MK3383 Teknik Pengolahan Citra. Image Segmentation. Disadur dari: Departement Teknik Informatika, IT Telkom, Bandung

(1)

MK3383

Teknik Pengolahan Citra

Image Segmentation

(2)

Segmentasi Citra

• Proses untuk memisahkan citra menjadi bagian-bagian pembentuknya (region)

– Merupakan fase penting dalam analisis citra

otomatis  pengenalan objek

• Segmentasi juga biasa

dilakukan sebagai langkah awal untuk melaksanakan

(3)

Contoh Aplikasi Segmentasi

Objek Citra Kegunaan Segmentasi Acuan yang

Digunakan

Mobil Mobil, jalan, dan latarbelakang

Pelacakan mobil Gerakan dan

warna

Struktur

permukaan bumi

Foto satelit Pengklasifikasian area Tekstur dan

warna

Wajah orang Kerumunan orang di pasar

Pengenalan wajah Warna, bentuk,

dan tekstur

Apel Kumpulan apel

pada ban berjalan

Pemilahan buah apel berdasarkan ukuran

Bentuk, warna, ukuran

(4)

Pendekatan algoritma segmentasi

• Pendekatan algoritma segmentasi:

– Berdasar discontinuity  perubahan warna mendadak  deteksi titik, garis, dan tepi

– Berdasar similarity (kesamaan)

• Pengelompokan berdasar distribusi properti pixel (warna), contoh: thresholding

• Mencari region secara langsung berdasar

‘persamaan’ karakteristik suatu area, contoh: region growing, split & merge

(5)

DISCONTINUITY PADA SEGMENTASI

CITRA

(6)

(7)

• Tepi (edge) adalah perubahan nilai intensitas derajat keabuan yang mendadak (besar) dalam jarak yang singkat

• Himpunan piksel yang terhubung dan terletak pada batas antara dua daerah yang berbeda pada suatu citra.

• Tepi mencirikan batas-batas objek dan karena itu tepi berguna untuk proses segmentasi dan identifikasi

objek di dalam citra.

• Tujuan operasi pendeteksian tepi adalah untuk

meningkatkan penampakan garis batas suatu daerah atau objek di dalam citra.

(8)

(9)

Jenis Tepi

• Tepi curam: Tepi dengan perubahan intensitas yang tajam. Arah tepi berkisar 90°.

• Tepi landai: tepi dengan sudut arah yang kecil. terdiri dari sejumlah tepi-tepi lokal yang lokasinya berdekatan.

• Tepi yang mengandung derau (noise)

Umumnya tepi yang terdapat pada aplikasi computer vision mengandung derau. Operasi peningkatan kualitas citra (image enhancement) dapat dilakukan terlebih dahulu sebelum

(10)

(11)

Teknik Mendeteksi Tepi

• Operator gradien pertama (differential

gradient): operator gradient, sobel, prewitt,

robert, center-difference

• Operator turunan kedua (Laplacian)

(12)

• Kekuatan tepi merupakan magnitudo dari gradien dapat dihitung dengan:

• Hasil pendeteksian tepi adalah citra tepi g(x,y) yang nilai setiap pixelnnya menyatakan kekuatan tepi : g(x,y) = G[f(x,y)]

• Keputusan apakah suatu pixel merupakan tepi atau bukan tepi dinyatakan dengan operasi pengambangan sebagai berikut:

Pendeteksian Tepi dengan Operator

Gradien Pertama

(13)

Titik-titik yang Dilibatkan pada

Perhitungan Gradien

(14)

Pendeteksian Tepi dengan Operator

Gradien Pertama

Perubahan intensitas yang besar dalam jarak yang singkat dipandang sebagai fungsi yang memiliki kemiringan yang besar.

Kemiringan dilakukan dengan menghitung turunan pertama (gradient).

