PENGESANAN SISI MENGGUNAKAN LOGIK KABUR DAN SISTEM INFEREN KABUR (FIS) NUR IQTIFFAH BINTI MAKSAN @ MARX’S DISERTASI INI DIKEMUKAKAN UNTUK MEMENUHI SEBAHAGIAN DARIPADA SYARAT MEMPEROLEHI IJAZAH SARJANA MUDA DENGAN KEPUJIAN PROGRAM MATEMATIK DENGAN GRAFIK BERKOMPUTER FAKULTI SAINS DAN SUMBER ALAM UNIVERSITI MALAYSIA SABAH 2019 PENGAKUAN Saya akui karya ini adalah hasil kerja saya sendiri kecuali nukilan dan ringkasan yang setiap satunya telah dijelaskan sumbernya. NUR IQTIFFAH BINTI MAKSAN @ MARX’S (BS16110316) 26 APRIL 2019 I DIPERAKUKAN OLEH Tandatangan Penyelia (Dr. SUZELAWATI ZENIAN) II KANDUNGAN Muka Surat PENGAKUAN I DIPERAKUKAN OLEH II KANDUNGAN III SENARAI JADUAL VI SENARAI RAJAH VII SENARAI SINGKATAN XII SENARAI SIMBOL XIII SENARAI RUMUS XIV BAB 1 PENGENALAN 1.1 Pengenalan 1 1.2 Operasi Pemprosesan Imej 4 1.3 Latar belakang Masalah 8 1.4 Pernyataan Masalah 10 1.5 Matlamat 11 1.6 Objektif 11 1.7 Skop Penyelidikan 11 1.8 Justifikasi 12 BAB 2 KAJIAN LITERATUR 2.1 Pengenalan 13 2.2 Pengesanan Sisi 13 2.2.1 15 2.3 Jenis-jenis Sisi Kaedah Pengesanan Sisi 17 2.3.1 Kaedah berdasarkan ambangan 17 2.3.2 Kaedah Sempadan 18 2.3.3 Kaedah Ubah Hough 19 III 2.4 Kaedah baru dan aplikasi untuk pengesanan sisi 19 2.4.1 19 Pengesanan sisi berdasarkan perubahan wavelet dan aplikasinya 2.4.2 Pengesanan sisi berdasarkan morfologi 20 matematik dan aplikasinya 2.4.3 Pengesanan sisi berdasarkan geometri fraktal 21 (fractual geometry) dan aplikasinya 2.5 Teori Set Kabur 22 2.5.1 Fungsi Keahlian 23 2.5.2 Pembolehubah Linguistik 24 2.5.3 Sistem Peraturan Asas 25 2.5.4 Penaakulan Kabur 25 2.5.5 Sistem Inferen Kabur 26 2.6 Pemprosesan Imej Kabur 28 2.7 Perbezaan antara pengesanan sisi klasik dan 29 pengesanan sisi logik kabur 2.8 Perbincangan 30 BAB 3 KAEDAH KAJIAN 3.1 Pengenalan 31 3.2 Rangka kerja untuk disertasi 31 3.2.1 Fasa 1 : Fasa Penyelidikan 32 3.2.2 Fasa 2 : Fasa Pelaksanaan 32 3.2.3 Fasa 3 : Fasa Kesimpulan 32 3.3 Pemprosesan pra imej 34 3.4 Teknik pengesanan sisi klasik 35 3.4.1 Pengesan Sisi Canny 36 3.4.2 Pengesan Sisi Prewitt 37 3.4.3 Pengesan Sisi Robert 38 3.4.4 Pengesan Sisi Laplacian of Gaussian 38 IV 3.5 Sistem Kabur 38 3.5.1 Langkah pertama : Pengiraan Jarak Kecerahan 39 3.5.2 Langkah kedua : Penilaian Jarak Kecerahan 41 3.6 Hasil Jangkaan 45 3.7 Pengiraan Hasil 48 3.8 Kesimpulan 48 RUJUKAN 49 V SENARAI JADUAL NOMBOR JADUAL 2.1 MUKA SURAT Ringkasan untuk sejarah penyelidikan 23 set kabur. 2.2 Perbezaan antara pengesan sisi klasik 29 dan pengesan sisi logik kabur. 3.1 Peringkat pertama peraturan kabur. 42 3.2 Peringkat kedua peraturan kabur. 43 VI SENARAI RAJAH NOMBOR RAJAH 1.1 MUKA SURAT Gambar RGB Bersama komponen RGB : 2 (a) Gambar RGB, (b) Komponen R, (c) Komponen G, (d) Komponen B (Sumber : Zhou et.al, 2010). 1.2 Contoh kepada proses pemerolehan imej 3 digital. (a) Sumber tenaga (“Pencahayaan”), (b) Unsur untuk adegan, (c) Sistem pengimejan, (d) Unjuran pemandangan kepada satah gambar, (e) Imej digital (Sumber: Rafael & Richard, 2010). 1.3 Illustrasi kepada pensampelan dan kuantitatif imej. 4 (a) Imej asal, (b) Imej pensampelan, (c) Imej di bawah proses pengiraan (Sumber: Zhou et al, 2010). 1.4 Langkah-langkah asas dalam pemprosesan 4 imej digital. (Sumber: Rafael & Richard, 2010). 1.5 (a) Imej asal (b) Imej selepas pemulihan 5 (Sumber: Rafael & Richard, 2010). 1.6 (a) Imej asal (b) Imej selepas penambahbaikan 6 (Sumber: Rafael & Richard, 2010). 1.7 (a) Imej asal (b) Imej selepas mampatan 7 (Sumber: Steven W.Smith, 2011). 1.8 (a) Imej asal (b) Imej selepas segmentasi (Sumber: Rakest et.al, 2004). VII 7 1.9 (a) Lutut (b) Tulang belakang 8 Sumber: Rafael & Richard, 2010). 2.1 (a) Sisi langkah (b) Sisi tanjakan 15 (c) Sisi atap cembung (d) Sisi atap cengkung (e) Sisi garisan (Sumber: Gonzalez et al.,2008). 2.2 (a) model sisi langkah dengan profil 16 keamatan yang sepadan (b) model sisi tanjakan dengan profil keamatan yang sepadan (c) model sisi atap dengan profil keamatan yang sepadan (Sumber: Gonzalez et al.,2008). 2.3 Profil sisi tanjakan (kiri bawah), sisi 17 langkah (atas, kanan) dan sisi atap (bawah kanan). Profil tanjakan mempunyai sembilan piksel dan profil langkah mempunyai dua piksel. Asas sisi atap mempunyai tiga piksel (Sumber: Gonzalez et al.,2008). 2.4 Jenis bentuk untuk fungsi keahlian. 24 (a) Seperti fungsi keahlian berbentuk tiga segi (b) Fungsi keahlian berbentuk trapezium (c) Fungsi keahlian-S (d) Fungsi keahlian sigmoid (e) Fungsi keahlian Gaussian dan (f) Fungsi keahlian Gaussian (Sumber : Rajabi et al., 2010). 2.5 Pembolehubah Linguistik “Umur” 25 (Sumber:Zimmermann, 2010). 2.6 Penaakulan kabur (Sumber: Kansal, 2010). 26 2.7 Sistem inferen kabur. (Sumber: Kansal, 2010). 26 VIII 2.8 Pengubahsuaian fungsi keahlian 27 (Sumber: Kansal, 2010). 2.9 Pemprosesan imej kabur (Sumber: Kansal, 2010). 28 2.10 Langkah-langkah dalam pemprosesan 28 imej kabur (Sumber: Kansal, 2010). 3.1 Keseluruhan rangka kerja untuk 33 disertasi dalam pengesanan sisi. 3.2 Matrik 3x3 tetingkap (Sumber: Patel, 2013). 34 3.3 Pembentukan matrik 3 x 3 tetingkap 34 Pengesan Sisi Sobel (a) arah x (b) arah y. 3.4 Matrik 3 x 3 tetingkap Pengesan Sisi Sobel 36 pada arah x dan y (Sumber:Sleit, Saadeh, & Mobaideen, 2016). 3.5 Pembentukkan matrik 2 x 2 tetingkap bagi 37 pengesan sisi Roberts (Sumber: Senthilkumaran & Rajesh, 2009). 3.6 Matrik 3 x 3 tetingkap bagi pengesan 38 sisi Prewitt (Sumber: Senthilkumaran & Rajesh, 2009). 3.7 Arah sisi (Sumber:Sleit et al., 2016). 39 3.8 Kumpulan arah (Sumber:Sleit et al., 2016). 39 IX 3.9 Fasa pertama sistem kabur, 41 (a) fungsi keahlian bagi pembolehubah input SID, (b) fungsi keahlian bagi pembolehubah input untuk kedua-dua PID0 dan PID1, (c) fungsi keahlian bagi pembolehubah output (Sumber: Sleit et al., 2016). 3.10 Fasa-kedua sistem kabur, (a) Fungsi 42 keahlian untuk pembolehubah input, (b) Fungsi keahlian untuk pembolehubah output (Sumber: Sleit et al., 2016). 3.11 Imej babun, (a) Imej asli, (b) Hasil teknik 44 yang dicadangkan, (c) Sobel dengan ambang=0.08, (d) Canny dengan ambang yang sesuai yang dipilih oleh MATLAB (Sumber : Sleit et.al.,2016). 3.12 Imej rama-rama, (a) Imej asli, 44 (b) Hasil teknik yang dicadangkan, (c) Sobel dengan ambang=0.08, (d) Canny dengan ambang yang sesuai yang dipilih oleh MATLAB (Sumber : Sleit et.al.,2016). 3.13 Imej jurukamera, (a) Imej asli, (b) Hasil teknik yang dicadangkan, (c) Sobel dengan ambang=0.08, (d) Canny dengan ambang yang sesuai yang dipilih oleh MATLAB (Sumber : Sleit et.al.,2016). X 45 3.14 Imej bangunan, (a) Imej asli, 45 (b) Hasil teknik yang dicadangkan, (c) Sobel dengan ambang=0.08, (d) Canny dengan ambang yang sesuai yang dipilih oleh MATLAB (Sumber : Sleit et.al.,2016). 3.15 Imej Lena, (a) Imej asli, 46 (b) Hasil teknik yang dicadangkan, (c) Sobel dengan ambang=0.08, (d) Canny dengan ambang yang sesuai yang dipilih oleh MATLAB (Sumber : Sleit et.al.,2016). 3.16 Imej mancis, (a) Imej asli, (b) Hasil teknik yang dicadangkan, (c) Sobel dengan ambang=0.08, (d) Canny dengan ambang yang sesuai yang dipilih oleh MATLAB (Sumber : Sleit et.al.,2016). XI 46 SENARAI SINGKATAN R Warna Merah (Red) G Warna Hijau (Green) B Warna Biru (Blue) EM Spektrum Electromagnet (Electromagnetic spectrum) JPEG Joint Photographic Experts Group 2-D Dua Dimensi 3-D Tiga Dimensi LoG Laplacian of Gaussian π»π Penapis Pas-Tinggi (High-pass Filter) FIS Sistem Inferen Kabur (Fuzzy Inference System) πππ Magnitud Sempurna ππ Fungsi Objektif ππ Darjah bagi persilangan jarak antara π0 dan π1 π·π Jumlah dua darjah bagi persilangan jarak antara piksel π0 dan π1 πΈπππ Kecerahan sisi ππΌπ· Jarak Kumpulan Kecerahan (Set Intensity Distance) SD Sisihan Piawai (Standard Deviation) PID Jarak Kecerahan Piksel (Pixels Intensity Distance) PID0 Jarak Kecerahan Piksel (Pixels Intensity Distance) untuk kumpulan π0 PID1 Jarak Kecerahan Piksel (Pixels Intensity Distance) untuk kumpulan π1 MSE Min Ralat Kuasa Dua (Min Square Error) PSNR Nisbah Isyarat-Ke Hingar Puncak (Peak Signal to Noise Ratio) XII SENARAI SIMBOL π(π₯, π¦) Fungsi dua dimensi π₯, π¦ Koordinat Satah 3x3 Matrik tiga kali tiga untuk tetingkap πΊπ₯ Kecerunan pada arah x πΊπ¦ Kecerunan pada arah y βπ·π» Kernel untuk operasi Sobel pada arah x βπ·π Kernel untuk operasi Sobel pada arah y |πΊ| Kecerunan Magnitud π‘ππ−1 Tangen π(π₯, π¦) Penapis Gaussian ∇2 π(π₯, π¦) Operasi Laplacian π€1 , π€2 , π0 , π1 Purata bagi kecerahan di dalam piksel π0 dan π1 ππ ,ππ Dua kecerahan piksel di dalam kumpulan yang sama π0 Kumpulan piksel pertama π1 Kumpulan piksel kedua Μ Μ Μ ππ Purata kecerahan bagi piksel