Pengolahan Citra Payudara Dengan MatLab

TUGAS MATLAB EDGE, MORPHOLOGY, SEGMENTASI Tugas Kuliah Pemrosesan Citra Medis :

Dadan Hardianto

Siti Julaiha / 0906597420 Pasca Sarjana Teknologi Biomedis

Deskripsi: 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' Siti Julaiha Gruebner/Teknologi Biomedis UI

Tugas Pencitraan

Comment: {} Dari informasi diatas, kita mengetahui file gambar kita dalam format Truecolor/RGB, sedangkan untuk melakukan proses analisa edge , diperlukan batas antara dua daerah yang memiliki gray level yang berbeda atau edge adalah posisi pixel dimana terjadi perubahan intensitas yang cukup besar. Karena itu diperlukan perubahan format dari Truecolor menjadi format image Gray image dengan syntak konversi sebagai berikut: Tugas1 = imread('mammography.jpg') figure, imshow(Tugas1) gray = rgb2gray(Tugas1) figure, imshow(Tugas1), figure, imshow(gray) sehingga diperoleh hasil gambar sebagai berikut : 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

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) figure, imshow(BW2)

Siti Julaiha Gruebner/Teknologi Biomedis UI

BW2=edge (gray,'prewitt'),

Tugas Pencitraan

50

50

100

100

150

150

50

100

150

50

200

100

150

200

BW3 = edge(gray,’sobel’), figure, imshow(BW3)

20

40

60

80

100

120

140

160

180 20

40

60

80

100

120

140

160

180

200

220

BW4= edge(gray,'log'), figure, imshow(BW4) imshow(BW5)

BW5 = edge(gray,’canny’), figure,

20

50

40

60

80

100 100

120

150

140

160

180 20

40

60

80

100

120

140

160

180

200

Siti Julaiha Gruebner/Teknologi Biomedis UI

220

50

100

150

200

Tugas Pencitraan

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 dapat mengatur sensitivitas operasi morphologi terhadap bentuk tertentu (spesifik) pada citra digital masukan. Operasi Morphologi standar yang dilakukan adalah proses erosi dan dilatasi.

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.

Siti Julaiha Gruebner/Teknologi Biomedis UI

Tugas Pencitraan

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 preprocessing 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. Marker-controlled watershed segmentation mengikuti prosedur dasar sebagi berikut : 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 . Untuk langkah langkah Matlab kodenya sebagai berikut : 1. Membaca Citra berwarna dan mengkonversikannya ke Citra Abu Abu Syntax :

rgb = imread('mammography.jpg'); I = rgb2gray(rgb); imshow(I)

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 Siti Julaiha Gruebner/Teknologi Biomedis UI

Tugas Pencitraan

parameter digunakan jika parameter tidak ditentukan. sebagai berikut:

Value

Jenis jenis F special adalah

Description

'average'

Averaging filter

'disk'

Circular averaging filter (pillbox)

'gaussian'

Gaussian lowpass filter

'laplacian'

Approximates the two-dimensional Laplacian operator

'log'

Laplacian of Gaussian filter

'motion'

Approximates the linear motion of a camera

'prewitt'

Prewitt horizontal edge-emphasizing filter

'sobel'

Sobel horizontal edge-emphasizing filter

'unsharp'

Unsharp contrast enhancement filter

Saya mencoba memproses 7 filter, kemudian mencoba membandingkan hasilnya, untuk lebih memahami metode Watershed ini.

