Image thresholding based on index of fuzziness and fuzzy similarity measure

Pratamasunu, Gulpi Qorik Oktagalu; Hu, Zhencheng; Arifin, Agus Zainal; Yuniarti, Anny; Navastara, Dini Adni; Wijaya, Arya Yudhi; Khotimah, Wijayanti Nurul; Asano, Atsushi

doi:10.1109/iwcia.2015.7449483

Cited by 9 publications

(16 citation statements)

References 8 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Pratamasunu [23] mengusulkan metode image thresholding dengan penentuan threshold berdasarkan similarity antar gray level menggunakan fuzzy similarity measure dengan mempertimbangkan fungsi keanggotaan fuzzy set dan bentuk histogram. Pada penelitian ini, penentuan fuzzy region dilakukan secara otomatis berdasarkan index of fuzziness terbesar pada setiap gray level [24].…”

Section: Pengukuran Fuzzy Similarityunclassified

“…Pada penelitian ini dilakukan evaluasi terhadap pengukuran fuzzy similarity yang diusulkan oleh [23] dengan menentukan nilai threshold global pada citra. Pada Gambar 12 menunjukan hasil segmentasi [23] dengan penentuan parameter dan dihitung berdasarkan index of fuzziness pada citra.…”

Section: Lokal Fuzzy Thresholdingunclassified

“…Pada Gambar 12 menunjukan hasil segmentasi [23] dengan penentuan parameter dan dihitung berdasarkan index of fuzziness pada citra. Pada Gambar 13 menunjukan hasi segmentasi dengan penentuan parameter dan ditentukan dengan mengambil nilai dari user marking (semi FSM) dan penentuan threshold juga dilakukan secara global.…”

Section: Lokal Fuzzy Thresholdingunclassified

“…Pada Gambar 11 menunjukan hasil segmentasi metode yang diusulkan lebih baik dibandingkan dengan automatic FSM [23] dan semi FSM. Hal ini juga dibuktikan dengan rata-rata nilai missclasification error (ME) pada 15 citra yang diuji cobakan, metode yang diusulkan menunjukan nilai ME yang lebih kecil dibandingkan dengan automatic FSM [23] threshold global pada citra panoramik gigi sangat sensitif terhadap faktor penghambat seperti pencahayaan yang tidak merata atau citra yang kabur. Atas dasar itu pada penelitian ini penentuan lokal threshold dilakukan dengan membagi citra menjadi beberapa region, dimana setiap region akan memilki nilai threshold yang berbeda tergantung nilai fitur pada region tersebut seperti diilustrasikan pada Gambar 14.…”

Section: Lokal Fuzzy Thresholdingunclassified

See 3 more Smart Citations

Lokal Fuzzy Thresholding Berdasarkan Pengukuran Fuzzy Similarity Pada Interaktif Segmentasi Citra Panoramik Gigi

Gunawan

Arifin

2017

INFOTEL

Self Cite

View full text Add to dashboard Cite

Abstrak -Dalam segmentasi citra, thresholding merupakan salah metode yang mudah dan sederhana untuk diimplementasikan. Pada citra panoramik gigi, penentuan global threshold masih kurang begitu optimal untuk diimplementasikan, hal tersebut dikarenakan adanya faktor penghambat seperti pencahayaan yang tidak merata dan citra yang kabur. Faktor-faktor tersebut dapat menyebabkan histogram tidak bisa dipartisi dengan baik, sehingga akan berpengaruh pada hasil segmentasi. Pada penelitian ini diusulkan local fuzzy thresholding berdasarkan pengukuran fuzzy similarity pada interaktif segmentasi citra panoramik gigi. Metode yang diusulkan terdiri dari tiga tahapan utama, tahap pertama adalah region splitting untuk mendapatkan lokal region. Tahap kedua adalah user marking untuk mendapat initial seed background dan objek, tahap terakhir adalah pengukuran fuzzy similarity pada setiap lokal region untuk mendapatkan nilai lokal threshold. Hasil uji coba pada citra panoramik gigi, metode yang diusulkan berhasil melakukan segmentasi dengan rata-rata missclasification error (ME) 5.47%.Kata kunci -interaktif segmentasi citra, citra panoramik gigi, lokal thresholding, pengukuran fuzzy similarity Abstract -In image segmentation, thresholding is one of the method that is easy and simple to be implemented. In the dental panoramic image, determination of global threshold is still less optimal to be implemented. This is due to inhibiting factors such as uneven contrast and blurred images. These factors can lead to the problem in partitioning histogram, that would-be effect in the segmentation result. In this study, we proposed local fuzzy thresholding based on fuzzy similarity measurement in interactive image segmentation for dental panoramic image. The proposed method consists of three main stages. The first stage is region splitting. This stage is performed to get the local regions. The second stage is the user marking that used to receive initial seed background and object. The last stage is a fuzzy similarity measurement at each local region to get the local threshold value. The results on dental panoramic image show that the proposed method successfully segmenting the images with an average misclassification error (ME) 5.47%.

show abstract

Section: Pengukuran Fuzzy Similarityunclassified

Section: Lokal Fuzzy Thresholdingunclassified

See 2 more Smart Citations

Lokal Fuzzy Thresholding Berdasarkan Pengukuran Fuzzy Similarity Pada Interaktif Segmentasi Citra Panoramik Gigi

Gunawan

Arifin

2017

INFOTEL

Self Cite

View full text Add to dashboard Cite

show abstract

“…Gulpi Qorik Oktagalu Pratamasunu et al [6].In this paper, an automatic image thresholding method based on the index of fuzziness and fuzzy similarity measure is presented. This work overcomes some limitations of an existing method concerning the definition of the initial seed intervals and low contrast images.…”

Section: Introductionmentioning

confidence: 99%