Program Magister
Bidang Keahlian Jaringan Cerdas Multimedia
Jurusan Teknik Elektro
Fakultas Teknologi Industri
Institut Teknologi Sepuluh Nopember (ITS), Surabaya, 60111, Indonesia
E-mail : 1ariv@eepis-its.edu, 2mochar@ee.its.ac.id
Region merging
1 Pendahuluan
Hasil segmentasi
Segmentasi citra berwarna sangat bermanfaat
terutama dalam aplikasi temu kembali citra. Gambar 1. Blok Sistem Algoritma JSEG
1
2 Metode dan nyatakan sebagai xi(n), i = 0, ..., k = w2 – 1.
2.1 Kuantisasi Warna Ukuran jarak Euclidean yang digunakan adalah :
Pertama, warna-warna pada citra dikuantisasi d i n x0 n xi n , i 0,..., k (1)
secara kasar tanpa menurunkan kualitas warna
secara signifikan. Tujuannya adalah untuk d 0 n d1 n ... d k n (2)
mengekstrak beberapa perwakilan warna yang Peer group P(m,w) untuk x0(n) terdiri dari m
dapat digunakan untuk membedakan region-region piksel yang intensitasnya terdekat dengan x0(n)
dalam citra. Secara khusus, diperlukan 10 sampai dalam window w x w yang berpusat pada x0(n).
20 warna dalam citra pemandangan alam. Penentuan m menggunakan estimasi diskriminan
Kuantisasi warna yang baik berpengaruh terhadap Fisher. Criterion yang dimaksimalkan adalah :
a1 i a 2 i
proses segmentasi. Dalam implementasi penelitian 2
J i
ini digunakan algoritma kuantisasi warna
, i 1,..., k (3)
perseptual [3].
s1 i s 2 i
2 2
Algoritma kuantisasi warna perseptual bekerja
berdasarkan persepsi penglihatan manusia yang di mana :
1 i 1 k
a1 i d j n , a2 i d j n (4)
1
lebih sensitif terhadap perubahan pada smooth
region daripada perubahan pada detailed region i j 0 k 1 i j i
(textured region). Smooth region adalah boundary
i 1 k
s1 i d j n a1 i , s2 i d j n a2 i (5)
region-region yang memungkinkan, sedangkan 2 2 2 2
detailed region adalah region-region homogen
j 0 j i
pada citra. Karena itu, warna-warna dapat
dikuantisasi secara lebih kasar pada detailed m adalah indeks di mana J(i) bernilai
region tanpa mempengaruhi kualitas perseptual maksimum. Selanjutnya x0(n) diganti dengan rata-
secara signifikan. Berdasarkan fakta tersebut, rata anggota peer group-nya.
setiap piksel ditandai dengan bobot yang Untuk menghilangkan efek impulse noise,
berdasarkan pada variance dalam window lokal turunan pertama dari jarak di(n), fi(n), dihitung
sedemikian rupa sehingga piksel-piksel pada sebelum klasifikasi peer group :
smooth region lebih penting daripada piksel-piksel f i n d i 1 n d i n (6)
pada detailed region. Pengujian dilakukan terhadap M titik pertama
Algoritma ini menggunakan statistik lokal dan terakhir dari xi(n) untuk memeriksa apakah
yang diperoleh setelah peer group filtering, yaitu titik-titik tersebut termasuk impulse noise :
bobot dalam proses kuantisasi vektor. Prosedur
f i n (7)
kuantisasi warna adalah sebagai berikut :
1. Konversi ruang warna RGB ke LUV untuk di mana M = w / 2, separuh dari ukuran window,
menjaga kualitas warna. dan α diset bernilai tinggi untuk citra yang sangat
2. Pertama, peer group filtering diterapkan untuk rusak dan diset bernilai rendah untuk citra yang
menghaluskan citra dan menghilangkan impulse sedikit rusak. Jika fi(n) tidak memenuhi kondisi
noise. Hasilnya berupa : tersebut, maka titik-titik terakhir xj(n) untuk j ≤ i
x : vektor piksel citra yang telah dihaluskan atau j > i dianggap sebagai impulse noise dan
oleh anggota peer group-nya dihilangkan. Kemudian dj(n) sisanya digunakan
N : jumlah cluster awal untuk mengestimasi peer group yang sebenarnya.
v : bobot perseptual untuk setiap piksel Selanjutnya dilakukan perhitungan jarak
3. Clustering dengan Generalized Lloyd Algorithm maksimum setiap peer group T(n). Nilai T(n)
(GLA). Hasilnya berupa centroid untuk setiap mengindikasikan kehalusan region lokal. Bobot
cluster warna. perseptual untuk setiap piksel v(n) dihitung
4. Penggabungan cluster-cluster yang jarak dengan :
centroidnya kurang dari threshold kuantisasi vn exp T n (8)
warna. sehingga piksel-piksel pada detailed region
5. Klasifikasi piksel ke dalam cluster warna yang memiliki bobot yang lebih rendah daripada piksel-
centroidnya terdekat dengan intensitas piksel piksel pada smooth region.
tersebut. Rata-rata T(n), Tavg, mengindikasikan
6. Konversi ruang warna LUV ke RGB untuk kehalusan keseluruhan citra. Secara umum,
menampilkan citra hasil kuantisasi warna. semakin besar nilai Tavg, semakin berkurang
kehalusan citra dan semakin banyak jumlah
2.1.1 Peer Group Filtering (PGF) [3] cluster yang diperlukan untuk kuantisasi warna.
Misalkan x0(n) menyatakan vektor piksel citra Jumlah awal cluster N diestimasi dengan :
yang memberikan ciri informasi warna pada posisi N Tavg (9)
n yang berpusat pada window w x w. Urutkan
semua piksel pada window tersebut berdasarkan di mana β diset bernilai 2 pada percobaan.