di dalam π0 πΜ 1 Purata kecerahan bagi piksel di dalam π1 R Nilai keamatan tertinggi πΌ Imej asal πΌ1 Imej asal πΌ2 Imej hasil pengesanan sisi πππ Logaritma M×N Piksel input imej XIII SENARAI RUMUS NOMBOR RUMUS RUMUS 3.1 −1 0 πΊπ₯ = [−2 0 −1 0 1 2] 1 1 2 1 πΊπ¦ = [ 0 0 0] −1 −2 −1 3.2 −1 −2 −1 π»π = [−2 12 −2] −1 −2 −1 3.3. βπ·π» = πΊπ₯ × πΌ 3.4 βπ·π = πΊπ¦ × πΌ 3.5 βπ»π = βπ»π × πΌ 3.6 πππ = √(βπ·π»)2 + (βπ·π)2 2 2 π₯ +π¦ 1 − 2π2 π 2 2ππ 3.7 π(π₯, π¦) = 3.8 |πΊ| = √πΊπ₯ 2 + πΊπ¦ 2 3.9 |πΊ| = |πΊπ₯ | + |πΊπ¦ | 3.10 π = tan−1 (|πΊπ¦|) 3.11 πΊπ₯ = π(π, π) − π(π + 1, π + 1) 3.12 πΊπ¦ = π(π + 1, π) − π(π, π + 1) |πΊ | π₯ XIV π2 π π2 π 3.13 ∇2 π(π₯, π¦) = ππ₯ 2 + ππ¦2 3.14 ππ = (πΏ − 1) × π·π 3.15 ππ = min (1, 3.16 π·π = 1 + 15 ∑π0 min (1, 3.17 πΈπππ = πππ₯(π1 , π2 , π3 , π4 ) 3.18 Μ Μ Μ 0 − πΜ 1 | ππΌπ· = |π 3.19 Μ Μ Μ 0 = ∑π=1 πππ0 π 6 3.20 ∑ πππ πΜ 1 = π=13 1 3.21 ππΌπ·0 = √ 3.22 ππΌπ·1 = √ 3.23 πππΈ = 3.24 ππππ = 10 log10 (πππΈ) ππ |π0 −π1 | ) π€1 1 |ππ −ππ | π€2 6 3 2 Μ Μ Μ ∑6π=1(ππ −π 0) 5 2 Μ Μ Μ ∑6π=1(ππ −π 1) 2 ∑π,π[πΌ1 (π,π)−πΌ2 (π,π)]2 π×π π 2 XV 1 ) + 3 ∑π1 min (1, |ππ −ππ | π€2 ) Bab 1 PENGENALAN 1.1 Pengenalan Imej boleh didefinisikan sebagai fungsi dua-dimensi, π(π₯, π¦), di mana π₯ dan π¦ adalah koordinat satah (spatial) , dan amplitud bagi π pada mana-mana koordinat (π₯, π¦) dipanggil sebagai keamatan atau tahap kelabu bagi imej pada titik tersebut. Apabila π₯, π¦ dan nilai bagi keamatan untuk π adalah terhingga iaitu kuantiti diskret, imej digelar sebagai imej digital. Di dalam bidang Pemprosesan Imej digital merujuk kepada pemprosesan imej digital dengan cara komputer digital. Imej digital merupakan susunan bagi bilangan unsur-unsur yang terhingga, di mana setiap satu mempunyai lokasi dan nilai yang tertentu. Unsur-unsur tersebut dipanggil sebagai unsur-unsur gambar, unsur-unsur imej, pels dan piksel. Piksel merupakan terma yang sering digunakan secara meluas iaitu merujuk kepada unsur-unsur bagi imej digital (Gonzalez, Woods, Scott, & Hall.). Gambar yang berwarna mengiringi informasi dimensi yang tinggi berbanding gambar kelabu seperti nilai merah (red), hijau (green) dan biru (blue) adalah biasa digunakan dalam pelbagai kombinasi untuk menghasilkan gambar yang berwarna dalam dunia nyata. Rajah 1.1 menunjukkan contoh gambar RGB bersama komponen R, G, B yang digunakan untuk menghasilkan gambar berwarna (Zhou, Wu, & Zhang.) 1 Rajah 1.1 Gambar RGB bersama komponen R, G, B : (a) Gambar RGB, (b) Komponen R, (c) Komponen G, (d) Komponen B (Sumber: Zhou et al.,2010). Terdapat tiga jenis proses berkomputer di dalam pemprosesan imej iaitu proses tahap-rendah, proses tahap-tengah dan proses tahap-tinggi. Proses tahap-rendah adalah dicirikan oleh asas bahawa kedua-dua input dan output-nya adalah imej. Proses tahap-tengah pula pemprosesan pada imej yang melibatkan tugas-tugas seperti segmentasi (pembahagian imej kepada kawasan atau objek), penerangan tentang objek-objek tersebut untuk mengurangkannya kepada bentuk yang lebih sesuai untuk pemprosesan komputer, dan pengkelasan (pengiktirafan) terhadap objek secara individu. Proses tahap-tengah juga dicirikan oleh asas bahawa secara amnya input tersebut sahaja adalah imej. Manakala output tersebut adalah ciri yang diperolehi daripada imej tersebut (sebagai contoh sisi (edges), kontur (contours) dan identiti individu objek). Penglihatan (Vision) merupakan deria yang paling menarik bagi manusia. Maka, tidak hairanlah bahawa imej memainkan peranan yang paling penting dalam persepsi manusia., Penglihatan manusia terhad kepada spektrum electromagnet (electromagnetic spectrum (EM)) akan tetapi mesin pengimejan merangkumi hampir keseluruhan spektrum EM, lingkungan daripada sinar gamma sehingga gelombang radio. Mesin boleh beroperasi pada imej yang dihasilkan oleh sumber yang di mana manusia tidak biasa mengaitkan dengan imej. Ini termasuklah ultrabunyi, mikroskop elektron dan imej dijana-komputer (computer-generated). Oleh itu, pemprosesan imej digital merangkumi bidang aplikasi yang luas dan pelbagai. 2 Dalam pemprosesan imej, proses pendigitalan melibatkan dua operasi utama, iaitu pensampelan (sampling) dan kuantitatif (quantization). Tujuan proses pendigitalan dalam sesebuah gambar adalah untuk menukarkan imej (yang direkod pada filem fotografi) kepada bentuk digital (bentuk komputer). Gambar 1.2 menunjukkan contoh kepada proses pemerolehan imej digital (Gonzalez et al.,et.al.). Rajah 1.2 Contoh kepada proses pemerolehan imej digital. (a) Sumber tenaga (“Pencahayaan”) (b) Unsur untuk adegan (c) Sistem pengimejan (d) Unjuran pemandangan kepada satah gambar (e) Imej digital (Sumber: Rafael & Richard, 2010). Pensampelan adalah proses pendigitalan nilai koordinat. Manakala, pendigitalan amplitud digelar sebagai kuantitatif (quantization). Proses pengiraan merubah nilai keamatan kecerahan kepada bentuk diskret. Rajah 1.3 menunjukkan contoh kepada imej pensampelan dan pengiraan. Rajah 1.3 (b) menunjukkan resolusi imej adalah dikurangkan. Resolusi adalah merujuk kepada bilangan piksel dalam imej. Manakala, Rajah 1.3 (c) menunjukkan tahap kelabu (keamatan) imej berkurang berbanding (a) (Zhou et al.). 3 Rajah 1.3 Illustrasi kepada pensampelan dan kuantitatif imej. (a) Imej asal, (b) Imej pensampelan, (c) Imej di bawah proses pengiraan (Sumber: Zhou et al, 2010). 1.2 Operasi Pemprosesan Imej Terdapat beberapa langkah asas dalam pemprosesan imej digital. Langkah-langkah tersebut dapat diringkaskan di dalam Rajah 1.4. Rajah 1.4 Langkah-langkah asas dalam pemprosesan imej digital. (Sumber: Rafael & Richard, 2010). 4 Pemprosesan imej boleh dikategorikan kepada empat proses utama: i. Pemulihan Imej : Pemulihan adalah proses tahap-rendah di mana melibatkan penyingkirkan hingar dalam imej dan memulihkan imej lama (dari segi kualiti imej). Tujuan utama untuk proses ini adalah mencuba untuk mengurangkan kerosakan spesifik dalam imej dan memperbaiki kualiti imej. Pemulihan adalah proses songsang bagi proses degradasi (kemerosotan) yang digunakan untuk menganggarkan kejelasan imej asal. Rajah 1.5 (a) Imej asal (b) Imej selepas pemulihan (Sumber: Rafael & Richard, 2010). 5 ii. Penambahbaikan Imej: Penambahbaikan merupakan proses untuk menambahbaik kualiti sesebuah gambar dengan menggunakan beberapa kaedah. Tujuan utama kaedah penambahbaikan imej adalah untuk memproses imej untuk memastikan bahawa hasil imej lebih sesuai untuk dianalisis oleh mesin. Proses ini selalu digunakan untuk meningkatkan kontras dalam imej dengan menyesuaikan histogramnya. Rajah 1.6 (a) Imej asal (b) Imej selepas penambahbaikan (Sumber: Rafael & Richard, 2010). iii. Mampatan Imej: Mampatan adalah operasi untuk mengurangkan jumlah data yang diperlukan untuk mewakili sesebuah imej. Biasanya, imej akan disimpan dalam bentuk JPEG (Joint Photographic Experts Group) dan mengurangkan saiz sesebuah imej akan mengurangkan kualiti imej tersebut. Mampatan mempunyai dua pendekatan utama iaitu Mampatan Kurang Hilang (Lossless Compression) dan Mampatan Hilang (Lossly Compression). Kesemua informasi dalam Mampatan Kurang Hilang dipulihkan secara keseluruhan. Dalam Mampatan Hilang pula, sesetengah informasi akan dibuang secara kekal terutamanya informasi yang berlebihan. 6 Rajah 1.7 (a) Imej asal (b) Imej selepas mampatan (Sumber: Steven W.Smith, 2011). iv. Segmentasi Imej: Segmentasi adalah proses tahap-tengah yang memproses pembahagian sesebuah imej kepada beberape bahagian. Segmentasi adalah berdasarkan pengesanan sisi yang jelas dan perubahan dalam keamatan. Terdapat tiga jenis ciri-ciri imej iaitu garisan, titik dan pengesanan sisi. Sisi merupakan garis asal sesebuah bentuk atau objek, perbezaan antara warna dan corak. v. Rajah 1.8 (a) Imej asal (b) Imej selepas segmentasi (Sumber: Rakest et.al, 2004). 7 Imej merupakan cara yang selalu manusia gunakan untuk menyampaikan dan menghantar informasi tentang kedudukan, warna dan saiz. Hal ini kerana, imej boleh menjelaskan orang, haiwan, pemandangan, imej keputusan perubatan dan lain-lain. Aplikasi pemprosesan imej digital telah digunakan secara meluas di dalam pelbagai bidang dan kerjaya. Sebagai contoh, pengimejan perubatan, forensik, pengangkutan, penginderaan jauh, fotografi dan lain-lain. Kewujudan pelbagai teknik ini adalah bertujuan untuk membenarkan manusia untuk mendapatkan sesebuah imej yang berkualiti tinggi dan dapat menyampaikan informasi dengan tepat. Selain itu, ia juga dapat meningkatkan kualiti kerja dalam bidang tersebut. Rajah 1.9 menunjukkan contoh imej yang menggunakan pemprosesan imej digital dalam bidang perubatan. Rajah 1.9 (a) Lutut (b) Tulang belakang (Sumber: Rafael & Richard, 2010). 