peningkatan efisiensi waktu komputasi dengan … · pengurangan waktu komputasi dilakukan dengan...
TRANSCRIPT
122
PENINGKATAN EFISIENSI WAKTU KOMPUTASI
DENGAN METODE PEMROGRAMAN DINAMIS
Dyah Sulistyowati Rahayu1*)
, Chastine Fatichah1)
, Rully Sulaiman1)
1)Teknik Informatika, Fakultas Teknologi Informasi
Institut Teknologi Sepuluh Nopember
Surabaya, Indonesia *)
ABSTRAK
Proses segmentasi merupakan tahapan awal yang sangat penting pada berbagai
aplikasi pengolahan citra. Keberhasilan proses segmentasi ikut menentukan hasil akhir aplikasi
yang melibatkan pengolahan citra. Konstruksi histogram ambang jamak merupakan salah satu
metode segmentasi sederhana dengan melakukan analisis terhadap histogram derajat keabuan
citra. Metode Minimum Error Thresholding (MET) adalah metode konstruksi histogram
ambang yang memiliki nilai akurasi tinggi dengan cara menemukan nilai kesalahan klasifikasi
minimum dari perkiraan distribusi Gaussian. Namun, kompleksitas metode tersebut yang
mencapai 256nuntuk ambang jamak menyebabkan tingginya waktu komputasi yang diperlukan.
Penelitian ini mengusulkan penerapan konsep pemrograman dinamis untuk menguragi waktu
komputasi metode MET. Pengurangan waktu komputasi dilakukan dengan melakukan
pemodelan ulang formulasi sehingga dapat mengurangi perhitungan yang berulang dan
menyimpan nilai yang sudah dihitung pada tabel rujukan. Ujicoba yang dilakukan
menunjukkan penerapan konsep pemrograman dinamis dapat secara signifikan mengurangi
waktu komputasi metode tersebut. Rasio waktu komputasi antara metode dengan penerapan
pemrograman dinamis dengan metode tanpa pemrograman dinamis mencapai 1:88 pada jumlah
ambang 4.Semakin banyak jumlah ambangnya maka semakin tinggi pula perbedaan rasio
waktu antar kedua metode.Dengan penerapan konsep pemrograman dinamis tersebut metode
MET ambang jamak dapat diaplikasikan dengan waktu komputasi rasional.
Kata kunci:ambang jamak, histogram, pemrograman dinamis, segmentasi.
ABSTRACT
Segmentation process is an important initial step in many image processing
applications. The result of the segmentation process determines the final outcome of
applications involving image processing. A multi-level thresholding is one of the simple
methods by analyzing the degree of gray image histogram. Minimum Error Thresholding
method (MET) is a thresholding method that has an high accuracy value by finding the
minimum misclassification error of the estimated Gaussian distribution. However, the
complexity of multilevel threshold is 256nthat requiresan high computation time. This research
proposes the application of dynamic programming method for reducing the MET’s time
complexityby remodeling the formulation. The dynamic programming reduces the repetitive
calculation and saves the value in a lookup table. Tests have shown the dynamic programming
can significantly reduce the computation time of MET. The ratio between MET using dynamic
programming and MET without dynamic programming reached 1:88 for the number of
threshold of 4. The greater the number of threshold, the higher the difference of time ratio
between those two methods.By applying the concept of dynamic programming MET
thresholding method can be applied to multilevelthresholding in a rational computation time.
Keywords: multilevel threshold, histogram, dynamic programming, segmentation.
Vol 3, No 3Desember 2013 ISSN 2088-2130
123
1. PENDAHULUAN
Saat ini aplikasi pengolahan
citra banyak dibutuhkan dalam berbagai
bidang.Tidak hanya untuk kepentingan
penelitian, aplikasi yang melibatkan
pengolahan citra banyak diaplikasikan
untuk kepentingan kesehatan,
pendidikan, pengolahan sumber daya
alam, dan berbagai bidang strategis
lainnya.Pengolahan citra selain memiliki
nilai penelitian juga memiliki nilai jual
ekonomis.
