Professional Documents
Culture Documents
1. Lakukanlah eksperimen dengan fungsi‐fungsi Matlab yang berkaitan dengan deteksi sisi dan segmentasi citra
(morphology)
2. Proseslah sebuah citra dengan fungsi edge detection yang telah disediakan Matlab (minimal 2 jenis).
3. Proses citra yang sama pada no.2 untuk melakukan segmentasi terhadap citra tersebut (maksimum 3 kelas saja)
dengan operasi morphology yang tersedia.
4. Tumpangkan hasil proses no.2 dan no.3 dan berilah warna untuk hasil no.2 yang ditumpangkan pada hasil no.3
(misalnya menggunakan warna hijau)
5. Buatlah laporan terkait eksperimen anda yang disertai citra‐citra input dan output hasil eksperimen
6. Laporan berupa komentar/kesimpulan anda terhadap fungsi‐fungsi yang dijalankan (apa yang terjadi) berdasarkan
pengamatan anda.
Pemrosesan Citra
Gambar Pertama :
Mammography Payudara yang diperkirakan mempunyai sel kanker
Untuk dapat menganalisa suatu pencitraan, dibutuhkan terlebih dahulu informasi property file pada gambar tersebut,
Untuk gambar diatas didapatkan syntax dan informasi properti file sebagai berikut :
>> info = imfinfo('mammography.jpg')
info = Filename: 'mammography.jpg'
FileModDate: '15-Feb-2010 15:33:03'
FileSize: 7631
Format: 'jpg'
FormatVersion: ''
Width: 230
Height: 190
BitDepth: 24
ColorType: 'truecolor'
FormatSignature: ''
NumberOfSamples: 3
CodingMethod: 'Huffman'
CodingProcess: 'Progressive'
Comment: {}
20 20
40 40
60 60
80 80
100 100
120 120
140 140
160 160
180 180
Deteksi tepi (Edge detection) adalah operasi yang dijalankan untuk mendeteksi garis tepi (edges) yang
membatasi dua wilayah citra homogen yang memiliki tingkat kecerahan yang berbeda (Pitas 1993). Deteksi tepi
berfungsi untuk mengidentifikasi garis batas (boundary) dari suatu objek yang terdapat pada citra. Tepian dapat
dipandang sebagai lokasi piksel dimana terdapat nilai perbedaan intensitas citra secara ekstrem. Sebuah edge detector
bekerja dengan cara mengidentifikasi dan menonjolkan lokasi-lokasi piksel yang memiliki karakteristik tersebut.
Analisa pencitraan dengan fungsi edge detection dapat dilakukan dengan berbagi metode seperti metode Robert,
Prewitt, Sobel , Canny, Laplacian, Zero-Cross dll. Untuk mendeteksi edge ini, digunakan kode pada Matlab dan hasil
pencitraan sebagai berikut:
Syntax:
BW1 = edge (gray,’robert’), figure, imshow(BW1) BW2=edge (gray,'prewitt'), figure, imshow(BW2)
50 50
100 100
150 150
20
40
60
80
100
120
140
160
180
20
40 50
60
80
100
100
120
140
150
160
180
Hasil percobaan menunjukkan bahwa Metode Canny dan Laplacian lebih unggul dalam mendeteksi batas-batas
sebuah objek dibandingan Metode Sobel, Prewitt dan Robert. Metode Canny memperlihatkan lebih jelas garis tepi
pada citra. Metode Robert, Sobel, dan Prewit tidak dapat memberikan garis tepi yang mencukupi karena adanya
noisy, ketiga metode menggunakan metode Gradient . Sedangkan Metode Canny mengatur sisi tepi dengan
derivative dari Filter Gaussian. Canny method menggunakan dua threshold untuk mendeteksi edge strong dan weak.
Weak edge terdeteski hanya ketika berkoneksi dengan strong edge. Sehingga metode Canny ini menjadil lebih robust
terhadap noise dan dapat digunakan untuk mendeteksi true weak edges.
==============================================================================================
Segmentasi merupakan pemisahkan objek objek yang ada pada gambar, sehingga pengolahan gambar digital
dapat dilakukan pada masing-masing objek.
Morphologi adalah teknik pengolahan citra digital dengan menggunakan bentuk (shape) sebagai pedoman dalam
pengolahan. Nilai dari setiap pixel dalam citra digital hasil diperoleh melalui proses perbandingan antara pixel yang
bersesuaian pada citra digital masukan dengan pixel tetangganya. Operasi morphologi bergantung pada urutan
kemunculan dari pixel, tidak memperhatikan nilai numeric dari pixel sehingga teknik morphologi sesuai apabila
digunakan untuk melakukan pengolahan binary image dan grayscale image.
