This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
18 Juli 2014 Tugas Akhir – KI091391 1
Identifikasi Parameter Optimal dari Metode Fuzzy C-Means dan Estimasi Robust Spasial pada
Uji coba kebenaran pertama dilakukan untuk menguji kualitas RML-Filter sebagai metode penyaringan noise pada citra.
18 Juli 2014 Tugas Akhir – KI091391 36
UJI
KEBENARAN
UJI
KINERJA
IntensitasNoise
Gallegos-Funes
Uji Coba
0.05 31.56 41.55
0.10 29.56 34.56
0.20 26.45 26.91
0.25 25.01 24.52
0.30 23.44 22.33
0.40 20.10 19.10
0.50 16.91 16.98
Data
pembanding
18 Juli 2014 Tugas Akhir – KI091391 37
Data UjiKebenaran 2.
Uji coba kebenaran berikutnya dilakukan untuk menguji kebenaran metode segmentasi citra yang digunakan yaitu FCCI dengan estimasi robust spasial pada kasus citra dengan noise.
Citra asli tanpa noise
Citra asli dengan noise
FCCI
FCCI
FCCI + RML-
FILTER
Segmentasi
UJI
KEBENARAN
UJI
KINERJA
Kategori
Segmentasi pada
citra normal
Segmentasi pada citra
dengan noise
(dengan RML-Filter)
Segmentasi pada citra
dengan noise (tanpa RML-Filter)
Jumlah Cluster
3 3 3
S (Validity Cluster)
0,000078 0,000088 0,000436
F(I) 449,416 456.155 563.303
UJI
KEBENARAN
UJI
KINERJA
UJI
KEBENARAN UJI
KINERJA
Hipotesis yang dibangun adalah bahwa kinerja metode segmentasicitra dengan noise menggunakan FCCI dan estimasi robust
spasial dipengaruhi oleh parameter-parameter berikut ini: Standar deviasi () dari distribusi normal yang digunakan untuk
mengeneralisasi koefisien pembobotan pada RML-Filter. Jenis distribusi yang digunakan untuk mengeneralisasi koefisien
pembobotan pada RML-Filter . Nilai intensitas noise dari citra masukan. Jenis noise yang dikenakan pada citra masukan Inisialisasi jumlah cluster awal
UJI
KEBENARAN UJI
KINERJAUji Skenario 1
Hasil Analisis:
Nilai standar deviasi () dari distribusi normal yang digunakan untuk mengeneralisasi koefisien pembobotan pada RML-Filter memberikan pengaruh pada hasilsegmentasi maupun hasil filtering. Hasilsegmentasi terbaik ketika nilai =2 denganhasil F(I)= 173.1351
Nama CitraNilai mean dan standar deviasi F(I) PSNR
208001.jpg
0.5 182.5734 39.0070
1 179.8914 39.9897
2 175.0692 40.4375
(a) (b)
(c)
UJI
KEBENARAN UJI
KINERJAUji Skenario 2
Hasil Analisis:
Jenis distribusi yang digunakan untukmengeneralisasi koefisien pembobotanmemberikan pengaruh terhadap hasilsegmentasi dan hasil filtering noise. Hasil segmentasi terbaik diperolehdengan menggunakan distribusi uniform dengan hasil F(I)= 173.1351.
Nama CitraJenis
distribusiF(I) PSNR
208001.jpg uniform 176.8003 40.2502
normal 175.0692 40.4375
(a) (b)
UJI
KEBENARAN UJI
KINERJAUji Skenario 3
Hasil Analisis:
Besar intensitas noise yang diberikan padacitra mempengaruhi hasil penyaringan noisedan segmentasi citra. Hasil segmentasi terbaikdiperoleh ketika intensitas noise yang diberikan sebesar 0.01 dengan nilai F(I)=33.8294. Dari segi waktu komputasi, semakin kecil intensitas noise yang diberikan maka waktu komputasi semakin cepat.