Umumnya segmentasi adalah
tahapan awal dari rangkaian pengolahan
citra. Tahap segmentasi yang baik akan
mampu menjadikan hasil akhir yang
baik pula sehingga manfaat aplikasi
dapat tercapai. Salah satu metode
segmentasi sederhana dan telah
digunakan secara luas adalah ambang
citra (thresholding).Ambang citra
bekerja dengan menganalisis persebaran
distribusi intensitas derajat keabuan
citra.Metode tersebut menentukan
ambang citra berdasarkan persebaran
intensitas derajat keabuan citra yang
terbentuk dalam wujud histogram
intensitas.
Ambang citra digolongkan
menjadi dua, yaitu ambang tunggal (bi-
level thresholding) dan ambang jamak
(multilevel thresholding).Ambang
tunggal memisahkan intensitas citra ke
dalam dua kelas. Kelas dengan
intensitas yang kurang dari nilai ambang
tertentu dan kelas dengan intensitas
yang lebih dari atau sama dengan
ambang tertentu. Ambang jamak
memisahkan intensitas citra ke dalam
beberapa kelas yang telah
ditentukan.Masing-masing kelas
beranggotakan intensitas citra dalam
jangkauan yang dipisahkan oleh ambang
yang telah ditentukan.
Sezgin dan Sankur [1]
menggolongkan metode ambang citra ke
dalam enam buah kategori, yaitu metode
berdasarkan bentuk histogram,
berdasarkan konsep pengelompokan,
berdasarkan nilai entropi, berdasarkan
atribut obyek, metode spasial, dan
metode lokal adaptif.Dari ke enam
kelompok tersebut, tiga diantaranya
adalah kelompok dengan metode-
metode yang sampai saat ini masih
digunakan secara luas yaitu metode
berdasarkan bentuk histogram,
pengelompokan, dan entropi.
Metode ambang berdasarkan
bentuk histogram diantaranya
menganalisis puncak dan lembah
histogram dengan menggunakan kernel
[2][3] , menganalisis bentuk histogram
dengan Gaussian [4], menggunakan
konsep dasar convex hull untuk
menemukan cekungan terdalam sebagai
alternatif letak ambang [5], dan juga
menggunakan konsep PMF dengan
pencarian berulang untuk menemukan
varians minimal antara fungsi dengan
histogram [6].
Metode Otsu [7] meminimalkan
variansi intra kelas dan memaksimalkan
variansi antar kelas, metode Minimum
Error Thresholding meminimalkan nilai
kesalahan klasifikasi dari pemodelan
distribusi Gaussian [8][9] dan metode
pengelompokan berdasarkan konsep
Fuzzy [10] adalah contoh metode
ambang berdasarkan konsep
pengelompokan. Sedangkan Metode
berdasarkan nilai entropi yang telah
diusulkan diantaranya oleh Kapoor [11]
dan fuzzy entropi [12].
Metode tersebut juga dapat
dikelompokkan menjadi dua pendekatan
yaitu parametrik dan non-
parametrik.Metode dengan pendekatan
parametrik menentukan nilai ambang
berdasarkan estimasi parameter yang
dari pemodelan distribusi yang paling
sesuai dengan histogram intensitas
citra.Sedangkan metode non-parametrik
menentukan nilai ambang berdasarkan
pencarian nilai yang mengoptimalkan
nilai obyektif tertentu.
Metode non-parametrik lebih
banyak digunakan secara luas karena
Vol 3, No 3Desember 2013
124
kebutuhan waktu komputasinya yang
lebih kecil dibandingkan metode
parametrik. Contoh metode non-
parametrik yang sampai saat ini masih
terus digunakan untuk berbagai aplikasi
pengolahan citra adalah metode Otsu[7],
MET[8], dan entropi[11]. Selain karena
akurasinya yang tinggi, ketiga metode
tersebut menggunakan tahapan yang
cukup sederhana [13][14][15].
Ketiga metode tersebut
merupakan salah satu metode berbasis
pengelompokan dengan hasil akurasi
yang cukup tinggi pada berbagai kasus.
Untuk mengatasi tingginya waktu
komputasi metode tersebut jika
diaplikasikan pada histogram ambang
jamak telah diusulkan penelitian
berbasis metode heuristik [16][17][18].
