oleh : kartika candra kirana [5113201012] dosen...
TRANSCRIPT
Oleh : Kartika Candra Kirana [5113201012]
DOSEN PEMBIMBING
Dr. Agus Zainal Arifin, S.Kom., M.Kom.
Wijayanti Nurul Khotimah, S.Kom, M.Sc.
1
5
Liantoni et al (2014)
ACO + Distribusi
(Rasio Gradien)
VISUALISASI LEBIH BAIK DARI PREWITT (LIANTONIE, 2014)
EKSPLORASI BELUM MAKSIMAL
6
Ziang Jiang et al (2014)
ACO + Tambahan Informasi Arah
VISUALISASI LEBIH BAIK DARI PREWITT
KOMPUTASI BESAR
BOBOT ARAH TIDAK MENGIKUTI BENTUK TEPI
PENAMBAHAN INFORMASI TEPI
7
GRADIENT MAGNITUDE
+ Menunjukkan adanya
tepi
GRADIENT DIRECTION
+ Menyambung patahan
tepi
- Patahan Tepi - Tidak menunjukkan tepi
8
KONTRIBUSI Usulan metode PERGERAKAN SEMUT baru
berdasarkan STIMULUS ARAH DAN BESARAN GRADIEN pada ACO
TUJUAN Mengembangkan fungsi pembobotan berdasarkan stimulus arah dan besaran gradien pada algoritma
ACO UNTUK DETEKSI TEPI CITRA
MANFAAT Mendapatkan TEPI YANG AKURAT pada citra
berdasarkan arah dengan KOMPUTASI yang RENDAH
9
1. Bagaimana aturan pembobotan
ARAH DAN BESARAN GRADIEN
pada PERGERAKAN SEMUT ACO?
2. Bagaimana semut berhenti ?
Citra uji coba deteksi tepi merupakan citra grayscale
Groundtruth pada semua citra uji coba dibuat secara
manual
10
CITRA
KEABUAN
INISIALISASI
HITUNG INFORMASI HEURISTIK
(𝝁), GRADIENT MAGNITUDE (f)
& GRADIENT DIRECTION (θ)
PENEMPATAN SEMUT
Lihat: 26
13
KONVERSI GRADIENT DIRECTION
MENJADI ARAH TEPI
PENGELOMPOKAN BENTUK ARAH TEPI
HITUNG PROBABILITAS
BERDASARKAN 𝝁, 𝝉, f, ΔW
SEMUT PINDAH PADA PIKSEL
TETANGGA (PROBABILITAS MAX)
UPDATE LOKAL FEROMON
Semua
semut
jalan?
UPDATE GLOBAL FEROMON FITNESS = BINERISASI
DENGAN OTSU
𝒑𝒆𝒓𝒖𝒃𝒂𝒉𝒂𝒏 𝒇𝒊𝒕𝒏𝒆𝒔𝒔
= 𝒕𝒆𝒑𝒊𝑳 − 𝒕𝒆𝒑𝒊𝑳−𝟏𝒎𝒂𝒙( 𝒕𝒆𝒑𝒊𝑳 , 𝒕𝒆𝒑𝒊𝑳−𝟏)
𝒑𝒆𝒓𝒖𝒃𝒂𝒉𝒂𝒏 𝑭𝒊𝒕𝒏𝒆𝒔𝒔≤ 𝜺
KELUARAN
DETEKSI TEPI
belum ya
belum
ya
Lihat: 26-30
Hitung bobot arah piksel tetangga
Cari indeks arah piksel pusat
Konversi arah gradien menjadi arah tepi
Hitung indeks arah berdasarkan
pengelompokan arah tepi
Set indeks posisi piksel tetangga terhadap piksel pusat
Figure of Merit
𝐹 = 1
max 𝑁𝑖,𝑁𝑑
1
1+ 𝜉𝑑𝑖2
𝑁𝑑
𝑖=1
16
* Email : [email protected]
DATASET
PRIBADI
3 DATA LATIH 26 DATA UJI
CHYNTIA*
4 DATA UJI
17 17
UJI COBA PARAMETER : BOBOT FEROMON
BOBOT INFORMASI HEURISTIK
BOBOT GRADIEN
BOBOT ARAH KANDIDAT BUKAN TEPI (n)
FEROMON AWAL KERUSAKAN FEROMON PENGUAPAN FEROMON
PERBANDINGAN : PREWITT, ACO ,
& ACO GMGD
BOBOT FEROMON
optimum α = 1 β = 1 γ = 1 BOBOT INFORMASI
HEURISTIK BOBOT GRADIEN
18 18
α kecil β & γ besar Informasi tepi meningkat
UJI COBA PARAMETER : BOBOT FEROMON
BOBOT INFORMASI HEURISTIK
BOBOT GRADIEN
BOBOT ARAH KANDIDAT BUKAN TEPI (n)
FEROMON AWAL KERUSAKAN FEROMON PENGUAPAN FEROMON
PERBANDINGAN : PREWITT, ACO ,
& ACO GMGD
19 19
Tekstur terdeteksi Tepi Perubahan warna
UJI COBA PARAMETER : BOBOT FEROMON
BOBOT INFORMASI HEURISTIK
BOBOT GRADIEN
BOBOT ARAH KANDIDAT BUKAN TEPI (n)
FEROMON AWAL KERUSAKAN FEROMON PENGUAPAN FEROMON
PERBANDINGAN : PREWITT, ACO ,
& ACO GMGD
20 20
n optimum = 0.9
UJI COBA PARAMETER : BOBOT FEROMON
BOBOT INFORMASI HEURISTIK
BOBOT GRADIEN
