Implementasi Transformasi Berbasis Local Standard Deviation untuk Peningkatan Kontras Citra Fundus Retina
DOI:
https://doi.org/10.33005/santika.v1i0.33Keywords:
peningkatan kontras citra, fundus retina, local standard deviationAbstract
Deteksi dan diagnosis beberapa penyakit mata misalnya retinopati diabetik dan penyakit mata degenerasi makula terkait usia (AMD) dilakukan oleh oftalmologis dengan mengamati citra retina pasien yang diakuisisi dari kamera fundus. Namun demikian, terdapat permasalahan yang dapat dijumpai yaitu rendahnya kontras citra fundus retina sehingga sulit dipisahkan antara daerah normal dengan daerah abnormal. Hal ini dapat disebabkan oleh pemfokusan cahaya yang kurang tepat saat akuisisi citra fundus. Oleh karena itu, diperlukan peningkatan kontras pada citra fundus retina sehingga diperoleh citra dengan kontras yang lebih merata. Dalam penelitian ini diusulkan implementasi peningkatan kontras citra fundus retina menggunakan transformasi berbasis Local Standard Deviation (LSD). Kerangka kerja yang diusulkan ini didasarkan pada peningkatan kontras menggunakan informasi lokal pada citra fundus retina berskala keabuan. Teknik peningkatan kontras lokal menerapkan fungsi transformasi yang memperhitungkan distribusi tingkat keabuan di sekitar tiap-tiap piksel pada citra masukan. Informasi lokal seperti mean lokal dan standar deviasi lokal dihitung. Performa algoritma dievaluasi berdasarkan jumlah tepi hasil pendeteksian tepinya dengan filter Sobel. Hasil peningkatan kontras yang diperoleh dari uji coba menggunakan kerangka kerja usulan, ditabulasi dan dibandingkan dengan hasil peningkatan kontras menggunakan metode lain yaitu Global-Local Contrast Enhancement (GLCE) dan citra skala keabuan tanpa peningkatan kontras. Dari hasil uji coba dapat disimpulkan bahwa peningkatan kontras citra fundus retina menggunakan transformasi berbasis LSD yang diusulkan lebih baik daripada peningkatan kontras citra menggunakan metode GLCE berdasarkan jumlah tepi yang berhasil dideteksi. Jumlah tepi yang berhasil terdeteksi dari citra fundus retina hasil peningkatan kontras transformasi berbasis LSD lebih tinggi dibanding metode GLCE.
References
[2] B. Gupta and M. Tiwari, “Color retinal image enhancement using luminosity and quantile based contrast enhancement,” Multidimens. Syst. Signal Process., vol. 30, no. 4, pp. 1829–1837, Oct. 2019, doi: 10.1007/s11045-019-00630-1.
[3] E. Daniel and J. Anitha, “Optimum green plane masking for the contrast enhancement of retinal images using enhanced genetic algorithm,” Optik, vol. 126, no. 18, pp. 1726–1730, Sep. 2015, doi: 10.1016/j.ijleo.2015.05.027.
[4] N. A. Binti Mohd Sharif et al., “Performance of Image Enhancement Methods for Diabetic Retinopathy based on Retinal Fundus Image,” in 2020 IEEE 10th Symposium on Computer Applications Industrial Electronics (ISCAIE), Apr. 2020, pp. 18–23, doi: 10.1109/ISCAIE47305.2020.9108707.
[5] M. Liao, Y. Zhao, X. Wang, and P. Dai, “Retinal vessel enhancement based on multi-scale top-hat transformation and histogram fitting stretching,” Opt. Laser Technol., vol. 58, pp. 56–62, Jun. 2014, doi: 10.1016/j.optlastec.2013.10.018.
[6] K. G. Dhal and S. Das, “Colour retinal images enhancement using modified histogram equalisation methods and firefly algorithm,” Int. J. Biomed. Eng. Technol., vol. 28, no. 2, pp. 160–184, Jan. 2018, doi: 10.1504/IJBET.2018.094725.
[7] Y. Hagiwara et al., “Computer-aided diagnosis of glaucoma using fundus images: A review,” Comput. Methods Programs Biomed., vol. 165, pp. 1–12, Oct. 2018, doi: 10.1016/j.cmpb.2018.07.012.
[8] A. Singh and N. Kumar, “A Global-Local Contrast based Image Enhancement Technique based on Local Standard Deviation,” Int. J. Comput. Appl., vol. 93, pp. 8–12, May 2014, doi: 10.5120/16186-4363.
[9] J. Chen, W. Yu, J. Tian, L. Chen, and Z. Zhou, “Image contrast enhancement using an artificial bee colony algorithm,” Swarm Evol. Comput., vol. 38, pp. 287–294, Feb. 2018, doi: 10.1016/j.swevo.2017.09.002.
[10] S. Kansal, S. Purwar, and R. K. Tripathi, “Image contrast enhancement using unsharp masking and histogram equalization,” Multimed. Tools Appl., vol. 77, no. 20, pp. 26919–26938, Oct. 2018, doi: 10.1007/s11042-018-5894-8.
[11] P. M. Narendra and R. C. Fitch, “Real-Time Adaptive Contrast Enhancement,” IEEE Trans. Pattern Anal. Mach. Intell., vol. PAMI-3, no. 6, pp. 655–661, Nov. 1981, doi: 10.1109/TPAMI.1981.4767166.
[12] S. SomorjeetSingh, T. Th, H. Devi, and T. Sinam, “Local Contrast Enhancement using Local Standard Deviation,” Int. J. Comput. Appl., vol. 47, pp. 39–44, Jun. 2012, doi: 10.5120/7267-0384.
[13] M. A. Al-Betar, Z. A. A. Alyasseri, A. T. Khader, A. L. Bolaji, and M. A. Awadallah, “Gray image enhancement using harmony search,” Int. J. Comput. Intell. Syst., vol. 9, no. 5, pp. 932–944, Sep. 2016, doi: 10.1080/18756891.2016.1237191.
[14] A. W. Setiawan, T. R. Mengko, O. S. Santoso, and A. B. Suksmono, “Color retinal image enhancement using CLAHE,” in International Conference on ICT for Smart Society, Jun. 2013, pp. 1–3, doi: 10.1109/ICTSS.2013.6588092.
[15] W. A. Mustafa and M. M. M. A. Kader, “A Review of Histogram Equalization Techniques in Image Enhancement Application,” J. Phys. Conf. Ser., vol. 1019, p. 012026, Jun. 2018, doi: 10.1088/1742-6596/1019/1/012026.
[16] E. P. Mandyartha, H. E. Wahanani, and P. W. Atmaja, “IMPLEMENTASI GLOBAL-LOCAL CONTRAST ENHANCEMENT UNTUK PENINGKATAN KONTRAS CITRA FUNDUS RETINA,” Pros. Semin. Nas. SANTIKA Ke-1 2019, pp. 213–218, Nov. 2019.
[17] M. Braik, A. Sheta, and A. Ayesh, Image Enhancement Using Particle Swarm Optimization. 2007.
[18] “The STARE Project.” https://cecas.clemson.edu/~ahoover/stare/ (diakses pada 18 Oktober 2020).
[19] N. Popovic, M. Radunovic, J. Badnjar, and T. Popovic, “Manually segmented vascular networks from images of retina with proliferative diabetic and hypertensive retinopathy,” Data Brief, vol. 18, pp. 470–473, Mar. 2018, doi: 10.1016/j.dib.2018.03.041.