Pemrograman dinamis diketahui
secara luas sebagai sebuah metode yang
melakukan penyederhanaan
permasalahan dengan membaginya
menjadi beberapa tahapan yang
berurut.Metode ini digunakan sebagai
alat komputasi yang pada banyak kasus
berhasil melakukan optimasi
kompleksitas dari suatu formulasi yang
diselesaikan [19].Konsep pemrograman
dinamis telah diterapkan pada metode
Fast Otsu [20] untuk mengurangi biaya
komputasi pada metode konvensional
Otsu dengan memodelkan ulang bentuk
formulasi pencarian ambang
optimalnya.Metode ini terbukti dapat
mengurangi kompleksitas metode Otsu
konvensional dengan pengurangan
waktu yang signifikan.
Oleh karena itu, penelitian ini
mengusulkan sebuah penerapan metode
pemrograman dinamis pada konstruksi
histogram ambang jamak berdasarkan
nilai minimum kesalahan klasifikasi
yang telah terbukti menjadi kriteria yang
baik dalam menentukan ambang
optimal. Pemodelan pemrograman
dinamis pada metode Fast Otsu akan
diadopsi untuk membentuk model
formulasi metode yang diusulkan
dengan harapan dapat mengurangi biaya
komputasi metode MET konvensional.
2. DATA
Data yang digunakan dalam
penelitian ini adalah citra grayscale
dengan 2 ukuran yang berbeda yaitu 512
x 512 dan 256 x 256.Gambar 1 adalah
citra yang digunakan sebagai data uji
coba.Citra dengan ukuran yang berbeda
digunakan untuk melihat pengaruh
ukuran citra terhadap waktu komputasi
yang diperlukan.
Gambar 1. Citra lena, cameraman, house,
peppers, boat dan livingroom
sebagai data uji coba.
3. METODE MET DENGAN
PEMROGRAMAN DINAMIS
Metode MET dapat
dikembangkan untuk ambang
jamak.Nilai kriteria yang harus
diminumkan untuk mendapatkan
ambang optimum adalah nilai kesalahan
klasifikasi yang didapatkan dari
kesalahan estimasi distribusi Gaussian
dengan data sebenarnya.Nilai kesalahan
Dyah Sulistyowati Rahayu dkk, Peningkatan Efisiensi Waktu Komputasi...
125
klasifikasi dicari dengan persamaan 1
dengan c adalah kelas. Probabilitas kelas
c dihitung menggunakan persamaan 2
dengan piadalah probabilitas intensitas,
n adalah intensitas batas awal setiap
kelas dan N adalah intensitas batas akhir
setiap kelas. Mean dan standar deviasi
kelas dihitung dengan persamaan 3 dan
4.
1
0
]log[log.21)(C
c
ccctJ (1)
;
N
ni
ic p(2)
;/.
N
ni
cic pi
(3)
c
c
t
ti
icc pi1
2
1
)(
(4)
Untuk menyederhanakan
perhitungan tanpa mengubah hasil akhir,
persamaan 1 diubah menjadi persamaan
5 dengan menghilangkan penjumlahan
dan perkalian dengan konstanta.Untuk
memperoleh ambang optimum
digunakan persamaan 6.
C
c c
c
cCtttJ1
121 log),..,,(
(5)
)min(min JJ (6)
Pada umumnya, suatu
permasalahan terdiri dari sub-
permasalahan dengan tipe yang sama.
Pemrograman dinamis adalah sebuah
paradigma algoritmis dimana sebuah
permasalahan diselesaikan dengan
mengidentifikasi rangkaian dari sub-
permasalahan dan mengerjakannya satu
persatu, mulai dari yang terkecil,
menggunakan jawaban dari
permasalahan yang kecil untuk
membantu menemukan jawaban
permasalahan yang lebih besar, sampai
keseluruhan permasalahan diselesaikan
[21].
Metode MET dimodelkan ulang
dengan mengadopsi pemodelan Fast
Otsu. Pemodelan yang digunakan pada
Fast Otsu menerapkan konsep
perhitungan Subset Sum dimana nilai
penjumlahan dari interval tertentu bisa
dihitung dari penjumlahan sebelumnya.
