LONTAR KOMPUTER VOL. 5, NO. 2, AGUSTUS 2014 ISSN: 2088-1541 416 Segmentasi Gambar Warna Menggunakan Sauvola Modifikasi Fuzzy C-Means (SMFCM) Gilang Bayu Adhi1, Irawan Dwi Wahyono2 Institut Teknologi Sepuluh Nopember Jalan ITS Raya 60111, Surabaya e-mail: gilangbayu.adhi@gmail.com1, irawan2712@gmail.com2 Abstrak Dalam proses segmentasi citra berwarna, beberapa metode memiliki kelebihan dan kekurangan. Ada satu metode segmentasi citra berwarna yang dapat mensegmentasi warna dengan baik, akan tetapi memiliki kekurangan yaitu memiliki peak dan valley kecil pada histogramnya yang menyebabkan hasil segmentasi kurang homogen. Untuk mengatasi permasalahan peak dan valley kecil ini, maka penulis ingin mencoba suatu metode baru dengan menggunakan metode Sauvola Modifikasi Fuzzy C-Means hybrid (SMFCM). Metode ini menggabungkan algoritma Modifikasi Sauvola yang telah dimodifikasi dengan algoritma Fuzzy C-means. Hasil penelitian menunjukkan bahwa metode ini dapat mengurangi peak dan valley kecil sampai 25%, sehingga warna yang serupa pada citra berwarna lebih homogen. Jumlah region warna juga berkurang sebanyak 54%. Hasil penelitian ini menunjukkan persentase kegagalan atau error rate sebesar 21%. Kata kunci: Segmentasi, Sauvola modifikasi, Fuzzy C-Means, Histogram Abstract In the image color segmentation process, several methods have its own advantages and disadvantages. There is one method of color image segmentation that segments the image very well, but has the disadvantage that it has a small peak and valley in its histogram and causing in less homogeneous segmentation results. To overcome the problem of this small peak and valley, we would like to try a new method using modified Sauvola Fuzzy C-Means hybrid. This method combines the algorithm of modified Sauvola with Fuzzy C-Means algorithm. Results showed that this method can reduce small peak and valley up to 25%, so that the similar color is more homogenous. Number of color regions also reduced by 54%. Result show that this study has a error rate of 21%. Keywords: Segmentation, Modified Sauvola, Fuzzy C-Means, Histogram 1. Pendahuluan Pada gambar warna 24-bit, jumlah warna yang unik biasanya melebihi setengah dari ukuran gambar dan dapat mencapai 16 juta warna. Sebagian besar dari warna ini tidak dapat dibedakan oleh mata manusia yang hanya dapat mengenali 30 warna. Untuk semua warna unik ini, mereka dapat digabungkan untuk membentuk daerah yang homogen yang mewakili objek pada gambar sehingga gambar akan menjadi lebih bermakna dan mudah untuk dianalisa. Pada proses citra dan visi komputer, segmentasi gambar berwarna bertujuan untuk menganalisa gambar dan pengenalan pola [1]. Segmentasi gambar berwarna merupakan proses mempartisi sebuah gambar menjadi beberapa daerah yang homogen atas dasar persamaan karakteristik tertentu [2]. Gambar dapat dirubah menjadi binerisasi dalam bentuk histogram. Banyak metode dalam membuat warna menjadi binerisasi diantaranya metode Otsu yang mana merubah gambar berwarna menjadi keabuan yang lebih dikenal dengan global thresholding. Metode lainnya adalah berupa thresholding lokal yang bersifat adaptif atau disebut jendela lokal dengan mailto:gilangbayu.adhi@gmail.com mailto:irawan2712@gmail.com LONTAR KOMPUTER VOL. 5, NO. 2, AGUSTUS 2014 ISSN: 2088-1541 417 memperhatikan pixel tetangga. Metode yang mengunakan local thresholding diantaranya adalah Sauvola [3,4]. Dalam hal komputasi untuk meghasilkan output, metode Otsu lebih cepat dibandingkan metode Sauvola, akan tetapi dalam akurasi dan hasil, metode Sauvola lebih baik dibandingkan dengan metode