Dengan mengatur atau memilih ukuran dan bentuk dari matrik kernel (structuring element) yang digunakan maka kita
Dilatasi adalah proses penambahan pixel pada batas dari suatu objek pada citra digital masukan
“Untuk gambar grayscale maka nilai hasil operasi (output pixel) adalah nilai maksimal yang diperoleh dari himpunan
pixel tetangganya. Dalam binary image, jika ada pixel tetangga yang bernilai 1 maka output pixel akan diset menjadi 1”.
Erosi adalah proses pemindahan/pengurangan pixel pada batas dari suatu objek.
“Untuk gambar grayscale maka nilai hasil operasi (output pixel) adalah nilai minimal yang diperoleh dari himpunan
pixeltetangganya. Dalam binary image, jika ada pixel tetangga yang bernilai 0 maka output pixel akan diset menjadi 0”.
Jumlah pixel yang ditambahkan atau yang dihilangkan dari batas objek pada citra digital masukan tergantung pada
ukuran dan bentuk dari structuring element yang digunakan.
Operasi dilatasi dan erosi dapat dikombinasikan untuk membentuk suatu filter baru yang spesifik. Dalam pengolahan
citra digital menggunakan operasi morphologi dikenal istilah “opening filter” dan “closing filter”.
Dengan mengkombinasikan proses erosi dan dilatasi akan diperoleh efek tertentu yang berguna dalam pengolahan
citra digital.
Opening adalah kombinasi proses dimana suatu citra digital dikenai operasi erosi dilanjutkan dengan dilatasi
Closing adalah kombinasi dimana suatu citra dikenai operasi dilatasi dilanjutkan dengan erosi.
Proses pendeteksian sisi/edge diatas menggunakan operasi morphologi yang dilakukan dengan mengurangkan citra
asli dengan citra hasil proses erosi atau mengurangkan citra hasil proses dilatasi dengan citra asli atau dengan
mengurangkan citra hasil proses dilatasi dengan citra hasil proses erosi.
Untuk menjawab persoalan nomer 3 dan nomer 4 yaitu melakukan segmentasi dan menumpangkan citra hasil deteksi
edge dengan hasil segmentasi serta mewarnainya, dapat dilakukan sekaligus dengan Metode Watershed.
Sehingga percobaan untuk mengetahui lebih dalam tentang Segmentasi Morphologi, saya lakukan langsung dengan
metode Morpologi Watershed yang meliputi ketiga dasar morphologi diatas.
Morphologi watershed adalah salah satu metode dalam segmentasi yang memproses gambar berdasarkan
tingkat warna abu-abunya. Tujuan segmentasi dengan metode ini adalah membentuk garis watershed(dam) agar
diperoleh segmen dengan boundary yang kontinu. 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.
Segmentation menggunakan metode watershed menghasilkan image yang lebih baik jika kita dapat mengidentifikasi,
atau memberikan tanda / mark bagian foreground dan background objek.
1. Melakukan fungsi segmentation . yaitu melakukan objek segmentasi pada daerah gelap citra.
2. Melakukan foreground markers. Menghubungkan setiap blobs pixels objek.
3.Melakukan background markers. Pixels yang tidak menjadi bagian dari object.
4. Memodifikasi fungsi segmentation sehingga meminimalkan lokasi marker daerah foreground dan background.
5. Melakukan segmentasi watershed transform .
2. Menggunakan fungsi segmentasi dengan gradient magnitude. Fungsi yang biasa digunakan sebagai Mask
Edgenya adalah metode Sobel, imfilter dan beberapa simple aritmetik untuk menghitung gradient magnitude.
Gradien memberikan tanda yang lebih jelas pada daerah perbatasan objek dan menurunkan daerah di dalam
objek.
Fungsi ini diperintahkan dalam h=fspecial(type) yangmenciptakan filter 2 Dimensional h pada tipe yang
spesifik. F special mengembalikan h sebagai korelasi kernel, yang merupakan bentuk yang tepat untuk
menggunakan imfilter. Type adalah string yang mempunyai salah satu dari nilai ini.
