Pada bab ini berisi kesimpulan penelitian dan saran dari peneliti sebagai perbaikan di masa yang akan datang.
BAB 2
LANDASAN TEORI
2.1 Representasi Citra Digital
Defenisi citra menurut (GONZ02) adalah suatu fungsi dua dimensi f (x,y) dimana x dan y adalah koordinat parsial dari setiap titik pada citra, serta nilai fungsi f pada kordinat (x,y) merupakan nilai intensitas atau gray level pada titik tersebut. Citra digital merupakan citra dengan nilai x , y , dan f yang berhingga dan diskrit, dimana kegiatan dan pemrosesannya dialakukan dengan komputer digital. Setiap pasangan nilai dan lokasi koordinat merupakan element pembentuk citra digital yang disebut dengan piksel.
Terdapat tiga jenis range nilai yang umumnya dipakai dalam mempresentasikan besarnya intensitas nilay garay level citra dalam matriks, yaitu :
1 Representasi data double dengan nilai jangkauan antara 0-1
2 Representasi data integer 8 bit dengan nilai jangkauan antara 0-255 dan 3 Representasi data integer 16 bit dengan nilai jangkauan antara 0-65535 Nilai minimal (0) merupakan representasi dari warna hitam, sedangkan nilai maksimal dari setiap jenis jangkauan data merupakan representasi dari warna putih. Berikut ini adalah cara mengkonversi ketiga jenis representasi data diatas.
2.1.1 Konversi Data Double menjadi Integer
Untuk mengubah representasi data double menjadi integer 8 bit, nilai piksel dikalikan dengan 255 dan dikenakan pembulatan :
f(x,y)’ = int[round( f(x,y)*255)] (1)
untuk mengubah representasi data double menjadi integer 16 bit, nilai piksel dikalikan dengan 65535 dan dikenakan pembulatan :
f(x,y)’ =int[round( f(x,y)*65535] (2)
2.1.2 Konversi data integer menjadi double
Untuk mengubah representasi data integer 8 bit menjadi double, nilai piksel dibagi dengan 255 setelah format datanya diganti dengan double.
f(x,y)’ = double ( , ) (3)
untuk mengubah representasi data integer 16 bit menjadi double, nilai piksel dibagi dengan 65535 setelah format datanya diganti dengan double .
f(x,y)’ = double ( , ) (4)
2.2 Metode Penggambaran
Image yang diciptakan berdasarkan dua macam tipe penggambaran yaitu : bitmap dan
vector-vektor. Penggambaran vektor memberi arti bahwa sebuah gambar dibuat berdasarkan bentuk seri garis, sedagkan penggambaran bitmap sebuah gambar dibuat berdasarkan kumpulan piksel didalam piranti penampil atau raster. Image digital disimpan dalam computer sebagai matriks. Ukuran matriks menentukan resolusi image. Sebagai contoh, jika sebuah image mempunyai ukuran 100 x 100 piksel, gray level 8 bit. Ini berarti 100 x 100 = 10.000 piksel mengambil 256 buah nilai. Pada umumnya nilai piksel dari image 8 bit bernilai antara 0 sampai 255, mewakili sekala keabuan dari hitam sampai putih. Jadi dalam sebuah image, kita perlu mengetahui ada 10.000 buah nilai untuk setiap 100 x 100 piksel dari image 100 x 100. Secara sistematis, sebuah image berukuran 100 x 100 dapat dijadikan vector berdimensi 10.000. dimensi vector akan menigkat sejalan dengan semakin tinggi resolusi image.
Suatu image dibuat dengan menset posisi koordinat, intensitas, dan warna yang menyusun layar. Layar yang berfungsi sebagai media penampil dibayagkan sebagai potongan kisi-kisi atau grid atau lirik dari piksel-piksel. Nilai tingkat keabuan mempunyai harga integer, yaitu antara 0 sampai 2n – 1, dimana n adalah integer. Nilai 0 menunjukkan warna minimum yaitu warna putih.