Otsu. Metode Sauvola yang telah dimodifikasi dalam konsep integral image dapat menyamai kecepatan komputasi pada metode Otsu. Gambar warna dapat dibagi dalam 3 histogram, yaitu warna merah, hijau dan biru. Pembuatan histogram dapat dilakukan secara global maupun lokal thresholding, karena terdapat 3 warna jadi menjadi 3 dimensi binerisasi yang mana memiliki cluster sendiri jika dijadikan satu kembali [5]. Ada 2 metode dalam melakukan pengelompokan cluster yaitu K-Means dan Fuzzy C-Means [6,7]. Keduanya mencari jarak optimal antara centroid number, cluster dan pixel dari 3 warna yaitu Red, Green dan Blue. Dalam metode segmentasi muncul beberapa gabungan algoritma diantaranya Histogram Thresholding Fuzzy C-Means hybrid (HTFCM) [2]. Histogram Thresholding Fuzzy C-Means hybrid (HTFCM) merupakan metode pendekatan baru pada pengenalan pola. Metode ini membagi sebuah gambar berwarna menjadi 3 layer, yaitu layer red, green dan blue. Setelah gambar berwarna dibagi menjadi 3 layer, kemudian dibuat histogramnya menggunakan global thresholding. Akan tetapi, metode histogram thresholding menghasilkan banyak puncak dan lembah kecil pada berbagai daerah datar histogram-nya. Masalah puncak dan lembah ini dapat membuat warna suatu citra menjadi kurang homogen. Kurang homogennya warna ini dapat mempengaruhi proses segmentasi citra. Paper ini, mengajukan suatu pendekatan baru dengan menggunakan metode hibrida Sauvola Modifikasi dan Fuzzy C-Mean (SMFCM). Metode SMFCM ini dapat mengatasi permasalahan segmentasi pada HTFCM yang menghasilkan puncak dan lembah kecil pada 3 layer daerah datar histogram pada metode HTFCM. Dengan pengurangan puncak dan lembah ini, thresholding suatu citra menjadi lebih homogen. 2. Sauvola Modifikasi Fuzzy C-Means Dalam melakukan segmentasi, pada paper ini dilakukan dengan 2 tahap yaitu modul modifikasi Sauvola atau local adaptif integral image dan modul Fuzzy C-Mean. Dalam modul modifikasi Sauvola dilakukan 3 tahap yaitu: Langkah pertama adalah pembuatan histrogram dengan Sauvola modifikasi pada 3 warna yaitu merah, hijau dan biru. Langkah kedua adalah insialisasi Regional dalam 3 warna dan langkah berikutnya adalah pengabungan 3 warna atau merging berupa cluster. 2.1. Histogram dengan Sauvola Modifikasi Gambar dokumen dalam grayscale yang mana g(x,y) ϵ [0,255] menjadi intensitas pixel pada (x,y). Pada teknik local adaptive thresholding [4], tujuan utama dalam mencari threshold t(x,y) untuk masing – masing pixel dalam persamaan (1). (1) dimana o(x,y) adalah intensitas pixel pada koordinat x dan y. Pada metode binerisasi Sauvola, threshold t(x,y) dihitung menggunakan mean m(x,y) dan standar deviasi s(x,y) pada intesitas pixel dalam w x w pusat window sekeliling pixel (x,y) dalam persamaan (2). (2) LONTAR KOMPUTER VOL. 5, NO. 2, AGUSTUS 2014 ISSN: 2088-1541 418 dimana R adalah nilai maksimum dari standar deviasi (R = 128 untuk dokumen grayscale) dan k adalah parameter nilai positif pada range [0.2, 0.5] dalam [2]. Local mean m(x,y) dan standar deviasi s(x,y) nilai threshold menurut kontras pada pixel local tetangganya. Pada konsep integral image i pada input g gambar yang didefinisikan gambar dengan posisi intensitas pixel adalah sama dengan jumlah semua intesitas pixel diatas dan disamping posisi pada gambar aslinya. Formula intesitas posisi (x,y) dalam persamaan (3). , (3) dimana g adalah input gambar, x dan j adalah posisi dan It adalah intensitas. Integral image pada grayscale sangat efektif dihitung single pass, setelah integral image, local image pada beberapa ukuran window bisa dihitung secara sederhana dengan 2 kondisi dan 1 operasi subration menghasilkan jumlah semua pixel pada windows menggunakan persamaan (4). , (4) dimana mt adalah local mean, I adalah intensitas, w adalah ukuran local window. Dan local variannya dalam persamaan (5). , (5) dimana St adalah local varian, w adalah ukuran local windows dan mt adalah local mean pada posisi x dan y. Pada histogram 3 warna nilai t disubstitusi dengan red(r), green(g) dan blue(b) pada persamaan 3, 4 dan 5. 