1.3 Latar belakang Masalah Pengesanan sisi merupakan langkah yang penting kerana ia merupakan langkah pertama dalam pelbagai operasi imej seperti pengesanan sempadan, pengiktirafan objek dan pengkelasan. Pengesanan sisi mempunyai pelbagai teknik yang telah dicadangkan seperti Sobel, Robert, Canny, Prewitt dan Laplacian of Gaussian. Teknikteknik seperti Sobel, Robert, Canny dan Prewitt digunakan berdasarkan pengiraan tahap kecerunan. Dengan menggunakan kecerunan, pengesanan sisi dilakukan dengan mencari maksimum dan minimum dalam terbitan pertama imej. Akan tetapi, teknik Laplacian mencari persilangan-sifar dalam terbitan kedua imej. Pengesanan Sisi Robert dicadangkan oleh Lawrence Robert pada tahun 1965. Proses yang dilakukan oleh Robert adalah dengan menjadikan imej kepada lukisan 8 garisan, mengubah lukisan garisan itu kepada model tiga dimensi dan akhir sekali mempamerkan struktur tiga dimensi dengan kesemua garisan yang tersembunyi dikeluarkan, dari mana-mana sudut pandangan. Algoritma silang Robert melaksanakan lingkaran kecerunan ruang 2-D pada imej. Idea utama adalah untuk menghasilkan sisi mendatar dan sisi menegak secara berasingan dan kemudian meletakkan mereka bersama-sama untuk mendapatkan hasil pengesanan sisi. Pengesan Sisi Robert sensitif terhadap hinggar, kernel kecil dan kurang berfungsi terhadap sisi yang kurang jelas (Vincent, 2009). Pada tahun 1970, Pengesan Sisi Sobel diperkenalkan oleh Sobel. Pengesan Sisi Sobel hampir sama dengan Pengesan Sisi Robert. Operator Sobel adalah salah satu contoh kaedah kecerunan. Pengesan Sisi Sobel juga melaksanakan pengukuran kecerunan 2-D satah (spatial) terhadap imej. Selain itu, pengendali Sobel juga adalah pengendali pembezaan berasingan yang mengira anggaran sesuatu kecerunan fungsi keamatan imej (Vincent, 2009). Bezanya adalah kaedah Sobel menggunakan dua kernel untuk mendapatkan keamatan sisi dalam arah menegak dan mendatar. Kernel boleh digunakan secara berasingan kepada imej yang dimasukkan untuk menghasilkan ukuran kecerunan yang berasingan dalam setiap arah. Kemudian,ia boleh digabungkan untuk mencari magnitud kecerunan untuk setiap piksel. Pengesan Sisi Sobel mempunyai pengurangan hingar yang lebih baik dan amat disyorkan dalam komunikasi data yang besar (Sleit, Saadeh, et.al.,2016). Seterusnya, Pengesan Sisi Prewitt telah diperkenalkan pada tahun 1970 untuk menentukan magnitud dan orientasi sesuatu sisi. Akan tetapi, pengesan sisi ini terhad pada lapan orientasi yang mungkin. Kebanyakan orientasi langsung adalah tidak tepat (Senthilkumaran & Rajesh, 2009). Pengesan Sisi Prewitt amat sensitif terhadap hingar dan hanya boleh dilaksanakan dengan baik dalam imej yang kurang hingar. Operator Pengesanan Sisi Canny telah dibangunkan oleh John F.Canny pada tahun 1986. Pengesan sisi Canny menggunakan pelbagai peringkat algoritma untuk mengesan pelbagai jenis sisi dalam imej. Pengesan Sisi Canny merupakan pengesan sisi yang kompleks di mana ia mengambil masa yang panjang dengan ketara dalam keputusan pengiraan. Canny (1986) mempertimbangkan masalah matematik yang menghasilkan penapis penyelarasan yang optimum yang ditetapkan kriteria pengesanan, penempatan dan mengurangkan pelbagai reaksi terhadap satu sisi. Canny juga memperkenalkan tanggapan terhadap penapis separa-pelicinan (pre- smoothing), titik sisi adalah ditakrifkan sebagai titik di mana kecerunan magnitud 9 diandaikan sebagai maksima tempatan dalam arah kecerunan (Vincent, 2009). Kaedah Canny mencari sisi yang jelas dengan mengambil kecerunan imej menggunakan kernel yang sama dengan operator Sobel untuk mencari kecerunan dalam kedua-dua arah (Sleit et al., 2016). Teknik Laplacian of Gaussian atau Marr Hildrith (1890) adalah kaedah mengesan sisi dalam imej yang mempunyai sisi yang berbentuk lengkung bersambung secara berterusan. Di mana terdapat kecerahan imej yang dibina dengan baik dan variasi dengan lebih cepat. Kaedah ini mudah dan beroperasi dengan menggunakan fungsi LoG (Myilsamy, 2011). Algoritma yang diperkenalkan oleh Marr-Hildreth mengesan persilangan-sifar dalam fungsi terbitan kedua dalam domain Laplacian sebagai piksel sisi (Tab & Shahryari, 1896). Pengesan sisi Marr-Hildrith merupakan pengesan sisi yang popular sebelum Canny mencadangkan algoritma beliau. Ia menggunakan pengendali berdasarkan kecerunan di mana menggunakan Laplacian yang menggunakan terbitan kedua dalam sesebuah gambar. Ia menggunakan kedua-dua operator Gaussian dan laplacian supaya operator Gaussian dapat mengurangkan hingar dan operator Laplacian dapat menajamkan sisi. Walau bagaimanapun, Pengesanan Sisi Marr-Hildrith sukar untuk digunakan disebabkan ianya bertindak balas dengan sisi yang tidak sesuai, atau dikenali sebagai “sisi-salah” dan pengesanan sisi yang sangat teruk jika imej mempunyai sisi yang berlengkung (Kumar & Saxena, 2013). 1.4 Pernyataan Masalah Dalam pemprosesan imej dan penglihatan (vision) komputer, pengesanan sisi merupakan isu yang amat rumit. Kebanyakan teknik pengesan sisi yang telah wujud amat sensitif terhadap hingar. Pengesan yang menggunakan kaedah dasar-kecerunan mempunyai saiz penapis kernel yang tetap yang mana berkemungkinan tidak dapat dilaksanakan dengan sempurna dalam sesetengah imej. 10 Di dalam disertasi ini, pengesan sisi kabur digunakan untuk mengesan sesuatu sisi. Selain itu, ia juga boleh meningkatkan sisi dan membuat imej yang terhasil lebih jelas. Seterusnya, ia boleh mendapatkan peta sisi yang lebih baik dan mengurangkan hingar berbanding dengan pengesan sisi yang klasik. Di samping itu, logik kabur merupakan alat untuk mengatasi ketidaksempurnaan yang dihadapi apabila menggunakan pengesanan sisi klasik dan dapat menggambarkan imej dengan lebih baik dan menggunakan proses berdasarkan pengetahuan manusia dalam bentuk peraturan jika-maka kabur. 1.5 Matlamat Matlamat disertasi ini adalah untuk mengkaji algoritma pengesan sisi menggunakan dua teknik iaitu logik kabur dan sistem inferen kabur (FIS). 1.6 Objektif Objektif untuk disertasi ini adalah: a) Untuk melaksanakan logik kabur dan sistem inferen kabur (FIS) ke atas sisi. b) Untuk membandingkan hasil sesebuah imej dengan menggunakan pengesan sisi klasik dan dua pengesan sisi kabur yang dicadangkan. 1.7 Skop Penyelidikan Dalam disertasi ini, skop penyelidikan adalah: a) Teknik yang dicadangkan adalah tertumpu kepada imej berskala kelabu. Pertama sekali, imej yang dimasukkan perlulah ditukarkan ke dalam imej berskala kelabu sebelum proses pengesanan sisi dilaksanakan. b) Kaedah pengesan sisi yang dicadangkan adalah terhad kepada logik kabur, pengesan sisi Sobel, pengesan sisi Canny dan sistem inferen kabur (FIS). 11 1.8 Justifikasi Pengesanan sisi amatlah penting dalam pelbagai bidang dan kerjaya yang dapat digunakan di dalam menyelesaikan pelbagai masalah. Ciri-ciri pengesanan sisi yang penting adalah amplitud, orientasi serta lokasi. Berdasarkan ciri-ciri tersebut, pengesan dapat menentukan bahawa ianya adalah sisi yang betul atau sisi yang salah. Masalah utama di dalam pengesanan sisi tradisional adalah sesetengah sisi tidak kelihatan dengan jelas di dalam gambar. Oleh kerana itu, logik kabur merupakan cara yang alternatif untuk menyelesaikan masalah tersebut. Terdapat pelbagai kaedah dalam pengesanan sisi kabur. Sebagai contoh, set kabur, penalaran kabur, entropi kabur berdasarkan pengesan sisi (Hanmandlu & See,et.al) ,pengesan sisi Sobel kabur merupakan contoh kabur berdasarkan pengesan sisi (Mamoria, 2017). Di dalam disertasi ini, penekanan dalam penggunaan teknik kabur di dalam pengesanan sisi untuk menghasilkan imej yang lebih jelas. Teknik kabur yang digunakan di dalam disertasi ini adalah logik kabur dan sistem inferen kabur (FIS). 12 BAB 2 Kajian Literatur 2.1 Pengenalan Sisi merupakan batas bagi sesuatu objek, dan dibezakan melalui ciri seperti kelabu, warna atau ketidaksinambungan tekstur. Ciri samar-samar dan geometri, keadaan pencerahan dan jumlah hingar memberi kesan yang sangat besar terhadap pembentukan sesuatu sisi (Tab & Shahryari, 1896). Sisi adalah sempadan antara sesuatu objek dan latar belakang. Sisi mengenalpasti sempadan antara objek yang bertindih atau tidak bertindih. Sisi mengandungi informasi imej yang sangat penting dan memperlengkapkan dengan informasi tentang kedudukan atau lokasi sesuatu objek. Jika sisi di dalam sesebuah imej dapat dikenalpasti dengan tepat, semua objek akan dapat dikenalpasti kedudukannya dan ciri-ciri asasnya seperti luas, perimeter, dan bentuk dapat diukur (Patel, 2013). Pengesanan sisi merupakan kaedah yang amat diperlukan dalam kebanyakkan kerjaya seperti pengenalpasti cap jari, pengesanan wajah manusia, segmentasi kawasan paru-paru dan banyak lagi (Gonzalez, Woods, Scott, & Hall,et.al.). Pengesanan sisi menggunakan logik kabur dapat menyelesaikan beberapa kelemahan pengendali pengesanan sisi tradisional. Di dalam bab ini, akan dijelaskan lebih lanjut tentang teori logik kabur. 