2.3 Kanker dan Organ Reproduksi Wanita
Penyakit kanker adalah pertumbuhan sel tak normal atau tak terkendali sehingga menyebabkan perubahan bentuk dan pembesaran tubuh. Penyakit ini menyerang baik pada wanita maupun pria. Penyakit kanker menyerang semua organ tubuh manusia dari otak sampai ujung kaki. Dalam pembahasan ini menyusun pengkhususan membahas tentang penyakit kanker organ reproduksi wanita. Definisi organ reproduksi wanita adalah alat reproduksi wanita yaitu rahim yang terdiri dari mulut, leher, badan rahim, indung telur dan saluran. Gejala umum yang ditemukan adanya benjolan asing pada bagian tubuh yang terserang.
2.4 Deteksi Edge
Selain menggunakan metode segmentasi, ada cara lain untuk menyederhanakan bentuk image yaitu dengan melakukan pendeteksian terhadap edge atau garis di tepi
image tersebut. Teknik yang demikian dinamakan edge detection filtering. Filter
adalah salah satu jenis program pengolahan image (image processing) yang memanipulasi piksel-piksel image dengan cara melakukan perhitungan matematis.
Suatu garis atau edge didefenisikan sebagai sederetan piksel yang mempunyai intensitas antara piksel permulaan dan piksel akhir. Defenisi edge disini adalah kumpulan dari titik-titik atau plane point set. Karena jarak antara titik-titik yang sangat berdekatan membentuk edge dalam suatu objek.
Adapun dasar dari teknik ini adalah dengan melakukan penelusuran gambar secara vertical dan horizontal sambil melihat apakah terjadi perubahan warna mendadak yang melebihi suatu harga (sensitifitas) antara dua titik yang berdempetan. Jika ya, maka di tempat antara kedua titik tersebut dianggap pinggiran atau tepi sebuah objek.
Dalam kenyatannya edge yang didefenisikan terkadang ditemukan tidak sesuai dengan yang diharapkan, hal ini disebabkan karena : pertama, edge ini sering mempunyai intensitas yang lebih kecil sehingga terkadang edge tersebut tidak dapat dikenali. Kedua, edge sering tidak lengkap, hal ini dikarenakan warna background hampir seperti warna foreground. Ketiga, edge yang ditemukan pendek dan tidak terhubung saat dilakukan penelusuran.
Gambar 2.1 Proses deteksi tepi citra
Tahap awal proses pendeteksian ini diawali dengan mengitung setiap piksel yang ada, sehingga menciptakan piksel tersebut menjadi bagian dari edge yang sesungguhnya dicari. Cara menghitung piksel ini yaitu dengan suatu perhitungan yang dinamakan gradient magnitude
Untuk sebuah image diberikan fungsi f (x,y), gradient magnitude g (x,y) dan arah gradient ϴ(x,y) dinotasikan sebagai berikut :
Gx = ƒ(x,y) ………(1)
Gy = ƒ(x,y) ……….(2) ||∇ƒ || = √ + ………...(3)
Pendeteksian piksel dilakukan berdasarkan sesuai dengan arah penelusuran, bila arah penelusuran adalah vertical maka berada di sebelah kiri, sedagkan arah penelusuran kanan adalah horizontal.
2.5Edge
Yang dimaksud dengan tepi atau edge dalam hal ini adalah perubahan nilai derajat keabuan atau brightness value (VB) pada citra yang besar dalam jarak yang kecil. Perbedaan intensitas inilah yang menandakan adanya perbedaan objek, sehingga selanjutnya dapat diketahui objek-objek yang berbeda pada citra yang dianalisis. Tepi pada umumnya berada pada batas antara dua objek yang berbeda. Edge dapat diorientasikan dengan satu arah, dan arah ini dapat berbeda-beda tergantung pada perubahan intensitasnya. Terdapat tiga macam tepi yaitu :
1 Tepi curam
Tepi curam adalah tepi dengan perubahan intensitas yang tajam. Arah tepi berkisar 900.
2 Tepi landai
Tepi landai yaitu tepi dengan sudut arah yang kecil. Tepi landai dapat dianggap terdiri dari sejumlah tepi-tepi lokal yang lokasinya berdekatan.
