Cara Menghitung Nilai Threshold

Pengolahan citra digital adalah bidang yang luas dan penting dalam dunia komputer dan teknologi informasi. Salah satu teknik dasar dalam pengolahan citra adalah segmentasi citra, di mana citra dibagi menjadi beberapa bagian atau wilayah yang memiliki karakteristik tertentu. Salah satu metode yang umum digunakan dalam segmentasi citra adalah metode thresholding.

Metode thresholding membagi citra menjadi dua bagian, yaitu bagian yang bernilai di atas atau di bawah nilai threshold tertentu. Proses penghitungan nilai threshold ini adalah langkah krusial dalam penggunaan teknik ini. Pada artikel ini akan dibahas mengenai berbagai cara untuk menghitung nilai threshold pada pengolahan citra digital.

Baca Juga: Konversi Citra Biner Menggunakan Metode Otsu

Sebelum memahami cara menghitung nilai threshold, kita perlu memahami konsep dasar di balik segmentasi citra dan metode thresholding. Segmentasi citra bertujuan untuk memisahkan objek dari latar belakangnya. Metode thresholding adalah salah satu metode segmentasi paling sederhana dan paling umum digunakan. Dalam metode ini, kita memilih nilai threshold tertentu, dan setiap piksel dalam citra akan diberi label sebagai objek atau latar belakang berdasarkan apakah nilainya di atas atau di bawah threshold.

A. Metode Otsu

Salah satu metode yang paling populer dalam menghitung nilai threshold adalah metode Otsu. Metode ini dikembangkan oleh Nobuyuki Otsu pada tahun 1979 dan menjadi salah satu metode yang paling banyak digunakan dalam literatur pengolahan citra.

Baca Juga: Identifikasi Nilai Uang Logam Menggunakan Metode Otsu Thresholding

Metode Otsu bertujuan untuk memilih nilai threshold yang memaksimalkan variabilitas antara dua kelas piksel, yaitu piksel objek dan piksel latar belakang. Prosesnya melibatkan perhitungan probabilitas histogram citra dan mencari nilai threshold yang meminimalkan varians dalam dua kelas piksel. Hasil akhirnya adalah nilai threshold yang optimal untuk segmentasi citra.

Langkah-langkah Metode Otsu:

1. Perhitungan Histogram Citra

Langkah pertama dalam metode Otsu adalah menghitung histogram citra. Histogram adalah representasi visual dari distribusi frekuensi intensitas piksel dalam citra. Histogram citra memberikan informasi tentang sebaran intensitas piksel dari nilai minimum hingga nilai maksimum dalam citra.

2. Normalisasi Histogram

Histogram citra kemudian dinormalisasi untuk menghitung probabilitas munculnya setiap tingkat intensitas piksel. Hal ini dilakukan dengan membagi setiap entri histogram oleh jumlah total piksel dalam citra, menghasilkan distribusi probabilitas dari intensitas piksel.

3. Perhitungan Probabilitas Kumulatif dan Rata-rata Intensitas

Selanjutnya, probabilitas kumulatif dan rata-rata intensitas piksel untuk setiap nilai intensitas dihitung. Probabilitas kumulatif adalah jumlah probabilitas dari tingkat intensitas yang lebih rendah atau sama, sedangkan rata-rata intensitas adalah hasil perkalian probabilitas dengan tingkat intensitas pada setiap level.

4. Perhitungan Varians Antara Kelas

Variabilitas antara dua kelas piksel (objek dan latar belakang) dihitung menggunakan metrik varians intra-kelas. Varians intra-kelas adalah rata-rata bobot dari varians dalam dua kelas, dihitung sebagai jumlah probabilitas piksel dalam kelas tertentu dikalikan dengan varians dalam kelas tersebut.

5. Pemilihan Nilai Threshold Optimal

Langkah terakhir dalam metode Otsu adalah memilih nilai threshold yang menghasilkan variabilitas antara dua kelas piksel maksimum. Ini dapat dicapai dengan mencari nilai threshold yang memberikan nilai varians intra-kelas minimum.

Baca Juga: Perhitungan Diameter Kanker Payudara Menggunakan Metode Thresholding Otsu Pada Modalitas Mammography

Kelebihan dan Keterbatasan Metode Otsu:

Kelebihan:

Metode ini dapat memberikan nilai threshold secara otomatis tanpa memerlukan intervensi pengguna.
Berdasarkan asumsi statistik yang kuat, metode Otsu cenderung memberikan hasil yang konsisten dan dapat diandalkan dalam banyak kasus.
Proses perhitungan relatif cepat, membuatnya cocok untuk aplikasi real-time.

