alir Proses Signature
Slope Histogram adalah histogram yang mencatat gradien atau kemiringan dari
tiap pixel berwarna hitam dalam sebuah gambar. Gambar 3.14 menjelaskan
bagaimana Slope Histogram dibentuk.
38
BAB 4. HASIL PENELITIAN DAN PEMBAHASAN
4.1 Implementasi Software
Software yang digunakan di sini adalah Borland Delphi 7 dan komponen
TGifImage Component. Alasan penggunaan Borland Delphi 7 adalah karena
Delphi mendukung proses imaging, bersifat user friendly, dan mempunyai
interface yang dapat ditata dengan baik. Selain itu Delphi 7 mempunyai performa
yang baik untuk melakukan perhitungan yang banyak dan mempunyai kuantitas
yang cukup untuk menyimpannya dalam memory komputer.
TGifImage Component adalah komponen dari Delphi yang digunakan
untuk membuka format gambar Gif. Pada umumnya, TImage yang digunakan
untuk menampilkan gambar, hanya mampu untuk membuka beberapa format
gambar saja, antara lain : bitmap, icons, metafile, dan enhanced metafile. Dengan
menggunakan TGif Component menambah format yang umum digunakan dalam
menyimpan gambar yaitu Gif. Delphi sudah menyediakan untuk JPEG dengan
menambah unit Jpeg, tetapi untuk Gif tidak tersedia. Penggunaan TGifImage
Component seperti penggunaan unit Jpeg, cukup dengan menambahkan unit
GifImage pada penulisan unit. Setelah unit ditambahkan otomatis TGifImage dan
Jpeg akan langsung terintegrasi ke dalam TImage.
4.2 Pengujian Software
Pengujian segmentasi software dilakukan terhadap beberapa gambar.
Hasil pengujian termasuk jumlah segmentasi dan waktu yang dibutuhkan mulai
dari pre-processing hingga selesainya segmentasi. Pengujian dilakukan dengan
menggunakan komputer dengan spesifikasi sebagai berikut:
• Processor Intel Pentium IV – 1,8a GHz
• Memory 256 MB DDR RAM
• VGA Card ATI Radeon 9200 128 MB
• Sistem operasi Microsoft Windows XP Service Pack 2
Perbandingan juga dilakukan terhadap besarnya ukuran gambar yang
digunakan dan waktu yang dibutuhkan untuk gambar yang serupa tetapi berbeda
ukuran gambar, juga apakah objek yang dihasilkan sama baik jumlah maupun
39
bentuknya. Pengujian dilakukan terhadap gambar jeruk dengan ukuran gambar
awal 192 x 128 pixel dan dapat dilihat pada Gambar 4.1.
Gambar asli Gambar hasil Grayscale
Gambar hasil Histogram Equalization Gambar hasil Threshold
Gambar hasil invert Gambar hasil erosion
Gambar hasil dilation Gambar hasil segmentasi
Gambar Hasil Segmentasi terhadap gambar asli.
Gambar hasil potongan
Gambar 4.1 Gambar Hasil Pengujian Terhadap Pre-processing 1
40
Gambar asli Gambar hasil grayscale
Gambar hasil morphological
processing
Gambar hasil segmentasi
Gambar Hasil Segmentasi terhadap
gambar asli.
Gambar Hasil Potongan
Gambar 4.2 Gambar Hasil Pengujian Terhadap Pre-processing 2
Gambar 4.2 menunjukkan proses segmentasi dengan menggunakan pre-
processing 1 membutuhkan waktu 6 detik menghasilkan 11 segmen. Sedangkan
proses segmentasi dengan menggunakan pre-processing 2 membutuhkan waktu 8
detik menghasilkan 219 segmen. Pengujian dilanjutkan dengan pengujian
pengaruh ukuran gambar terhadap hasil segmentasi dan waktu yang dibutuhkan
untuk melakukan proses segmentasi seperti yang tampak pada Gambar 4.3.