Pemodelan ulang yang digunakan untuk
menghitung nilai probabilitas kelas dan
mean kelas dituliskan pada persamaan 7
dan 8. Pembuktian kebenaran
pemodelan ulang tersebut dijelaskan
pada Gambar 2 dan Gambar 3.
)1,1(),1(),(
)1,1(),1(
)1,1( 1
abba
pbb
p
b
(8)
)1,1(),1(),(
)*()1,1(),1(
)1,1( 1
abba
pbbb
p
b
(9)
Pemodelan ulang untuk standar
deviasi interval kelas tidak
menghasilkan nilai yang sama
persis.Namun nilai yang dihasilkan oleh
pemodelan ulang sebanding dengan nilai
standar deviasi yang sebenarnya.Standar
deviasi diformulasikan ulang pada
persamaan 10.Pembuktian kebenaran
pemodelan ulang tersebut dijelaskan
pada Gambar 4.
)1,1(),1(),(
)).,1(/),1(()1,1(),1(
0)1,1(
abba
pbbbbb b
(10)
Dari nilai probabilitas dan standar
deviasi interval kelas yang sudah
disimpan di dalam sebuah tabel rujukan,
dapat dihitung nilai kesalahan klasifikasi
tiap interval kelas.
Vol 3, No 3Desember 2013
126
Nilai 1 2 3 4 5 6 7 8
Frekuensi 4 5 6 12 8 7 5 3
Probabilitas(N) 0.08 0.1 0.12 0.24 0.16 0.14 0.1 0.06
Probabilitas(1,N) 0.08 0.18 0.3 0.54 0.7 0.84 0.94 1
Mencari nilai probabilitas kelas yang dibatasi intensitas 1 dan 5:
P(1,5) = P(1,4) + P(5)
P(1,5) = 0.54 + 0.16 = 0.7
Pembuktian:
P(1,5) = 0.08 + 0.1 + 0.12 + 0.24 + 0.16 = 0.7
Mencari nilai probabilitas kelas yang dibatasi intensitas 3 dan 6:
P(3,6) = P(1,6) - P(1,2)
P(3,6) = 0.84 - 0.18 = 0.66
Pembuktian:
P(3,6) = 0.12 + 0.24 + 0.16 + 0.14 = 0.66
Gambar 2. Pembuktian pemodelan ulang nilai probabilitas interval kelas
Nilai 1 2 3 4 5 6 7 8
Frekuensi 4 5 6 12 8 7 5 3
Probabilitas(N) 0.08 0.1 0.12 0.24 0.16 0.14 0.1 0.06
Probabilitas(1,N) 0.08 0.18 0.3 0.54 0.7 0.84 0.94 1
Mean(N) 0.08 0.2 0.36 0.96 0.8 0.84 0.7 0.48
Mean(1,N) 0.08 0.28 0.64 1.6 2.4 3.24 3.94 4.42
Mencari nilai mean kelas yang dibatasi intensitas 3 dan 6:
Mean(3,6) = (Mean(1,6) - Mean(1,2))/ Probabilitas(3,6)
Mean(3,6) = (3.24 - 0.28)/(0.84-0.18) = 2.96
Mean(3,6) = 2.96/ 0.66 = 4.48
Pembuktian:
Mean(3,6) =
Mean(3,6) = (0.36 + 0.96 + 0.8 + 0.84)/ (0.84-0.18)
Mean(3,6) = 2.96/ 0.66 = 4.48
Gambar 3. Pembuktian pemodelan ulang nilai mean interval kelas
Untuk mendapatkan nilai
kriteria ambang optimum diperlukan
penjumlahan kesalahan klasifikasi
tiap kelas yang mungkin terbentuk
dari kombinasi ambang.Jumlah
kemungkinan kombinasi sesuai
jumlah ambangnya ditampilkan pada
Tabel 1.Pencarian nilai secara
menyeluruh ini hanya dilakukan satu
kali yaitu untuk mendapatkan jumlah
kesalahan klasifikasi yang minimum
sehingga meskipun kompleksitasnya
tinggi, masih cukup efisien karena
hanya melibatkan operasi
penjumlahan. Pseudocode sistem MET-DP
untuk membentuk tabel rujukan nilai
kesalahan klasifikasi setiap interval
kelas dituliskan pada Gambar 5.Dari
nilai J yang disimpan terssebut
kemudian dilakukan pencarian ambang
yang meminimalkan penjumlahan nilai
kriteria dari setiap kelas.