2.2. Insialisasi Region Setelah mendapatkan histogram dari komponen merah, hijau dan biru pada algoritma modifikasi sauvola, insialisasi dominasi puncak pada setiap komponen histogram yaitu x, y dan z. Pr= (i1, i2,….ix), Pg = (i1, i2,…,iy) dan Pb = (i1, i2,…iz) adalah dominasi puncak pada setiap komponen yang mana nantinya ditandai sebagai keragamaan Region. Untuk melakukan itu dibutuhkan algoritma region sebagai berikut: langkah pertama yaitu bentuk semua kemungkinan cluster centroid. Yang kedua, tandai setiap pixel yang terdekat dengan cluster centroid dan bentuk set pixel pada setiap cluster dengan menandai pixel yang berhubungan dengan cluster centorid. Berikutnya eliminasi semua cluster centroid yang mempunyai jumlah pixel yang ditandai kurang dari threshold. Untuk mengurangi jumlah inisial cluster centroid nilai dari threshold diset 0.006N – 0.008N didapat dari [2], dimana N adalah jumlah pixel dalam gambar. Kemudian langkah keempat adalah menandai lagi setiap pixel gambar yang berdekatan dengan cluster centroid. Kemudian langkah terakhir yaitu meng-update setiap cluster centroid ci dengan mode pixel set Xi masing-masing. 2.3. Merging Algoritma merging dibutuhkan untuk mengabungkan region pada warna yang sama. Tools yang digunakan untuk mengukur kesamaan warna digunakan Euclidean distance yang mana mengukur perbedaan warna antara 2 region uniform. Bila c = (c1, c2,…cm ) adalah cluster centroid dan m adalah jumlah cluster centroid. LONTAR KOMPUTER VOL. 5, NO. 2, AGUSTUS 2014 ISSN: 2088-1541 419 Algoritma Merging yaitu: Langkah pertama, pilih threshold maksimum pada Euclidean distance, dc pada nilai integer positif. Langkah kedua hitung distance, D untuk 2 keluaran pada M cluster centroid. , (6) dimana 1 ≤ j ≤ M dan 1 ≤ k ≤ M, Rj, Gj dan Bj adalah nilai komponen Red, Green dan Blue pada j cluster centroid dan juga Rk, Gk dan Bk adalah nilai komponen dari k cluster centroid. Langkah ketiga yaitu mencari jarak minimum antar 2 cluster centroid berdekatan. Gabungkan cluster berdekatan dalam bentuk cluster centroid yang baru jika jarak minimum antara cluster centroid kurang dari dc. Jika tidak berhenti proses merging. Langkah keempat adalah memperbaharui pixel set dengan menandai pada cluster centroid yang baru. Kemudian langkah kelima adalah me-refresh cluster centroid yang baru. Setelah itu, kurangi jumlah cluster centrois M menjadi M-1 dan ulangi langkah 2 sampai 6 sampai tidak ada jarak minimum antara 2 cluster centroid yang berdekatan yang kurang dari dc. 2.4. Fuzzy C Means Algoritma FCM adalah sama dengan teknik hill–climbing, ini digunakan untuk teknik clustering untuk segmentasi gambar. Pada FCM setiap pixel mempunyai derajat keanggotaan pada masing-masing cluster centroid. Derajat keanggotaan mempuyai range nilai [0,1] dan indikasi kuat pada asosiasi antar pixel dan bagian dari cluster centroid. Algoritma FCM bertujuan membagi setiap pixel menjadi koleksi dari M fuzzy cluster centroid dengan memberikan beberapa kriteria. N adalah jumlah pixel pada gambar dan m adalah ekspoensial derajat keanggotaan. Fungsi objektif dari FCM dalam persamaan (7). (7) dimana Uji adalah derajat