41
Gambar Ukuran
gambar
Pre-processing Waktu Jumlah
150 x
101
1 dengan
histogram
equalization
4 detik 10
150 x
101
1 tanpa
histogram
equalization
(threshold=115)
5 detik 5
150 x
101
1 tanpa invert 4 detik 18
150 x
101
1 tanpa invert
dan histogram
equalization
(threshold=115)
4 detik 17
150 x
101
2 5 detik 263
300 x
202
1 dengan
histogram
equalization
14
detik
16
Gambar 4.3 Hasil Pengujian Terhadap Gambar Bunga
42
300 x
202
1 tanpa
histogram
equalization
(threshold=115)
14
detik
7
300 x
202
1 tanpa invert 18
detik
34
300 x
202
1 tanpa invert
dan histogram
equalization
(threshold=115)
14
detik
17
300 x
202
2 15
detik
859
500 x
337
1 dengan
histogram
equalization
46
detik
35
500 x
337
1 tanpa
histogram
equalization
(threshold=115)
38
detik
25
Gambar 4.3. Hasil Pengujian Terhadap Gambar Bunga (lanjutan)
43
500 x
337
1 tanpa invert 35
detik
56
500 x
337
1 tanpa invert
dan histogram
equalization
(threshold=115)
34
detik
34
500 x
337
2 45
detik
2111
800 x
539
1 dengan
histogram
equalization
2 menit
3 detik
84
800 x
539
1 tanpa
histogram
equalization
(threshold=115)
1 menit
40
detik
73
800 x
539
1 tanpa invert 1 menit
39detik
72
Gambar 4.3. Hasil Pengujian Terhadap Gambar Bunga (lanjutan)
44
800 x
539
1 tanpa invert
dan histogram
equalization
(threshold=115)
1 menit
31detik
68
800 x
539
2 1 menit
57
detik
5213
Gambar 4.3. Hasil Pengujian Terhadap Gambar Bunga (lanjutan)
Gambar Ukuran
gambar
Pre-processing Waktu Jumlah
200 x
150
1 dengan
histogram
equalization
7 detik 34
200 x
150
1 tanpa
histogram
equalization
(threshold=184)
8 detik 26
200 x
150
1 tanpa invert 8 detik 33
Gambar 4.4 Hasil Pengujian Terhadap Gambar Sanrio
45
200 x
150
1 tanpa invert
dan histogram
equalization
(threshold=184)
7 detik 58
200 x
150
2 11
detik
397
400 x
300
1 dengan
histogram
equalization
29
detik
50
400 x
300
1 tanpa
histogram
equalization
(threshold=180)
28
detik
51
400 x
300
1 tanpa invert 27
detik
21
Gambar 4.4. Hasil Pengujian Terhadap Gambar Sanrio (lanjutan)
46
400 x
300
1 tanpa invert
dan histogram
equalization
(threshold=180)
27
detik
28
400 x
300
2 35
detik
776
800 x
600
1 dengan
histogram
equalization
1 menit
55
detik
53
800 x
600
1 tanpa
histogram
equalization
(threshold=179)
1 menit
53
detik
53
800 x
600
1 tanpa invert 1 menit
45detik
21
Gambar 4.4. Hasil Pengujian Terhadap Gambar Sanrio (lanjutan)
47
800 x
600
1 tanpa invert
dan histogram
equalization
(threshold=179)
1 menit
42
detik
26
800 x
600
2 2 menit
28
detik
5730
Gambar 4.4. Hasil Pengujian Terhadap Gambar Sanrio (lanjutan)
Gambar Ukuran
gambar
Pre-processing Waktu Jumlah
200 x
150
1 dengan
histogram
equalization
8 detik 0
200 x
150
1 tanpa
histogram
equalization
(threshold=179)
8 detik 8
Gambar 4.5 Hasil Pengujian Terhadap Gambar Sederhana
48
200 x
150
1 tanpa invert 7 detik 11
200 x
150
1 tanpa invert
dan histogram
equalization
8 detik 6
200 x
150
2 7 detik 130
500 x
375
1 dengan
histogram
equalization
44
detik
0
500 x
375
1 tanpa
histogram
equalization
(threshold=175)
41
detik
7
Gambar 4.5. Hasil Pengujian Terhadap Gambar Sederhana (lanjutan)
49
500 x
375
1 tanpa invert 41
detik
12
500 x
375
1 tanpa invert
dan histogram
equalization
(threshold=175)
42
detik
17
500 x
375
2 47
detik
245
800 x
600
1 dengan
histogram
equalization
1
menit
53
detik
0
800 x
600
1 tanpa
histogram
equalization
(threshold=173)
1
menit
43
detik
7
Gambar 4.5. Hasil Pengujian Terhadap Gambar Sederhana (lanjutan)
50
800 x
600
1 tanpa invert 1
menit
47detik
12
800 x
600
1 tanpa invert
dan histogram
equalization
(threshold=173)
1
menit
43
detik
17
800 x
600
2 2
menit
18
detik
80
Gambar 4.5. Hasil Pengujian Terhadap Gambar Sederhana (lanjutan)
Pengujian juga dilakukan dengan menggunakan hardware lama
berspesifikasi sebagai berikut:
• Processor Pentium I – 133 MHz
• Memory 32 MB RAM
• VGA 1 MB
• Sistem operasi Windows 98 SE
Pengujian dilakukan dengan menggunakan pre-processing kedua
terhadap gambar jeruk seperti yang terdapat pada Gambar 4.2 menghasilkan
jumlah objek yang sama dengan waktu 1 menit, berbeda dengan menggunakan