;/.6
3
)6,3(i
ipi
Dyah Sulistyowati Rahayu dkk, Peningkatan Efisiensi Waktu Komputasi...
127
Nilai 1 2 3 4 5 6 7 8
Frekuensi 4 5 6 12 8 7 5 3
Prob (N) 0.08 0.1 0.12 0.24 0.16 0.14 0.1 0.06
Prob(1,N) 0.08 0.18 0.3 0.54 0.7 0.84 0.94 1
Mean(N) 0.08 0.2 0.36 0.96 0.8 0.84 0.7 0.48
Mean(1,N) 0.08 0.28 0.64 1.6 2.4 3.24 3.94 4.42
Std(1,N) 0 0.044 0.148 0.397 0.648 0.948 1.229 1.444
Mencari nilai standar deviasi kelas yang dibatasi intensitas 3 dan 6:
Std(3,6) = Std(1,6) - Std(1,2)
Std(3,6) = 0.948762 - 0.044444
Std(3,6) = 0.904317
Pembuktian:
Std(3,6) =
Std(3,6) = sqrt(0.000192 + 0.259584 + 0.665856 + 1.293824)
Std(3,6) = 1.489784
Mencari nilai standar deviasi kelas yang dibatasi intensitas 2 dan 4:
Std(2,4) = Std(1,4) - Std(1,1)
Std(2,4) = 0.397333 – 0
Std(2,4) = 0.397333
Pembuktian:
Std(2,4) =
Std(2,4) = sqrt(0.02304+0.262848+1.476096)
Std(2,4) = 1.3273
Mencari nilai standar deviasi kelas yang dibatasi intensitas 4 dan 8:
Std(4,8) = Std(1,8) - Std(1,3)
Std(4,8) = 1.444413 – 0.148444
Std(2,4) = 1.295969
Pembuktian:
Std(2,4) =
Std(2,4) = sqrt(0.013824+0.246016+0.702464+1.04976+1.07865)
Std(2,4) = 1.75044
Gambar 4. Pembuktian pemodelan ulang nilai standar deviasi interval kelas
Tabel 1. Jumlah kemungkinan kelas yang terbentuk sesuai jumlah ambang
No Jumlah
ambang
Jumlah kemungkinan kelas yang terbentuk
1. 1 256
2. 2 )256(
2
1256x
3. 3 )256(
4
1)256(
2
1256 xx
4. 4 )256(
8
1)256(
4
1)256(
2
1256 xxx
5. 5 )256(
16
1)256(
8
1)256(
4
1)256(
2
1256 xxxx
4
2
2
)4,2( .)(i
ipi
6
3
2
)6,3( .)(i
ipi
Vol 3, No 3Desember 2013
128
Gambar 5. Pseudocode pembentukan tabel
Rujukan
4. HASIL UJI COBA
Hasil uji coba menunjukkan
bahwa waktu komputasi MET-DP dan
MET berbeda sangat signifikan. Tabel 2
mendeskripsikan rata-rata waktu
komputasi untuk ukuran citra 512 x 512.
Untuk jumlah ambang 2, rata-rata waktu
komputasi MET-DP dan MET memiliki
rasio 1:20. Untuk jumlah ambang 3,
rasio waktu komputasi antar kedua
sistem yaitu 1:87. Sedangkan waktu
komputasi antara sistem MET-DP dan
MET memiliki perbandingan 1:88.
Metode MET tidak mampu menangani
konstruksi ambang jamak untuk jumlah
ambang 5 karena kompleksitasnya yang
terlalu tinggi.
