Comparison of Histogram Based Image Enhancement Methods on Iris Images

Hapsari, Rinci Kembang; Utoyo, Mohammad Imam; Rulaningtyas, Riries; Suprajitno, Herry

doi:10.1088/1742-6596/1569/2/022002

Cited by 10 publications

(8 citation statements)

References 4 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Therefore, the gray-level scaling is essential to improve identification performance. This study used the adaptive histogram equalization (AHE) method [ 26 – 28 ] for image improvement. Figure 1 shows the results of the conversion process of RGB iris images to grayscale iris images and the enhancement of iris images using the AHE method.…”

Section: Methodsmentioning

confidence: 99%

Modified Gray-Level Haralick Texture Features for Early Detection of Diabetes Mellitus and High Cholesterol with Iris Image

Hapsari

Miswanto

Rulaningtyas

et al. 2022

International Journal of Biomedical Imaging

View full text Add to dashboard Cite

Iris has specific advantages, which can record all organ conditions, body construction, and psychological disorders. Traces related to the intensity or deviation of organs caused by the disease are recorded systematically and patterned on the iris and its surroundings. The pattern that appears on the iris can be recognized by using image processing techniques. Based on the pattern in the iris image, this paper aims to provide an alternative noninvasive method for the early detection of DM and HC. In this paper, we perform detection based on iris images for two diseases, DM and HC simultaneously, by developing the invariant Haralick feature on quantized images with 256, 128, 64, 32, and 16 gray levels. The feature extraction process does early detection based on iris images. Researchers and scientists have introduced many methods, one of which is the feature extraction of the gray-level co-occurrence matrix (GLCM). Early detection based on the iris is done using the volumetric GLCM development, namely, 3D-GLCM. Based on 3D-GLCM, which is formed at a distance of d = 1 and in the direction of 0°, 45°, 90°, 135°, 180°, 225°, 270°, and 315°, it is used to calculate Haralick features and develop Haralick features which are invariant to the number of quantization gray levels. The test results show that the invariant feature with a gray level of 256 has the best identification performance. In dataset I, the accuracy value is 97.92, precision is 96.88, and recall is 95.83, while in dataset II, the accuracy value is 95.83, precision is 89.69, and recall is 91.67. The identification of DM and HC trained on invariant features showed higher accuracy than the original features.

show abstract

Section: Methodsmentioning

confidence: 99%

Modified Gray-Level Haralick Texture Features for Early Detection of Diabetes Mellitus and High Cholesterol with Iris Image

Hapsari

Miswanto

Rulaningtyas

et al. 2022

International Journal of Biomedical Imaging

View full text Add to dashboard Cite

show abstract

“…Matlab rumus tersebut telah dikonversi menjadi syntax yang baku yaitu syntax rgb2gray. Syntax ini mengubah secara otomatis citra menjadi cita abu-abu dengan nilai parameter sesuai rumus Persamaan 1 [21].…”

Section: Identifikasi Citra X-ray Thorax Dengan Claheunclassified

Identifikasi Objek pada Citra Thorax X-Ray Pasien COVID-19 dengan Metode Contrast Limited Adaptive Histogram Equalization (CLAHE)