2.2 Pengesanan Sisi Pengesanan sisi merupakan salah satu langkah utama dalam pemprosesan imej. Pengesanan sisi jugak digunakan di dalam segmentasi imej, pelarasan; pengiktirafan dan pengenalpastian. Selain daripada itu, pengesanan sisi juga amat penting dalam operasi pemprosesan imej tahap-rendah dan digunakan dalam pelbagai tugas tahap tinggi seperti analisis gerakan dan ciri-ciri analisis, pemahaman dan pengenalan (Garg & Kaur, 2014). 13 Dalam pengesanan sisi, terdapat tiga algoritma yang utama iaitu pengukuran kecerunan, pelicinan dan pengesanan. Algoritma pengukuran kecerunan digunakan untuk mengira magnitud dalam imej untuk menentukan sisi di mana keamatan skalakelabu sesuatu imej yang paling banyak berubah. Seterusnya, algoritma pelicinan atau smoothing adalah untuk menyingkirkan hingar dalam sesuatu imej. Akhir sekali, algoritma pengesanan merupakan suatu proses di mana digunakan untuk membuang jumlah sisi yang palsu dan penipisan (thinning) sisi dilakukan di dalam proses ini. Penipisan sisi merupakan salah satu teknik yang memelihara sisi yang mempunyai magnitud tempatan yang maksimum. Pengesanan sisi merupakan salah satu jenis kepada segmentasi imej. Segmentasi imej adalah proses yang di mana ia membezakan objek, garisan, lengkung dan sempadan di dalam imej (Gonzalez et al.). Selain itu, ia juga merupakan proses penguraian sesuatu imej kepada bahagian yang dilabel supaya ukuran keseragaman di dalam satu bahagian dan kepelbagaian dalam bahagian yang berbeza adalah maksimum. Segmentasi imej merupakan proses yang penting dalam analisis imej dalam bidang perubatan. Ia digunakan untuk menggambarkan struktur anatomi yang khusus yang digunakan untuk mengdiagnosis perbezaan jenis-jenis penyakit dan pelbagai lagi (Ibragimov, 2012). Tujuan pengesanan sisi adalah untuk mengesan ciri-ciri penting tentang objek di dalam imej dengan tepat termasuklah dengan ciri-ciri objek yang mempunyai kecacatan dari segi fotometrik, geometri dan fizikal dan mengenalpasti fenomena fizikal yang menghasilkan sisi tersebut. Pengesanan sisi mesti berkesan dan boleh dipercayai kerana kesahihan, kecekapan dan penyelesaian seterusnya bagi peringkat pemprosesan adalah bergantung dengan pengesanan sisi tersebut. Pengesanan sisi menyediakan kesemua informasi yang bermakna tentang imej untuk digunakan untuk langkah seterusnya (Tabbone, De, Cnrs, & Lorraine,et.al.). Dengan menggunakan pengendali sisi terhadap sesuatu imej, berkemungkinan ia dapat mengurangkan jumlah data dengan tepat untuk diproses. Maka, ia mungkin akan menapis keluar informasi yang berkaitan dengan imej tersebut. Masalah tentang ruang simpanan dapat diselesaikan apabila sisi dijumpai (Vincent, 2009). 14 2.2.1 Jenis-jenis Sisi Terdapat pelbagai jenis sisi dalam pengesanan sisi seperti sisi langkah (step edge), sisi tanjakan (ramp edge), sisi atap (roof edge), dan sisi garisan (line edge). a) Sisi langkah (step edge) : sisi yang ideal, di mana jumlah kelabu berubah dengan serta-merta dan segmennya adalah secebis (piecewise) yang tetap. Piksel hanya boleh berunding dengan satu segmen atau bahagian sahaja, kemudian sisi langkah terhasil. b) Sisi tanjakan (ramp edge) : sisi di mana jumlah kelabu berubah secara perlahan dan membenarkan peralihan yang licin antara dua segmen. c) Sisi atap (roof edge) : terbitan kepada sisi garisan adalah tidak berkesinambungan (discontinuous). Terdapat dua jenis sisi garisan iaitu atap cembung dan atap cengkung. Sisi atap boleh mempunyai pelbagai jenis keluasan, satah yang luas dan ketajaman. d) Sisi garisan (line edge) : sisi garisan muncul jika segmen di dalam sesebuah imej itu sempit dan dua segmen yang berdekatan. Rajah 2.1 (a) Sisi langkah (b) Sisi tanjakan (c) Sisi atap cembung (d) Sisi atap cengkung (e) Sisi garisan (Sumber: Gonzalez et al.,2008) 15 Model sisi dikumpulkan mengikut jumlah keamatan. Rajah 2.2 (a) menunjukkan bahagian menegak bagi sisi lengkah dan profil keamatan mendatar melalui sisi. Di dalam Rajah 2.2 (b), kecerunan model tanjakan adalah berkadar songsang kepada darjah pengkaburan dalam sisi. Titik sisi sekarang adalah di mana-mana titik yang terdapat di dalam kecerunan dan bukan lagi satu piksel. Seterusnya, di Rajah 2.2 (c) pula menunjukkan sisi atap yang muncul dalam lingkungan pengimejan, di mana objek nipis berkedudukan rapat kepada sensor daripada latar belakang. Rajah 2.3 menunjukkan imej yang serupa dengan ciri-ciri model sisi di dalam Rajah 2.2. Rajah 2.2 (a) model sisi langkah dengan profil keamatan yang sepadan (b) ) model sisi tanjakan dengan profil keamatan yang sepadan (c) ) model sisi atap dengan profil keamatan yang sepadan (Sumber: Gonzalez et al.,2008). 16 Rajah 2.3 Profil sisi tanjakan (kiri bawah), sisi langkah (atas, kanan) dan sisi atap (bawah kanan). Profil tanjakan mempunyai sembilan piksel dan profil langkah mempunyai dua piksel. Asas sisi atap mempunyai tiga piksel (Sumber: Gonzalez et al.,2008). 2.3 Kaedah Pengesanan Sisi Terdapat pelbagai cara untuk pengesanan sisi. Pada amnya, ia boleh dibahagikan kepada tiga jenis iaitu kaedah berasaskan thresholding (pengambangan), kaedah sempadan (boundary method) dan kaedah Hough Transform (B.Chanda, 2011). 2.3.1 Kaedah berdasarkan ambangan (thresholding) Ambangan (Thresholding) adalah jenis segmentasi imej yang mudah di mana ianya menggunakan operasi bukan linear. Operasi bagi ambangan (thresholding) adalah cepat dan nilainya amat penting dalam segmentasi imej. Jika nilai ambang (threshold) tinggi daripada ambang (threshold) sebenar, pembahagian imej kepada beberapa segmen akan bertambah. 17 Di dalam pengesanan sisi, sisi akan muncul apabila nilai kecerunan adalah tinggi. Amnya, terdapat dua jenis ambangan (thresholding) iaitu ambangan global (global thresholding) dan ambangan tempatan (local thresholding). Ambangan global (Global thresholding) mempertimbangan keseluruhan imej, ambang (threshold) akan menjadi tetap selepas dipilih. Manakala, ambangan tempatan (local thresholding) membahagikan imej kepada beberapa bahagian. Oleh itu, hasil nilai ambang (threshold) bagi keseluruhan imej berkemungkinan menjadi samar. Tujuan utama ambangan (thresholding) adalah untuk memastikan nilai kecerunan sisi piksel adalah lebih rendah daripada ambang (threshold). Jika tidak, hingar mungkin akan terjadi di dalam imej jika nilai ambang (threshold) terlalu rendah. 2.3.2 Kaedah Sempadan (boundary method) Keutamaan kaedah sempadan (boundary method) adalah untuk menentukan ciri kecerunan bagi imej yang berada dalam kedudukan secara mendatar. Kass et al. (1987) telah mencipta kaedah yang bernama Snakes (snakes). Kaedah ini merupakan kaedah sempadan yang sering digunakan. Tujuan utama kaedah ini adalah untuk membahagikan objek daripada latar belakang sesuatu imej dan ia adalah kaedah yang digelar sebagai kaedah kontur aktif (active contour method). Selain itu, kaedah ini juga mewakili sesuatu objek sebagai lengkung parametrik dan mengurangkan tenaga dikaitkan dengan lengkung tersebut. Akan tetapi, kelemahan bagi kaedah ini adalah ianya sensitif terhadap hingar dan mengesan sisi dan garisan dalam kadar yang sedikit. Tambahan pula, prestasi kaedah ini dalam sempadan cengkung adalah sangat teruk. Akan tetapi, kaedah ini telah diperbaiki oleh Xu dan Jerry pada tahun 1997. Kaedah baru yang diperkenalkan adalah Gradient Vector Flow (GFV). Kaedah ini mengambil sisi dan garisan yang mempunyai kadar yang besar dan dapat berfungsi dengan baik di dalam sempadan cengkung. Walau bagaimanapun, GFV sensitif dengan hingar. 18 2.3.3 Kaedah mengubah Hough (Hough Transform) Kaedah Ubah Hough (Hough Transform) adalah ciri yang diambil daripada pemprosesan imej. Kaedah ini berkaitan dengan mengenalpasti garisan di dalam imej. Pencipta kaedah ini adalah Richard dan Peter pada tahun 1971 di dalam kertas kerja bertajuk Generalized Hough Transform. Kaedah ini telah memperbaiki kelemahan yang dialami oleh kaedah Ubah Hough (Hough Transform) tradisional dan meluaskan dalam menentukan kedudukan pelbagai bentuk seperti bujur dan bulat. Kelebihan kaedah ini adalah ia tidak sensitif dengan imej yang mempunyai hingar. Oleh kerana itu, kaedah ini banyak digunakan di dalam analisis imej, penglihatan komputer (computer vision) dan pemprosesan imej digital. 