h=fspecial(type, parameter) menerima filter yang dispesifikasikan dengan tipe ditambah
modifikasi parameter tambahan khusus untuk tipe filter yang dipilih. Nilai default
parameter digunakan jika parameter tidak ditentukan. Jenis jenis F special adalah sebagai
berikut:
Value Description
Metode Laplacian of Gaussian filter, mengembalikan secara rotasi simetris filter Laplacian dari Gaussian dari
ukuran hsize dengan sigma deviasi standar (positif). hsize dapat menjadi vektor penentu jumlah baris dan
kolom dalam h, atau dapat menjadi skalar, dalam hal ini h adalah matriks persegi. Nilai default untuk hsize
adalah [5 5] dan 0,5 untuk sigma. Sehingga Syntax yang ditulis adalah sbb:
hy = fspecial('log',[5 5], 0.5)
>> hx = hy';
>> Iy = imfilter(double(I), hy, 'replicate');
Ix = imfilter(double(I), hx, 'replicate');
gradmag = sqrt(Ix.^2 + Iy.^2);
figure, imshow(gradmag,[]), title('Gradient magnitude (gradmag)')
Metode Laplacian, mengembalikan filter 3-by-3 yang mendekati bentuk dua dimensi operator Laplacian .
Parameter pengontrol Alpha pembentuk Laplacian harus dalam kisaran 0,0 - 1,0. Nilai default untuk alfa
adalah 0,2. Sehingga dibutuhkan Syntax sebagai berikut
>> hy = fspecial('laplacian',[0.2])
>> hx = hy';
>> Iy = imfilter(double(I), hy, 'replicate');
Ix = imfilter(double(I), hx, 'replicate');
gradmag = sqrt(Ix.^2 + Iy.^2);
figure, imshow(gradmag,[]), title('Gradient magnitude (gradmag)')
Metode Unsharp filter, h = fspecial('unsharp', alpha) mengembalikan 3-by-3 penyaring unsharp kontras
tambahan. fspecial menciptakan filter unsharp dari filter Laplacian negatif dengan parameter alpha. Alpha
mengontrol bentuk Laplacian dan harus dalam kisaran 0,0-1,0. Nilai default untuk alfa adalah 0,2.
hy = fspecial('unsharp', 0.2)
>> hx = hy';
Iy = imfilter(double(I), hy, 'replicate');
Ix = imfilter(double(I), hx, 'replicate');
>> gradmag = sqrt(Ix.^2 + Iy.^2);
>> figure, imshow(gradmag,[]), title('Gradient magnitude (gradmag)Unsharp')
Metode Disk Filter, h = fspecial ( 'disk', jari-jari) mengembalikan filter lingkar rata-rata (kotak obat) dalam
matriks kuadrat sisi 2 * jari-jari+ 1. Jari-jari standar adalah 5.
hy = fspecial('disk', 5);
hx = hy';
Sedangkan Syntax u ntuk Morphology Opening by reconstruction yaitu Morphologi Erosion yang diikuti oleh
Morphologi Reconstruction. Adalah sebagai berikut :
>> Ie = imerode(I, se);
>> Iobr = imreconstruct(Ie, I);
>> figure, imshow(Iobr), title('Opening-by-reconstruction (Iobr)')
Melanjutkan Morphologi Opening dengan Closing dapat menghilangkan Dark Spot (Titik titik gelap) dan Stem
Mark. Kita dapat membandingkan Morphologi Closing dengan Morphologi Closing by Reconstruction, dengan
Syntax sebagai berikut :
>> Ioc = imclose(Io, se);
>> figure, imshow(Ioc), title('Opening-closing (Ioc)')
Kemudian dilanjutkan dengan Morphologi Imdilate by imreconstruct. Kita dapat menyempurnakan citra
output dari Morphologi imreconstruct ini. Syntax yang digunakan sebagai berikut :
>> Iobrd = imdilate(Iobr, se);
>> Iobrcbr = imreconstruct(imcomplement(Iobrd), imcomplement(Iobr));
>> Iobrcbr = imcomplement(Iobrcbr);
>> figure, imshow(Iobrcbr), title('Opening-closing by reconstruction (Iobrcbr)')
Hasil perbandingan Morphologi Opening-closing by reconstruction terlihat lebih efektif dibandingkan dengan
Morphologi Opening-closing untuk menghilangkan noda kecil tanpa mempengaruhi bentuk keseluruhan dari
citra. Kemudian perhitungan Regional maxima dengan kode Iobrcbr dilakukan untuk memperoleh foreground
marker yang lebih baik. Syntax yang ditulis adalah sebagai berikut :
>> fgm = imregionalmax(Iobrcbr);
>> figure, imshow(fgm), title('Regional maxima of opening-closing by reconstruction (fgm)')
Untuk membantu menafsirkan hasilnya, maka kita tumpangkan hasil marker foreground ini pada image asli
gray dengan syntax sebagai berikut
>> I2 = I;
>> I2(fgm) = 255;
>> figure, imshow(I2), title('Regional maxima superimposed on original image (I2)')
Dapat diperhatikan bahwa beberapa dari bayangan dan beberapa bagian tertutup tidak ditandai/marked, yang
berarti objek-objek ini tidak akan tersegmentasi dengan benar dalam hasil akhirnya. Juga Marker foreground
pada beberapa objek langsung menuju sisi/edge objek, yang berarti edge dari beberapa blop/bagian pixel
