BAB 2 LANDASAN TEORI
2.4 Segmentasi
Segmentasi merupakan proses memisahkan pixel-pixel yang terkandung pada suatu citra, menjadi suatu kelompok dari pixel-pixel yang bersifat homogeneous. Proses segmentasi terbagi menjadi dua macam, yaitu segmentasi region dan segmentasi edge (Jain, Katsuri, Schunck, 1995: 73). Segmentasi region merupakan proses segmentasi dengan pengelompokkan
pixel-pixel pada citra menjadi suatu region-region. Semua pixel yang
memiliki karakteristik yang sama akan dikelompokkan bersama sebagai suatu
region.
2.4.1 Region Growing
Segmentasi citra menggunakan algoritma region growing, yaitu metode segmentasi berbasiskan region segmentation dengan mengolompokkan pixel-pixel yang memiliki karakteristik yang sama, berupa intensitas pixel sehingga membentuk region yang merepresentasikan objek dari suatu citra. Pengelompokkan pixel-pixel ini bertujuan untuk memisahkan objek dari latar belakangnya pada suatu citra. Nilai intensitas setiap pixel pada citra akan memengaruhi
Algoritma region growing yang dimulai dengan seed points yang mewakili dari suatu region. Seed points akan berkembang ke
pixel tetangga yang memilliki karakter yang hampir sama sampai
membentuk suatu bagian (region).
Segmentasi merupakan proses membagi citra R menjadi n subregion, yaitu R1, R2, … Rn ,dengan persamaan (Gonzalez dan Woods, 2001):
(9)
Persamaan (9) menjelaskan proses segmentasi harus komplit yaitu semua pixel harus masuk dalam katagori region-region yang dibuat. Selain itu, semua pixel yang berada pada Ri memiliki nilai gray level yang sama. Ri merupakan region yang saling berkoneksi, dengan i = 1, 2, .. n.
(10)
Persamaan (10) menjelaskan semua region harus diuraikan. Sifat pixel harus terpenuhi ketika pixel disegmentasi menjadi region yang dinyatakan dalam persamaan (11) :
(11)
yaitu P(Ri) benar jika pixel pada region i memiliki nilai intensitas yang kurang lebih sama.
Seed point yang berada pada citra f, memiliki koordinat (x, y)
dengan grayvalue = f(x, y). Region growing menggabungkan
pixel-pixel dengan kriteria range grayvalue menjadi suatu region menjadi
nilai intensitas pixel h. Mekanisme region growing dimulai dari seed
point S(x,y) dengan nilai intensitas pixel yang sudah ditentukan pada
koordinat tertentu pada suatu citra. Seed point S(x,y) akan berkembang (growth) dengan memeriksa nilai intensitas pixel tetangga dengan menggunakan arah 8-connectivity.
Pixel tetangga akan masuk menjadi satu region Ri jika selisih
nilai pixel tetanggga dan seed point lebih kecil dari nilai threshold. Nilai maksimum gray value pada Ri ditentukan dari nilai threshold.
H(x,y) = TRUE, if (12) Nilai threshold didapatkan dari analisa histogram masing-masing objek dan histogram latar belakang. Histogram kedua objek yang diambil oleh kamera secara terpisah.
Dengan melihat hasil histogram latar belakang dan histogram objek maka dapat menentukan nilai threshold yang akan digunakan pada proses segmentasi. Growing atau berkembangnya seed point ke
pixel tetangga, akan berhenti jika tidak ada pixel yang memenuhi
kriteria dari karakter suatu region Ri.
2.4.2 Segmentasi pengaruh pencahayaan
Penelitian mengenai segmentasi telah dilakukan dalam beberapa tahun ini. Dengan memperhatikan pengaruh pencahayaan, algoritma segmentasi telah dikembangkan seperti pada penelitian
Effects of Image Segmentation for Approximating Object Appearance Under Near Lighting (Sato, Okabe and Yoichi, 2006). Metode yang
digunakan pada penelitian Okabe mengenalkan cara segmentasi citra dengan asumsi pencahayaan yang terarah. Algoritma yang digunakan terdiri dari dua kriteria. Kriteria pertama single point light source yaitu objek yang akan disegmentasi diberikan cahaya dengan dengan sumber cahaya terpusat dengan frekuensi yang tinggi.
Kriteria kedua adalah general illumination condition yaitu objek diberikan cahaya dengan kondisi sumber cahaya yang normal. Algoritma ini terdiri dari dua tahap yaitu rectangular segmentation dan segmentasi dibawah sumber cahaya.