Pentium IV yang hanya membutuhkan waktu 6 detik untuk menyelesaikan proses.
Pengujian yang sama dilakukan terhadap gambar bunga seperti pada Gambar 4.3
51
dengan ukuran gambar 150x101, diselesaikan dengan waktu 36 detik, Pentium IV
hanya 5 detik.
Pengujian dilanjutkan dengan melakukan pengenalan terhadap objek
hasil segmentasi yang berupa objek–objek sederhana seperti yang tampak pada
Gambar 4.6. Data sumber objek sederhana diinputkan terlebih dahulu.
Nama
Objek
Gambar Objek Slope Histogram
Elips ( 63 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 44 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 72 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 92 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 54 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 103 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 63 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 46 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 )
Kotak ( 63 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 44 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 72 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 92 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 54 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 103 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 63 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 46 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 )
Gambar 4.6 Data Sumber Objek Sederhana
52
Lingkaran
( 222 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 51 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 47 212 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2015 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 211 46 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 81 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 )
Segitiga
( 89 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 46 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 49 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 90 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 79 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 86 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 53 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 45 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 )
Persegi-
panjang
( 69 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 46 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 45 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 110 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 113 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 104 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 48 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 46 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 )
Gambar 4.6. Data sumber objek sederhana (lanjutan)
Pengujian dilakukan terhadap Gambar 4.7 dengan dilakukan segmentasi
dengan pre-processing 2 terlebih dahulu.
53
Gambar 4.7 Gambar yang akan Diuji Pengenalan Objek
Berdasarkan pengujian yang telah dilakukan, dapat diketahui bahwa:
• Objek yang dihasilkan tiap pre-processing berbeda.
• Bila ingin mendapatkan hasil yang baik, nilai threshold pada pre-processing
pertama dapat diubah sesuai gambarnya karena perhitungan nilai threshold
hanya diharapkan memberikan yang terbaik tetapi belum tentu hasil
perhitungan merupakan yang terbaik.
• Ukuran gambar sangat tergantung dalam proses segmentasi ini. Hasil yang
didapat dan waktu yang digunakan tidak sama.
• Proses segmentasi tetap dapat dilakukan pada hardware dengan spesifikasi
rendah, tetapi waktu yang dibutuhkan untuk menyelesaikan proses bertambah.
• Objek dapat dikenali apabila memiliki bentuk yang serupa dengan objek
sumber, jika mengalami perubahan bentuk (bukan merupakan perbesaran,
pengecilan atau perputaran) maka objek sulit untuk dikenali.
• Jika dilakukan perubahan bentuk (perbesaran, pengecilan, dan atau
perputaran) maka objek masih dapat dikenali.