dihilangkan dan kemudian disusutkan sedikit. Perintah ini dapat dilakukan dengan Morphologi Closing yang
diikuti oleh Erosion , dengan Syntax sebagi berikut :
Pixel background berwarna hitam, secara ideal, marker background diusahakn tidak terlalu dekat dengan edge
objek yang akan disegmentasi. Dibutuhkan background yang tipis dengan melalukan pengoperasian “Skeleton
by influence Zones” atau disingkat SKIZ, dari foreground black white. Perintah ini dilakukan dengan
menghitung Watershed transform dari jarak/distance transform bw, dan menentukan watershed rige lines (DL
== 0 ) sebagai hasilnya. Kode perintah dilakukan sebagai berikut :
>> D = bwdist(bw);
>> DL = watershed(D);
>> bgm = DL == 0;
>> figure, imshow(bgm), title('Watershed ridge lines (bgm)')
5. Visualisasi Hasil
Salah satu teknik visualisasi adalah dengan menempatkan foreground markers, background markers, dan
batas-batas objek tersegmentasi pada gambar asli. Metode Dilation dapat digunakan untuk membuat aspek-
aspek tertentu, seperti batas-batas objek, lebih terlihat. Syntax yang harus ditulis adalah :
>> I4 = I;
>> I4(imdilate(L == 0, ones(3, 3)) | bgm | fgm4) = 255;
>> figure, imshow(I4), title('Markers and object boundaries superimposed on original image (I4)')
Visualisasi menggambarkan bagaimana lokasi marker foreground dan background mempengaruhi hasil. Pada
beberapa lokasi, sebagian daerah tertutup yang lebih gelap digabungkan dengan tetangganya yang lebih
terang karena objek yang tertutup tidak memiliki marker foreground.
Teknik visualisasi lain yang berguna adalah untuk menampilkan label matriks sebagai gambar berwarna. Label
matriks, seperti yang dihasilkan oleh watershed dan bwlabel, dapat dikonversi ke gambar truecolor untuk
memgvisualisasikan citra dengan menggunakan perintah:
>> Lrgb = label2rgb(L, 'jet', 'w', 'shuffle');
>> figure, imshow(Lrgb), title('Colored watershed label matrix (Lrgb)')
Kemudian dilakakuan pewarnaan transparansi untuk menempatkan di pseudo-warna ini label matriks di atas
intensitas asli gambar.
Hasil Citra untuk setiap langkah proses Metode Watershed ini ditampilkan sebagai berikut :
Konversi Citra
20 20
40 40
60 60
80 80
100 100
120 120
140 140
160 160
180
180
Segmentasi Gradient Magnitude Filter Sobel Segmentasi Gradient Magnitude Filter Prewitt
Gradient magnitude (gradmag) Gradient magnitude (gradmag)Prewitt
20 20
40 40
60 60
80 80
100 100
120 120
140 140
160 160
180 180
20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220
Segmentasi Gradient Magnitude Filter Laplacian Segmentasi Gradient Magnitude Filter Laplacian of Gaussian
(Log)
20 20
40 40
60 60
80
80
100
100
120
120
140
140
160
160
180
180
Segmentasi Gradient Magnitude Filter Unsharp Segmentasi Gradient Magnitude Filter Gaussian
Gradient magnitude (gradmag)Unsharp Gradient magnitude (gradmag)Gaussian
20 20
40 40
60 60
80 80
100 100
120 120
140 140
160 160
180 180
20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220
20
40
60
80
100
120
140
160
180
20 20
40 40
60 60
80 80
100 100
120 120
140 140
160 160
180 180
20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220
20 20
40 40
60 60
80 80
100 100
120 120
140 140
160 160
180 180
20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220
20 20
40 40
60 60
80 80
100 100
120 120
140 140
160 160
180 180
20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220
20 20
40 40
60 60
80 80
100 100
120 120
140 140
160 160
180 180
20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220
20 20
40 40
60 60
80 80
100 100
120 120
140 140
160 160
180 180
20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220
Markers object boundaries superimposed original Prewitt Markers object boundarie superimposed orginal Laplacian
Markers and object boundaries superimposed on original image (I4)Prewitt Markers and object boundaries superimposed on original image (I4)Laplacian
20 20
40 40
60 60
80 80
100 100
120 120
140 140
160 160
180 180
20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220
Markers object boundaries superimposed original (Log) Markers object boundarie superimposed original Unsharp
20
20
40
40
60
60
80
80
100
100
120
120
140
140
160
160
180
180