BOBOT ARAH KANDIDAT BUKAN TEPI (n)
FEROMON AWAL KERUSAKAN FEROMON PENGUAPAN FEROMON
PERBANDINGAN : PREWITT, ACO ,
& ACO GMGD
21 21
n=0* n=0.1 n=0.3
n=0.5 n=0.7 n=0.9
n kecil & terdapat banyak percabangan tepi
Probabilitas tepi yang tidak dipilih rendah
UJI COBA PARAMETER : BOBOT FEROMON
BOBOT INFORMASI HEURISTIK
BOBOT GRADIEN
BOBOT ARAH KANDIDAT BUKAN TEPI (n)
FEROMON AWAL KERUSAKAN FEROMON PENGUAPAN FEROMON
PERBANDINGAN : PREWITT, ACO ,
& ACO GMGD
f
i
e
c
h
b
d
g
a
1
0
0
0
0
1
0
0
22 22
τ0 optimum = 0.005
UJI COBA PARAMETER : BOBOT FEROMON
BOBOT INFORMASI HEURISTIK
BOBOT GRADIEN
BOBOT ARAH KANDIDAT BUKAN TEPI (n)
FEROMON AWAL KERUSAKAN FEROMON PENGUAPAN FEROMON
PERBANDINGAN : PREWITT, ACO ,
& ACO GMGD
UJI COBA PARAMETER : BOBOT FEROMON
BOBOT INFORMASI HEURISTIK
BOBOT GRADIEN
BOBOT ARAH KANDIDAT BUKAN TEPI (n)
FEROMON AWAL KERUSAKAN FEROMON PENGUAPAN FEROMON
PERBANDINGAN : PREWITT, ACO ,
& ACO GMGD
23 23
τ0 terlalu besar
Penambahan feromon besar (update lokal
feromon)
Tidak eksplorasi tepi lain
τ0 terlalu kecil
Penambahan feromon kecil (update lokal
feromon)
Eksplorasi luas (daya beda
feromon kecil)
24 24
ϕ optimum = 0.0001
UJI COBA PARAMETER : BOBOT FEROMON
BOBOT INFORMASI HEURISTIK
BOBOT GRADIEN
BOBOT ARAH KANDIDAT BUKAN TEPI (n)
FEROMON AWAL KERUSAKAN FEROMON PENGUAPAN FEROMON
PERBANDINGAN : PREWITT, ACO ,
& ACO GMGD
UJI COBA PARAMETER : BOBOT FEROMON
BOBOT INFORMASI HEURISTIK
BOBOT GRADIEN
BOBOT ARAH KANDIDAT BUKAN TEPI (n)
FEROMON AWAL KERUSAKAN FEROMON PENGUAPAN FEROMON
PERBANDINGAN : PREWITT, ACO ,
& ACO GMGD
25 25
φ besar Penurunan feromon besar
(update lokal feromon) Eksplorasi tepi
lebih luas
26 26
ρ optimum = 0.0001
UJI COBA PARAMETER : BOBOT FEROMON
BOBOT INFORMASI HEURISTIK
BOBOT GRADIEN
BOBOT ARAH KANDIDAT BUKAN TEPI (n)
FEROMON AWAL KERUSAKAN FEROMON PENGUAPAN FEROMON
PERBANDINGAN : PREWITT, ACO ,
& ACO GMGD
27 27
ρ terlalu besar
Penguatan feromon besar (update global)
Eksplorasi kecil
ρ terlalu kecil
Penguatan feromon lemah (update global)
Daya beda feromon kecil
UJI COBA PARAMETER : BOBOT FEROMON
BOBOT INFORMASI HEURISTIK
BOBOT GRADIEN
BOBOT ARAH KANDIDAT BUKAN TEPI (n)
FEROMON AWAL KERUSAKAN FEROMON PENGUAPAN FEROMON
PERBANDINGAN : PREWITT, ACO ,
& ACO GMGD
28 28
Parameter Nilai Parameter Keterangan K 256 Jumlah semut 𝝉0 0.005 Feromon awal
φ 0.0001 Kerusakan feromon
p 0.0001 Penguapan feromon α 1 Bobot feromon β 1 Bobot informasi heuristik
γ 1 Bobot stimulus besaran gradien
n 0.9 Bobot arah kandidat piksel bukan tepi (kelompok lokal)
30 30
PREWITT ACO STANDAR ACO GMGD CITRA ASLI
KELEBIHAN
•Gradient Magnitude memberi rekomendasi dalam pergerakan semut
•Gradien Direction menyambung patahan tepi
KELEMAHAN
•Pengelompokan indeks arah fiks kesalahan pergerakan semut
•Gradient magnitude menggunakan mask menyebabkan patahan tepi
• Pembobotan berdasarkan arah dan besaran gradien pada Ant Colony
Optimization untuk deteksi tepi citra dapat mencapai tingkat keberhasilan
akurasi deteksi tepi dengan rata-rata figure of merit sebesar 0.800.