(15)

Contoh Pendeteksian Tepi dengan

Operator Gradien Pertama

Misalkan terdapat sebuah 5 x 5 citra dengan dua derajat keabuan sebagai berikut

(16)

Contoh Pendeteksian Tepi dengan

Operator Gradien Pertama

Dengan aturan (ii),

G[f(x,y)] adalah:

Jika T = 1, maka hasil citra g(x,y) adalah:

(17)

(18)

(19)

(20)

(21)

(22)

(23)

Thresholding

• Asumsi:

– antar objek yang akan dipisahkan memiliki intensitas warna yang berlainan

– masing-masing objek memiliki warna yang hampir seragam

• Operasi: menempatkan satu atau lebih threshold pada sumbu datar histogram untuk memisahkan

kelompok warna pixel yang diduga sebagai penyusun objek

(24)

T

Contoh thresholding dgn g(x,y)=konstanta

      T y x f T y x f y x g ) , ( if 0 ) , ( if 1 ) , ( T1 T2           ) , ( 0 . 1 ) , ( 5 . 0 ) , ( 0 . 0 ) , ( 2 2 1 1 y x f T T y x f T T y x f y x g

(25)

Contoh thresholding dgn g(x,y)=rata-rata

warna per cluster

(26)

Jenis threshold

• Global  T hanya tergantung dari f(x,y)

• Local  T dipengaruhi oleh f(x,y) dan p(x,y)

• Dynamic  T tergantung dari koordinat spasial titik (x,y)

)]

,

(

),

,

(

,

[

x

y

p

x

y

f

x

y

T



f(x,y): gray level pada titik (x,y)

p(x,y): properti lokal dari titik (x,y); misal: gray level rata-rata dari area ketetanggaan yang berpusat di (x,y)

(27)

Kelemahan thresholding

• Penentuan nilai threshold yang tepat?

• Bermasalah jika kemunculan tiap warna dalam citra cenderung sama  tidak bisa diprediksi batas antar objek

(28)

PENDEKATAN LAIN DALAM PROSES

SEGMENTASI

(29)

(30)

Pendekatan lain dalam proses segmentasi

• Segmentasi berorientasi daerah (region)

• Jika R adalah daerah keseluruhan citra  segmentasi membagi R menjadi R₁, R₂, …, R_n sedemikian sehingga tercapai syarat segmentasi:

j i , ) ( (e) n 1,2,..., i , ) ( (d) j i j, dan i semua untuk (c) n 1,2,..., i , terhubung yang region (b) (a) 1            FALSE R R P TRUE R P R R R R R j i i j i i i n i 



(31)

Region Growing

• Prosedur yang mengelompokkan pixel atau sub-region menjadi region yang lebih besar

• Pendekatan paling sederhana: pixel aggregation

– Mulai dengan sekumpulan titik ‘benih’ (seed)

– Dari titik-titik tsb region diperluas dengan menambahkan

titik-titik tetangganya yang memiliki properti yang sama (misal: gray

level, tekstur, warna)

– Jika tidak ada lagi titik tetangga yang dapat ditambahkan lagi, maka proses untuk region tersebut dihentikan

(32)

(33)

Ilustrasi

0 0 5 6 7 1 1 5 6 7 0 1 6 7 7 2 0 7 6 6 0 1 5 6 5 Citra asli Seed a a b b b a b b b a a b b a a b b b a a b b b Hasil segmentasi; perbedaan warna absolut dg seed < 3 a b a a a a a a a a a Hasil segmentasi; perbedaan warna absolut dg seed < 8 a a a a a a a a a a a a a a a a

(34)

Contoh pada Citra Biner

(35)

Hasil Region Growing (1)

Gambar diambil dari

(36)

Hasil Region Growing

Gambar diambil dari

(37)

(38)

Masalah dg region growing

• Penentuan lokasi seeds yang tepat

– Tergantung aplikasi

– Misal: warna yang sering muncul, warna terang dll

• Penentuan properti yang tepat untuk mengelompokkan titik menjadi region

– Tergantung masalah dan data citra yang tersedia

– Misal: intensitas, tekstur, data multispektral dll

• Kondisi penghenti

– Dasar: jika tidak ada lagi titik tetangga yang memenuhi syarat

(39)

(40)

Split & Merge

• Membagi citra menjadi sekumpulan region acak yang disjoin kemudian menggabungkan atau kembali membaginya hingga terpenuhi syarat segmentasi (a) – (e)

• Algoritma bersifat rekursif

(41)