Marker object boundarie superimposed original Gaussian Markers object boundaries superimposed original Disk
Markers and object boundaries superimposed on original image (I4)Gaussian Markers and object boundaries superimposed on original image (I4)Disk
20 20
40 40
60 60
80 80
100 100
120 120
140 140
160 160
180 180
20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220
Colored watershed label matrix pada Sobel Colored watershed label matrix pada Prewitt
Colored watershed label matrix (Lrgb) Sobel Colored watershed label matrix (Lrgb)Prewitt
20 20
40 40
60 60
80 80
100 100
120 120
140 140
160 160
180 180
20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220
Colored watershed label matrix pada Laplacian Colored watershed label matrix pada (Log)
20 20
40 40
60 60
80 80
100 100
120 120
140 140
160 160
180 180
20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220
Colored watershed label matrix pada Unsharp Colored watershed label matrix pada Gaussian
Colored watershed label matrix (Lrgb)Unsharp Colored watershed label matrix (Lrgb)Gaussian
20 20
40 40
60 60
80 80
100 100
120 120
140
140
160
160
180
180
Colored watershed label matrix pada Disk Superimposed transparently on original image Disk
Colored watershed label matrix (Lrgb)Disk
20
40
60
80
100
120
140
160
180
Superimposed transparently on original image Sobel Superimposed transparently on original image Prewitt
Superimposed transparently on original image Unsharp Superimposed transparently on original image Gaussian
- Marker pada Foreground dengan Teknik Morphologi “Opening by Reconstruction” dan “Closing by
Reconstruction” untuk membersihkan citra. Operasi ini akan menciptakan Maxima Flat di dalam setiap objek
yang dapat dilokasikan sebagai imregionalmax. Kita dapat membandingkan hasil segmentasi keduanya,
dengan Syntax untuk morphologi Opening yaitu Morphologi Erosion yang diikuti oleh Morphologi Dilation
adalah sebagai berikut :
>> se = strel('disk', 20);
>> Io = imopen(I, se);
>> figure, imshow(Io), title('Opening (Io)')
Sedangkan Syntax u ntuk Morphology Opening by reconstruction yaitu Morphologi Erosion yang diikuti oleh
Morphologi Reconstruction. Adalah sebagai berikut :
>> Ie = imerode(I, se);
>> Iobr = imreconstruct(Ie, I);
>> figure, imshow(Iobr), title('Opening-by-reconstruction (Iobr)')
- Melanjutkan Morphologi Opening dengan Closing dapat menghilangkan Dark Spot (Titik titik gelap) dan Stem
Mark. Kita dapat membandingkan Morphologi Closing dengan Morphologi Closing by Reconstruction, dengan
Syntax sebagai berikut :
>> Ioc = imclose(Io, se);
>> figure, imshow(Ioc), title('Opening-closing (Ioc)')
- Kemudian dilanjutkan dengan Morphologi Imdilate by imreconstruct. Kita dapat menyempurnakan citra
output dari Morphologi imreconstruct ini. Syntax yang digunakan sebagai berikut :
>> Iobrd = imdilate(Iobr, se);
>> Iobrcbr = imreconstruct(imcomplement(Iobrd), imcomplement(Iobr));
>> Iobrcbr = imcomplement(Iobrcbr);
>> figure, imshow(Iobrcbr), title('Opening-closing by reconstruction (Iobrcbr)')
- Hasil perbandingan Morphologi Opening-closing by reconstruction terlihat lebih efektif dibandingkan dengan
Morphologi Opening-closing untuk menghilangkan noda kecil tanpa mempengaruhi bentuk keseluruhan dari
citra. Kemudian perhitungan Regional maxima dengan kode Iobrcbr dilakukan untuk memperoleh foreground
marker yang lebih baik. Syntax yang ditulis adalah sebagai berikut :
>> fgm = imregionalmax(Iobrcbr);
>> figure, imshow(fgm), title('Regional maxima of opening-closing by reconstruction (fgm)')
- Dapat diperhatikan bahwa beberapa dari bayangan dan beberapa bagian tertutup tidak ditandai/marked, yang
berarti objek-objek ini tidak akan tersegmentasi dengan benar dalam hasil akhirnya. Juga Marker foreground
pada beberapa objek langsung menuju sisi/edge objek, yang berarti edge dari beberapa blop/bagian pixel
dihilangkan dan kemudian disusutkan sedikit. Perintah ini dapat dilakukan dengan Morphologi Closing yang
diikuti oleh Erosion , dengan Syntax sebagi berikut :
>> se2 = strel(ones(5,5));
>> fgm2 = imclose(fgm, se2);
>> fgm3 = imerode(fgm2, se2);
- Prosedur ini cenderung meninggalkan beberapa piksel menyimpang yang terisolasi, yang harus dihilangkan.