3 Tepi yang mengandung derau
Umunya tepi yang terdapat pada aplikasi visi komputer mengandung derau. Operasi penigkatan kualitas citra dapat dilakukan terlebih dahulu sebelum pendeteksian tepi.
2.6 Deteksi Titik
Pendeteksian titik yang terisolasi dari suatu citra secara prinsip berlangsung secara
straightforward. Kita dapat mengatakan bahwa suatu titik dinyatakan terisolasi jika
|R|≥ T
Di mana T adalah threshold positif dan R adalah nilai dari persamaan :
=
Dengan demikian, titik yang terisolasi adalah titik yang berbeda (secara signifikan) dengan titik-titik di sekitarnya. Ada pun mask-nya adalah :
-1 -1 -1
-1 8 -1
-1 -1 -1
2.7 Deteksi Garis
Pendeteksian garis dari suatu citra dilakukan dengan mencocokkan dengan mask dan menunjukkan bagian tertentu yang berada secara garis lurus baik secara vetikal, horizontal, maupun miring 450 (baik kanan maupun kiri). Secara matematis dapat dirumuskan sebagai berikut :
|R|>|Rj| dimana i ≠ j
Arah horizontal : -1 -1 -1 2 2 2 -1 -1 -1 Arah vertical : 2 -1 -1 -1 2 -1 -1 -1 2 2.8 Tepi Objek
Pertemuan antara bagian objek dan bagian latar belakang disebut tepi objek. Dalam pengolahan citra, tepi objek ditandai oleh titik yang nilai keabuannya memiliki perbedaan yang cukup besar dengan titik yang ada di sebelahnya. Bila dua buah objek atau lebih saling tumpang tindih maka objek tersebut akan meninggalkan jejak tepi apabila intensitas objek yang lain atau sebaliknya. Hal ini penting untuk memishakan objek-objek yang tumpang tindih sehingga objek dapat dianalisis secara induvidu. Dengan demikian, tepi sebuah objek dapat juga digunakan untuk memisahkan objek-objek yang saling bersinggungan sehingga objek-objek tidak dianggap sebagai satu objek-objek yang besar, tetapi dapat dilacak atau dianalisis secara induvidu.
2.9 Deteksi Tepi Berbasis Gradient
Deteksi tepi dapat dilakukan dengan menghitung selisih antara dua buah titik yang bertetangga sehingga dapat besar gradient citra. Gradient adalah turunan pertama dari persamaan dua dimensi yang didefenisikan sebagai vector seperti berikut :
Gradient mempunyai dua sifat penting yaitu :
1. Vektor G[f(x,y)] menujukkan arah penambahan laju maksimum dari fungsi
f(x,y)
2. Besar gradient sama dengan penambahan laju maksimum dari fungsi f(x,y) per satuan jarak dalam arah G
Besar gradient dihitung dengan persamaan berikut : G[f (x,y)] = √ +
Untuk kebutuhan pengolahan citra, dalam praktiknya besar gradient dihitung sebagai berikut :
G[f(x,y] = |Gx|+|Gy| Atau
G[f (x,y)] = ≈ maks (|Gx|,|Gy|)
Sedangkan arahnya dapat dihitung dengan persamaan berikut : α (x,y) = tan-1
2.10 Sensitivitas Pelacakan Tepi
Sensivitas detector tepi terhadap noise dapat diukur dengan menggunakan parameter
error rate sebagai berikut :
P = |nN - nR| nR dimana
nN : jumlah piksel yang dinyatakan sebagai tepi pada citra refrensi nR : jumlah piksel yang dinyatakan sebagai tepi pada citra noisy
Nilai P yang besar menyatakan sensitivitas detector tepi yang tinggi terhadap
2.11 Thresholding
Thresholding adalah proses untuk mengelompokkan semua piksel pada citra dengan
nilai tertentu menjadi dua bagian dengan nilai gray level yang telah ditentukan. Pembuatan citra biner adalah salah satu bentuk thresholding dengan nilai 0 dan 1, yaitu melakukan perubahan semua nilai piksel yang lebih besar atau sama dengan nilai ambang menjadi 1 dan semua nilai piksel yang lebih kecil dari nilai ambang menjadi 0.