2.4 Kaedah baru dan aplikasi untuk pengesanan sisi Terdapat pelbagai kaedah dalam pengesanan sisi telah diperkenalkan oleh penyelidik. Di dalam kaedah-kaedah yang diperkenalkan mempunyai kekuatan dan kelemahan tersendiri. Oleh kerana itu, tidak dapat dikenalpasti kaedah mana yang lebih bagus kerana setiap kaedah mempunyai skop kajian yang berbeza. Sesetengah pengesan sisi berfungsi dengan baik dengan sesetengah imej. Tambahan pula, selain daripada logik kabur, sisi boleh dikesan berdasarkan perubahan wavelet, morfologi matematik dan geometri fraktal (fractual geometry) (Zhai, Dong, & Ma, 2008). 2.4.1 Pengesanan sisi berdasarkan perubahan wavelet dan aplikasinya Sebelum mengesan sisi bagi imej kelabu π(π₯, π¦) menggunakan perubahan wavelet, fungsi pelicinan 2-dimensi ditentukan dahulu. Pengubahan wavelet menggunakan terbitan separa urutan pertama dalam arah menegak dan mendatar. Kedua-dua arah ini, masing-masing akan bertindak sebagai 2 wavelet asas. Skala perlingkaran akan mengubah wavelet bagi 2 wavelet asas tersebut. Fungsi imej π(π₯, π¦) didefinisikan sebagai komponen mendatar dan menegak bagi perubahan wavelet. Pada tahun 2008, Wanpeng Cao et al. telah membentangkan algoritma penambahan kabur dan algoritma pengesan sisi secara penerangan-tersendiri berdasarkan pengubahan wavelet untuk mengeluarkan sisi di dalam imej yang kurang jelas dan tidak seragam. Melalui eksperimen menggunakan imej yang diubah dan imej asal, perlaksanaan kaedah pengesan sisi ini untuk imej yang kurang jelas dan tidak seragam dianalisi dan dibandingkan dengan dua kaedah pengesan sisi yang lain. Hasil 19 eksperimen membuktikan bahawa kaedah ini dapat dilakukan walaupun imejnya kurang kontras. Pada tahun 2007, Xianmin Ma membentang algoritma yang telah diubah berdasarkan perubahan wavelet untuk menyekat bintik hitam di dalam imej gangue untuk meningkatkan jumlah sisi dalam imej tersebut. Menurut bijih metalik, gangue adalah bahan buangan yang dibuat oleh bumi. Melalui kaedah tradisional pemprosesan imej yang efisen sebagai pengesanan sisi, kebanyakan informasi sisi yang dikeluarkan adalah palsu. Hal ini kerana, imej gangue yang mempunyai arang akan selalu tercemar dengan bintik-bintik daripada debu arang. Hasil eksperiman menunjukkan kadar arang dalam gangue meningkat disebabkan kaedah perubahan wavelet. Pada akhirnya, gangue dan arang akan diasingkan berdasarkan ciri masing-masing. 2.4.2 Pengesanan sisi berdasarkan morfologi matematik dan aplikasinya Morfologi matematik merupakan subjek yang agak baru dalam teori matematik yang tegas. Ianya telah dikembangkan daripada morfologi dua unsur kepada morfologi berskala kelabu dan merupakan teknik yang baru di dalam proses imej. Idea utama kaedah ini adalah untuk mengukur bentuk yang sepadan di dalam imej menggunakan unsur struktur dengan bentuk tertentu. Ini adalah untuk menganalisis imej dan mengenalpasti objek di dalam imej. Operasi asas yang digunakan di dalam morfologi matematik adalah seperti hakisan, pembukaan dan penutup. Berdasarkan empat jenis operasi ini, terdapat pelbagai algoritma morfologi yang dapat disimpulkan. Pada tahun 2007, Xiangzhi Bai et al. mencadangkan kaedah pengesan sisi yang berdasarkan morfologi matematik dan ambangan (thresholding) pengulangan. Perubahan morfologi yang diubahsuai melalui mengumpulkan semula keutamaan untuk beberapa perubahan morfologi berdasarkan unsur penstrukturan adalah dikenalpasti dahulu. Kemudian, pengesan sisi ditakrifkan dengan menggunakan operasi pelbagai skala bagi mengubah suai perubahan morfologi. Hal ini untuk mengesan peta skala-kelabu. Akhir sekali, algoritma ambangan (thresholding) pengulangan digunakan untuk mendapatkan perduaan (binary) bagi sisi imej. Perbandingan dengan kajian tentang kaedah morfologi yang lain menunjukkan kelebihan kaedah ini dalam kapasiti penyingkiran hingar, penjagaan dalam perincian sisi dan tidak sensitif terhadap unsur penstrukturan. 20 Jiang J.A et al. (2007) mencadangkan pengesan sisi berdasarkan morfologi matematik untuk memelihara ciri-ciri sisi yang nipis di pada bahagian yang berkontras rendah dan sisi yang lain. Proses peningkatan sisi penguraian-quad, proses ambangan (thresholding) dan proses penapisan hingar berasakan-tetingkap telah dibangunkan dan digunakan untuk meningkatkan ciri-ciri sisi nipis, mengeluarkan titik sisi dan menapis keluar titik hingar yang tidak berguna. Dalam pemahaman hasil percubaan menunjukkan algoritma yang dicadangkan berkebolehan dalam memelihara ciri-ciri sisi nipis dengan baik di dalam bahagian yang berkontras rendah dan dapat menangani hingar (Kansal, 2010). 2.4.3 Pengesanan sisi berdasarkan geometri fraktal (fractual geometry) dan aplikasinya Terma “fractal” dicipta oleh Mandelbort (1982) untk menerangkan ketidak-teraturan tetapi sama terhadap bentuk semulajadi sesuatu objek. Geometri fraktal boleh digunakan untuk diskriminasi antara tekstur di dalam set semulajadi. Dimensi Hausdorff adalah prinsip definisi kepada dimensi geometri ini. Apabila menggunakan algoritma ini bagi imej asal untuk mengira kecekapan anggaran dimensi Hausdorff akan menghadapi masalah. Akan tetapi, definisi lain digunakan secara meluas dan ianya sesuai untuk memeriksa sesetengah definisi alternatif bagi dimensi. Terdapat dua penyelidik yang mencadangkan pengesan sisi menggunakan geometri fraktal pada tahun 2007. Penyelidik pertama ialah Bailin Tian et al. yang menerangkan tentang geometri fraktal berdasarkan algoritma pengekstrakan sisi. Ini boleh digunakan dalam menentukan dan menjejaki kedudukan satelit yang diperhatikan semasa operasi jarak dekat di dalam penglihatan sistem mesin (vision). Kesahihan kertas yang dicadang dilihat melalui pemprosesan dan penganalisis imej ruang sasaran. Kaedah Pengeluaran Sisi bukan sahaja mengeluarkan garis kasar yang ditarget tetapi juga menyimpan sisi dengan lebih terperinci. Sementara pengekstrakan sisi hanya digunakan untuk mengurangkan pengiraan. Hasil simulasi dibandingkan dengan pengesan sisi menggunakan kaedah yang telah diperkenalkan oleh kaedah pengesanan yang lain. Hasilnya, algoritma yang dibuat merupakan kaedah yang sesuai untuk menyelesaikan masalah kedudukan untuk pesawat angkasa. 21 Manakala, Dawei Qi et al. pula mengkaji tentang mengesan ciri informasi konotatif dalam data log imej sinar-x dengan rotten knot. Beliau menerangkan ketidakteraturan darjah imej dalam kuantiti dengan menggunakan nilai dimensi fraktal untuk memastikan kecacatan kedudukan. Nilai untuk bahagian yang normal di dalam imej log adalah kira-kira 2.0783, manakala sisi pula antara 1.4000 dan 1.9000. Hasil yang ditunjukkan oleh dimensi fraktal adalah berguna untuk mengesan secara nombor, kecacatan imej log dengan simpul reput. Di dalam kajian ini, ia memberi kaedah baru untuk pengesanan sisi untuk imej log kelabu (Kansal, 2010). 2.5 Teori Set Kabur Teori set kabur telah diperkenalkan oleh Zadeh pada tahun 1965 yang berkonsepkan tidak jelas, tidak pasti, kesamaran,kekaburan, tidak dikenalpasti, samar-samar dan sukar difahami. Beliau mencadangkan teori set yang baru di mana berbeza dengan teori set kabur tradisional. Dengan menggunakan nombor perduaan, 0 atau 1, di mana mewakili nilai salah dan betul. Set kabur merupakan sistem matematik di mana berurusan dengan selang tertutup [0,1]. Pada tahun 1968, Zadeh mencadangkan konsep asas logik kabur yang tidak mempunyai apa-apa teorem dan bukti. Kemudian, pada tahun 1970, beliau dan Bellman memperkenalkan keadah buat-keputusan dalam kabur persekitaran. Terdapat banyak keputusan yang dilakukan di dalam peristiwa dunia sebenar yang dianggap sebagai ketidakpastian dan tidak tepat. Kekaburan adalah sua5utu jenis kekurangan dalam ketepatan di mana berurusan dengan set kabur. Set Kabur tidak menggubah banyak daripada keahlian kepada bukan-keahlian. Akan tetapi, rawak berkaitan dengan ketidakpastian keahlian atau bukan-keahlian bagi sesuatu objek di dalam set bukan-kabur. Bukan-kabur bermaksud ia hanya mempunyai 0 dan 1, di mana dikenali sebagai set klasik rapuh. Akhir sekali, di dalam kertas seminar yang bertajuk Outline of a new approach to the Analysis of Compex Systems and Desicion Processes yang dicadangkan oleh Zadeh pada tahun 1973, beliau memperkenalkan konsep ”linguistic” pembolehubah dan teknik peraturan jika-maka yang berkonsepkan “separa betul”. Logik kabur adalah menambahbaikan daripada teori set tradisional di mana setiap unsur diberi darjah keahlian di dalam set. Jadual 2.1 menunjukkan ringkasan bagi sejarah set kabur. 