Hal ini dapat dilakukan dengan menggunakan bwareaopen, yang menghapus semua bagian pixel yang
memiliki jumlah piksel yang lebih sedikit dengan syntax sebagai berikut :
>> fgm4 = bwareaopen(fgm3, 20);
>> I3 = I;
>> I3(fgm4) = 255;
>> figure, imshow(I3), title('Modified regional maxima superimposed on original image (fgm4)')
- Visualisasi Hasil
Salah satu teknik visualisasi Penumpangan dua image adalah dengan menempatkan foreground markers,
background markers, dan batas-batas objek tersegmentasi pada gambar hasil Pendeteksian Edge. Metode
Dilation dapat digunakan untuk membuat aspek-aspek tertentu, seperti batas-batas objek, lebih
terlihat. Syntax yang harus ditulis adalah :
>> I4 = BWsdil;
>> I4(imdilate(I3 == 0, ones(3, 3)) | fgm4) = 255;
>> figure, imshow(I4), title('Markers and object boundaries superimposed on Edge Detection image (I4)')
- Teknik visualisasi lain yang berguna adalah untuk menampilkan pewarnaan pada hasil tumpangan segmentasi
Mask dan Masker. Untuk itu diperlukan pengkonversian file ke dalam bentuk true color degan perintah label
matriks sebagai gambar berwarna. Label matriks, dapat dikonversi ke gambar truecolor untuk
memgvisualisasikan citra dengan menggunakan perintah dan pewarnaan sesuai dengan yang diinginkan ,
dengan syntax sebagai berikut :
figure,imshow(I4)
CC = bwconncomp(I4);
L = labelmatrix(CC);
RGB = label2rgb(L); misalnya untuk pewarnaan default
RGB2 = label2rgb(L, 'spring', 'c', 'shuffle'); misalnya untuk pewarnaan dengan background warna cyan dan
objek memiliki color map spring
figure, imshow(RGB), title('Colored label matrix)')
- Dapat juga dilakukan pewarnaan transparansi untuk menempatkan di pseudo-warna ini label matriks di atas
intensitas asli gambar.
>> figure, imshow(I), hold on
himage = imshow(RGB2);
set(himage, 'AlphaData', 0.3);
title('Lrgb superimposed transparently on original image')
- Terakhir kita dapat saja mengkombinasikan dan mencari pewarnaan yang dapat memberikan informasi lebih
terhadap kriteria obyek dari pencitraan yang kita inginan.
colormap hsv, figure, title('colormap')
Kombinasi dari colormap dapat dilakukan dari tipe jet, hsv, copper, gray, dan lain sebagainya
- Metode alternatif untuk menampilkan objek yang tersegmentasi pada tumpangan masknya dapat juga
dilakukan dengan penempatan garis disekeliling sel tersegmentasi sebagai pengganti langkah segmentasi
Watershed, dengan fungsi bwperim. Syntaxnya sebagai berikut:
BWoutline = bwperim(I4);
Segout = I;
Segout(BWoutline) = 255;
figure, imshow(Segout), title('outlined original image');
- Kemudian Metode pelabelan warna cukup dilakukan dengan satu perintah syntax dan termasuk perubahan
konversi ke pada True color atau RGB file yaitu , color map disesuaikan dengan yang diinginkan
colormap hsv, figure, title('colormap')
Kombinasi dari colormap dapat dilakukan dari tipe jet, hsv, copper, gray, dan lain sebagainya
Hasil Citra untuk setiap langkah proses Penumpangan Deteksi Edge dan Morphologi Sedimentasi ditampilkan sbb. :
Konversi Citra
20 20
40 40
60 60
80 80
100 100
120 120
140 140
160 160
180
180
Pendeteksian Sisi Metode Canny Pendeteksian Sisi Metode Canny Gradient Mask
20
40
50
60
80
100 100
120
140
150 160
180
20
20
40
40
60
60
80
80
100
120 100
140 120
160
140
180
160
20 40 60 80 100 120 140 160 180 200 220
180
20 20
40 40
60 60
80 80
100 100
120 120
140 140
160 160
180 180
20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220
20 20
40 40
60 60
80 80
100 100
120 120
140 140
160 160
180 180
20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220
Regional maxima superimposed on original image Modified Regional max superimposed on original image