Pada umumnya ada 2 (dua) jenis Thresholding yang sering di gunakan yaitu :
Thresholding tunggal dan Thresholding ganda. Untuk Thresholding tunggal, dapat
dilihat melalui fungsi berikut :
g(x,y) = 0 ( , ) <
1 ( , ) ≥
Atau
g(x,y) = 0 ( , ) ≥
1 ( , ) <
Sedangkan untuk thresholding ganda, dapat dilihat melalui fungsi berikut :
g(x,y) = 0 min ≤ ( , ) ≤
1
Atau
g(x,y) = 1 ≤ ( , ) ≤
0
Nilai Thresholding (T) dapat di peroleh dengan berbagai cara, salah satu caranya adalah dengan melakukan perhitungan sederhana, dimana nilai rata-rata jumlah piksel yang memiliki nilai dibawah T sama dengan nilai rata-rata jumlah piksel yang memiliki nilai diatas T. Untuk perhitungan ini, nilai T yang didapat untuk gambar yang memiliki histogram yang telah ter-equalize adalah berkisar antara 127 dan 128. Nilai dari maksimum T adalah nilai tertinggi dari system warna yang digunakan dan
nilai minimum dari T adalah nilai terendah dari system warna yang digunakan. Untuk 256 graylevel maka nilai tertinggi T adalah 255 dan nilai terendahnya adalah 0.
Berikut ini adalah pseudocode dari proses pembentukan thresholding.
if f(x,y) ≥ nilaiAmbang f(x,y)’=1; else f(x,y)’=0;
nilai thresholding yang diberikan pada deteksi tepi kanker organ reproduksi wanita adalah T = 0.5
2.12 File Bitmap
Citra Bitmap sering disebut juga dengan citra raster. Citra Bitmap menyimpan data kode citra secara digital dan lengkap (cara penyimpanan adalah per piksel). Citra bitmap dipresentasikan dalam bentuk matriks atau dipetakan dengan menggunakan bilangan biner atau system bilangan lain. Citra ini memiliki kelebihan untuk memanipulasi warna, tetapi untuk mengubah objek lebih sulit. Tampilan bitmap mampu menunjukkan kehalusan gradasi bayangan dan warna dari sebuah gambar. Oleh karena itu, bitmap merupakan media elektronik yang paling tepat untuk gambar-gambar dengan perpaduan gradasi warna yang rumit, seperti foto dan lukisan digital. Citra bitmap biasanya diperoleh dengan cara Scanner, Camera Digital, Video Capture, dan lain-lain.
2.13 Model Warna
Model warna adalah model yang berfugsi memanipulasi dan mengubah warna pada image. Warna berasal dari spektrum tampak dan dapat dilihat dengan mata manusia antara warna merah, hijau, biru. Warna-warna ini dapat diproduksi dengan melakukan kombinasi terhadap suatu warna dengan warna lain. Model warna merupakan suatu bentuk metode penyajian data warna. Penyajian warna dijabarkan ke dalam bentuk
nomor-nomor warna. Jumlah warna pada system penampil tergantung pada rata-rata bit tiap pikselnya. Pada mode 2 warna atau mode 1 bit, nomor warna hanya memiliki 2 nilai yaitu 0 dan 1. Nilai 0 menyatakan warna minimum yaitu gelap (darkest) dan nilai 1 menyatakan warna maksimum yaitu cerah (brightest). Mode ini hanya memerlukan 1 bit untuk menyimpan tiap piksel. Pada mode 16 warna atau mode 4 bit, nomor warna yang dimiliki adalah antara range nilai 0 sampai 15. Mode ini memerlukan 4 bit data untuk setiap pikselnya. Untuk lebih jelasnya perhatikan table berikut ini :
Tabel 2.1 rata-rata bit per piksel
Bit Per Pixel Nama Model Warna Jumlah Warna 1 Bit Hitam dan Putih – (Line Art, Halftone) 2
4 Bit Warna Minimum 16
8 Bit Warna Pseudo – (gray scale) 256
16 Bit Warna Hi 32,768
24 Bit Warna true – (RGB) 16,7 milion
Table 2.2 Keterangan Warna untuk mode 16 dan 256 warna
Nomor Warna Mode 16 Warna 0 Hitam 2 Biru 3 Hijau 4 Unggu 5 Merah 6 Magenta 7 Coklat 8 Abu-abu terang 9 Abu-abu gelap 10 Biru tua
11 Hijau tua 12 Ungu tua 13 Merah tua 14 Magenta tua 15 Putih Mode 256 Warna 16 – 31 Gradasi abu-abu