22 Jadual 2.1 Ringkasan untuk sejarah penyelidikan set kabur (Kansal, 2010). Tahun Nama penyelidik 1965 Huraian Zadeh Penyelidik yang memperkenalkan pertama konsep set kabur 1966 Zadeh Pengiktirafan corak sebagai interpolasi untuk fungsi keahlian 1969 Ruspini Konsep pembahagian kabur 1970 Prewitt Pendekatan pertama terhadap pemahaman imej kabur 1973 Bezdek,Dunn Algoritma pertama kelompok kabur terhadap kabur 1977 Pal Pendekatan pengenalan perucapan 1979 Akhir Rosenfeld 1980-an Krishnapuram, Dave, hingga 90-an 2.5.1 Geometri kabur Bezdek Algoritma kelompok kabur yang lain Fungsi Keahlian Fungsi keahlian adalah digambarkan secara grafik di mana menunjukkan hubungan antara nilai sesuatu unsur dan darjah keahliannya dalam satu set (Zadeh,1965). Di dalam set kabur, nilai keahlian terletak daripada 0 hingga 1. Fungsi keahlian dapat ditunjukkan di dalam pelbagai jenis bentuk seperti fungsi keahlian berbentuk tiga segi, fungsi keahlian berbentuk trapezium, fungsi keahlian-S, fungsi keahlian Gaussian, fungsi keahlian sigmoid. 23 Rajah 2.4 Jenis bentuk untuk fungsi keahlian. (a) Seperti fungsi keahlian berbentuk tiga segi (b) Fungsi keahlian berbentuk trapezium (c) Fungsi keahlian-S (d) Fungsi keahlian sigmoid (e) Fungsi keahlian Gaussian dan (f) Fungsi keahlian Gaussian (Sumber : Rajabi et al., 2010). 2.5.2 Pembolehubah Linguistik Teori untuk pembolehubah linguistik telah diperkenalkan oleh Zadeh pada tahun 1965. Tujuannya adalah untuk mewakili konsep yang digunakan oleh manusia, banyak terma linguistik seperti tua, muda, pertengahan umur digunakan, di mana tidak mempunyai maksud yang tepat dalam kesedaran kuantitatif dalam matematik yang biasa digunakan. Pengguna boleh mengubahsuai fungsi keahlian mengikut kehendak mereka. Daripada Rajah 2.5, pembolehubah linguistik dapat digambarkan sistem hierarki dalam 24 tua atau tiga tahap. Hierarki yang paling rendah adalah pembolehubah asas dan merupakan umur sebenar di dalam rajah di bawah. Hierarki di tengah adalah set-terma atau digelar sebagai nilai linguistik untuk pembolehubah. Rajah 2.5 2.5.3 Pembolehubah Linguistik “Umur” (Sumber:Zimmermann, 2010). Sistem Peraturan Asas Zadeh telah memperkenalkan konsep untuk peraturan jika-maka kabur pada tahun 1975. Peraturan umum adalah seperti: Jika A adalah X Maka B adalah Y di mana X dan Y adalah nilai linguistik, “A adalah X” digelar “anteseden” atau “pernyataan”, manakala “B adalah Y” dipanggil sebagai “akibat” atau “kesimpulan”. Ini boleh digunakan di dalam pelbagai aplikasi untuk pemprosesan imej seperti meningkatan imej, segmentasi imej, pengesanan sisi dan pengelasan. Contoh peraturan jika-maka adalah seperti: a) Jika piksel adalah gelap DAN kejiranannya juga gelap DAN homogen Maka ia adalah kepunyaan latar belakang. b) Jika makanan sedap DAN pengkhidmatan bagus Maka bayarannya juga mahal. 2.5.4 Penaakulan kabur Pada tahun 1979, Zadeh memperkenalkan teori untuk anggaran penaakulan. Penaakulan kabur merupakan prosedur inferen di mana hasilnya adalah kesimpulan untuk set peraturan jika-maka kabur. Peraturan untuk pertimbangan kabur adalah: a) Jika π₯ adalah π΄1 dan π¦ adalah π΅1 , Maka π§ = πΆ1 25 b) Jika π₯ adalah π΄2 dan π¦ adalah π΅2 , Maka π§ = πΆ2 Rajah 2.6 menunjukkan peraturan untuk penaakulan kabur di atas. Rajah 2.6 2.5.5 Penaakulan kabur (Sumber: Kansal, 2010). Sistem Inferen Kabur Sistem kabur adalah diperbuat daripada pengetahuan am dan mekanisme pertimbangan yang digelar sistem inferen kabur. Sistem inferen kabur (FIS) mengandungi empat blok berfungsi seperti di dalam Rajah 2.7. Rajah 2.7 Sistem inferen kabur. (Sumber: Kansal, 2010). 26 a) Pengkaburan : Mengubah input rangup kepada darjah yang sesuai dengan nilai linguistik. b) Pengetahuan Am : Mengandungi peraturan asas dan pangkalan data. Peraturan asas mengandungi sebilangan peraturan jika-maka kabur. Pangkalan data mendefinisikan fungsi keahlian bagi set kabur yang digunakan dalam peraturan kabur. c) Enjin Inference Kabur : Enjin Inferen kabur melaksanakan operasi inferen ke atas peraturan. d) Penyahkaburan : Penukaran set kabur kepada nilai tunggal rangup dipanggil sebagai penyahkaburan. Rajah 2.8 menunjukkan struktur pengubahsuaian kepada fungsi keahlian. Rajah 2.8 Pengubahsuaian fungsi keahlian (Sumber: Kansal, 2010). 27 2.6 Pemprosesan Imej Kabur Pemprosesan Imej Kabur adalah koleksi kepada semua pendekatan yang memahami, perwakilan dan pemprosesan imej. Segmen dan ciri-ciri imej adalah set kabur. Perwakilan dan pemprosesan bergantung kepada teknik kabur yang dipilih dan masalah untuk diselesaikan. Rajah 2.9 Pemprosesan imej kabur (Sumber: Kansal, 2010). Terdapat beberapa langkah dalam pemprosesan imej kabur. Rajah 2.10 menunjukkan langkah-langkah dalam pemprosesan imej kabur. Rajah 2.10 Langkah-langkah dalam pemprosesan imej kabur (Sumber: Kansal, 2010). 28 Imej adalah unjuran objek 2 dimensi di dalam dunia 3 dimensi dan pemetaan yang dilaksanakan oleh kamera, di mana boleh beroperasi dalam optik atau infra-merah dekat. Ia boleh menjadi masalah jika informasi yang hilang semasa pemetaan daripada ruang 3-D kepada 2-D imej. Dalam imej pelbagai nilai tahap kelabu, ketidakpastian berlaku disebabkan perihal kepada tahap-kelabu, dengan ketidakpastian statistik disebabkan kerawakan. Kebanyakan definisi imej, seperti sempadan objek atau keseragaman segmen dalam sesuatu imej adalah samar dan memerlukan tanggapan kabur bagi ciri-ciri imej. Dalam cara yang sama antara objek dan latar belakang boleh dianggap sebagai kabur. Pemprosesan imej kabur adalah berdasarkan logik kabur dan menggunakannya secara logik, set teori, dan aspek secara rasional. Rangka kerja yang paling penting yang dapat digunakan untuk membina asas kepada pemprosesan imej kabur adalah geometri kabur, langkah-langkah kepada perkaburan atau informasi, pengukuran kepada persamaan kabur, pembahagian kabur, pendekatan berdasarkan peraturan kabur, morfologi matematik kabur dan tatabahasa kabur (Chaira,Ray,et.al.). 2.7 Perbezaan antara pengesan sisi klasik dan pengesan sisi logik kabur Jadual 2.2 Perbezaan antara pengesan sisi klasik dan pengesan sisi logik kabur. Pengesan sisi klasik Pengesan sisi logik kabur Tidak menggunakan fungsi keahlian Menggunakan fungsi (membership function) function) (membership keahlian untuk mentakrifkan darjah untuk piksel mana yang dimiliki sesuatu sisi Menggunakan kaedah tradisional untuk Menggunakan penaakulan kabur (fuzzy mengesan sisi reasoning) dan peraturan jika-maka kabur (fuzzy if-then rule) Sisi yang dikesan adalah kabur, sensitif Dapat meningkatkan sisi dan membuat terhadap hingar dan kurang tepat imej menjadi jelas 29 2.8 Perbincangan Tujuan disertasi ini adalah untuk mengesan perubahan dalam sesebuah imej, mendapatkan kriteria yang penting dan menyingkirkan benda yang tidak diperlukan di dalam imej. Untuk mendapatkan objektif dalam disertasi ini, teknik pengesanan sisi dengan menggunakan logik kabur dan sistem inferen kabur (fuzzy inference system (FIS)) diperkenalkan. Terdapat beberapa kebaikan dalam logik kabur seperti berikut : (a) Logik kabur dapat berfungsi dengan data yang tidak tepat dan samar. (b) Logik kabur adalah fleksibel dan senang untuk digunakan. (c) Konsep logik kabur mudah untuk difahami. (d) Logik kabur adalah berdasarkan bahasa linguistik seperti kecil, rendah dan tinggi. Oleh itu, logik kabur sesuai untuk digunakan di dalam pengesanan sisi. Hal ini kerana ia dapat memelihara kualiti imej. 30 Bab 3 Kaedah Kajian 3.1 Pengenalan Dalam bab ini, hanya membincangkan tentang teknik-teknik yang akan digunakan di dalam disertasi ini dengan lebih jelas. Disertasi ini akan dibincangkan di dalam bentuk pelan kerja, di mana teknik-teknik yang digunakan akan diaplikasikan secara langkah demi langkah. Pelan kerja langkah demi langkah adalah penting dan boleh dijadikan sebagai petunjuk supaya masalah dapat diselesaikan dengan senang dan mudah. Di dalam disertasi ini, ia menumpukan kepada pengesanan sisi dengan menggunakan teknik pengesanan sisi klasik urutan-pertama (pengendali Sobel dan pengendali Canny), logik kabur, peraturan jika-maka kabur dan Sistem Inferen Kabur (FIS). Pengesan penapis klasik urutan-pertama (pengendali Sobel dan pengendali Canny) dan penapis aras-tinggi akan digunakan untuk mendapatkan input. Kesemua teknik-teknik akan dibincangkan dengan lebih mendalam di dalam bab ini. 3.2 Rangka kerja untuk disertasi Rangka kerja untuk disertasi ini boleh dibahagikan kepada tiga fasa iaitu Fasa penyelidikan, Fasa pelaksanaan dan Fasa kesimpulan. 