Regional maxima superimposed on original image (I2) Modified regional maxima superimposed (fgm4)
20 20
40 40
60 60
80 80
100 100
120 120
140 140
160 160
180 180
20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220
Markers-object boundaries superimposed on Edge Image Pelabelan Warna dan perubahan file konversi ke RGB
20
20
40
40
60
60
80
80
100
100
120
140
120
160 140
180 160
Pelabelan Warna dan perubahan file konversi ke RGB Superimposed transparently Pelabelan Warna
20
40
60
80
100
120
140
160
180
Pelabelan Warna dan perubahan file konversi ke RGB Superimposed transparently Pelabelan Warna
20
40
60
80
100
120
140
160
180
Metode alternative dengan Segmentasi Outline Pelabelan Warna type jet dan file konversi ke RGB
outlined original image outlined original image
20 20
40 40
60 60
80 80
100 100
120 120
140 140
160 160
180 180
20 40 60 80 100 120 140 160 180 200 220 20 40 60 80 100 120 140 160 180 200 220
Memodifikasi preprocessing untuk lebih memberikan kemampuan image atau citra memberikan informasi
yang dibutuhkan bagi penggunanya. Seperti contoh diatas dimana Pendeteksi bagian yang diperkirakan
adalah sel sel kanker sebagai deteksi awal Kanker Payudara sangat dibutuhkan hasil pengolahan image yang
mempresentasikan infromasi keberadaan , baik letak, jenis bentuk, warna, dimensi, maupun perbedaan
dengan jaringan atau sel di kategorikan normal.
Menurut saya, Metode Segmentasi Watershed klasik seperti yang dicontohkan pada Demo Matlab, kurang
memberikan informasi berarti bagi perbedaan jaringan normal, benign ataupun kanker. Sedangkan proses
penumpangan Mask dan objek dengan pendeteksian Sisi sebagai Masknya dapat lebih memberikan
informasi pada pembatasan lokasi yang diperkirakan terkena kanker. Serta dengan proses pewarnaan atau
pelabelan warna pada image kanker payudara ini memberikan informasi penting untuk memvisualisasikan
informasi yang dibutuhkan serta dapat digunakan sebagai pendiferensiasi lokasi jaringan yang diperkirakan
terkena kanker dengan jaringan normal. Bahkan proses pewarnaan dengan metode Colormap HSV DAN JET
dapat memberikan gradiensi warna yang dapat membedakan beberapa jenis jaringan yang diperkirakan
normal, benign atau kanker. Untuk itu dibutuhkan studi lebih lanjut dan contoh yang lebih beragam lagi.
CONTOH IMAGE KEDUA : SCREENING AWAL KANKER PAYUDARA DENGAN ULTRASOUND
50 50
100 100
150 150
200 200
250
250
300
300
350
350
400
400
50 100 150 200 250 300 350 400 450 500 550
50 100 150 200 250 300 350 400 450 500 550
CANNY
canny edge
50
100
150
200
250
300
350
400
50 100 150 200 250 300 350 400 450 500 550
METODE WATERSHED
Konversi Citra Segmentasi Gradient Magnitude Filter Sobel
50 50
100 100
150 150
200 200
250 250
300 300
350 350
400 400
50 100 150 200 250 300 350 400 450 500 550 50 100 150 200 250 300 350 400 450 500 550
Segmentasi Gradient Magnitude Filter Gaussian Segmentasi Gradient Magnitude Filter Disk
Gradient magnitude Gaussian (gradmag) Gradient magnitude (gradmag)Disk
50 50
100 100
150 150
200 200
250 250
300 300
350 350
400 400
50 100 150 200 250 300 350 400 450 500 550 50 100 150 200 250 300 350 400 450 500 550
50 50
100 100
150 150
200 200
250 250
300 300
350 350
400 400
50 100 150 200 250 300 350 400 450 500 550 50 100 150 200 250 300 350 400 450 500 550
50 50
100 100
150 150
200
200
250
250
300
300
350
350
400
50 100 150 200 250 300 350 400 450 500 550 400
50 100 150 200 250 300 350 400 450 500 550
50 50
100 100
150 150
200 200
250
250
300
300
350
350
400
400
50 100 150 200 250 300 350 400 450 500 550
50 100 150 200 250 300 350 400 450 500 550
50
100
100
150
150
200
200
250
250
300
300
350
350
400