keanggotaan I pixel ke j cluster centroid, dji adalah jarak antara i pixel dengan j cluster centroid. Ui = (U1i, U2i,…..Umi) adalah derajat keanggotaan i pixel diasosiasi dengan setiap cluster centroid, xi adalah I pixel pada gambar dan cj adalah j cluster centroid. U = (U1, U2,…UN) adalah matrik derajat keanggotaan dan C = (c1, c2…cM) adalah cluster centroid. Derajat kekompakan dan keseragaman cluster centroid sangat tergantung pada fungsi objektif FCM. Umumnya semakin kecil fungsi FCM mengindikasikan kekompakan dan keseragaman cluster centroid. FCM digunakan untuk meningkatkan kekompakan pada cluster yang diperoleh dari modul Sauvola modifikasi. Algoritmanya sebagai berikut: langkah pertama adalah memiilih iterasi akhir thresholding. ϵ adalah jumlah positip terkecil pada range [0,1] dan jumlah iterasi q ke 0. Langkah kedua yaitu menghitung U(q) menurut C(q) dengan formula persamaan (8). , (8) dimana 1 ≤ j ≤ M dan 1 ≤ i ≤ N, jika dji = 0 kemudian uji = 1 dan pilih derajat keanggotaan lain pada pixel ke 0. Langkah ketiga, hitung C(q+1) berdasarkan U(q) pada persamaan (9). (9) dimana 1 ≤ j ≤ m. LONTAR KOMPUTER VOL. 5, NO. 2, AGUSTUS 2014 ISSN: 2088-1541 420 Langkah keempat, perbaharui U(q+1) berdasarkan C(q+1) berdasarkan persamaan (8). Kemudian bandingkan U(q+1) dengan U(q), jika maka berhenti iterasi. Lainnya jika q = q + 1 dan ulangi langkah 2 sampai langkah 4 sampai . 3. Hasil dan Pembahasan Menggunakan algoritma SMFCM. Gambar sample house diperlihatkan dalam Gambar 1 ini kemudian dicari komponen histogramnya yaitu red, green dan blue. Gambar 2 memperlihatkan histogram komponen red, green dan blue yang didapat dari gambar asli sample. Setelah didapat histogram-nya, gambar sampel ini dilakukan komputasi menggunakan metode local window modifikasi Sauvola dalam persamaan (1, 2, 3, 4 dan 5) untuk mengurangi jumlah peak dan valley dalam histogram red, green dan blue dari gambar sample house. Gambar 3 memperlihatkan hasil histogram komponen red, green dan blue menggunakan local window pada algoritma modifikasi Sauvola yang mana jumlah peak dan valley telah berkurang dibandingkan dengan Gambar 2. Setelah di dapatkan masing-masing histogram pada warna red, green dan blue yang memiliki local mean dan local variance kemudian dilakukan insialisasi cluster centroid menggunakan persamaan (6). Pada implentasi algoritma Fuzzy C-Mean mengunakan persamaan (7, 8 dan 9) didapat jumlah cluster centroid sebanyak 4. Algoritma ini diuji pada 200 gambar warna yang didapat dari gambar umum segmentasi. Pada paper ini diambil 20 gambar untuk menampilkan kemampuan dari algoritma SMFCM, 5 buah gambar umum ditampilkan dalam ukuran 256x256 dan 15 gambar lainnya sebagai data pendukung berupa gambar sintetis. Pada study literatur, nilai dc adalah 28 didapat dalam [2]. 2a 2b 2c Gambar 1. Gambar Sampel House Gambar 2. Histogram 3 komponen (a) red (b) green (c) blue 3a 3b 3c Gambar 3. Histogram 3 Komponen RGB pada Gambar Sampel setelah dilakukan local window pada algoritma modifikasi Sauvola (a) red (b) green (c) blue 3.1 Perbandingan Jumlah Peak dan Valley Algoritma SMFCM dengan HTFCM Pada bagian ini membahas jumlah peak dan valley pada algoritma SMFCM dibandingkan dengan algoritma HTFCM dalam proses segmentasi. Tabel 1 memperlihatkan jumlah peak dan valley pada proses segmentasi pada beberapa gambar menggunakan algoritma SMFCM dan HTFCM, yang mana jumlah peak dan valley metode SMFCM lebih sedikit dibandingkan HTFCM. 