METODE SEGMENTASI WATERSHED Untuk Metode Sobel, pre prossing dari f special ini adalah hy = fspecial('sobel'); 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 Sobel(gradmag)') Bila dilakukan dengan metode lain yaitu Metode Prewit, hy = fspecial('prewitt') 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 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

Siti Julaiha Gruebner/Teknologi Biomedis UI

Tugas Pencitraan

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 Gaussian, h = fspecial('gaussian', hsize, sigma) mengembalikan secara rotasi simetris filter Gaussian lowpass ukuran hsize dengan deviasi standar sigma (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 [3 3]; nilai default untuk sigma adalah 0,5. >> hy = fspecial('gaussian', [3 3], 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 Gaussian (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'; 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)Disk')

Siti Julaiha Gruebner/Teknologi Biomedis UI

Tugas Pencitraan

Melakukan Marker pada Foreground. Banyak variasi yang dapat dilakukan untuk hal ini, dimana blob pixels harus terkoneksi padas setiap bagian foreground objek. Sebagai contohnya, dilakukan 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)') 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)')

Siti Julaiha Gruebner/Teknologi Biomedis UI

Tugas Pencitraan

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)') 3. Melakukan Background Markers Pixel yang lebih gelap/dark menjadi bagian background, maka perintah dimulai dengan pengoperasian Thresholding. >> bw = im2bw(Iobrcbr, graythresh(Iobrcbr)); >> figure, imshow(bw), title('Thresholded opening-closing by reconstruction (bw)') 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)') 4. Melakukan Watershed Transform dari fungsi Segmentasi. Dengan menggunakan fungsi imimposemin , citra dapat dimodifikasi sehingga daerah/regional minima nya hanya terlitat pada lokasi tertentu yang diinginkan. Dan perintah ini digunakan untuk memodifikasi gradient magnitude citra sehingga regional minima hanya terjadi pada pixel foreground dan background. >> gradmag2 = imimposemin(gradmag, bgm | fgm4); Kemudian dilakukan Watershed based segmentasi dengan perintah sebagai berikut : >> L = watershed(gradmag2); 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)') Siti Julaiha Gruebner/Teknologi Biomedis UI

Tugas Pencitraan

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. >> figure, imshow(I), hold on himage = imshow(Lrgb); set(himage, 'AlphaData', 0.3); title('Lrgb superimposed transparently on original image') 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 20

40

60

80

100

120

140

160

180

200

220

Segmentasi Gradient Magnitude Filter Sobel

Siti Julaiha Gruebner/Teknologi Biomedis UI

20

40

60

80

100

120

140

160

180

200

220

Segmentasi Gradient Magnitude Filter Prewitt

Tugas Pencitraan

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

Segmentasi Gradient Magnitude Filter Laplacian

20

40

60

80

100

120

140

160

180

200

220

Segmentasi Gradient Magnitude Filter Laplacian of Gaussian (Log)

Gradient magnitude Laplacian(gradmag)

Default Log Gradient magnitude (gradmag)

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

Segmentasi Gradient Magnitude Filter Unsharp

20

40

60

20

40

40

60

60

80

80

100

100

120

120

140

140

160

160

180

180 60

80

100

120

140

160

120

140

160

180

200

220

Gradient magnitude (gradmag)Gaussian

20

40

100

Segmentasi Gradient Magnitude Filter Gaussian

Gradient magnitude (gradmag)Unsharp

20

80

180

200

220

Siti Julaiha Gruebner/Teknologi Biomedis UI

20

40

60

80

100

120

140

160

180

200

220

Tugas Pencitraan

Segmentasi Gradient Magnitude Filter Disk Gradient magnitude (gradmag)Disk

20

40

60

80

100

120

140

160

180 20

40

60

80

100

120

140

160

180

200

220

Morphology Opening

Morphology Opening by Reconstruction Opening-by-reconstruction (Iobr)

Opening (Io)

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

20

220

Morphologi Opening Closing

40

60

20

40

40

60

60

80

80

100

100

120

120

140

140

160

160

180

180 60

80

100

120

120

140

160

180

200

220

Opening-closing by reconstruction (Iobrcbr)

20

40

100

Morphology Opening Closing by Reconstruction

Opening-closing (Ioc)

