mengkonversi citra grayscale ke citra biner, tetapi sekaligus melakukan segmentasi objek dari latar belakangnya.
Kemungkinan besar pada pengambangan global akan banyak informasi hilang karena hanya menggunakan satu nilai T untuk keseluruhan piksel. Untuk
mengatasi masalah ini dapat digunakan pengambangan secara local adaptive. 2. Pengambangan lokal Locally Adaptive Thresholding
Pada pengambangan lokal, suatu citra dibagi menjadi blok-blok kecil dan kemudian dilakukan pengambangan lokal atas setiap blok itu dengan nilai T yang
berbeda. Sebagai contoh, pengambangan dilakukan terhadap daerah citra yang berukuran 3x3 atau 5x5 piksel. Nilai ambangnya ditentukan sebagai fungsi rata-
rata derajat keabuan di dalam daerah citra tersebut. Intensitas piksel yang berbeda secara signifikan dari nilai rata-rata tersebut dianggap mengandung informasi
kontras dan ini harus dipertahankan dalam citra biner. Dengan pengambangan secara lokal adaptif, secara subjektif citra biner yang dihasilkan terlihat lebih
menyenangkan dan sedikit informasi yang hilang.
2.2 Pengenalan Pola
Pola adalah entitas. Ciri-ciri tersebut digunakan untuk membedakan suatu pola dengan pola lainnya. Ciri yang bagus adalah ciri yang memiliki daya pembeda yang tinggi,
sehingga pengelompokan pola berdasarkan ciri yang dimiliki dapat dilakukan dengan keakuratan yang tinggi.
Secara luas, ciri adalah semua hasil pengukuran yang bisa diperoleh. Ciri juga bisa menggambarkan karakteristik objek yang dipantau. Contoh dari ciri level rendah
adalah intensitas sinyal. Ciri bisa berupa simbol, numerik, atau keduanya. Contoh dari ciri simbol adalah warna. Contoh dari ciri numerik adalah berat. Ciri bisa diperoleh
dengan mengaplikasikan algoritma ekstraksi ciri pada data masukan. Ciri dapat dinyatakan dengan variabel kontinu, diskrit, atau diskrit-biner. Ciri biner dapat
digunakan untuk menyatakan ada tidaknya suatu ciri tertentu.
Ciri yang baik memiliki syarat sebagai berikut: mudah dalam komputasi, memiliki tingkat keberhasilan yang tinggi, dan besarnya data dapat diperkecil tanpa
menghilangkan informasi penting.
Secara umum, pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif ciri atau sifat dari
objek. Pola sendiri merupakan suatu entitas yang terdefenisi dan dapat diidentifikasi dan diberi nama. Sidik jari adalah suatu contoh pola. Pola bisa merupakan kumpulan
hasil pengukuran atau pemantauan dan bisa dinyatakan dalam notasi vektor atau matriks.
Struktur sistem pengenalan pola ditunjukkan oleh gambar berikut. Perhatikan bahwa sistem terdiri dari suatu sensor misalnya kamera, dan scanner, teknik
prapengolahan, suatu algoritma atau mekanisme ekstraksi ciri dan algoritma untuk klasifikasi atau pengenalan bergantung pada pendekatan yg dilakukan. Sebagai
tambahan, biasanya beberapa data yang sudah diklasifikasikan diasumsikan telah tersedia untuk melatih sistem.
Prapengolahan adalah transformasi masukan data mentah untuk membantu kemampuan komputasional dan pencari ciri serta untuk mengurangi derau. Pada
prapengolahan citra sinyal yang ditangkap sensor akan dinormalisasi agar citra menjadi lebih siap untuk diolah pada tahap pemisahan ciri. Kualitas ciri yang
dihasilkan pada pemisahan ciri sangat bergantung pada hasil prapengolahan.
Klasifikasi merupakan tahap untuk mengelompokkan masukan data pada satu atau beberapa kelas berdasarkan hasil pencarian beberapa ciri yang signifikan dan
pemrosesan atau analisis terhadap ciri itu. Setiap kelas terdiri dari sekumpulan objek yang memiliki kedekatan kemiripan ciri. [8]
2.3 Jaringan Syaraf Biologi