32 – 103 Intensitas tinggi dari RGB 104 – 175 Intensitas menegah dari RGB 176 – 247 Intensitas rendah dari RGB
248 - 255 Hitam
2.13.1 Model Warna RGB
Warna-warna dasar yang digunakan adalah merah, hijau, biru, sehingga model warna yang digunakan dinamakan model warna RGB. System warna RGB menggunakan system penampil grafik kualitas tinggi (High Quality Raster Graphics) yaitu mode 24 bit. Setiap komponen warna yaitu merah, hijau, biru, masing-masing mendapatkan alokasi 8 bit untuk menampilkan warna. Dengan sistem warna RGB, setiap piksel akan mengalokasikan 24 bit tempat untuk dikirim kedalam frame buffer, sehingga system ini disebut juga Full color system atau true color system
Didalam model warna RGB, setiap nilai yang dihadirkan terdiri dari tiga komponen warna (tripel dan electron) yaitu R, G, B. nilai intensitas setiap komponen, ditandai dengan range nilai intensitas antara lain nilai 0 samapi 1. Bila titik koordinat warna putih adalah (1,1,1), maka ketika komponen warna tersebut mempunyai intensitas masksimum. Setiap nilai intensitas dihitung dengan menggunakan nilai real (floating point), akan tetapi berbeda dengan nilai di dalam frame buffer yang menggunakan nilai integer. Bila frame buffer adalah bit/piksel, dan nilai intensitas piksel antara range nilai 0 sampai 2b – 1 masih tergantung pada keadaan dan warna yang dimiliki oleh table warna.
2.13.2 Model Warna Grayscale
Citra gray scale merupakan citra dengan warna kelabu yang dibangun oleh suatu matriks dua dimensi yang setiap elemennya berkorespondensi dengan satu piksel dari citra. Nilai 0 sebagai nilai minimum matriks mempresentasikan warna hitam dan sebaliknya, nilai maksimum matriks akan mempresentasikan warna putih. Semakin besar nilai keabuan suatu matriks akan membawa dampak makin teragnya warna keabuan piksel tersebut.
Suatu citra berwarna dapat diubah menjadi citra gray scale dengan cara memasukkan nilai piksel yang sama pada untuk setiap lapisan merah (red), hijau (green), dan biru (blue) dari tiap-tiap koordinat citra berwarna. Karena sensitivitas mata manusia terhadap warna RGB memiliki tingkatan yang berbeda, NTSC membuat suatu koefisien standar yang mewakili komposisi intensitas ketiga lapisan RGB yaitu :
fgrayscale (x,y) = 0.2989 fred (x,y) + 0.570 fgreen (x,y) + 0.1140 fblue (x,y).
Gambar berikut merupakan salah satu organ reproduksi wanita citra berwarna menjadi gray scale.
Secara algoritma, syntax proses gray scale ini yaitu :
Dan hasil dari pengolahannya akan menjadi gambar dengan warna keabuan
Gambar 2.3 Gambar berwarna ke grayscale, kanker Ovarium
Selanjutnya ilustrasi, matriks hasil pengubahan citra berwarna yang dibentuk melaui matriks seperti pada table dibawah ini :
Tabel 2.3 Matriks citra Gray Scale dari kanker ovarium.jpg 0 4 29 33 25 25 25 27 28 24 31 18 1 0 0 7 47 47 47 54 45 55 60 42 47 31 2 0 2 7 44 52 56 59 44 53 68 55 53 31 1 0 9 8 39 67 63 51 44 49 51 42 60 36 7 3 3 4 40 72 64 43 40 47 44 44 57 30 5 2 3 7 38 62 60 46 46 40 36 56 51 27 12 6 1 3 24 47 56 51 53 54 40 46 39 16 7 3 0 1 13 20 24 27 29 31 33 26 21 11 1 0
Karena citra gray scale memiliki nilai pixel yang sama untuk lapisan red, green dan
blue, maka tampilan citra gray scale tidak dapat di transformasikan menjadi citra
berwarna tanpa adanya perubahan nilai pixel minimum pada satu dari ketiga lapisan tersebut. Walau begitu, citra gray scale masih dapat di transformasikan menjadi citra biner melalui proses thresholding.