3.2 Evaluasi Hasil Segmentasi Pada bagian ini, membahas hasil dari segmentasi SMFCM yang dievaluasi adalah jumlah region dan error rate pada masing-masing gambar dengan memisahkan antara foreground dan background. Gambar 4 memperlihatkan perbandingan gambar sampel asli dengan gambar hasil segmentasi dengan SMFCM. Hasil gambar segmentasi dengan SMFCM menghasilkan LONTAR KOMPUTER VOL. 5, NO. 2, AGUSTUS 2014 ISSN: 2088-1541 421 jumlah region lebih sedikit dibandingkan dengan hasil segementasi dengan menggunakan HTFCM. Jumlah region dihitung didapat dalam persamaan (9), hasil perhitungan diperlihatkan dalam Tabel 2. Nilai region yang lebih sedikit menunjukkan bahwa kelompok warna lebih homogen. Dalam pengujian terhadap gambar sintetis sebanyak 15 warna gambar, pengujian mengevaluasi jumlah region dan error rate seperti diperlihatkan dalam Tabel 3. Tabel 1. Perbandingan Jumlah Peak dan Valley pada HTFCM dan SMFCM Tabel 2. Jumlah Region yang Diproduksi pada Algoritma HTFCM dan SMFCM Gambar House Football Golden Gate Beach Girl Original SMFCM Gambar 4. Perbandingan gambar original dengan gambar hasil dari metode SMFCM Tabel 3. Jumlah Cluster Gambar Sintetis dan Error Rate Gambar Jumlah Region (M) Original Jumlah Region (M) Segmentasi Error Rate A 7 3 0 B 6 2 0 C 6 3 0 D 7 5 0 E 6 5 0 F 6 4 0 G 6 5 0,1 H 6 4 0 I 6 6 0,5 J 5 6 0,8 K 5 4 0,1 L 5 4 0,1 M 5 7 0,8 N 6 8 0,8 Gambar Jumlah Region HTFCM SMFCM House 7 4 Football 7 4 Golden Gate 11 5 Beach 8 7 Girl 9 5 Gambar Algoritma HTFCM SMFCM Peak Valley Peak Valley House 9 9 2 2 Football 12 12 2 2 Golden Gate 11 11 3 3 Beach 8 8 2 2 Girl 9 9 2 2 LONTAR KOMPUTER VOL. 5, NO. 2, AGUSTUS 2014 ISSN: 2088-1541 422 Gambar 5. Hasil Segmentasi pada Gambar Sintetis 4. Pembahasan Berdasarkan hasil implementasi yang diperlihatkan dalam Gambar 2. dan Gambar 3. bahwa terjadi pengurangan peak dan valley pada masing-masing histogram red, green dan blue. Pengurangan peak dan valley pada gambar sampel House sebesar 25% jika dihitung berdasarkan perbandingan peak dan valley pada masing-masing histogram. Penyebab berkurangnya peak dan valley ini diakibatkan segmentasi menggunakan algoritma Modifikasi Sauvola dalam persamaan (4 dan 5). Gambar sampel yang sudah disegmentasi dirubah dalam bentuk grayscale untuk didapatkan histogramnya, kemudian dibandingan antara gambar sampel asli dan gambar sampel segmentasi dalam bentuk histrogram, maka gambar sampel original yang telah di grayscale menghasilkan 8 peak dan 8 valley pada histogramnya, sedangkan gambar sampel hasil segmentasi yang dirubah ke dalam grayscale menghasilkan 2 peak dan 2 valley pada histogramnya. Pengurangan peak dan valley antara gambar sampel original dan gambar segmentasinya sebesar 75%. Perbandingan histogram 3 komponen red, green dan blue antara gambar sampel dan gambar segmentasi mendekati dari bentuk multi modal ke uni modal. Begitu juga jika dirubah dalam grayscale bentuk histogram gambar sampel original adalah multi modal, sedangkan gambar segmentasi adalah uni modal. Jadi histogram antar warna gambar dalam 3 komponen red, green dan blue mempunyai bentuk yang sama dalam bentuk grayscale baik gambar sampel original maupun gambar hasil segmentasi. Penyebab histogram hasil segmentasi berbentuk uni modal karena persamaan (2) local window dalam algoritma Modifikasi Sauvola. Perbandingan antara peak dan valley pada gambar orginal sampel dan hasil segementasi dalam Tabel 1 didapat pengurangan peak dan valley sebesar 0,25 atau 25%. Jadi berdasarkan hasil ini, metode SMFCM mampu mengurangi jumlah peak dan valley gambar House dalam histogram 3 komponen yaitu red, green dan blue sebesar 25% sehingga gambar lebih homogen dalam segmentasi. Pegujian SMFCM pada gambar House, Football, Golden, Gate, Beach