20

80

140

160

180

200

220

Regional maxima opening-closing by Siti Julaiha Gruebner/Teknologi Biomedis UI

20

40

60

80

100

120

140

160

180

200

220

Regional maxima superimposed on original Tugas Pencitraan

reconstruction

image

Regional maxima of opening-closing by reconstruction (fgm)

Regional maxima superimposed on original image (I2)

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

Modified Regional max superimposed on original image

20

40

20

40

40

60

60

80

80

100

100

120

120

140

140

160

160

180

180 60

80

100

120

140

160

100

120

140

160

180

200

220

Thresholded opening-closing by reconstruction (bw)

20

40

80

Thresholded opening-closing by reconstruction

Modified regional maxima superimposed (fgm4)

20

60

180

200

220

'Watershed ridge lines

Siti Julaiha Gruebner/Teknologi Biomedis UI

20

40

60

80

100

120

140

160

180

200

220

Markers object boundaries superimposed original Sobel

Tugas Pencitraan

Watershed ridge lines (bgm)

Markers and object boundaries superimposed on original image (I4)Sobel

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

Markers object boundaries superimposed original Prewitt

20

20

40

40

60

60

80

80

100

100

120

120

140

140

160

160

180

180 60

80

100

120

140

160

180

200

80

100

120

140

160

180

200

220

Markers and object boundaries superimposed on original image (I4)Laplacian

20

40

60

Markers object boundarie superimposed orginal Laplacian

Markers and object boundaries superimposed on original image (I4)Prewitt

20

40

220

Markers object boundaries superimposed original (Log)

Siti Julaiha Gruebner/Teknologi Biomedis UI

20

40

60

80

100

120

140

160

180

200

220

Markers object boundarie superimposed original Unsharp

Tugas Pencitraan

Markers and object boundaries superimposed on original image (I4)Log Markers and object boundaries superimposed on original image (I4)Unsharp

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

Marker object boundarie superimposed original Gaussian Markers and object boundaries superimposed on original image (I4)Gaussian

20

40

40

60

60

80

80

100

100

120

120

140

140

160

160

180

180 40

60

80

100

120

140

160

180

200

60

220

Colored watershed label matrix pada Sobel

20

40

60

20

40

40

60

60

80

80

100

100

120

120

140

140

160

160

180

180

60

80

100

120

140

160

120

140

160

180

200

220

80

100

120

140

160

180

200

220

Colored watershed label matrix (Lrgb)Prewitt

20

40

100

Colored watershed label matrix pada Prewitt

Colored watershed label matrix (Lrgb) Sobel

20

80

Markers and object boundaries superimposed on original image (I4)Disk

20

20

40

Markers object boundaries superimposed original Disk

180

200

220

Siti Julaiha Gruebner/Teknologi Biomedis UI

20

40

60

80

100

120

140

160

180

200

220

Tugas Pencitraan

Colored watershed label matrix pada Laplacian

Colored watershed label matrix pada (Log) Colored watershed label matrix (Lrgb)Log

Colored watershed label matrix (Lrgb)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

20

220

Colored watershed label matrix pada Unsharp

40

20

40

40

60

60

80

80

100

100

120

120

140

140

160

160

180

180 60

80

100

120

140

160

100

120

140

160

180

200

220

Colored watershed label matrix (Lrgb)Gaussian

20

40

80

Colored watershed label matrix pada Gaussian

Colored watershed label matrix (Lrgb)Unsharp

20

60

180

200

220

Colored watershed label matrix pada Disk

20

40

60

80

100

120

140

160

180

200

220

Superimposed transparently on original image Disk

Colored watershed label matrix (Lrgb)Disk

20

40

60

80

100

120

140

160

180 20

40

60

80

100

120

140

160

180

200

220

Siti Julaiha Gruebner/Teknologi Biomedis UI

Tugas Pencitraan

Superimposed transparently on original image Sobel

Superimposed transparently on original image Prewitt

Superimposed transparently on original image Laplacian

Superimposed transparently on original image (Log)

