MK3383
Teknik Pengolahan Citra
Image Segmentation
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
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
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
DISCONTINUITY PADA SEGMENTASI
CITRA
• 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.
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
Teknik Mendeteksi Tepi
• Operator gradien pertama (differential
gradient): operator gradient, sobel, prewitt,
robert, center-difference
• Operator turunan kedua (Laplacian)
• 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
Titik-titik yang Dilibatkan pada
Perhitungan Gradien
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).
Contoh Pendeteksian Tepi dengan
Operator Gradien Pertama
Misalkan terdapat sebuah 5 x 5 citra dengan dua derajat keabuan sebagai berikut
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:
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
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
Contoh thresholding dgn g(x,y)=rata-rata
warna per cluster
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
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)
Kelemahan thresholding
• Penentuan nilai threshold yang tepat?
• Bermasalah jika kemunculan tiap warna dalam citra cenderung sama tidak bisa diprediksi batas antar objek
PENDEKATAN LAIN DALAM PROSES
SEGMENTASI
Pendekatan lain dalam proses segmentasi
• Segmentasi berorientasi daerah (region)• Jika R adalah daerah keseluruhan citra segmentasi membagi R menjadi R1, R2, …, Rn 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
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
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 aContoh pada Citra Biner
Hasil Region Growing (1)
Gambar diambil dari
Hasil Region Growing
Gambar diambil dari
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
Split & Merge
• Membagi citra menjadi sekumpulan region acak yang disjoin kemudian menggabungkan atau kembali membaginya hingga terpenuhi syarat segmentasi (a) – (e)
• Algoritma bersifat rekursif
Ilustrasi
R1 R2 R3 R41 R42 R43 R44 R R1 R2 R3 R4 R41 R42 R43 R44Algoritma rekursif
1. Bagi (split) setiap region Ri menjadi 4 quadran disjoin jika P(Ri)=FALSE
2. Gabung (merge) setiap region Rj dg Rk jika P(Rj Rk)=TRUE
3. Berhenti jika tidak ada split maupun merge
Contoh
• Objek tunggal dg intensitas warna konstan
• Intensitas latar belakang konstan
• P(Ri)=TRUE jika semua pixel dalam Ri memiliki intensitas warna yang sama
Referensi
• Abdul Kadir dan Adhi Susanto, Teori dan
Aplikasi Pengolahan Citra, Yogyakarta: Andi
• Departement Teknik Informatika, IT Telkom
• http://angeljohnsy.blogspot.com/2011/12/sob el-edge-detection.html