Segmentasi Citra Warna Otomatis Rambu Lalu Lintas dengan Penerapan Mask Thresholder

Khoerul Anwar, Mahmud Yunus, Sujito Sujito

Abstract


Segmentasi rambu jalan dan sistem pengenalan merupakan aspek penting dan esensial untuk digunakan pada sistem autopilot, smart car atau autonomous vehicle yang memungkinkan kendaraan dapat berjalan tanpa pengemudi manusia. Namun demikian pada paper ini citra rambu jalan yang diproses dalam bentuk image dan bukan vidio/kamera. Penelitian ini bertujuan memperoleh citra warna rambu jalan dengan presisi yang tinggi. Pada penelitian ini ditawarkan metode segmentation rambu jalan dengan mengembangkan Fuzzy C-means dengan menginjeksikan teknik mask-tresholder untuk mendapatkan hasil segmentasi warna rambu jalan dengan presisi tinggi. Mula-mula citra dideteksi dalam ruang warna RGB kemudian diubah menjadi model warna L*a*b dan dilanjukan ekstraksi untuk mendapatkan komponan warna *a*. Fuzzy C-means dterapkan pada citra warna *a* untuk segmentasi foreground dan background. Proses dilanjutkan dengan operasi opening – closing dan hole filling untuk mereduksi noise pada hasil segmentasi. Sampai pada tahap ini hasil segmentasi yang diperoleh adalah citra binary dimana foreground dalam warna putih dan bacground dalam warna hitam.  Oleh karena itu untuk mendapatkan citra hasil segmentasi rambu jalan dalam ruang warna RGB maka diperlukan proses konvolusi. Teknik konvolusi yang dilakukan pada penelitian ini adalah dengan mengalikan tiap piksel citra mask tresholder dengan citra semula dalam ruang warna RGB.  Citra mask tresholder yang digunakan dalam penelitian ini adalah citra binary hasil segmentasi dengan Fuzzy Cmeans. Metode yang ditawarkan telah diuji dengan citra rambu jalan sejumlah 18 citra. Hasil yang diperoleh menunjukkan kinerja metode yang diusulkan mampu mensegmentasi citra rambu jalan dalam sesuai warna citra semula. Menggunakan metode jaccard untuk mengukur akurasi kinerja didapat tingkat akurasi adalah 97,73%.


Keywords


Rambu Jalan; Segmentasi; Fuzzy C-Means; Mask Thresholder; Konvolusi

Full Text:

PDF

References


Z. Afrose and M. Al-Amin Bhuiyan, “Road Sign Segmentation and Recognition under Bad Illumination Condition using Modified Fuzzy C-means Clustering,” Int. J. Comput. Appl., vol. 50, no. 8, pp. 1–6, 2012, doi: 10.5120/7788-0888.

R. E. F. Rizarta and D. Avianto, “Pengenalan Citra Rambu Lalu Lintas Menggunakan Ekstraksi Fitur Momenwarna Dan K-Nearest Neighbor,” Comput. J. Comput. Sci. Inf. Syst., vol. 3, no. 1, p. 39, 2019, doi: 10.24912/computatio.v3i1.4272.

K. Anwar and S. Setyowibowo, “Segmentasi Kerusakan Daun Padi pada Citra Digital,” vol. 7, no. 1, pp. 39–43, 2021.

J. Balado, M. Soilán, L. Díaz-Vilariño, and P. van Oosterom, “Segmentation of Traffic Signs From Poles With Mathematical Morphology Applied To Point Clouds,” ISPRS Ann. Photogramm. Remote Sens. Spat. Inf. Sci., vol. V-2–2021, pp. 145–151, 2021, doi: 10.5194/isprs-annals-v-2-2021-145-2021.

S. Dutta and B. B. Chaudhuri, “Homogenous Region based Color Image Segmentation,” vol. II, 2009.

N. Ikonomakis, K. N. Plataniotis, and A. N. Venetsanopoulos, “Color Image Segmentation for Multimedia Applications,” pp. 5–20, 2000.