Superimposed transparently on original image Unsharp

Superimposed transparently on original image Gaussian

Siti Julaiha Gruebner/Teknologi Biomedis UI

Tugas Pencitraan

METODE ALTERNATIF BOUNDARY IMAGE)

LAIN

(MARKER

OBJEK

Untuk langsung menempatkan hasil dari Pendeteksian Edge pada tugas no. 2 kepada hasil Morphology Sedimentasi dengan hasil Pendeteksian Edge sebagai Mask nya dan Hasil dari Morphology Sedimentasi sebagai Markernya, dan hasil tumpangan diberikan pelabelan warna hijau/biru atau warna lain Maka dapat saja Perintah dipersingkat, tanpa malakukan metode Watershed , tetapi tetap melakukan pengoperasian Segmentasi Morphology dengan langkah perintah sbb : -

Konversi dan Pendeteksi Edge pada Citra: rgb = imread('mammography.jpg'); I = rgb2gray(rgb); BW1 = edge (I, 'canny'), figure, imshow(BW1); title('Canny edge')

-

Garis tepi hasil dari deteksi tepi ini tidak cukup tebal, dapat digunakan gradient biner masker dan fungsi imdilate untuk menebalkan garis tepi ini : DI = imadjust(I, [], [0 1]); BWs = edge(DI, 'canny', (graythresh(DI) * 0.5)); figure, imshow(BWs), title('Canny binary gradient mask') se90 = strel('line', 3, 90); se0 = strel('line', 3, 0); BWsdil = imdilate(BWs, [se90 se0]);figure, imshow(BWsdil), title('Canny dilated gradient mask')

-

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)')

Siti Julaiha Gruebner/Teknologi Biomedis UI

Tugas Pencitraan

-

-

-

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 : >> 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)') Siti Julaiha Gruebner/Teknologi Biomedis UI

Tugas Pencitraan

-

-

-

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 Image) -

-

ALTERNATIF

LAIN

(Segmentasi

Outline

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 Siti Julaiha Gruebner/Teknologi Biomedis UI

Tugas Pencitraan

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

Pendeteksian Sisi Metode Canny

20

40

60

80

100

120

140

160

180

200

220

Pendeteksian Sisi Metode Canny Gradient Mask Canny binary gradient mask

20

40

50

60

80

100

100

120

140

150 160

180

20

50

100

150

40

60

80

100

120

140

160

180

200

220

200

Pendeteksian Sisi Metode Canny Dilated Gradient Mask

Morphology Opening

Canny dilated gradient mask

Opening (Io)

20

20 40

40 60

60 80

80 100

100

120

140

120

160

140

180

160 20

40

60

80

100

120

140

160

180

200

220

180 20

Morphology Opening by Reconstruction Siti Julaiha Gruebner/Teknologi Biomedis UI

40

60

80

100

120

140

160

180

200

220

Morphologi Opening Closing Tugas Pencitraan

Opening-by-reconstruction (Iobr)

Opening-closing (Ioc)

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

20

220

Morphology Opening Closing by Reconstruction

40

20

40

40

60

60

80

80

100

100

120

120

140

140

160

160

180

180 60

80

100

120

140

160

180

200

220

Regional maxima superimposed on original image

20

40

20

40

40

60

60

80

80

100

100

120

120

140

140

160

160

180

180 60

80

100

120

140

140

160

180

200

220

160

60

80

100

120

140

160

180

200

220

Modified regional maxima superimposed (fgm4)

20

40

120

Modified Regional max superimposed on original image

Regional maxima superimposed on original image (I2)

20

100

Regional maxima of opening-closing by reconstruction (fgm)

20

40

80

Regional maxima opening-closing by reconstruction

Opening-closing by reconstruction (Iobrcbr)