31 3.2.1 Fasa 1: Fasa Penyelidikan Di dalam fasa pertama, penyelidikan tentang pengesanan sisi telah dilaksanakan dan dianalisis untuk memilih kaedah yang sesuai untuk digunakan. Kaedah yang sesuai amat penting untuk membina algoritma pengesanan sisi. Tambahan pula, tujuan dan objektif untuk disertasi ini akan dibincangkan dalam fasa ini. Peringkat terakhir di dalam fasa ini adalah metodologi. Keseluruhan struktur dan kesemua teknik berdasarkan logik kabur dan sistem inferen kabur yang digunakan akan dibincangkan dengan lebih mendalam. 3.2.2 Fasa 2: Fasa Pelaksanaan Di dalam fasa kedua, pembangunan tentang pengesanan sisi akan menjadi kerisauan utama. Proses percubaan akan dilaksanakan untuk membina pengesan sisi yang berkesan. Perbezaan antara pengesan sisi klasik dan pengesan sisi yang dicadangkan akan dilaksanakan di dalam fasa ini. Selepas proses pembinaan, hasil yang dianalisis akan dibincangkan. 3.2.3 Fasa 3: Fasa Kesimpulan Di dalam fasa ketiga, ujian akan dijalankan dan hasil akan dikumpulkan. Kemudian, kesimpulan boleh dibuat selepas hasil diperolehi. Keseluruhan rangka kerja akan dijelaskan di dalam Rajah 3.1. 32 Langkah pertama penyelidikan • • • Penyelidikan tentang pengesanan sisi Mengenalpasti pernyataan masalah Menentukan tujuan dan objektif dalam disertasi ini Fasa 1 Kajian Literatur • Membincangkan tentang teknikteknik pengesanan sisi Pelaksanaan • • Pemilihan teknik untuk digunakan di dalam pengesanan sisi Teknik yang dipilih adalah logik kabur dan sistem inferen kabur (FIS). Fasa 2 Analisis • • • Ujian eksperimen Analisis hasil Perbezaan hasil dengan pengesan sisi klasik. Kesimpulan • Rajah 3.1 Membuat kesimpulan tentang hasil Fasa 3 Keseluruhan rangka kerja untuk disertasi dalam pengesanan sisi. 33 3.3 Pemprosesan pra imej Rajah 3.2 menunjukkan 3x3 tetingkap yang digunakan untuk menentukan keadaan setiap piksel di mana ianya boleh mengesan piksel yang berwarna kelabu. Rajah 3.2 [i-1,j-1] [i-1,j] [i-1,j+1] [i,j-1] [i,j] [i,j+1] [i+1,j-1] [i+1,j] [i+1,j+1] Matrik 3x3 tetingkap (Sumber: Patel, 2013). Rajah 3.3 menunjukkan pembentukan Pengesan Sisi Sobel dari arah x dan y. Rajah 3.3 (b) arah y. Pembentukan matrik 3 x 3 tetingkap Pengesan Sisi Sobel (a) arah x 34 Operasi Sobel (Gx dan Gy) adalah kernel dengan 3 x 3 tetingkap. Gx dan Gy adalah operasi Sobel yang digunakan untuk menganggarkan terbitan pertama bagi imej pada arah x dan y. −1 0 1 πΊπ₯ = [−2 0 2] −1 0 1 1 2 1 πΊπ¦ = [ 0 0 0] −1 −2 −1 (3.1) Penapis pas-tinggi, matrik 3 x 3 diberi seperti −1 −2 −1 π»π = [−2 12 −2] −1 −2 −1 (3.2) Kernel bagi penapis pas-tinggi(βπ»π) dan Sobel (βπ·π» dan βπ·π) telah ditakrifkan. Kemudian imej yang ditapiskan akan dikira melalui operasi dua dimensi iaitu: βπ·π» = πΊπ₯ × πΌ (3.3) βπ·π = πΊπ¦ × πΌ (3.4) βπ»π = βπ»π × πΌ (3.5) di mana πΌ adalah imej asal. Kecerunan magnitud Sobel dikira dengan menggunakan kernel βπ·π» dan βπ·π dalam (3.3) dan (3.4) untuk mencari magnitud sempurna (πππ) pada setiap titik di dalam imej dan formula adalah diberikan seperti berikut: πππ = √(βπ·π»)2 + (βπ·π)2 3.4 (3.6) Teknik pengesan sisi klasik Pengesan sisi klasik digunakan untuk membuat perbandingan dengan pengesan sisi kabur yang dicadangkan. 35 3.4.1 Pengesan sisi Canny Algoritma pengesan sisi Canny adalah seperti dibawah: a) Pelicinan: Pengkaburan imej dengan menggunakan penapis Gaussian untuk menyingkirkan hingar. π₯ 2 +π¦ 2 1 − π(π₯, π¦) = π 2π2 2ππ 2 (3.7) di mana π₯ adalah jarak antara asalan di paksi mendatar, π¦ adalah jarak antara asalan di paksi menegak dan π adalah sisihan piawai bagi Gaussian. b) Pencarian Kecerunan: Dengan menggunakan operasi Sobel. Kecerunan magnitud bolah dikira. Rajah 3.4 Matrik 3 x 3 tetingkap Pengesan Sisi Sobel pada arah x dan y (Sumber:Sleit, Saadeh, & Mobaideen, 2016). Kecerunan magnitud boleh dikira melalui persamaan: |πΊ| = √πΊπ₯ 2 + πΊπ¦ 2 (3.8) |πΊ| = |πΊπ₯ | + |πΊπ¦ | (3.9) |πΊπ¦ | ) |πΊπ₯ | (3.10) Arah sisi: π = tan−1 ( di mana πΊπ₯ dan πΊπ¦ adalah kecerunan pada arah x dan y. Selepas arah sisi dikira, orientasi sisi diselesaikan kepada salah satu arah yang ditunjuk di dalam Rajah 3.7, berdasarkan arah yang mana hampir dengan nilai π. 36 c) Non-maximum suppression : Bundarkan arah kecerunan magnitud π yang terdekat dan bandingkan dengan nilai bagi sisi pada piksel semasa dengan nilai bagi sisi pada piksel dalam arah kecerunan positif dan negatif. Jika nilai sisi pada piksel semasa lebih tinggi, simpan nilai tersebut; sebaliknya hapuskan nilai tersebut. d) Ambangan (Thresholding) berganda: Guna ambangan (thresholding) untuk menentukan sisi yang berpotensi. Piksel sisi yang lebih kuat (yang lebih jelas) berbanding ambang (threshold) yang tinggi adalah ditandakan sebagai sesuai. Manakala, bagi piksel yang lemah daripada ambang (threshold) yang rendah disinggirkan. e) Pengesanan sisi dengan histerisis: Menentukan sisi terakhir dan menghapuskan sisi yang tidak berkaitan dengan sisi yang kuat (yang lebih jelas). 3.4.2 Pengesan sisi Robert Tetingkap bagi operasi Robert adalah seperti rajah di bawah: Rajah 3.5 Pembentukkan matrik 2 x 2 tetingkap bagi pengesan sisi Roberts (Sumber: Senthilkumaran & Rajesh, 2009). Terbitan separa urutan pertama dengan menggunakan operasi kecerunan silang Roberts adalah ditakrifkan seperti: πΊπ₯ = π(π, π) − π(π + 1, π + 1) (3.11) πΊπ¦ = π(π + 1, π) − π(π, π + 1) (3.12) 37 3.4.3 Pengesan sisi Prewitt Tetingkap bagi operasi Prewitt adalah seperti di bawah dengan susunan bagi piksel dalam [π, π]. π¨π ππ π¨π π¨π [π, π] π¨π π¨π ππ ππ Rajah 3.6 Matrik 3 x 3 tetingkap bagi pengesan sisi Prewitt (Sumber: Senthilkumaran & Rajesh, 2009). 3.4.4 Pengesan sisi Laplacian of Gaussian Operasi Laplacian adalah ditakrifkan sebagai: ∇2 π(π₯, π¦) = π2π π2π + ππ₯ 2 ππ¦ 2 (3.13) Ini adalah operasi terbitan urutan kedua dan ini membenarkan Laplacian untuk menghasilkan sisi yang elok (Kumar & Saxena, 2013). 3.5 Sistem Kabur Terdapat dua langkah utama di dalam menentukan sisi iaitu: a) Pra-pemprosesan: Ukuran diperlukan di dalam langkah ini bagi mengira sistem kabur Parameter tersebut adalah merupakan jarak di antara kecerahan piksel di dalam 3 x 3 masks. b) Pengiraan jarak: Dilakukan oleh dua peringkat sistem kabur untuk menentukkan bahawa piksel tengah masks merupakan sesuatu piksel sisi atau tidak. 38 3.5.1 Langkah pertama: Pengiraan Jarak Kecerahan Di dalam langkah ini kesemua ukuran kabur dikira. Untuk setiap piksel di dalam imej kelabu, 3 x 3 tetingkap akan digunakan dan untuk setiap tetingkap yang memerlukan parameter akan dikira bergantung kepada variasi kecerahan piksel di dalam tetingkap merujuk kepada empat arah; menegak, mendatar, dan di dua pepenjuru seperti di dalam Rajah 3.7. Rajah 3.7 Arah sisi (Sumber:Sleit et al., 2016). Untuk setiap sisi, dua kumpulan ditakrif; π0 dan π1 seperti di dalam rajah 3.8. Setiap kumpulan mempunyai bilangan piksel di mana berbeza-beza mengikut arah yang spesifik. Sebagai contoh, Arah-1 mempunyai π0 = {π1, π2, π4, π5, π7, π8} dan π1 = {π3, π6, π9}. Rajah 3.8 Kumpulan arah (Sumber:Sleit et al., 2016). 39 Fungsi objektif yang sepadan dengan arah sisi, ππ , dikira menggunakan persamaan dibawah: ππ = (πΏ − 1) × (3.14) ππ π·π |π0 − π1 | ππ = min (1, ) π€1 (3.15) |ππ − ππ | |ππ − ππ | 1 1 π·π = 1 + ∑ min (1, ) + ∑ min (1, ) 15 π0 π€2 3 π1 π€2 (3.16) di mana πΏ adalah tahap kelabu bagi imej digital, π€1 = 90, π€2 = 40, π0 dan π1 adalah purata bagi kecerahan di dalam piksel π0 dan π1 . ππ dan ππ adalah dua kecerahan piksel di dalam kumpulan yang sama di mana π ≠ π dan π > π. ππ adalah darjah bagi persilangan jarak antara π0 dan π1 . π·π adalah jumlah dua darjah bagi persilangan jarak antara piksel π0 dan π1 . Kemudaian kecerahan sisi dikira menggunakan persamaan (3.17). (3.17) πΈπππ = πππ₯(π1 , π2 , π3 , π4 ) Dua jarak kecerahan yang berbeza ditakrif untuk mengenalpasti kaitan antara kumpulan piksel. Yang pertama adalah Kumpulan Jarak Kecerahan (Set Intensity Distance (SID)) yang merupakan persilangan jarak kecerahan antara π0 dan π1 . Ini dikira dengan menggunakan persamaan berikut: Μ Μ Μ 0 − πΜ 1 | ππΌπ· = |π Μ Μ Μ 0 = π πΜ 1 = (3.18) ∑6π=1 πππ0 (3.19) 6 ∑3π=1 πππ1 3 (3.20) Μ Μ Μ 0 dan πΜ 1 adalah purata kecerahan bagi piksel di dalam π0 dan π1 . πππ adalah di mana π 0 kecerahan bagi piksel yang ke-π dalam kumpulan π0 dan πππ1 adalah kecerahan bagi piksel yang ke-π dalam kumpulan π1 . Jika nilai bagi SID meningkat, kebarangkalian untuk mendapatkan sisi pada arah tersebut juga akan meningkat. Jenis jarak kecerahan yang kedua adalah Jarak kecerahan Piksel (Pixels Intensity Distance (PID)) yang menerangkan