O. R. Sitanggang, H. Fitriyah, and F. Utaminingrum, “Sistem Deteksi dan Pengenalan Jenis Rambu Lalu Lintas Menggunakan Metode Shape Detection Pada Raspberry Pi,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 12, 2018.

A. Septiarini, H. Hamdani, H. R. Hatta, and K. Anwar, “Automatic image segmentation of oil palm fruits by applying the contour-based approach,” Sci. Hortic. (Amsterdam)., vol. 261, no. October 2019, p. 108939, 2020, doi: 10.1016/j.scienta.2019.108939.

X. Ni, C. Li, H. Jiang, and F. Takeda, “Deep learning image segmentation and extraction of blueberry fruit traits associated with harvestability and yield,” Hortic. Res., vol. 7, no. 1, 2020, doi: 10.1038/s41438-020-0323-3.

H. Kang, “Fruit Detection and Segmentation for Apple,” 2019, doi: 10.3390/s19204599.

Y. Abbaspour-gilandeh, “A Video Image Segmentation System for the Fruit-trees in Multi-stage Outdoors Orchard under Natural Conditions,” 2018, doi: 10.15832/ankutbd.434137.

S. Lailee, S. Abdullah, H. Aini, and N. Jamil, “Segmentation of Natural Images Using an Improved Thresholding-based Technique,” vol. 41, no. Iris, pp. 938–944, 2012, doi: 10.1016/j.proeng.2012.07.266.

Z. Wang and S. Zhang, “Segmentation of Corn Leaf Disease Based on Fully Convolution Neural Network,” vol. 1, no. 1, pp. 9–18, doi: 10.25236/AJCIS.010002.

G. Sun, X. Jia, and T. Geng, “Plant Diseases Recognition Based on Image Processing Technology,” vol. 2018, pp. 1–8, 2018.

D. Khattab, H. M. Ebied, A. S. Hussein, and M. F. Tolba, “Color image segmentation based on different color space models using automatic GrabCut,” Sci. World J., vol. 2014, 2014, doi: 10.1155/2014/126025.

J. Delon, A. Desolneux, J. Lisani, and A. B. Petro, “A Nonparametric Approach for Histogram Segmentation,” no. February 2007, 2014, doi: 10.1109/TIP.2006.884951.

N. Singh and S. Veenadhari, “Segmentation of fuzzy enhanced mammogram mass images by using K-mean clustering and region growing,” Int. J. Adv. Comput. Sci. Appl., vol. 11, no. 5, pp. 348–352, 2020, doi: 10.14569/IJACSA.2020.0110546.

M. Nazari, “Improve Semi-Supervised Fuzzy C-means Clustering Based On Feature Improve Semi-Supervised Fuzzy C-means Clustering Based On Feature Weighting,” no. January 2013, 2016.

A. Hamad, S. Aminifar, and M. Daneshwar, “An interval type-2 FCM for color image segmentation,” vol. 10, no. 46, 2020.

M. Akbar et al., “GPU ACCELERATED FUZZY C-MEANS ( FCM ) COLOR IMAGE,” vol. 3839, pp. 165–174.

S. Arumugadevi, “Color Image Segmentation Using Feedforward Neural Networks with FCM,” vol. 13, no. October, pp. 491–500, 2016, doi: 10.1007/s11633-016-0975-5.

A. O. Chime, R. O. Aiwansoba, M. E. Osawaru, and M. C. Ogwu, “Morphological Evaluation of Tomato ( Solanum lycopersicum Linn .) Cultivars,” vol. 21, no. 2, pp. 97–106, 2017, doi: 10.7454/mss.v21i2.7421.




DOI: http://dx.doi.org/10.26418/jp.v7i3.49969

Refbacks

  • There are currently no refbacks.