Algoritma Watershed yang digabungkan dengan homomorphic
filtering dan transformasi Top-Hat dapat diaplikasikan untuk proses
segmentasi dengan kondisi pencahayaan yang tidak merata pada sebuah citra yang ditangkap kamera (Wen-Cheng, Xiao-Jun, 2013).
Homomophic filtering dapat melemahkan komponen frekuensi rendah
dan menguatkan komponen frekuensi tinggi untuk membuat citra menjadi kontras. Transformasi Fourier digunakan pada homomorphic
frekuensi. Hasil citra yang sudah di filter selanjutnya akan melalui tahap transformasi Top-Hat. Keunggulan transformasi Top-Hat yang dapat mendeteksi puncak dan lembah dari grayvalue pada citra membuat transformasi Top-Hat dapat menghilangkan kondisi warna latar belakang yang tidak rata akibat pencahayaan, kemudian dapat menghasilkan warna latar belakang yang seragam.
Citra yang dihasilkan dari transformasi Top-Hat akan disegmentasi oleh algoritma watershed agar partikel yang diinginkan dapat dipisahkan dari latar belakang. Dengan mengoreksi pencahayaan yang tidak merata sampai melalui proses segmentasi yang sederhana metode ini memberikan hasil memuaskan yaitu partikel yang diinginkan dapat terpisah dari latar belakang. Metode yang diperkenalkan oleh Wen-Cheng memberikan hasil segmentasi lebih baik dibandingkan metode segmentasi yang lain, seperti metode Otsu, metode Iterative, metode Averate dan metode Maximum
Entropy.
Adapun segmentasi warna citra (Koh, Miles, Morgan, Hayes-Gill, 2007). Algoritma ini terdiri dari enam tahap. Tahap awal yaitu mengambil gambar dengan tiga macam kondisi pencahayaan yang berbeda, dilanjutkan tahap kedua yaitu memisahkan citra menjadi RGB (Red, Green, Blue) planes. Tahap ketiga mencari nilai maksimum intensitas gambar. Tahap keempat yaitu mencari rasio gambar yang dihitung dengan membagi setiap bidang gambar dari nilai maksimum intensitas gambar, dimana nilai rasio gambar akan dipakai untuk tahap kelima yaitu mencari edge maps.
Algoritma segmentasi yang dikembangkan oleh Koh memberikan hasil segmentasi lebih unggul dengan menghasilkan
boundary yang lebih bersih dan akurat dibandingkan dengan teknik
segmentasi watershed dan canny edge detection.
Variasi pencahayaan mempengaruhi perubahan warna citra yang ditangkap kamera. Segmentasi citra yang berwarna dengan menggunakan algoritma adaptive akan diuji pada citra yang diberi tiga macam sumber cahaya dengan kondisi pencahayaan yang beragam (Kuo-Yang TU, 2009). Komponen YUV, dimana Y
merupakan komponen dapat menentukan edge detection untuk warna citra. Sedangkan komponen U dan V mendeskripsikan hue dan
saturation dari warna citra. Komponen YUV dapat menentukan nilai threshold yang akan dipakai. Nilai rata-rata komponen YUV
digunakan untuk menganalisa warna citra akibat varias pencahayaan. Dua macam percobaan, yaitu percobaan menggunakan kondisi pencahayaan gelap dan kondisi pencahayaan terang dipakai untuk menguji algortima adaptive.
2.4.3 Edge Suppressing
Salah satu algoritma segmentasi yang dipakai pada penelitian ini yaitu algoritma Edge Suppression by Gradient Field
Transformation using Cross-Projection Tensors (Agrawal, Raskar,
Chellapa, 2006). Algortima ini melakukan segmentasi dengan kondisi pencahayaan beragam dan menggunakan teknik edge suppressing untuk pengolahan citra.
Gambar 2.9 Algoritma Edge Suppression by Gradient Field Transformation using Cross-Projection Tensors
Algoritma edge suppressing menggunakan pendekatan tensor untuk melakukan transformasi dalam mencari gradient citra untuk objek yang diinginkan. Algoritma ini mengandung dua macam citra
background dan foreground. Citra background terdiri dari
objek-objek yang menjadi background yang nantinya akan dipisahkan pada saat proses segmentasi seperti terlihat pada gambar 2.10.