gambar=imread(‘gambarkoe.jpg’); %---membaca file gambar red=gambar(:,:,1); %memanggil matriks gambar yang hanya berisi piksel warna
merah
green=gambar(:,:,2);% memanggil matriks gambar yang hanya berisi piksel
warna merah
blue=gambar(:,:,3); %memanggil matriks gambar yang hanya berisi piksel
warna merah
2.14 Segmentasi
Segmentasi merupakan suatu proses pembagian image menjadi beberapa segmen dan diantaranya terhubung satu sama lain. Hubungan segmen ini adalah bila terdapatnya dua piksel yang saling kontak. Segmen disebut juga region atau area. Segmen yang terpisah dapat dipertimbangkan menjadi sebuah image tersendiri. Proses segmentasi merupakan proses identifikasi dan menjadi dasar untuk melakukan proses klasifikasi objek image. Proses klasifikasi sebenarnya diartikan sebagai proses pengenalan objek yang ada dengan cara memisahkannya menjadi segmen-segmen yang diharapkan merupakan objek-objek tersendiri. Contohnya pada proses analisis suatu image dengan melihat grafik image histogramnya (histogram slicing). Tujuan analisis ini adalah untuk mengetahui objek dalam image tersebut dan memisahkannya untuk lebih lanjut melakukan proses pengenalan objek.
Ada beberapa teknik segmentasi, kesemuanya dapat digologkan dalam dua jenis berdasarkan cara kerjanya yaitu : pertama, segmentasi berdasarkan intensitas warna melalui identifikasi area atau region. Kedua, segmentasi berdasarkan karakteristik melalui identifikasi edge
Gambar 2.4 Image segmentation
Two-class object Histogram
Multi-class Object Histogram
2.14.1 Segmentasi Identifikasi Area
Operasi segmentasi area adalah operasi untuk mengidentifikasi semua piksel yang mempunyai intensitas yang sama, dengan cara lain mengelompokkan piksel-piksel tersebut ke dalam suatu range terdekat. Misalnya kelompok intensitas 0-24, 25-73, 74-160, 161-255. Kelompok intensitas ini dapat ditaksir dengan cara mempertimbagkanknya ke dalam suatu grafik image histogram. Pengelompokkan intensitas piksel ini bertujuan mencari perkiraan jumlah objek yang ada dalam image. Setiap kelompok akan menyatakan objek image. Jadi, bila jumlah kelompok intensitas ada 4 yaitu 0-24, 25-73, 74-160, 161-255, maka objek di dalam image tersebut diperkirakan berjumlah 4. Tahap akhir dari operasi ini selanjutnya adalah mencari
nilai rata-rata (mean) intensitas piksel pada tiap kelompok dan mengganti warna piksel dengan nilai rata-rata yang ditemukan pada tiap kelompok sehingga dengan demikian akan dihasilkan image beberapa kelompok warna. Jadi, bila jumlah kelompok intensitasnya ada 4, maka image akan mengahsilkan 4 kelompok warna. Warna yang seragam pada setiap kelompok akan mempermudah melakukan penyederhanaan objek. Teknik ini akan menghasilkan perkiraan jumlah objek dalam image dan tampilan objek yang masing-masing terpisah satu sama lain, sehingga dengan demikian masing-masing objek dapat dikenali lebih jauh lagi.
