Ringkasan yang ringkas tentang Transformasi Wavelet, Segementasi Citra dan ROI

1.       TRANSFORMASI WAVELET

Wavelet adalah fungsi matematika yang memotong-motong data menjadi kumpulan-kumpulan frekuensi yang berbeda, sehingga masing masing komponen tersebut dapat dipelajari dengan menggunakan skala resolusi yang berbeda. Wavelet merupakan sebuah fungsi variabel real t, diberi notasi Ψt dalam ruang fungsi L²(R).

Fungsi ini dihasilkan oleh parameter dilatasi dan translasi yang dinyatakan dalam persamaan :

dimana :

a = parameter dilatasi                                            b = parameter translasi

ℜ = mengkondisikan nilai a dan b bernilai real     2j = parameter dilatasi

k = parameter waktu atau lokasi ruang                   Z = mengkondisikan nilai j dan k bernilai integer

Jika suatu citra dilakukan proses transformasi wavelet diskrit dua dimensi dengan level dekomposisi satu, maka akan menghasilkan empat buah subband, yaitu :

1. Koefisien Approksimasi (CA j+1) atau disebut juga subband LL

2. Koefisien Detil Horisontal (CD(h) j+1) atau disebut juga subband HL

3. Koefisien Detil Vertikal (CD(v) j+1) atau disebut juga subband LH

4. Koefisien Detil Diagonal (CD(d) j+1) atau disebut juga subband HH

 

Gambar 1. Dekomposisi 1

dengan Level Dekomposisi 1 Subband hasil dari dekomposisi dapat didekomposisi lagi karena level dekomposisi wavelet bernilai dari 1 sampai n atau disebut juga transformasi wavelet multilevel. Jika dilakukan dekomposisi lagi, maka subband LL yang akan didekomposisi karena subband LL berisi sebagian besar dari informasi citra. Jika dilakukan dekomposisi dengan level dekomposisi dua maka subband LL akan menghasilkan empat buah subband baru, yaitu subband LL2 (Koefisien Approksimasi 2), HL2 (Koefisien Detil Horisontal 2), LH2 (Koefisien Detil Vertikal 2), dan HH2 (Koefisien Detil Diagonal 2) (Saraswati).

 

Gambar 2. Dekomposisi 2

 

1. 2.       SEGMENTASI CITRA

Segmentasi citra adalah proses untuk memahami ciri citra secara lengkap. Segmentasi pada citra medis akan menghasilkan citra medis yang disertai batasan-batasan area yang merupakan ciri penting karena dapat menggali informasi untuk pengenalan pola guna keperluan analisis. Segmentasi membagi citra ke dalam bagian-bagian yang mempunyai korelasi kuat dengan adanya objek-objek di dalam citra. Citra medis yang tersegmentasi dengan baik akan didapatkan informasi batasan-batasan area dengan jelas, misalnya untuk keperluan deteksi sel tumor pada pasien. Informasi ini sangat membantu tenaga medis secara objektif dan akurat untuk melakukan analisis, diagnosis, perencanaan pengobatan, dan tindakan media yang diperlukan (Soesanti, 2008).

Ada beberapa metode untuk segmentasi citra, yaitu :

1. a.       Thresholding

Thresholding adalah metoda paling sederhana dari segmentasi citra. Dari citra grayscale, thresholding dapat digunakan untuk membentuk citra biner. Sebuah citra biner adalah sebuah citra digital yang hanya memiliki dua kemungkinan nilai untuk tiap pixel. Kedua warna tersebut adalah hitam dan putih. Warna yang digunakan untuk object dalam citra adalah warna foreground sedangkan sisa dari citra adalah warna background (Saraswati).

1. 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 (Zhang) .

1. 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 (Zhang).

1. 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.

1. 3.       REGION OF INTEREST (ROI)

Segmentasi citra sangat penting untuk menangani citra medis dengan memfasiltasi daerah yang penting dalam suatu citra atau disebut sebagai region of interest (ROI) (Shen, 2005). Sebuah citra dapat dianggap mengandung sub citra yang disebut region of interest ( ROI), atau daerah bagian dari citra yang memungkinkan diproses untuk menekan blur sementara bagian lain diproses untuk meningkatkan penampilan warna. Fungsi ROI adalah untuk mendeteksi garis yang masuk pada area tersebut. Sehingga apabila terdapat citra garis yang berada diluar ROI maka proses pendeteksi tidak dilakukan (Ardi,2012).

DAFTAR PUSTAKA

Ardi,  Muhammad Shahid ,  Agus Harjoko, dan Raden Sumiharto . “Purwarupa Sistem Pendeteksi Garis Landasan Pacu pada Pesawat Terbang”. IJEIS.  2.2 (2012) : 199 -208.

Saraswati, Ni Wayan Sumartini. “Transformasi Wavelet dan Thresholding Pada Citra Menggunakan MATLAB”. Bali : Fakultas Teknik Elektro Udayana

Shen, Shan,  et all, “MRI Fuzzy Segmentation of Brain Tissue Using Neighborhood Attraction With Neural-Network Optimization”, IEEE Transactions On Information Technology In Biomedicine, 9. 3 (2005).

Soesanti, Indah. “Segmentasi Citra Medis Berbasis Logika Fuzzy”.Indonesia :  Universitas Gajah Mada

Zhang, Jianguo , K. Ma , M. H. Er dan V. Chong. “Tumor segmentation from magnetic resonance imaging by learning via one-class support vector machine”.  Proc. 2004 Int. Conf. Intell. Mechatronics Automation, (2004) : 207 -211.