NamaCitra
Intensitas noise
F(I) PSNRWaktu
filtering (detik)
Waktusegmentasi (detik)
35058.jpg
0.0133.8294 56.3609 5.88 46.71
0.05 34.5062 40.3169 6.57 72.27
0.10 38.2877 33.4995 6.90 444.91
(a)
(b)
(c)
UJI
KEBENARAN UJI
KINERJAUji Skenario 4
Hasil Analisis:
Jenis noise yang diberikan pada citra memberikanpengaruh terhadap hasil dari penyaringan noise dansegmentasi citra. Hasil segmentasi terbaik diperolehketika jenis noise yang diberikan pada citra masukan adalah salt & pepper noise dengan nilai F(I)=378.9194. Dari segi waktu komputasi, citra masukan dengan jenis noise salt & pepper memberikan waktu komputasi yang paling cepat.
NamaCitra
Jenis noise F(I) PSNRWaktu
filtering (detik)
Waktusegmentasi (detik)
124084.jpg
salt &pepper
378.9194 55.1970 5.90 46.53
speckle 395.2574 65.5533 9.98 52.32
gaussian 424.1498 48.5619 16.13 74.15
(a)
(b)
(c)
UJI
KEBENARAN UJI
KINERJAUji Skenario 5
Hasil Analisis:
Jumlah cluster yang diberikan pada citramemberikan pengaruh terhadap hasil darihasil penyaringan noise dan segmentasi citra. Waktu komputasi yang digunakan untukmelakukan segmentasi citra dari inisialisasicluster awal 3 dan inisialisasi cluster awal 4 mengalami kenaikan sebesar dua kali lipatsedangkan kenaikan waktu komputasi ketikainisialisasi awal cluster 4 dengan inisialisasiawal cluster 5 sebesar 55%.
NamaCitra
Jumlah cluster
F(I)Waktu
segmentasi (detik)
295087.jpg
3 504.6360 91.23
4 519.9796 99.60
5 561.0096 153.29
(a)
(b)
(c)
Kesimpulan dan Saran
Saran
Kesimpulan
1. Segmentasi citra berwarna dengan menggunakan FCCI dan estimasi robustspasial pada kasus citra dengan noise memberikan hasil evaluasi kuantitatifyang lebih baik jika dibandingkan segmentasi citra berwarna hanyamenggunakan FCCI tanpa estimasi robust spasial.
2. Hasil segmentasi citra dengan menggunakan FCCI dan estimasi robustspasial menunjukkan hasil segmentasi citra yang baik dengan menghasilkannilai PSNR yang relatif tinggi, evaluasi kuantitatif yang relatif kecil dan rata-rata error color kurang dari 1.15%.
3. Hasil penyaringan noise dan segmentasi citra menurut uji coba dipengaruhioleh nilai standar deviasi dan jenis distribusi yang digunakan untukgeneralisasi koefisien pembobotan pada metode RML-Filter serta intensitasdan jenis noise dari citra masukan.
Saran
Kesimpulan
4. Pengaruh perubahan nilai standar deviasi dan jenis distribusi yangdigunakan untuk generalisasi koefisien pembobotan pada metode RML-Filter terhadap hasil penyaringan noise dan segmentasi citra dapat dilihatdari nilai PSNR dan nilai evaluasi kuantitatif.
5. Pengaruh perubahan nilai standar deviasi dan jenis distribusi yangdigunakan untuk generalisasi koefisien pembobotan pada metode RML-Filter terhadap hasil penyaringan noise dan segmentasi citra dapat dilihatdari nilai PSNR, nilai evaluasi kuantitatif dan waktu komputasi yangdibutuhkan untuk proses penyaringan noise maupun segmentasi.
6. Inisialisasi jumlah cluster awal untuk segmentasi citra dengan noise
mempengaruhi waktu komputasi dari proses segmentasi. Semakin banyakinisialisasi jumlah cluster, maka waktu yang diperlukan untuk prosessegmentasi semakin lama. Nilai evaluasi kuantitatif juga mengalamikenaikan ketika inisialisasi jumlah cluster ditambah.