54
Objek Hasil Pengenalan
Kotak : 47.72 % Elips : 87.62 % Lingkaran : 5.90 % Segitiga : 90.26 % Persegi Panjang : 85.19 %
Kotak : 58.94 % Elips : 83.81 % Lingkaran : 7.45 % Segitiga : 87.33 % Persegi Panjang : 88.13 %
Kotak : 91.76 % Elips : 46.58 % Lingkaran : 17.59 % Segitiga : 50.74 % Persegi Panjang : 62.45 %
Kotak : 10.60 % Elips : 2.37 % Lingkaran : 88.71 % Segitiga : 3.30 % Persegi Panjang : 4.47 %
Kotak : 57.06 % Elips : 63.07 % Lingkaran : 9.19 % Segitiga : 78.85 % Persegi Panjang : 80.28 %
Kotak : 41.00 % Elips : 96.47 % Lingkaran : 3.55 % Segitiga : 95.23 % Persegi Panjang : 86.64 %
Gambar 4.8 Hasil Pengenalan Dari Objek Hasil Segmentasi Dari Gambar 4.7
55
BAB 5. KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari keseluruhan sistem yang telah dibuat dan pengujian yang telah
dilakukan dapat disimpulkan beberapa hal dibawah ini:
1. Metode morphological watershed memiliki kelebihan dan kelemahan.
Kelebihan:
• Tidak perlu menentukan posisi awal dari daerah yang akan disegmen,
karena proses segmen telah dilakukan pada setiap bagian dari gambar.
• Noise yang ada pada gambar tidak mempengaruhi proses segmentasi
sebuah objek pada gambar.
Kelemahan:
• Seringnya timbul over segmentation, yaitu munculnya daerah yang lebih
besar dari objek yang seharusnya.
• Waktu yang dibutuhkan untuk melakukan proses mulai dari awal hingga
akhir cukup lama, karena banyak proses yang dilakukan secara berulang.
• Pemilihan pre-processing yang kurang tepat dapat mengakibatkan
pembentukan objek yang kurang tepat pula. Berdasarkan pengujian yang
dilakukan, pre-processing yang dapat menghasilkan objek yang lebih baik
adalah pre-processing kedua. Pre-processing pertama hanya cocok
digunakan untuk gambar tertentu saja dimana gambar tersebut memiliki
kontras yang tinggi dan penuh dengan objek.
2. Pada proses yang dilakukan oleh software, bila gambar yang digunakan
memiliki warna yang dominan cenderung mengakibatkan bertambahnya
waktu proses. Setiap gambar meskipun beresolusi sama belum tentu waktu
prosesnya sama.
3. Semakin besar resolusi yang digunakan, semakin besar waktu yang
dibutuhkan untuk proses dan semakin banyak over segmentation yang timbul.
56
5.2 Saran
Beberapa saran untuk pengembangan software adalah
1. Proses segmentasi yang lebih cepat lagi, misalnya dengan proses rekursi agar
gambar tidak perlu di-scan berulang-ulang, terutama untuk proses
segmentasinya.
2. Mencoba banyak pre-processing lainnya, sehingga dapat mengetahui apakah
ada pre-processing yang lebih baik lagi.
3. Menambah fungsi save dan load, sehingga hasil segmentasi juga disimpan
dalam bentuk file dan jika ingin menggunakannya lagi tidak perlu melakukan
proses segmentasi lagi.
57
DAFTAR PUSTAKA
[1] Ballerini, L. Digital Image Processing: Segmentation.
http://www.cb.uu.se/~lucia/dbb/l8.pdf
[2] Ding, M. (2004, Januari 27). Advanced Image Processing & Analysis
Morphological Watershed.
<http://www.imaging.robarts.ca/coders/content/seminars/bme519>
[3] Gonzalez, R.C., Woods, R.E. (2002). Digital Image Processing Second
Edition, Prentice Hall, New Jersey.
[4] IDL (1999). Watershed (online)
<http://idlastro.gsfc.nasa.gov/idl_html_help/W3.html>
[5] Parker, J.R. (1993). Practical Computer Vision Using C, John Wiley & Sons
Inc., New York.
[6] Wei-Cheng, Lin. (2000). Mathematical Morphology and Its Application on
Image Segmentation, Dept. of Computer Science and Information
Engineering, National Taiwan University.