• Penggunaan besaran gradien dalam aturan transisi probabilitas semut
dapat meningkatkan informasi keberadaan tepi
• Penambahan arah dalam aturan transisi probabilitas dapat membantu
semut dalam menghubungkan tepi
• Selisih jumlah piksel tepi antar iterasi dapat dijadikan sebagai kriteria
berhenti dimana jumlah tepi dapat dikomputasi menggunakan Otsu
thresholding.
31 31
• Perbaikan dapat dilakukan pada pengelompokan bentuk arah
yang tidak dibuat statis.
• Algoritma deteksi tepi ACO dapat dikembangkan menjadi
multi level deteksi tepi berdasarkan arah
32 32
• Baskan, Ozgur., Haldenbilen, Soner., Ceylan, Huseyin., dan Ceylan, Halim., (2009) “A New Solution Algorithm for Improving Performance of Ant Colony Optimization” Elsevier Vol.211, Hal.75-84.
• Baterina, A.V., dan Oppus, Carlos., (2010) “Image Edge Detection Using Ant Colony Optimization” International Journal of Circuits, Systems and Signal Processing, Vol.4, Issue.2, hal.25-33.
• Chao, Yang. (2010), A Comparison of Medical Image Analysis Algorithms for Edge Detection, Thesis M.Comp. Sc, Hőgskolan A Găvle, Swedan.
• Dorigo, Marco., dan Stűtzle, Thomas., (2004). “Ant Colony Optimization” MIT Press, London.
• Etemad, S.Ali., dan White, Tony., (2011), “An Ant Inspired Algorithm for Detection of Image Edge Feature” Elsevier, Vol.11, hal.4883-4893.
• Kim, H.S., Park, K.H., Yoon, H.S., dan Lee, G.S., (2008) “Speckle Reducing Anisotropic Diffusion based on Directions of Gradient” IEEE, Vol.8, No.8, Hal. 198-203.
33
• Liantonie, Febri., Kirana, K.C., dan Muliawati, T.H. (2014) “Adaptive Ant Colony Optimization based Gradien for Edge Detection” Journal of Computer Science, Vol.7. Issue.2, hal.78-84.
• Mullen, R. J., Monekoso, D., Barman, S., dan Remagnino, P. (2009), “A Review of Ant Algorithm”. Elsevier, Vol.36, hal.9608-9617.
• Rahebbi, Javad., Elmi, Zahra., Nia, A.F., dan Shayan, Kamran., (2010), “Digital Image Processing using an Ant Colony Optimization based on Genetic Algorithm” IEEE, Vol.6, N0.10, hal.145-149.
• Sianipar, R.H., (2013), “Pemrograman Matlab dalam Contoh dan Penerapan” 1ed edition, Informatika, Bandung.
• Sian Lu, De., dan Chang Chen, Chien. (2007), “Edge Detection Improving by Ant Colony Optimization”. Elsevier, Vol.29, hal.416-425.
• Sun, Genyung., Liu, Qinhou., Liu, Qiang., Ji, Changyuan., dan li, Xiaowen. (2007) “A Novel Approach for Edge Detection based on The Theory of Universal Gravity” Elsevier, Vol.40, hal.2766-2775.
34
• Shwekhawat, A., Poddar, P., dan Boswal., (2009) Ant colony Optimization Algorithms: Introduction and Beyond, Artificial Intelligence Seminar, Indian Institute of Technology Bombay, India.
• Umbaugh, Scott E., (1998), “Digital Image Processing and Analysis” 2ed edition, CRC Press, New York.
• Verma, Om Prakash., dan Sharma, Rishabh., “An Optimal Edge Detection Using Universal Law of Grafity and Ant Colony Algorithm” IEEE, hal.507-511.
• Yuanjuan, Liang., Hongyu, Feng., Jilun, Zhang., dan Qinglin, Miao. (2012), “Gradient direction based Human Face Positioning Algorithm Applied in Complex Background”. Springer. hal.385-391.
• Zhang, Jian., He, Kun., Zheng, Xiuqing., dan Zhou, Jiliu., (2010), “An Ant Colony Optimization Algorithm for Image Edge Detection” IEEE, Vol.215-219.
35