Putra

Na`

Yuhandri

2022

jidt

View full text Add to dashboard Cite

Radiografi thorax X-Ray menghasilkan citra digital radiografi diarea dada seperti paru-paru, jantung, dan tulang rusuk. Citra ini dapat memvisualisasikan kondisi paru-paru pasien COVID-19. Pemeriksaan kondisi paru-paru pasien COVID-19 dengan X-Ray lebih mudah, murah dan banyak tersedia di rumah sakit dibandingkan teknik radiografi yang lainnya. Namun, hasil citra digital radiografi X-Ray memiliki kualitas yang kurang bagus sehingga perlu ditingkatkan. Kontras citra yang rendah menjadi faktor kesulitan identifikasi citra thorax pasien COVID-19. Meningkatkan kontras citra thorax pasien COVID-19 yang rendah dengan Contrast Limited Adaptive Histogram Equalization (CLAHE) sehingga mudah diamati secara konkret dan lebih jelas. Citra yang diolah dalam penelitian ini sebanyak 100 citra thorax pasien COVID-19 yang bersumber dari komputer bagian radiologi RS Bhayangkara Padang Indonesia. Selanjutnya citra diolah menggunakan pengolahan citra digital menggunakan software Matlab. Tahapan pengolahannya citra thorax dikonversi ke bentuk grayscale. Citra hasil dari grayscale dilanjutkan dengan pengolahan kontras dengan menggunakan metode CLAHE bertipe distribusi Uniform, Rayleigh dan Exponential. Dilanjutkan penghitungan nilai Peak Signal to Noise Ratio (PNSR) dan Mean Square Error (MSE) hasil citra dari pengolahan metode masing-masing tipe CLAHE. Hasil dari pengujian semua citra dapat ditingkatkan kualitas kontrasnya secara visual. Hasil rata-rata MSE CLAHE Uniform, Rayleigh dan Exponential secara berturut-turut sebesar 27.68, 25.86 dan 26.33. Nilai rata-rata PNSR CLAHE Uniform, Rayleigh dan Exponential > 30 dB yaitu sebesar 112.32 dB, 171.95 dB dan 151.90 dB yang berarti citra CLAHE mirip dengan citra aslinya. CLAHE Rayleigh memberikan hasil terbaik secara kualitas dan kuantitas dengan jumlah 85 citra atau nilai akurasi 85%, sedangkan CLAHE Exponential dan CLAHE Uniform sebesar 15% dan 0%.

show abstract

“…Histogram menggambarkan distribusi tingkat keabuan suatu citra. Histogram dapat dihitung menggunakan persamaan (2) [20].…”

Section: Histogram Equalization (He)unclassified

Peningkatan Kualitas Citra Malaria Menggunakan Metode Contrast Enhancement Berbasis Histogram

Setyawan

Wuryandari²,

Wibowo³

2022

JIKO

View full text Add to dashboard Cite

Akusisi citra digital malaria dapat menghasilkan citra dengan kontras rendah. Hal ini dapat disebabkan karena pengaturan pencahayaan pada mikroskop yang rendah dan penyesuaian parameter pada image capturing software yang tidak tepat. Citra malaria dengan kontras rendah dapat menjadikan segmentasi eritrosit dan plasmodium dari background menjadi tidak akurat. Segmentasi yang tidak akurat juga berdampak terhadap proses ekstraksi fitur dan klasifikasi pada sistem diagnosis malaria otomatis. Oleh karena itu, diperlukan contrast enhancement pada tahap pra pemrosesan untuk menghasilkan citra dengan kualitas yang baik. Pada penelitian ini, kinerja metode contrast enhancement berbasis histogram, yaitu Histogram Equalization (HE), Adapative Histogram Equalization (AHE), dan Contrast Limited Adaptive Histogram Equalization (CLAHE) diuji pada citra malaria untuk mengetahui metode yang menghasilkan citra dengan kualitas terbaik. Hasil pengujian pada dataset MP-IBD, metode CLAHE memberikan hasil yang terbaik dengan nilai MSE 482,35 dan PSNR 21,62. Perbaikan kontras menggunakan CLAHE dapat menghasilkan citra dengan visual eritrosit dan plasmodium yang lebih jelas dan noise yang minimal.

show abstract

Comparison of Histogram Based Image Enhancement Methods on Iris Images

Cited by 10 publications

References 4 publications

Modified Gray-Level Haralick Texture Features for Early Detection of Diabetes Mellitus and High Cholesterol with Iris Image

Modified Gray-Level Haralick Texture Features for Early Detection of Diabetes Mellitus and High Cholesterol with Iris Image

Identifikasi Objek pada Citra Thorax X-Ray Pasien COVID-19 dengan Metode Contrast Limited Adaptive Histogram Equalization (CLAHE)

Peningkatan Kualitas Citra Malaria Menggunakan Metode Contrast Enhancement Berbasis Histogram

Contact Info

Product

Resources

About