Perbaikan Citra Image Enhancement Ekstraksi Fitur Feature Extraction

f. DICOM .dcm Digital Imaging and Communication in Medicine DICOM merupakan standar pengolahan penyimpanan, komunikasi, percetakan, dan pemrosesan untuk keperluan medis Kristianto, 2010. DICOM diciptakan oleh National Electrical Manufacturers Association NEMA untuk mendukung proses pendistribusian dan proses review gambar medis seperti CT scan, Magnetic Resonance Imaging MRI, dan USG.

2.3 Perbaikan Citra Image Enhancement

Perbaikan citra bertujuan untuk dapat meningkatkan kualitas dari sebuah citra dalam hal pandangan manusia human vision dan pandangan komputer computer vision agar dapat diolah dengan lebih mudah. Perbaikan citra dapat dilakukan dengan operasi titik point operation, operasi spasial spatial operation, operasi geometri geometric operation, dan operasi aritmatik artihmetic operation. 2.3.1 Ekualisasi histogram histogram equalization Untuk dapat menghasilkan histrogram citra yang seragam dibutuhkan metode ekualisasi histogram. Fungsi distribusi kumulatif yang merupakan perhitungan kumulatif dari histogram dapat didefinisikan sebagai berikut: � = − ∙ ∑ ℎ ; � = , , , … , − � = . M = pixel N = grayscale, dan hk = histogram pada suatu nilai gray value k. 2.3.2 Adaptif histogram equalization Merupakan teknik perbaikan kontras pada citra dengan meningkatkan kontras lokal citra dengan membentuk region size. Struktur regional citra dibagi menjadi 3 bagian, yaitu :Corner Region CR, Border Region BR, dan Inner Region IR. Struktur regional citra dapat dilihat pada Gambar 2.1. Universitas Sumatera Utara CR BR BR CR BR IR IR BR BR IR IR BR CR BR BR CR Gambar 2.1. Struktur regional citra Pertiwi, 2011 Gray level yang baru untuk setiap region size didapatkan dengan cara menghitung Cumulative Distribution Function CDF. Perhitungan tersebut berlaku untuk setiap regional lokal i, j.

2.4 Ekstraksi Fitur Feature Extraction

Ekstraksi fitur merupakan bagian fundamental dari analisis citra. Fitur adalah karakteristik atau ciri unik dari suatu objek Putra, 2010. Karakteristik fitur yang baik sebaiknya memenuhi persyaratan seperti berikut ini: 1. Dapat membedakan suatu objek dengan yang lainnya discrimination. 2. Memperhatikan kompleksitas komputasi. 3. Independence tidak terikat yang berarti bersifat invarian terhadap berbagai transformasi rotasi, penskalaan, pergeseran, dan lain sebagainya. 4. Jumlahnya sedikit, karena fitur yang jumlahnya sedikit akan dapat menghemat waktu komputasi dan ruang penyimpanan untuk proses selanjutnya proses pemanfaatan fitur. Gray Level Co-occurrence Matrix GLCM diusulkan pertama kali oleh Haralick pada tahun 1973 dam memiliki 28 fitur untuk menjelaskan pola spasial. GLCM menggunakan perhitungan tekstur pada orde kedua. Misalkan, fx,y adalah citra dengan ukuran N x dan N y yang memiliki piksel dengan kemungkinan hingga L level dan vektor r adalah vektor arah ofset spasial. GLCM � →i,j didefinisikan sebagai jumlah piksel dengan j 1, ..., L yang terjadi pada ofset vektor r terhadap piksel dengan nilai i 1, ..., L, yang dapat dinyatakan dalam rumus Newsam Kammath 2005: � → , = { , , , N , N × N , N |f x , y = i ∧ f x , y = j ∧ r⃗ = − , − ̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅ } . Universitas Sumatera Utara Sebagai ilustrasi, ketetanggaan piksel dapat dipilih ke arah timur kanan.Salah satu cara untuk merepresentasikan hubungan ini yaitu berupa 1,0, yang menyatakan hubungan dua piksel yang sejajar secara horizontal dengan piksel bernilai 1 diikuti dengan piksel bernilai 0, sehingga jumlah kelompok piksel yang memenuhi hubungan tersebut dihitung. Hal ini dapat dilihat pada Gambar 2.2. Gambar 2.2. Contoh penentuan awal matriks GLCM Kadir Susanto 2013 Matriks pada Gambar 2.2 dinamakan matrix framework. Matriks ini kemudian diolah menjadi matriks simetris dengan cara menambahkan dengan hasil transposnya, seperti yang terlihat pada Gambar 2.3. Gambar 2.3 Matriks framework menjadi matriks simetris Kadir Susanto 2013 Untuk menghilangkan ketergantungan pada ukuran citra, nilai-nilai elemen GLCM perlu dinormalisasi sehingga jumlahnya bernilai 1. Dengan demikian, hasil normalisasi dari matriks GLCM pada Gambar 2.4. Universitas Sumatera Utara Gambar 2.4. Normalisasi matriks GLCM Kadir Susanto 2013 Untuk mendapatkan fitur tekstur GLCM, hanya 14 besaran yang diusulkan oleh Haralick 1973 untuk dipakai. Beberapa fitur yang akan dipakai nantinya adalah contrast,correlation, energy, dan homogeneity. A. Contrast merupakan ukuran keberadaan variasi aras keabuan piksel citra dihitung dengan cara seperti berikut: Contrast = ∑ | − | � , , . B. Correlation merupakan ukuran ketergantungan linear antar nilai aras keabuan dalam citra. Correlation dihitung dengan cara seperti berikut: Correlation = ∑ ∑ � � , −μ ′ μ ′ � ′ � ′ = = . Dengan : μ ′ = ∑ ∑ , = = . μ ′ = ∑ ∑ , = = . σ ′ = ∑ ∑ , = = − μ ′ . σ ′ = ∑ ∑ , = = − μ ′ . C. Energy merupakan nilai dari jumlah kuadrat pada elemen-elemen matriks GLCM. Energy dihitung dengan cara seperti berikut: Energy = ∑ � , , . D. Homogeneity digunakan untuk mengukur homogenitas yaitu ukuran kedekatan distribusi masing-masing elemen pada matriks GLCM ke Universitas Sumatera Utara matriks GLCM diagonal. Homogeneity dihitung dengan cara seperti berikut: Homogeneity = ∑ � , +| − | , .

2.5 Pattern Recognition