Waktu komputasi untuk citra
berukuran 256 x 256 ditampilkan pada
Tabel 3. Rasio waktu komputasi antara
MET-DP dengan MET untuk jumlah
ambang 2 adalah 1:20, untuk jumlah
ambang 3 adalah 1:87 dan untuk jumlah
ambang 4 adalah 1:88. Rasio tersebut
meningkat seiring bertambahnya jumlah
ambang.
Tabel 2. Waktu komputasi citra ukuran
512 x 512 dengan jumlah
ambang 2, 3, 4, dan 5
Jumlah
ambang
Waktu komputasi
MET-DP
(detik)
MET
(detik)
2 1.1100 22.4453
3 23.8560 2005.09
4 1479.56 130357
5 86621 > 3 hari
Tabel 3. Waktu komputasi citra
berukuran 256 x 256 dengan
jumlah ambang 2, 3, 4, dan 5
Jumlah
ambang
Waktu komputasi
MET-DP
(detik)
MET (detik)
2 1.1086 22.4188
3 23.8456 2007.15
4 1477.38 130296
5 86568 > 3 hari
Dari kedua tabel tersebut dapat
dibandingkan pula perbedaan waktu
komputasi antara citra berukuran 512 x
512 dengan 256 x 256.Selisih yang ada
tidak terlalu signifikan. Hal ini
disebabkan proses yang melibatkan
ukuran piksel citra hanyalah proses
diawal yaitu pembentukan histogram
citra dan perhitungan probabilitas tiap
intensitasnya.
Gambar 6 menampilkan hasil
segmentasi citra dengan metode MET-
DP dan MET pada jumlah ambang 2.
Gambar 7 dan 8 menampilkan hasil dari
kedua metode tersebut pada jumlah
READ citra ni = histogramCitra Pi = ni/jumlahPikselCitra a=1 REPEAT
b=1 REPEAT IF a=1 AND b=1
0),(
)(*),(
)(),(
ba
bPibba
bPiba
ELSEIF a=1
)(*)1,1(),(
)()1,1(),(
bPibbba
bPibba
IF 0),( ba
)(*)),(/),((
)1,1(),(
bPibabab
bba
ELSE
;0),( ba
END ELSE
)1,1(),1(),(
)1,1(),1(),(
)1,1(),1(),(
abba
abba
abba
END
),(*
)),(/),(log(),(
ba
bababaJ
a=a+1 b=b+1 UNTIL a=255
UNTIL b=256
Dyah Sulistyowati Rahayu dkk, Peningkatan Efisiensi Waktu Komputasi...
129
ambang 3 dan 4.Gambar 9 menampilkan
hasil segmentasi metode MET-DP untuk
jumlah ambang 5.Dari hasil tersebut
terlihat bahwa pada beberapa kasus
MET-DP memiliki kinerja segmentasi
yang lebih baik.
Gambar 6. Hasil segmentasi metode MET-
DP dan MET pada jumlah
ambang 2
Hasil segmentasi metode MET-
DP lebih baik pada beberapa kasus
misalnya pada citra lena dan peppers
pada jumlah ambang 2.
Gambar 7. Hasil segmentasi metode MET-
DP dan MET pada jumlah
ambang 3
Vol 3, No 3Desember 2013
130
Gambar 8. Hasil segmentasi metode MET-
DP dan MET pada jumlah
ambang 4
Gambar 8. Hasil segmentasi metode MET-
DP pada jumlah ambang 5
5. KESIMPULAN
Usulan penerapan metode
pemrograman dinamis untuk
meningkatkan efisiensi waktu komputasi
konstruksi histogram ambang jamak
berbasis nilai kesalahan klasifikasi telah
dilakukan. Dari hasil uji coba dapat
disimpulkan bahwa penerapan
pemrograman dinamis dapat
mengurangi waktu komputasi secara
seignifikan. Terdapat pula perbedaan
waktu komputasi pada citra dengan
ukuran yang berbeda. Namun perbedaan
tersebut tidak signifikan.
6. DAFTAR PUSTAKA
[1] Sezgin, M., & Sankur, B. (2004).
Survey Over Image Thresholding
Techniques and Quantitattive
Performance Evaluation. Journal of
Electronic Imaging Volume 13 ,
146-165.