variasi kecerahan piksel antara piksel di dalam kumpulan yang sama. 40 Dua PID ditakrif; PID0 dan PID1 sepadan dengan kumpulan π0 dan π1 . Untuk mencari PID0 dan PID1 adalah dengan mengira sisihan piawai (SD) bagi kecerahan piksel di dalam setiap kumpulan dengan menggunakan persamaan berikut : Μ Μ Μ 0 )2 ∑6 (ππ − π ππΌπ·0 = √ π=1 5 ∑6 (ππ − πΜ 1 )2 ππΌπ·1 = √ π=1 2 (3.21) (3.22) 3.5.2 Langkah kedua: Penilaian Jarak Kecerahan Selepas mencari jarak kecerahan, sistem kabur digunakan untuk menilai jarak tersebut. Sistem kabur digunakan untuk menentukan piksel sisi dengan menggunakan dua peringkat. Pertama sekali, tentukan bahawa piksel tengah di dalam mask adalah sisi ataupun tidak mengikut setiap arah. Kedua, menggabungkan kesan dari semua arah dan tentukan bahawa piksel tengah perlu dianggap sebagai sisi atau pun tidak. a) Peringkat pertama: Untuk setiap arah, peringkat pertama kabur digunakan untuk mencari kecerahan sisi di mana mencerminkan kebarangkalian untuk mendapatkan sisi pada arah tersebut. Ia adalah tiga input satu output sistem inferen kabur. Ia mengambil SID, PID0 dan PID1 sebagai input dan memberi kecerahan sisi sebagai output. SID, PID0 dan PID1 mempunyai tiga pembolehubah iaitu kecil, sederhana dan besar. Setiap nilai adalah mewakili fungsi keahlian seperti dalam Rajah 3.9. 41 Rajah 3.9 Fasa pertama sistem kabur, (a) fungsi keahlian bagi pembolehubah input SID, (b) fungsi keahlian bagi pembolehubah input untuk keduadua PID0 dan PID1, (c) fungsi keahlian bagi pembolehubah output (Sumber: Sleit et al., 2016). Setiap parameter akan dikaburkan mengikut fungsi keahlian yang sepadan. Selepas proses pengkaburan, semua nilai akan dikira mengikut peraturan kabur Mamdani di mana disenaraikan dalam Jadual 3.1. Akhir sekali, output akan dinyahkaburkan mengikut peraturan penilaian hasil dan nilai tersebut diwakilkan sebagai fungsi keahlian rendah, sederhana dan tinggi seperti dalam Rajah 3.10 (c). Jadual 3.1 Peringkat pertama peraturan kabur (Sumber:Sleit et al., 2016). 42 b) Peringkat kedua: Selepas mencari kecerahan sisi bagi semua arah, nilai tersebut akan memasuki peringkat kedua di mana ianya adalah empat output kepada satu inferen kabur. Seperti peringkat pertama, peringkat kedua juga menggunakan kabur Mamdani untuk menilai input dengan peraturan yang telah disenaraikan dalam Jadual 3.2. Input merupakan empat output yang terhasil daripada peringkat pertama dan output merupakan kecerahan sisi yang terakhir mengikut hasil daripada keempat-empat arah. Kedua-dua input dan output adalah diwakilkan dengan fungsi keahlian rendah, sederhana dan tinggi seperti dalam Rajah 3.10. Rajah 3.10 Fasa-kedua sistem kabur, (a) Fungsi keahlian untuk pembolehubah input, (b) Fungsi keahlian untuk pembolehubah output (Sumber: Sleit et al., 2016). 43 Jadual 3.2 Peringkat kedua peraturan kabur (Sumber: Sleit et al., 2016). 44 3.6 Hasil Jangkaan Berikut adalah contoh hasil yang dijangka akan diperolehi melalui eksperiman ini: Rajah 3.11 Imej babun, (a) Imej asli, (b) Hasil teknik yang dicadangkan, (c) Sobel dengan ambang=0.08, (d) Canny dengan ambang yang sesuai yang dipilih oleh MATLAB (Sumber : Sleit et.al.,2016). Rajah 3.12 Imej rama-rama, (a) Imej asli, (b) Hasil teknik yang dicadangkan, (c) Sobel dengan ambang=0.08, (d) Canny dengan ambang yang sesuai yang dipilih oleh MATLAB (Sumber : Sleit et.al.,2016). 45 Rajah 3.13 Imej jurukamera, (a) Imej asli, (b) Hasil teknik yang dicadangkan, (c) Sobel dengan ambang=0.08, (d) Canny dengan ambang yang sesuai yang dipilih oleh MATLAB (Sumber : Sleit et.al.,2016). Rajah 3.14 Imej bangunan, (a) Imej asli, (b) Hasil teknik yang dicadangkan, (c) Sobel dengan ambang=0.08, (d) Canny dengan ambang yang sesuai yang dipilih oleh MATLAB (Sumber : Sleit et.al.,2016). 46 Rajah 3.15 Imej Lena, (a) Imej asli, (b) Hasil teknik yang dicadangkan, (c) Sobel dengan ambang=0.08, (d) Canny dengan ambang yang sesuai yang dipilih oleh MATLAB (Sumber : Sleit et.al.,2016). Rajah 3.16 Imej mancis, (a) Imej asli, (b) Hasil teknik yang dicadangkan, (c) Sobel dengan ambang=0.08, (d) Canny dengan ambang yang sesuai yang dipilih oleh MATLAB (Sumber : Sleit et.al.,2016). 47 3.7 Pengiraan Hasil Untuk menilai hasil yang didapati secara kuantitatif, Min Ralat Kuasa Dua(Min Square Error (MSE)) dan Nisbah Isyarat-Ke Hingar Puncak(Peak-Signal-to-Noise-Ratio (PSNR)) digunakan untuk imej yang diuji dan membandingkan hasil yang didapati dengan kaedah Sobel dan Canny. Untuk mengira MSE adalah seperti berikut: πππΈ = ∑π,π[πΌ1 (π, π) − πΌ2 (π, π)]2 π×π (3.23) di mana πΌ1 adalah imej asal dan πΌ2 adalah hasil pengesanan sisi. Pada amnya, semakin rendah nilai MSE adalah bermaksud hasil yang bagus. Akan tetapi, di dalam pengesanan sisi, semakin tinggi nilai MSE adalah bermaksud banyak titik sisi (Sleit et al., 2016). Untuk mengira PSNR, persamaan (3.20). Pada amnya, nilai PSNR yang tinggi menunjukkan kualiti hasil yang baik. Untuk pengesanan sisi adalah sebaliknya, semakin rendah nilai PSNR adalah diperlukan untuk mencapai hasil yang sempurna (Sleit et al., 2016). π 2 ππππ = 10 log10 ( ) πππΈ (3.24) di mana R adalah nilai keamatan tertinggi di dalam imej iaitu 255 bagi imej berskala kelabu. 3.8 Kesimpulan Logik kabur merupakan peralatan yang berkesan yang dapat digunakan untuk menguruskan kekaburan dan ketidakpastian. Memandangkan keputusan untuk mempertimbangkan sama ada piksel adalah sisi atau tidak adalah berdasarkan ketidakpastian, logik kabur dapat digunakan untuk mengesan sisi di dalam imej. Di dalam disertasi ini, imej piksel daripada empat arah akan dinilai. 3x3 tetingkap akan digunakan untuk setiap imej dan untuk setiap tetingkap, dua jenis jarak kecerahan akan ditakrifkan. Melalui jarak ini, sistem inferen kabur akan mengesan sisi mengikut keempat-empat arah. Kesimpulan daripada bab ini adalah teknik yang digunakan adalah untuk membina kaedah pengesanan sisi yang dicadangkan di dalam disertasi ini. Teknik yang dibincangkan di dalam bab ini akan menjadi garis paduan untuk menjayakan keseluruhan disertasi ini. 48 RUJUKAN B.Chanda, D. D. M. 2011. Digital Image Processing and Analysis (2011th ed.). New Delhi: PHI Learning Pvt.Ltd. Chaira,T &Ray, A. K. 2009. Fuzzy Image Processing and Applications with MATLAB. Garg, R., & Kaur, B. 2014. Edge detection using Fuzzy Logic, (3), 20–23. Gonzalez, R. C., Woods, R. E., Scott, A. H., & Hall, P. P. 2008. Digital Image Processing. Hanmandlu, M., & See, J. (2004). Fuzzy Edge Detector Using Entropy Optimization. IEEE Computer Society. Ibragimov, B. 2012. A Game-Theoretic Framework for Landmark-Based Image Segmentation, 31(9), 1761–1776. Kansal, N. K. 2010. Fuzzy techniques for image enhancement, (June). Kumar, M., & Saxena, R. 2013. Algorithm And Technique On Various Edge Detection : A Survey. An International Journal (SIPIJ), 4(3), 65–75. Mamoria, P. 2017. An Analysis of Fuzzy and Spatial Methods for Edge Detection. Myilsamy, R. 2011. EDGE DETECTION TECHNIQUES FOR. International Journal of Computer Science and Technology (IJCSIT), 3. Patel, D. K. 2013. Edge Detection Technique by Fuzzy Logic and Cellular Learning Automata using Fuzzy Image Processing, 6–11. Rajabi, M., Bohloli, B., & Gholampour, E. 2010. Intelligent approaches for prediction of compressional , shear and Stoneley wave velocities from conventional well log data : A case study from the Sarvak carbonate reservoir in the Computers & Geosciences Intelligent approaches for prediction of compressional , shear and Stoneley wave velocities from conventional well log data : A case study from the Sarvak carbonate reservoir in the Abadan Plain ( Southwestern Iran ). Computers and Geosciences, 36(5), 647–664. Senthilkumaran, N., & Rajesh, R. 2009. Edge Detection Techniques for Image Segmentation – A Survey of Soft Computing Approaches, 1(2). Sleit, A., Saadeh, M., & Mobaideen, W. Al. 2016, An Edge Detection Technique for Grayscale Images Based on Fuzzy Logic, 17(6), 1–13. Tab, F. A., & Shahryari, O. 1896. Fuzzy Edge Detection Based on Pixel’s Gradient and Standard Deviation Values, 7–10. Tabbone, S., De, D., Cnrs, C., & Lorraine, I.1998. Edge Detection Techniques - An Overview, 1–41. 49 Vincent, O. R. 2009. A Descriptive Algorithm for Sobel Image Edge Detection Clausthal University of Technology. Proceedings of Informing Science & IT Education Conference (InSITE). Zhai, L., Dong, S., & Ma, H. 2008. Recent Methods and Applications on Image Edge Detection. IEEE Computer Society. Zhou, H., Wu, J., & Zhang, J. 2010. Digital Image Processing : Part I. Zimmermann, H. 2010. Fuzzy set theory. 50