Tugas Pengolahan Citra (1)

Nama      : Etika Wahyu Perdani
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.