Perbandingan Deteksi Tepi Pada Citra Digital Dengan Menggunakan Algoritma FREI Cen Dan Susan (Smallest Univalue Segment Assimilating Nucleus)

Mata merupakan salah satu panca indra yang digunakan manusia untuk

melihat. Namun mata manusia memiliki keterbatasan dalam menangkap sinyal

elektromagnetik. Oleh karena itu, diciptakan mesin pencitraan yang dapat

menangkap hampir keseluruhan sinyal elektromagnetik. Mesin pencitraan dapat

bekerja dengan citra dari sumber yang tidak dapat ditangkap dengan penglihatan

manusia.

Salah satu teknik pengolahan citra yang digunakan adalah deteksi tepi.

Deteksi tepi adalah hal yang umum dalam proses pengolahan citra digital karena

merupakan salah satu langkah awal dalam melakukan segmentasi citra, yang

bertujuan untuk mempresentasikan objek-objek yang terkandung dalam citra

tersebut. Deteksi tepi berfungsi untuk mengidentifikasikan garis batas dari suatu

objek terhadap latar belakang yang saling tumpang tindih.Saat ini telah ada

beberapa metode yang dapat digunakan untuk pendeteksian tepi, contohnya

adalah metode sobel, canny, prewitt, frei-chen dan SUSAN. Dalam penelitian ini

diambil 2 metode untuk perbandingan yaitu algoritma frei-chen dengan algoritma

SUSAN.

Dari hasil penelitian menunjukan bahwa kedua operator berhasil dengan

baik dalam mendeteksi tepi pada sebuah citra. Pada saat mendeteksi tepi pada

citra yang mengandung noise algoritma frei-chen lebih baik dalam melakukan

pendeteksian tepi. Secara objektif dapat dilihat nilai PSNR (Peak Signals Noise

Ratio) yang dimiliki algoritma frei-chen cenderung lebih tinggi.

The eyes are one of the five senses used by human to see, but the human

eyes have limitations to capture the electromagnetic signals. Therefore, a

computer or image processor was designed to capture entirely most

electromagnetic signals. The image processor could analyze the images which

could not be captured by human eyes and the images from unfitted or unmatched

sources.

One of the image processing techniques which are well known is the edge

detection method. Edge detection is commonly applied in digital image processing

particularly in the image segmentation step. This method is used for identifying

the boundary of an object from its overlapping background. Then the

segmentation aims to portray the objects that contained within the image. These

recent days, there are several edge detection methods, such as the Sobel, Canny,

Prewitt, frei-chen and SUSAN (Smallest Univalue Segment Assimilating Nucleus).

In this study two methods were used and compared; they are the frei-chen and

SUSAN algorithm.

The results show that both of algorithms did well in detecting edges in an

image. Frei-chen algorithm is better than SUSAN algorithm in edge detection of

images that contain noises. Objectively, frei-chen algorithm PSNR (Peak Signals

Noise Ratio) values are higher than SUSAN algorithm.