Gambar 2.10 Background
Citra foreground mengandung objek yang diingkan yaitu kaleng Sun-Maid agar terpisah dari background setelah melalui proses segmentasi seperti terlihat pada gambar 2.11. Dua macam tensor yang dibutuhkan pada algoritma ini yaitu structur tensor dan cross diffusion
tensor. Jenis filter yang digunakan pada algoritma ini yaitu Gaussian filter dengan menggunakan matriks kernel Gaussian. Dengan mencari
nilai structure tensor yang didapatkan dari kernel Gaussian dan
gradient citra foreground dan background, maka dapat ditentukan
nilai eigen value dan eigen vector. Nilai eigen value yang kemudian akan menentukan nilai cross projection tensor yang akan dipakai pada algoritma ini. Transformasi yang digunakan pada algoritma ini yaitu
affine transformation. Untuk melakukan affine transformation
dibutuhkan nilai cross diffusion tensor. Hasil dari transformasi akan memberikan nilai gradient citra yang baru dari objek yang diinginkan. Integrasi gradient citra tersebut akan menghasilkan suatu citra baru dari objek yang diinginkan seperti terlihat pada gambar 2.12
Gambar 2.12 Hasil edge suppressing
Teknik edge suppressing yaitu menghilangkan tepi pada citra dari informasi edge pada citra background, melalui transformasi antara gradient citra foreground dan cross projection tensor.
2.4.4 Tensor
Tensor merupakan orde tingkat tinggi dari matriks (orde
tingkat 2), vektor ( orde tingkat satu), dan skalar (orde tingkat 0). Dengan menggunakan tensor dapat memudahkan dalam memproses data-data dalam jumlah yang besar, dan dengan menggunakan tensor waktu proses pengerjaan yang dibutuhkan lebih sedikit.
Sejak abad ke-19 tensor sangat membantu dalam menyelesaikan masalah yang ada. Dalam fisika, menghitung dan menyatakan suatu nilai dibutuhkan sebuah besaran. Seperti contoh perhitungan berat badan (massa) dalam fisika dipakai besaran untuk menyatakannya yaitu m. Misal dalam mencari sebuah tegangan listrik (V) membutuhkan besaran-besaran yang lain untuk menghitung nilainya yaitu membutuhkan besaran arus (I), dan besaran hambatan (R) untuk mendapatkan nilai tegangannya. Bayangkan bila untuk mencari satu nilai saja membutuhkan banyak besaran. Dengan memakai tensor elemen-elemen yang ada dalam fisika (semua komponen) dibuat menjadi satu objek dalam matematika. Pada abad sekarang dalam pengerjaan dengan menggunakan komputer juga terdapat masalah yaitu data-data yang diproses sangatlah banyak sehingga dipakailah tensor dalam memudahkan proses pengerjaannya. Tujuan dari tensor adalah menyederhanakan persamaan-persamaan yang ada sehingga memudahkan dalam proses pengerjaannya (Ceberio,Kreinovich, 2008).
2.4.5 Affine Transformation
Affine Transformation banyak digunakan dalam bidang
computer vision khususnya dalam pengenalan sebuah benda atau objek. Secara khusus affine transformation dipakai dalam memetakan objek 2 dimensi ke gambar 2 dimensi dalam ruang 3 dimensi. Affine
transformation adalah sebuah transformasi yang membuat garis dan
memetakan gambar dengan 4 paramater yaitu : translation, rotation,
Contoh sebuah gambar objek memiliki beberapa titik ( p’1, p’2, p’3, ... p’m ) yang saling terhubung. Gambar objek tersebut diletakkan pada sebuah bidang dan dilihat dengan dua arah yang berbeda, dengan gambar objek yang sama. Dari penglihatan dengan arah berbeda di dapatlah dua persamaan yaitu :
p = (x, y) (13)
p’ = (x’, y’) (14)
Koordinat titik p dapat diperoleh dengan affine transformation, seperti berikut :
p = Ap’ + b (15)
Dimana A adalah matriks 2x2 dan b adalah vektor 2 dimensi. Dari pesamaan (1) di dapat :
x = a11x’ + a12y’ + b1 (16) y = a21x’ + a22y’ + b2 (17)
Gambar 2.13 menyatakan gambar (a) objek asli, (b) – (d) gambar objek yang telah di affine transfomation
Dari dua persamaan (16) dan (17) memperlihatkan dua gambar yang berbeda, sehingga objek ada yang dapat dikenali dan ada yang tidak dapat dikenali, inilah disebut teknik affine transformation. Contoh teknik affine transformation dapat dilihat pada gambar 2.13 (Bebis, Georgiopoulos, Lobo, Shah, 1999).
27 BAB 3
METODE PERANCANGAN