dan Girl dengan mengevaluasi peak dan valley didapat pengurangan jumlah peak dan valley antara gambar original dan gambar hasil segmentasi sebesar 25% diperlihatkan dalam Tabel 2. LONTAR KOMPUTER VOL. 5, NO. 2, AGUSTUS 2014 ISSN: 2088-1541 423 Data sintetis dibuat secara manual dengan menggunakan aplikasi adobe photoshop CS2 dengan pewarnaan antara background dan foreground mendekati sama warna degradasinya. Hasil pengujian terhadap 15 gambar sintetis dihasilkan hampir sama dalam pengurangan jumlah peak dan valley sebesar 25% pada masing-masing histogramnya. Jadi Metode SMFCM mampu mengurangi jumlah peak dan valley yang menjadi permasalahan pada metode HTFCM. Pada pengujian SMFCM pada gambar House, Football, Golden, Gate, Beach dan Girl yang diperlihatkan dalam Gambar 4 didapat jumlah region yang berkurang dibandingkan dengan algoritma HTFCM. Jumlah pengurangan region diperlihatkan dalam Tabel 2. Pengurangan region atau cluster sebanyak 54% sehingga gambar segmentasi lebih homogen. Pengurangan region ini lebih banyak disebabkan dari algoritma Fuzzy C-Mean dalam mengurangi jumlah cluster centroid atau region sesuai persamaan (9). Untuk mengetahui error rate pada SMFCM dilakukan pengujian menggunakan data sintetis. Pada hasil pengujian dengan SMFCM menggunakan data sintetis sebanyak 15 gambar warna didapat hasil jumlah region dan error rate seperti dalam Tabel 3. Dalam Tabel 3 hanya gambar tertentu yang tidak terjadi pengurangan, akan tetapi terjadi penambahan region, hal ini disebabkan karena degradasi warna yang hampir sama antara foreground dan background. Sedangkan untuk error rate lebih dari 0,1 dalam Tabel 3 terjadi pada gambar sintetis yang hasil segmentasinya terjadi penambahan jumlah region pada hasil segmentasinya. Error rate didapat dari pemisahan antara background dan foreground menggunakan persamaan (1 dan 2) menggunakan algoritma Savola Thresholding. Dalam Tabel 3 didapat rata-rata error rate untuk 15 gambar sintetis adalah 21%. Hal ini disebabkan memiliki derajat warna yang sama (derajat kemerahan, derajat kehijauan, derajat kebiruan) antara foreground dan background. Untuk mengurangi jumlah error rate dalam segmentasi warna antara foreground dan background dapat digunakan pengelompok metode cluster lain. 5. Kesimpulan Hasil penelitian menunjukkan bahwa metode SMFCM berhasil mengurangi jumlah peak dan valley yang terdapat pada metode HTFCM dengan pengurangan sebesar 25%. Pengurangan peak dan valley menyebabkan gambar warna menjadi lebih homogen sehingga kurang baik dalam membedakan background dan foreground yang memiliki warna sama. Metode SMFCM memiliki error rate sebesar 21%. Daftar Pustaka [1] M. Mirmehdi, M. Petrou, Segmentation of Color Textures, IEEE Trans. Pattern Anal. Mach. Intell. 2000; 22(2): 142-159. [2] Khang Siang Tan, Nor Ashidi Mat Isa, Color Image Segmentation Using Histogram Thresholding Fuzzy C-Means Hybrid approach, Pattern Recognition. 2011; 44: 1-15. [3] Faisal Shafait, dkk, Efficient Implementation of Local Adaptive Thresholding Techniques Using Integral Images, project IpeT (01 IW D03), German Federal Ministry of Education and Research. [4] J.Sauvola, dkk, Adaptive Document Image Binarization, Pattern Recognition. 2000; 33(2): 255-236. [5] Enno Litmann, dkk, Adaptive Color Segmentation – A Comparison of Neural and Statistical Methods, IEEE Trans. On Neural Network. 1997; 8(1). [6] X.L, Xie, G.A. Beni, Validity Measure for Fuzzy Clustering, IEEE Trans. Pattern Anal. Mach. Intell. 1991; 13(4): 841-847. [7] J.C. Bezdek, Cluster Validity with Fuzzy Set, Cybernet syst. 1974; 3(3): 58-73