20

60

180

200

Siti Julaiha Gruebner/Teknologi Biomedis UI

220

20

40

60

80

100

120

140

160

180

200

220

Tugas Pencitraan

Markers-object boundaries superimposed on Edge Image 20

Pelabelan Warna dan perubahan file konversi ke RGB 20

40

40 60

60 80

80 100

100 120

140

120

160

140

180

160 20

40

60

80

100

120

140

160

180

200

220

180 20

Pelabelan Warna dan perubahan file konversi ke RGB

40

60

80

100

120

140

160

180

200

220

Superimposed transparently Pelabelan Warna

Colored label matrix)

20

40

60

80

100

120

140

160

180 20

40

60

80

100

120

140

160

180

200

220

Pelabelan Warna dan perubahan file konversi ke RGB

Siti Julaiha Gruebner/Teknologi Biomedis UI

Superimposed transparently Pelabelan Warna

Tugas Pencitraan

20

40

60

80

100

120

140

160

180 20

40

60

80

100

120

140

160

180

200

220

Colormap type HSV

Colormap type JET

Colormap type Colorcube

Metode alternative dengan Siti Julaiha Gruebner/Teknologi Biomedis UI

Pelabelan Warna type jet dan file Tugas Pencitraan

Segmentasi Outline

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 DETEKSI EDGE SOBEL

Siti Julaiha Gruebner/Teknologi Biomedis UI

LOG

Tugas Pencitraan

sobel edge

log edge

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

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 Gradient magnitude Sobel(gradmag)

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

Siti Julaiha Gruebner/Teknologi Biomedis UI

50

100

150

200

250

300

350

400

450

500

550

Tugas Pencitraan

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

50

550

Morphology Opening

100

150

200

250

300

350

400

450

500

550

Morphology Opening by Reconstruction Opening (Io)

Opening-by-reconstruction (Iobr)

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

50

550

Morphologi Opening Closing

100

150

200

250

300

350

400

450

500

550

Morphology Opening Closing by Reconstruction

Opening-closing (Ioc)

Opening-closing by reconstruction (Iobrcbr)

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

Regional maxima opening-closing by reconstruction

Siti Julaiha Gruebner/Teknologi Biomedis UI

100

150

200

250

300

350

400

450

500

550

Regional maxima superimposed on original image

Tugas Pencitraan

Regional maxima of opening-closing by reconstruction (fgm)

Regional maxima superimposed on original image (I2)

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

400

550

50

Modified Regional max superimposed on original image

100

150

200

250

300

350

400

450

500

550

Thresholded opening-closing by reconstruction Markers object boundaries superimposed original Sobel

Modified regional maxima superimposed on original image (fgm4)

50

Thresholded opening-closing by reconstruction (bw)

100 50

150 100

200 150

250 200

300 250

350

300

400 50

100

150

200

250

300

350

400

450

500

350

550

400 50

100

150

200

250

300

350

400

450

500

550

'Watershed ridge lines Markers and object boundaries superimposed on original image (I4)

Watershed ridge lines (bgm)

50

50

100

100

150

150 200

200 250

250 300

300 350

50

100

150

200

250

300

350

400

450

500 400 50

Marker object boundarie superimposed original Gaussian

Siti Julaiha Gruebner/Teknologi Biomedis UI

100

150

200

250

300

350

400

450

500

550

Markers object boundaries superimposed original Disk

Tugas Pencitraan

Markers and object boundaries superimposed on Gaussian original image (I4)

Markers and object boundaries superimposed on Disk original image (I4)

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

Colored watershed label matrix pada Sobel

50

100

150

200

250

300

350

400

450

500

550

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

Siti Julaiha Gruebner/Teknologi Biomedis UI

Superimposed transparently on original image Disk

Tugas Pencitraan

Colored watershed label matrix (Lrgb)

50

100

150

200

250

300

350

400 50

100

150

200

250

300

350

400

450

500

550

Metode alternative lain deteksi edge pada image Pendeteksian Sisi Metode Canny

Pendeteksian Sisi Metode Canny Gradient Mask

Canny binary gradient mask

Canny dilated gradient mask

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 Morphology Opening Gradient Mask Morphology Opening by Reconstruction Morphologi Opening Closing Morphology Opening Closing by Reconstruction Regional maxima opening-closing by reconstruction Regional maxima superimposed on original Modified Regional max superimposed on image original image

