NIM : 5302410016
Rombel : 01
SEGMENTASI CITRA
Image processing terdiri dari lima tahap: akusisi, prepocessing,
segmentasi, post-processing, dan analisa. Tujuan utama dari image
processing di instrumentasi biomedis adalah untuk mengumpulkan
informasi, screening atau invertigasi, mendiagnosis, terapi dan
kontrol, serta monitoring dan evaluasi. Segmentasi memegang peranan yang sangat
penting dengan memfasilitasi penggambaran daerah yang penting dalam suatu citra
atau disebut sebagai region of interest (ROI).
Segmentasi merupakan proses partisi gambar digital ke
beberapa daerah dengan tujuan untuk menyederhanakan ataupun merubah
representasi gambar menjadi sesuatu yang lebih bermakna dan mudah dianalisa.
Ada beberapa metoda yang sering digunakan dalam segmentasi citra antara lain:
metode thresholding, metode shapebased, metode region
growing, dan metode statistik atau juga disebut metode clustering. Berikut beberapa metode yang umum
digunakan dalam segmentasi citra.
A. Thresholding
Metode thresholding didasarkan pada
pemisahan pixel ke dalam kelas yang berbeda tergantung pada tingkat keabuan
masing-masing pixel. Intensitas citra medis seperti tumor dan jaringan pada
otak biasanya sangat rumit dan memiliki tingkat keabuan yang sangat dekat
sehingga menyebabkan kesulitan penentuan ambang batas (threshold).
Metode thresholding tidak bisa diterapkan untuk citra dengan tingkat
keabuan yang berdekatan sehingga biasanya dikombinasikan dengan metode lain.
B. Region growing
Metode region growing seperti menggabungan
thresholding dengan kondisi konektivitas atau kriteria daerah homogenitas.
Keberhasilan dari metode tersebut bergantung pada kepresisian informasi anatomi
untuk meletakkan baik satu mapun beberapa pixel untuk masing-masing daerah
homogen. Kelemahan lain dari metode region growing adalah metode
tersebut hanya dapat bekerja dengan baik pada daerah yang homogen dan
membutuhkan operator untuk menentukan daerah yang akan disegmentasi.
Metode region growing yang paling umum
digunakan adalah watershed. Prinsip dasar dari watershed adalah merubah
gradien tingkat keabuan citra menjadi permukaan topografi. Daerah minimum dari
citra merupakan sumber dimana air meluap dan bentuk-bentuk “kolam”
(“catchment basin”) menggambarkan permukaan air. Algoritma ini akan
berhenti bila dua “kolam” dari dua sumber yang berbeda bertemu. Jika pada citra
terdapat banyak pola dan noise, maka akan terbentuk banyak “kolam” sehingga
terjadi segmentasi yang berlebihan.
C. Shapebased
Metode shapebased juga memberikan pendekatan
yang cukup sederhana dalam segmentasi citra namun sangat sulit dalam penentuan
kontur awal sehingga ketidaktepatan dalam penentuan kontur awal dapat
menyebabkan hasil segmentasi yang kurang memuaskan.
D. Clustering
Metode statistik atau clustering didasarkan
pada distribusi parameter tertentu. Hal terpenting dalam metode ini adalah
melakukan estimasi definisi awal dari parameter sehingga bagus tidaknya
segmentasi tergantung pada seberapa baik distribusi yang diasumsikan mendekati
distribusi dari data. Pada kenyataanya, secara umum citra medis
mengandung noise dan ketidakpastian distribusi yang tidak dapat
diketahui sebelumnya.
Selain metode di atas ada pula beberapa
pendekatan yang banyak digunakan dalam proses segmentasi antara lain :
a) teknik threshold, yaitu pengelompokan citra
sesuai dengan distribusi properti pixel penyusun citra.
b) teknik region-based, yaitu pengelompokkan
citra kedalam region-region tertentu secara langsung berdasar
persamaan karakteristik suatu area citranya.
c) edge-based methods, yaitu pengelompokkan citra
kedalam wilayah berbeda yang terpisahkan karena adanya perbedaan perubahan
warna tepi dan warna dasar citra yang mendadak.
Pendekatan pertama dan kedua merupakan contoh kategori
pemisahan image berdasarkan kemiripan area citra, sedangkan
pendekatan ketiga merupakan salah satu contoh pemisahan daerah berdasarkan
perubahan intensitas yang cepat terhadap suatu daerah.
Perfomansi
Citra Hasil Segmentasi
Performansi
citra segmentasi dapat dilakukan secara kuantitatif dan kualitatif. Penilaian
secara kuantitatif dilihat dari segi performansi yang dihasilkan melalui
perhitungan yang dilakukan dengan menghitung nilai koefisien variansi dari
hasil segmentasi. Sedangkan, untuk pernilaian kualitatif ditinjau dari segi
pengamatan mata manusia (Mean Opinion Score/MOS).
Mean Opinion
Score
Mean Opinion
Score (MOS) merupakan suatu penilaian kualitatif terhadap hasil citra.
Penilaian ini berdasarkan pada pengamatan mata manusia, sehingga baik buruknya
hasil segmentasi ini bergantung pada penilaian subjektif masingmasing koresponden.
Kriteria pernilaian kualitatif yang digunakan adalah:
1. Excellent yang
direpresentasikan dengan angka 6, Citra hasil segmentasi mempunyai
kualitas yang sangat baik, menggambarkan garis batas segmentasi tepat.
2. Fine yang
direpresentasikan dengan angka 5, Citra hasil segmentasi mempunyai
kualitas baik, menggambarkan garis batas segmentasi mendekati tepat.
3. Passable yang
direpresentasikan dengan angka 4, Citra hasil segmentasi mempunyai
kualitas yang cukup baik, menggambarkan garis batas segmentasi sedikit
menyimpang.
4. Marginal yang
direpresentasikan dengan angka 3, Citra hasil segmentasi mempunyai
kualitas buruk, menggambarkan garis batas segmentasi menyimpang.
5. Inferior yang
direpresentasikan dengan angka 2, Citra hasil segmentasi mempunyai kualitas
sangat buruk, menggambarkan garis batas segmentasi sangat menyimpang.
6. Unusable yang
direpresentasikan dengan angka 1, Citra hasil segmentasi memiliki kualitas
yang demikian buruk sehingga garis batas hasil segmentasi benar-benar jauh
menyimpang.
kak etika ini kayanya udah jadi dosen ya???
BalasHapus