50 100 150 200 250 300 350 400 450 500 550 400
50 100 150 200 250 300 350 400 450 500 550
50
50
100
100
150
150
200
200
250
250
300
300
350
Marker object boundarie superimposed original Gaussian Markers object boundaries superimposed original Disk
50 50
100 100
150 150
200 200
250 250
300 300
350 350
400 400
50 100 150 200 250 300 350 400 450 500 550 50 100 150 200 250 300 350 400 450 500 550
Colored watershed label matrix pada Sobel Superimposed transparently on original image Sobel
Colored watershed label matrix Sobel(Lrgb)
50
100
150
200
250
300
350
400
50 100 150 200 250 300 350 400 450 500 550
Colored watershed label matrix pada Gaussian Superimposed transparently on original image Gaussian
Colored watershed label matrix (Lrgb)
50
100
150
200
250
300
350
400
50 100 150 200 250 300 350 400 450 500 550
Colored watershed label matrix pada Disk Superimposed transparently on original image Disk
Colored watershed label matrix (Lrgb)
50
100
150
200
250
300
350
400
50 100 150 200 250 300 350 400 450 500 550
50 50
100 100
150 150
200 200
250 250
300 300
350 350
400 400
50 100 150 200 250 300 350 400 450 500 550 50 100 150 200 250 300 350 400 450 500 550
HASIL LANGKAH SELANJUTNYA SERUPA DENGAN HASIL PADA WATERSHED SEHINGGA TIDAK DITAMPILKAN :
Pendeteksian Sisi Metode Canny Dilated Gradient Mask Morphology Opening
Morphology Opening by Reconstruction Morphologi Opening Closing
Morphology Opening Closing by Reconstruction Regional maxima opening-closing by reconstruction
Regional maxima superimposed on original image Modified Regional max superimposed on original image
Markers-object boundaries superimposed on Edge Image Pelabelan Warna dan perubahan file konversi ke RGB
Markers and object boundaries superimposed on Edge Detection image (I4) Colored label matrix)
50 50
100 100
150
150
200
200
250
250
300
300
350
350
400
400 50 100 150 200 250 300 350 400 450 500 550
50 100 150 200 250 300 350 400 450 500 550
Pelabelan Warna dan perubahan file konversi ke RGB Superimposed transparently Pelabelan Warna
Colored label matrix)
50
100
150
200
250
300
350
400
50 100 150 200 250 300 350 400 450 500 550
50
50
100 100
150 150
200 200
250 250
300 300
350 350
400 400
50 100 150 200 250 300 350 400 450 500 550 50 100 150 200 250 300 350 400 450 500 550
50 50
100 100
150 150
200 200
250 250
300 300
350 350
400
400
50 100 150 200 250 300 350 400 450 500 550
50 100 150 200 250 300 350 400 450 500 550
50 50
100 100
150 150
200 200
250 250
300 300
350 350
400 400
50 100 150 200 250 300 350 400 450 500 550
50 100 150 200 250 300 350 400 450 500 550
50
50
100
100
150
150
200
200
250
250
300
300
350
350
400
400
50 100 150 200 250 300 350 400 450 500 550
50 100 150 200 250 300 350 400 450 500 550
SANGAT JELAS PEMBERIAN COLORMAP WARNA PADA HASIL AKHIR SEGMENTASI MEMBERIKAN TAMPILAN
INFORMASI YANG LEBIH MENARIK DAN LEBIH MEMBERIKAN ARAHAN TERHADAP TUJUAN PEMROSESAN CITRAAN
YAITU MEMBEDAKAN KELAS KELAS OBYEK ANTARA JARINGAN KANKER DAN NON KANKER.
DENGAN MELAKUKAN BERBAGAI PERCOBAAN PAPDA TUMPANGAN OBJEK PADA MASKER LAINNYA SEPERTI YANG
TERGAMBARKAN PADA IMAGE IMAGE BERIKUT, DENGAN PEMBERIAN THRESHOLD LANGSUNG PADA MASKER
SEGMENTASI EDGE, DAN MORPHOLOGY DILATE SERTA SEGMENTASI DENGAN BORDERLINE DAN VARIASI
PEWARNAAAN , TERLIHAT HASIL HASIL IMAGE BERIKUT, MEMBERIKAN TAMPILAN INFORMASI PADA IMAGE DENGAN
LANGKAH YANG LEBIH SEDERHANA DIBANDING METODE WATERSHED DAN METODE LAIN DIATAS, DAN
MEMBERIKAN HASIL YANG OPTIMAL UNTUK MEMBEDAKAN KELAS KELAS OBYEK ANTARA JARINGAN KANKER DAN
NON KANKER, DENGAN BORDERLINE DAN BERBAGAI VARIASI PEWARNAAN SESUAI YANG DIINGINKAN SI
PENGDIAGNOSA.
SEMOGA BERMANFAAAT…