Markers-object boundaries superimposed on Edge Image

Siti Julaiha Gruebner/Teknologi Biomedis UI

Pelabelan Warna dan perubahan file konversi ke RGB

Tugas Pencitraan

Colored label m atrix )

M ark ers and objec t boundaries s uperim pos ed on E dge Detec tion im age (I4)

50

50

100

100

150

150

200

200

250

250

300

300 350

350 400

400

50

50

100

150

200

250

300

350

400

450

500

100

150

200

250

300

350

400

450

500

550

550

Pelabelan Warna dan perubahan file konversi ke RGB

Superimposed transparently Pelabelan Warna

Colored label m atrix )

50

100

150

200

250

300

350

400 50

100

150

200

250

300

350

400

450

500

550

Pelabelan Warna dan perubahan file konversi ke RGB

Siti Julaiha Gruebner/Teknologi Biomedis UI

Superimposed transparently Pelabelan Warna

Tugas Pencitraan

Metode alternative dengan Segmentasi Outline Colormap type PINK

Colormap TRANSPARANT type COVER outlined original image

outlined original image

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

Colormap type JET

100

150

200

250

300

350

400

450

500

550

Colormap TRANSPARANT type JET outlined original image

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

50

550

Colormap type HSV

100

150

200

250

300

350

400

450

500

550

Colormap TRANSPARANT type HSV outlined original image

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

Colormap type HOT

Siti Julaiha Gruebner/Teknologi Biomedis UI

50

100

150

200

250

300

350

400

450

500

550

Colormap TRANSPARANT type HOT

Tugas Pencitraan

outlined original image

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…

Siti Julaiha Gruebner/Teknologi Biomedis UI

Tugas Pencitraan

rgb = imread('Denises Mammogram (Side-to-Side).jpg'); I = rgb2gray(rgb); [junk threshold] = edge(I, 'sobel'); fudgeFactor = .5; BWs = edge(I,'sobel', threshold * fudgeFactor); figure, imshow(BWs), title('binary gradient mask'); se90 = strel('line', 3, 90); se0 = strel('line', 3, 0); BWsdil = imdilate(BWs, [se90 se0]); figure, imshow(BWsdil), title('dilated gradient mask'); BWdfill = imfill(BWsdil, 'holes'); figure, imshow(BWdfill); title('binary image with filled holes'); BWnobord = imclearborder(BWdfill, 4); figure, imshow(BWnobord), title('cleared border image'); seD = strel('diamond',1); BWfinal = imerode(BWdfill,seD); BWfinal = imerode(BWfinal,seD); figure, imshow(BWfinal), title('segmented image'); BWoutline = bwperim(BWfinal); Segout = I; Segout(BWoutline) = 255; figure, imshow(Segout), title('outlined original image'); BWoutline = bwperim(BWfinal); Segout = I; Segout(BWoutline) = 255; figure, imshow(Segout), title('outlined original image'); colormap jet, figure, title('colormap') colormap hsv, figure, title('colormap') colormap hot, figure, title('colormap') colormap gray, figure, title('colormap')

Siti Julaiha Gruebner/Teknologi Biomedis UI

Tugas Pencitraan

Siti Julaiha Gruebner/Teknologi Biomedis UI

Tugas Pencitraan

Siti Julaiha Gruebner/Teknologi Biomedis UI

Tugas Pencitraan

Siti Julaiha Gruebner/Teknologi Biomedis UI

Tugas Pencitraan

Siti Julaiha Gruebner/Teknologi Biomedis UI

Tugas Pencitraan

Siti Julaiha Gruebner/Teknologi Biomedis UI

Tugas Pencitraan