[2] Sezan, M. I. (1985). A peak
detection algorithm and its
application to histogram-based
image data reduction. Graph,
Dyah Sulistyowati Rahayu dkk, Peningkatan Efisiensi Waktu Komputasi...
131
Models Image Process Volume.29 ,
47-59.
[3] Boukharouba, S., Rebordao, J. M., &
Wendel, P. L. (19855). An
amplitude segmentation method
base on the distribution function of
an image. Graph, Models Image
Process Vol.29 , 47-59.
[4] Tsai, D. M. (1995). A fast
thresholding selection procedure for
multimodal and unimodal
histograms. Pattern Recognition
Letter Vol.16 , 653-666.
[5] Rosenfeld, A., & De la Torre, P.
(1983). Histogram concavity
analysis as an aid in threshold
selection. IEEE Trans. System Man
Cybern SMC-13 , 231-235.
[6] Ramesh, N., Yoo, J. H., & Sethi, I.
K. (271-279). Thresholding based
on histogram approximation . IEEE
Proc. Vision Image SIgnal Process
142 (5) , 1995.
[7] Otsu, N. (1979). A Threshold
Selection Method from Gray-level
Histogram. IEEE Transcations on
Systems and Cybernetics Volume
SMC-9 , 62-66.
[8] Kittler, J., & Illingworth, J. (1986).
Minimum error thresholding.
Pattern Recognition Volume 19 , 41-
47.
[9] Cho, S., Haralick, R., & Yi, S.
(1989). Improvement of kittler and
illingworth's minimum error
thresholding. Patter Recognition
Vol.22 , 609-617.
[10] Jawahar, C. V., Biswas, P. K., &
Ray, A. K. (1997). Investigation on
fuzzy thresholding based on fuzzy
clustering. Patern Recognition
Vol.30 , 1605-1613.
[11] Kapur, J. N., Sahoo, P. K., &
Wong, A. K. (1985). A new method
for gray level picture thresholding
using the entropy of the histogram.
Graph Models Image Process
Vol.29 , 273-285.
[12] Shanbag, A. G. (1994). Utilization
of information measure as a means
of image thresholding. Comput. Vis.
Graph. Image Process Vol.56 , 414-
419.
[13] Huang, D., & Wang, C. (2009).
Optimal Multilevel Thresholding
using a Two Stage Otsu
Optimization. Pattern Recognition
Letters Volume 30 , 275-284.
[14] Xue, J.-H., & Zhang, Y.-J. (2012).
Riddler and Calvard's, Kittler and
Illingworth's and Otsu's methods for
image thresholding. Pattern
Recognition Letters Vol.33 , 793-
797.
[15] Xue, J.-H., & Titterington, D. M.
(2011). Median-based image
thresholding. Image and Vision
Computing Vol.29 , 631-637.
[16] Cuevas, E., Osuna-Enciso, V.,
Zaldivar, D., Perez-Cisneros, M., &
Sossa, H. (n.d.). Multi-threshold
Segmenttaion Based on Artificial
Immune Systems.
[17] Wei, C., & Kangling, F. (2008).
Multilevel thresholding algorithm
based on particle swarm
optimization for image
segmentation. Proceedings of the
27th Chinese Control Conference,
(pp. 348-351). Yunnan.
[18] Yin, P.-Y. (1999). A fast scheme
for optimal thresholding using
genetic algorthm. Signal Processing
Vol 72 , 85-89.
[19] Lew, A., & Mauch, H. (2010).
Dynamic Programming: A
Computational Tools. Berlin:
Springer.
[20] Liao, P., Chen, T., & Chung, P.
(2001). A Fast Algorithm for
Multilevel Thresholding. Journal of
Information SCience and
Engineering Volume 17 , 713-727.
[21] Dasgupta, S., Papadimitriou, C. H.,
& Vazirani, U. (2006, October 03).
Electrical Engineering and
Computer Sciences UC Berkeley
Official. Retrieved March 1, 2013,
from www.cs.berkeley.edu:
www.cs.berkeley.edu/~vazirani/algo
rithms/chap6.pdf
Vol 3, No 3Desember 2013