Aerial Image Segmentation with Clustering Using Fireworks Algorithm

Muhammad Hariz Arasy,Kurniawan Nur Ramadhani,Suyanto Suyanto

doi:10.21108/indojc.2019.4.1.245

Muhammad Hariz Arasy, Kurniawan Nur Ramadhani

Open Access

https://doi.org/10.21108/indojc.2019.4.1.245

Copy DOI

Abstract

Aerial images has different data characteristics when compared to other types of images. An aerial image usually contains small insignificant objects that can cause errors in the unsupervised segmentation method. K-means clustering, one of the widely used unsupervised image segmentation methods, is highly vulnerable to local optima. In this study, Adaptive Fireworks Algorithm (AFWA) is proposed as an alternative to the K-means algorithm in optimizing the clustering process in the cluster-based segmentation method. AFWA is then applied to perform aerial image segmentation and the results are compared with K-means. Based on the comparison using Probabilistic Rand Index (PRI) and Variation of Information (VI) evaluation metrics, AFWA produces an overall better segmentation quality.

Highlights

Kelemahan metode berbasis region merging adalah dibutuhkannya bantuan user dalam menentukan titik awal region
Selanjutnya, Tabel II menunjukkan hasil evaluasi metrik PRI dan VI dari hasil segmentasi AFWA dan K-means menggunakan pemilihan skala optimal data set scale (ODS) dan optimal image scale (OIS)
Fireworks Algorithm (FWA) dan versi modifikasinya juga sangat berpotensi untuk dikembangkan pada metode segmentasi berbasis edge detection, thresholding, dan region merging

Summary

Latar Belakang

Fireworks Algorithm (FWA) merupakan salah satu algoritma metaheuristic yang menggunakan konsep Swarm Intelligence (SI). Sebuah sistem SI memanfaatkan sejumlah simple agents berkecerdasan sederhana yang kemudian saling berinteraksi dengan satu sama lain untuk menyelesaikan suatu tugas yang kompleks. Algoritma SI biasa digunakan sebagai alternatif dari algoritma non-heuristic dalam menyelesaikan permasalahan clustering dan optimization. Sejak diperkenalkan tahun 2010 [10], FWA telah dikembangkan secara signifikan menjadi dua variasi, yaitu: Enhanced FWA [14] dan Adaptive FWA [3]. Berdasarkan hasil dari [10], FWA terbukti memiliki kecepatan konvergensi dan akurasi solusi global yang lebih unggul dibandingkan algoritma SI lainnya

Masalah dan Batasan

Solusi yang Diusulkan

Organisasi Penulisan

Clustering

Adaptive Fireworks Algorithm

ASD Benchmark

SEGMENTASI CITRA MENGGUNAKAN AFWA

Preprocessing

AFWA Clustering

Output

HASIL DAN DISKUSI

KESIMPULAN