Strategi Region Merging Berdasarkan Pengukuran Fuzzy Similarity pada Segmentasi Citra

Metode segmentasi citra semi otomatis dilakukan dengan cara membagi citra menjadi beberapa region berdasarkan nilai kemiripan antar fitur-fiturnya. Kemudian pengguna memberikan tanda pada beberapa region sebagai sample dari region objek dan background. Selanjutnya sample region tersebut digunakan pada proses region merging terhadap region yang belum ditandai berdasarkan nilai kemiripannya. Beberapa region pada citra memiliki nilai informasi yang tidak merata, seperti blurred contours, soft color shades, dan brightness. Region tersebut pada penelitian ini kita sebut sebagai ambiguous region. Ambiguous region menimbulkan permasalahan pada proses region merging dikarenakan region tersebut memiliki dua nilai informasi yaitu sebagai objek dan background. Hal tersebut dapat menimbulkan kesalahan dalam proses segmentasi. Pada penelitian ini diusulkan strategi region merging baru berdasarkan pengukuran fuzzy similarity pada segmentasi citra. Metode yang diusulkan memiliki empat tahapan, tahap pertama adalah region splitting yang digunakan untuk mendapatkan intial segmentasi. Tahap kedua adalah penandaan manual yang dilakukan oleh pengguna untuk menandai sample dari region objek dan background (user marking). Tahap ketiga adalah initial fuzzy region untuk mendapat inisial seed background dan objek. Tahap terakhir adalah proses region merging menggunakan pengukuran fuzzy similarity dengan memperhitungkan intensitas gray level dan fungsi keaangotaan. Berdasarkan hasil uji coba metode yang diusulkan berhasil melakukan segmentasi pada citra natural dan citra gigi dengan rata-rata nilai misclassification error 1.96% untuk citra natural dan 5.47 % untuk citra gigi. Selain itu metode yang diusulkan dapat menghasilkan segmentasi yang lebih akurat dibandingkan dengan metode MSRM, Global FSM, dan Semi FSM. ======================================================================================= Semi-automatic method of image segmentation can be done by dividing the image into multiple regions based on the similarity between its features. Then the user gives marks on several regions as a sample of the object region and background region. Furthermore, the sample used in the process of region merging between non-marker regions based on their similarity. Some regions of the image have an unbalance information, such as blurred contours, soft color shades, and brightness. We call those regions as ambiguous region. Ambiguous region cause problems during the process of merging because that region has double information as object and background. This can lead to segmentation error. Therefore, we proposed new region merging strategy based on fuzzy similarity measurement on image segmentation. The proposed method has four stages; the first stage is region splitting used to get the initial segmentation. The second stage is manual marking by the user to get a sample of the object region and background. The third stage is determining the initial fuzzy region to receive initial seed background and object. The last stage is the process of merging region against non-marker region by determining the optimal threshold to the cluster background region and object region using fuzzy similarity measurement taking into account the gray level intensity and membership function. The proposed method is expected to optimize image segmentation result than other region merging methods. Experimental results demonstrated that the proposed method can be done segmentation for natural and teeth image with the average value of misclassification error (ME) 1.96% and 5.47% respectively. The proposed method can give accurate segmentation result compared with MSRM, Global FSM, and Semi FSM