Keterbatasan:

Metode Otsu cenderung sensitif terhadap variasi pencahayaan dan noise dalam citra.
Hasilnya dapat bervariasi tergantung pada distribusi intensitas piksel dalam citra, dengan hasil yang tidak optimal dalam kasus distribusi yang tidak homogen.
Memerlukan perhitungan histogram dan komputasi intensif lainnya, sehingga membutuhkan sumber daya komputasi yang signifikan terutama untuk citra berukuran besar.

Metode Otsu adalah salah satu metode yang paling populer dan efektif untuk menghitung nilai threshold dalam segmentasi citra. Meskipun memiliki beberapa keterbatasan, metode ini tetap menjadi pilihan yang umum digunakan dalam berbagai aplikasi pengolahan citra. Dengan memahami langkah-langkahnya dan karakteristiknya, praktisi pengolahan citra dapat menggunakan metode Otsu dengan bijaksana untuk memperoleh hasil segmentasi yang optimal.

B. Metode Iteratif

Selain metode Otsu, metode iteratif juga sering digunakan untuk menghitung nilai threshold. Metode ini melibatkan iterasi berulang untuk menemukan nilai threshold yang optimal. Salah satu contoh metode iteratif adalah metode Kapur, yang berfokus pada entropi sebagai metrik untuk mengukur kehomogenan kelas piksel.

Proses iteratif dalam metode ini melibatkan pengujian berbagai nilai threshold secara berulang dan menghitung entropi untuk setiap nilai threshold tersebut. Nilai threshold yang menghasilkan entropi minimum atau maksimum dapat dipilih sebagai nilai threshold optimal, tergantung pada metode yang digunakan.

Perhitungan threshold berbasis histogram

Baca Juga: Segmentasi Citra dengan Metode Thresholding

Langkah-langkah Metode Iteratif:

1. Inisialisasi Nilai Threshold

Langkah pertama dalam metode iteratif adalah inisialisasi nilai threshold awal. Nilai threshold awal dapat dipilih secara acak atau berdasarkan pengetahuan awal tentang distribusi intensitas piksel dalam citra.

2. Segmentasi Citra

Dengan menggunakan nilai threshold awal, citra dibagi menjadi dua bagian: piksel yang memiliki intensitas di atas threshold dan piksel yang memiliki intensitas di bawah threshold. Ini membentuk dua kelas piksel: kelas objek dan kelas latar belakang.

3. Pengukuran Kriteria

Setelah segmentasi citra dilakukan, kriteria tertentu diukur untuk mengevaluasi kualitas segmentasi. Contoh kriteria yang umum digunakan adalah entropi, varian, atau kriteria berbasis informasi lainnya. Kriteria ini digunakan untuk mengevaluasi seberapa baik citra telah tersegmentasi ke dalam dua kelas.

4. Pembaruan Nilai Threshold

Berdasarkan hasil pengukuran kriteria, nilai threshold diperbarui. Ada beberapa pendekatan yang dapat digunakan untuk memperbarui nilai threshold, misalnya, dengan memilih nilai threshold yang menghasilkan kriteria optimal atau dengan menggunakan algoritma optimasi seperti algoritma genetika atau algoritma gradien.

5. Konvergensi atau Iterasi Lanjutan

Proses ini diulangi dengan menggunakan nilai threshold yang diperbarui untuk melakukan segmentasi citra lagi. Langkah-langkah 3 dan 4 diulang sampai kriteria konvergensi terpenuhi atau hingga mencapai iterasi maksimum yang ditentukan sebelumnya.

Kelebihan dan Keterbatasan Metode Iteratif:

Kelebihan:

Metode ini dapat memberikan nilai threshold yang lebih adaptif terhadap variasi dalam distribusi intensitas piksel dalam citra.
Dapat menangani kasus di mana distribusi intensitas piksel tidak homogen atau tidak terdistribusi secara normal.
Metode ini dapat disesuaikan dengan berbagai kriteria evaluasi, memungkinkan fleksibilitas dalam proses pengoptimalan.

Keterbatasan:

Proses iteratif dapat memerlukan sumber daya komputasi yang lebih besar daripada metode non-iteratif.
Dalam beberapa kasus, proses iteratif mungkin memerlukan waktu yang lebih lama untuk mencapai konvergensi.
Pilihan kriteria evaluasi yang tepat dan strategi pembaruan nilai threshold dapat mempengaruhi kualitas segmentasi.

Metode iteratif adalah pendekatan yang kuat dalam menghitung nilai threshold dalam segmentasi citra. Dengan menggunakan kriteria evaluasi yang sesuai dan strategi pembaruan yang tepat, metode ini dapat memberikan hasil segmentasi yang lebih adaptif dan optimal dalam berbagai kasus. Meskipun memerlukan komputasi yang lebih besar, metode iteratif sering kali menjadi pilihan yang kuat untuk mengatasi tantangan dalam segmentasi citra yang kompleks.