2.14.2 Segmentasi Identifikasi Edge
Operasi segmantasi identifikasi edge adalah operasi pengelompokan area image yang mempunyai karakteristik sama, karakteristik tersebut seperti perubahan warna antara piksel yang berdekatan, harga rata-rata bagian tersebut. Pada tahapan pendeteksian tepi dari metode pertama tugas akhir dilakukan proses pendeteksian tepi (edge detection) yang merupakan salah satu kegiatan segmentasi dengan pendekatan edge
based . Segmentasi ini dilakukan dengan menggunakan kernel Sobel untuk mencari gradiend. Proses identifikasi tepi dengan menggunakan prosedur turunan pertama
(first derivative) dengan memakai citra masukan gray scale dan akan menghasilkan citra edge biner. Dengan mengacu pada [SHES05], Identifikasi Edge pada tugas akhir ini akan menggunakan operator Sobel.
2.14.2.1 Operasi Penggabungan Area
Penggabungan area atau region merging bertujuan : pertama, mengurangi jumlah area dari hasil pengelompokkan intensitas sebelumnya, kedua, melakukan kombinasi terhadap setiap fragmentasi area, ketiga, membentuk area sesugguhnya. Operasi penggabungan ini sebenarnya bukan merupakan proses penambahan edge di dalam image, akan tetapi hanya megidentifikasi semua area yang ada dan menciptakan area saling dikombinasikan.
1 1 1 2 2 2 2 4 4
1 1 1 1 2 2 2 4 4
1 1 1 1 1 1 2 2 2
1 1 1 1 1 1 1 1 1
Proses pencarian area didalam image akan lebih mudah bila digunakan suatu harga tertentu yang bertujuan untuk menyeleksi seluruh piksel image. Proses yang demikian sama seperti di dalam operasi thresholding. Dasar proses thresholding adalah mengelompokkan warna-warna yang memiliki intensitas yang hampir sama sehingga jumah warna yang diperlukan oleh image menjadi kurang. Dari contoh image diatas, ternyata image mempunyai intensitas piksel yang beragam antara lain : 1, 2, dan 4. Piksel – piksel ini didalam operasi penggabungan area, selanjutnya dikelompokkan ke dalam kelompok intensitas masing-masing dan baru kemudian dilakukan proses pendeteksian. Proses pengelompokkan untuk image diatas tidak perlu dilakukan, hal ini disebabkan karena setiap kelompok piksel yang ada sudah menunjukkan pengelompokkan area masing-masing. Setiap kelompok piksel mempunyai intensitas piksel yang seragam, seperti kelompok : area A untuk intensitas piksel 1, area B untuk intensitas piksel 2, dan area C untuk intensitas piksel 3. Proses pendeteksian, dimulai dengan mencari semua selisih intensitas atau batasan di tepi masing-masing area, yang tergambar sebagai berikut.
1 1 1 2 2 2 2 4 4 1 1 1 1 2 2 2 4 4 1 1 1 1 1 1 2 2 2 1 1 1 1 1 1 1 1 1
Gambar 2.5 Batasan di tepi masing-masing area image
Bila seluruh selisih intensitas piksel di tepi area telah terdeteksi, maka perhitungan panjang seluruh selisih tepi masing-masing area tersebut adalah seperti yang tertera pada tabel diatas. Sebagai contoh, bila ternyata masing-masing piksel ditepi antara area B (2) dan area C (4) mempunyai selisih intensitas = 2, dan bila selisih ini ternyata mempunyai nilai yang lebih kecil dari harga seleksi piksel (harga sensitifitas atau
harga ambang) yang telah ditentukan, maka intensitas piksel ditepi area tersebut mempunyai nilai intensitas baru yaitu 1. Penentuan intensitas piksel ini tentu berbeda bila ternyata image menggunakan model warna lebih dari dua macam warna dominan.
2.14.2.2 Operasi Pembagian Area
Pembagian area (region splitting) berarti pembagian suatu image menjadi beberapa area dengan intensitas yang sama. Operasi ini sering digunakan untuk menambah kontras warna suatu image. Kontras warna image diperlukan untuk menambah penampakan image atau bagian tertentu image. Penambahan kontras warna image dimulai dengan cara menguji grafik image histogram-nya. Image histogram