Baca Juga: Segmentasi Citra dengan Metode Multi Thresholding dan K-Means Clustering

C. Metode Berbasis Kriteria

Metode lain untuk menghitung nilai threshold adalah metode berbasis kriteria, di mana nilai threshold dipilih berdasarkan kriteria tertentu yang ditetapkan sebelumnya. Contohnya adalah metode berbasis mean, di mana nilai threshold dipilih berdasarkan rata-rata intensitas piksel dalam citra.

Metode berbasis kriteria sering kali lebih sederhana dan lebih mudah dipahami daripada metode statistik yang lebih kompleks seperti metode Otsu atau metode iteratif. Namun, mereka mungkin kurang efektif dalam beberapa kasus di mana distribusi intensitas piksel tidak simetris atau tidak homogen.

Metode berbasis kriteria adalah pendekatan dalam pengolahan citra untuk menghitung nilai threshold berdasarkan kriteria tertentu yang ditetapkan sebelumnya. Pendekatan ini mengandalkan karakteristik atau statistik sederhana dari citra untuk menentukan nilai threshold, tanpa memerlukan proses iteratif atau perhitungan yang kompleks. Salah satu contoh metode berbasis kriteria yang umum digunakan adalah metode berbasis mean.

Penerapan thresholding berbasis kriteria

Langkah-langkah Metode Berbasis Kriteria:

1. Pemilihan Kriteria

Langkah pertama dalam metode berbasis kriteria adalah menentukan kriteria yang akan digunakan untuk memilih nilai threshold. Kriteria ini dapat berupa statistik sederhana seperti rata-rata intensitas piksel, median, modus, atau persentil tertentu dari distribusi intensitas piksel.

2. Perhitungan Kriteria

Setelah kriteria dipilih, nilai kriteria dihitung untuk setiap nilai intensitas piksel dalam citra. Misalnya, jika kriteria yang dipilih adalah rata-rata intensitas piksel, maka rata-rata intensitas piksel akan dihitung untuk setiap nilai intensitas dari 0 hingga 255 (untuk citra grayscale).

3. Pemilihan Nilai Threshold

Setelah nilai kriteria dihitung, nilai threshold dipilih berdasarkan kriteria yang telah ditetapkan sebelumnya. Misalnya, dalam metode berbasis mean, nilai threshold dapat dipilih sebagai nilai intensitas di mana rata-rata intensitas piksel di atas threshold dan di bawah threshold memiliki perbedaan minimal atau optimal.

4. Segmentasi Citra

Dengan menggunakan nilai threshold yang dipilih, citra dibagi menjadi dua bagian: piksel dengan intensitas di atas threshold dan piksel dengan intensitas di bawah threshold. Ini membentuk dua kelas piksel: kelas objek dan kelas latar belakang.

Kelebihan dan Keterbatasan Metode Berbasis Kriteria:

Kelebihan:

Metode ini sederhana dan mudah dimengerti, tidak memerlukan komputasi yang kompleks.
Cocok untuk aplikasi di mana distribusi intensitas piksel relatif homogen atau tidak terlalu kompleks.
Pemilihan nilai threshold didasarkan pada kriteria yang jelas, sehingga dapat disesuaikan dengan kebutuhan aplikasi tertentu.

Keterbatasan:

Metode ini mungkin kurang efektif dalam mengatasi distribusi intensitas piksel yang kompleks atau tidak homogen.
Bergantung pada kriteria yang dipilih, metode ini mungkin tidak selalu menghasilkan segmentasi yang optimal.
Tidak dapat menangani variasi besar dalam pencahayaan atau noise dalam citra.

Metode berbasis kriteria adalah pendekatan yang sederhana dan mudah dimengerti untuk menghitung nilai threshold dalam segmentasi citra. Meskipun memiliki keterbatasan dalam menangani distribusi intensitas piksel yang kompleks, metode ini tetap menjadi pilihan yang baik dalam kasus-kasus di mana distribusi intensitas piksel relatif homogen atau ketika kecepatan dan kemudahan implementasi menjadi prioritas. Dengan memilih kriteria yang sesuai, praktisi pengolahan citra dapat menggunakan metode ini dengan efektif untuk aplikasi tertentu.

Penerapan thresholding dalam pengolahan citra

Menghitung nilai threshold adalah langkah penting dalam proses segmentasi citra menggunakan metode thresholding. Berbagai pendekatan telah dikembangkan untuk menentukan nilai threshold yang optimal, mulai dari metode statistik seperti metode Otsu hingga pendekatan berbasis kriteria yang lebih sederhana.

Pemilihan metode tergantung pada karakteristik citra dan tujuan segmentasi. Dalam praktiknya, sering kali diperlukan eksperimen dan pengujian empiris untuk menentukan metode yang paling sesuai untuk kasus tertentu. Dengan pemahaman yang baik tentang berbagai metode ini, praktisi pengolahan citra dapat memilih pendekatan yang paling cocok untuk aplikasi mereka.

Berikut ini merupakan beberapa source code pemrograman matlab eksklusif mengenai pengolahan citra digital:

1. Identifikasi Fraktur Tulang Tibia Dan Fibula Menggunakan Algoritma Support Vector Machine (SVM)
Pada pemrograman ini, segmentasi citra dilakukan menggunakan metode deteksi tepi canny, ekstraksi ciri dilakukan menggunakan metode moment invariant, sedangkan identifikasi dilakukan menggunakan algoritma Support Vector Machine (SVM).

2. Klasifikasi Jenis Buah Mangga Menggunakan Convolutional Neural Network (CNN)
Pada pemrograman ini, jenis buah mangga yang diklasifikasikan adalah mangga apel, mangga arumanis, mangga madu, dan mangga manalagi. Layer-layer yang digunakan dalam membangun arsitektur CNN antara lain imageInputLayer, convolution2dLayer, batchNormalizationLayer, reluLayer, maxPooling2dLayer, fullyConnectedLayer, softmaxLayer, dan classificationLayer.

3. Identifikasi Kesegaran Ikan Nila Menggunakan Metode K-Nearest Neighbor (K-NN)
Pada pemrograman ini, ekstraksi ciri dilakukan menggunakan ciri tekstur GLCM (Gray Level Co-Occurence Matrix) dan ciri warna HSV (Hue, Saturation, Value).

4. Klasifikasi Hewan Kucing Dan Anjing Menggunakan Convolutional Neural Network (CNN) ResNet
Pada pemrograman ini, CNN digunakan untuk mengklasifikasikan hewan kucing dan anjing. Arsitektur yang digunakan untuk membangun CNN adalah ResNet-18.

5. Semantic Segmentation Using Convolutional Neural Network (CNN) ResNet
Pada pemrograman ini, CNN digunakan untuk melakukan deteksi hewan kucing. Arsitektur yang digunakan untuk membangun CNN adalah ResNet-18.

6. Watermarking Citra Menggunakan Discrete Wavelet Transform (DWT)
Pada pemrograman ini, watermarking citra digital dilakukan menggunakan metode Discrete Wavelet Transform (DWT). Dengan menggunakan empat level dekomposisi wavelet dan variasi nilai alpha dalam proses watermarking.

7. Klasifikasi Jenis Jambu Biji Menggunakan Convolutional Neural Network (CNN) Alexnet
Pada pemrograman ini, CNN digunakan untuk mengklasifikasikan jenis jambu biji. Arsitektur yang digunakan untuk membangun CNN adalah Alexnet.

8. Klasifikasi Jenis Penyakit Pada Daun Kopi Menggunakan Convolutional Neural Network (CNN) Densenet
Pada pemrograman ini, CNN digunakan untuk mengklasifikasikan jenis penyakit pada daun kopi. Arsitektur yang digunakan untuk membangun CNN adalah Densenet-201.

9. Identifikasi Tingkat Kematangan Buah Jeruk Menggunakan Metode K-Nearest Neighbor (K-NN)
Pada pemrograman ini, ekstraksi ciri menggunakan ciri tekstur orde satu dan orde dua GLCM (Gray Level Co-Occurence Matrix), ciri warna HSV (Hue, Saturation, Value), dan ciri bentuk (Metric, Eccentricity). Seleksi ciri dilakukan menggunakan metode Principal Component Analysis (PCA). Sedangkan klasifikasi menggunakan metode K-Nearest Neighbor (K-NN).

10. Identifikasi Tingkat Kematangan Buah Pepaya Menggunakan Metode Support Vector Machine (SVM)
Pada pemrograman ini, segmentasi citra dilakukan dengan menggunakan metode K-Means Clustering. Ekstraksi ciri menggunakan ciri warna RGB (Red, Green, Blue) dan ciri tekstur GLCM (Gray Level Co-Occurence Matrix). Sedangkan klasifikasi menggunakan metode Support Vector Machine (SVM).

11. Identifikasi Tingkat Kematangan Buah Naga Menggunakan Jaringan Syaraf Tiruan (JST) Backpropagation
Pada pemrograman ini, segmentasi citra dilakukan dengan menggunakan metode thresholding. Ekstraksi ciri menggunakan ciri warna HSV (Hue, Saturation, Value) dan ciri warna YCbCr (Luminance, Chrominance-Blue, Chrominance-Red). Sedangkan klasifikasi menggunakan metode Jaringan Syaraf Tiruan Backpropagation.