jaraknya terhadap x0(n) dalam urutan ascending
2
2.1.1 Generalized Lloyd Algorithm (GLA) Tabel 1. Ukuran window pada skala yang berbeda [2]
GLA digunakan untuk menandai piksel-piksel Ukuran Valley
Window Sampling
yang berbobot rendah dengan cluster yang lebih Skala
(piksel) (1/piksel)
Region Minimum
sedikit untuk mengurangi jumlah cluster warna (piksel) (piksel)
pada detailed region. Centroid untuk cluster warna 1 9x9 1 / (1 x 1) 64 x 64 32
Ci dihitung dengan : 2 17 x 17 1 / (2 x 2) 128 x 128 128
ci
vnxn , x( n ) Ci (10) 3 33 x 33 1 / (4 x 4) 256 x 256 512
vn 4 65 x 65 1 / (8 x 8) 512 x 512 2048
Ya
Region merging
Hasil segmentasi
3
2.2.2 Region Growing
Region growing digunakan untuk
mengelompokkan piksel-piksel ke dalam region-
region. Hasilnya berupa region-map, yaitu label
yang ditandai pada piksel-piksel dalam citra yang
merupakan klasifikasi region untuk piksel
tersebut. Region growing terdiri dari dua tahap,
yaitu : Tr- Jml- Jml Reg Total Komp
Valley determination Kuan Cluster Reg Merg (detik)
Valley determination digunakan untuk 1 15 19 17 47
menentukan himpunan valley terbaik. Piksel-
64 12 15 15 52
piksel dengan nilai J kurang dari threshold
dihubungkan untuk membentuk kandidat valley. 128 10 12 9 41
Kandidat valley yang ukurannya melebihi 255 9 11 8 54
ukuran valley minimum pada skala segmentasi 512 7 11 7 56
yang bersesuaian (seperti pada Tabel 1) akan 1000 5 9 7 46
menjadi valley. 5000 2 5 2 29
Valley growing 8000 2 5 2 29
Valley growing merupakan proses pembentukan
10000 1 1 1 23
region-region dari valley-valley.
Hasil Perbandingan Variasi Threshold Kuantisasi Warna pada
2.2.3 Region Merging Golf3.jpg
30 Jml Reg
threshold region merging. Mula-mula, dilakukan 20 Reg Merg
10
perhitungan jarak antara dua region tetangga dan 0
Total Komp (detik)
hasilnya disimpan dalam tabel jarak. Kemudian 1 64 128 255 512 1000 5000
Threshold Kuantisasi Warna
8000 10000
4
Hasil Perbandingan Variasi Threshold Kuantisasi Warna Dengan kombinasi parameter yang tepat,
Soccer3.jpg
sangat berguna pada pengembangan berikutnya
80 khususnya dalam penerapan sistem temu kembali
Jumlah 60
40
Tr-Kuan citra dengan memanfaatkan hasil segmentasi dari
Jml-Cluster
20
Jml Reg algoritma JSEG.
0 Reg Merg
00
00
00
00
0
1
64
Total Komp (detik)
00
12
25
51
80
10
25
50
80
10
Threshold Kuantisasi Warna
5 Daftar Pustaka
Gambar 6. Hasil Segementasi, Tabel dan Grafik Perbandingan 1. D. Comaniciu and P. Meer, “Robust analysis
pada Variasi Threshold Kuantisasi Warna Soccer3.jpg of feature spaces: color image segmentation”,
Proc. of IEEE Conf. on Computer Vision and
Dari pengamatan, semakin besar threshold Pattern Recognition, pp 750-755, 1997.
kuantisasi warna, jumlah cluster warna semakin 2. Y. Deng, B. S. Manjunath, dan H. Shin.
berkurang karena semakin banyak cluster warna “Color Image Segmentation”, In :
yang digabungkan. Namun jumlah region yang Proceedings of IEEE Computer Society
terbentuk tidak selalu berkurang mengikuti jumlah Conference on Computer Vision and Pattern
cluster. Sedangkan jumlah region merging juga Recognition CVPR ‟99, Fort Collins, CO, vol.
akan mengikuti dari jumlah region yang terbentuk. 2, pp. 446-51, Juni 1999.
Untuk waktu komputasi juga cenderung makin 3. Y. Deng, C. Kenney, M. S. Moore, dan B. S.
berkurang. Manjunath, “Peer Group Filtering and
Berdasarkan uji coba variasi nilai threshold Perceptual Color Image Quantization”, to
kuantisasi warna pada setiap citra, hasil appear in Proc. of ISCAS, 1999.
segmentasi citra terbaik cenderung pada nilai 4. Y. Deng, B. S. Manjunath, “Unsupervised
parameter 255 dengan prosentase 67% dibanding Segmentation of Color-Texture Regions in
yang lain seperti pada gambar 7. Images and Video”, IEEE Transactions on
Pattern Analysis and Machine Intelligence
Prosentase Threshold Kuantisasi Warna (PAMI ’01), vol. 23, no. 8, pp. 800-810,
Agustus 2001.
8% 8%
17%
T-128
T-255
T-512
T-1000
67%
4 Kesimpulan
Dari hasil uji coba yang dilakukan, didapatkan
beberapa simpulan sebagai berikut:
1. Penentuan nilai parameter pada proses
segmentasi ini sangat menentukan hasil
segmentasi citra yang sesuai.
2. Parameter nilai threshold kuantisasi warna
berpengaruh terhadap jumlah cluster warna
yang terbentuk, dimana semakin besar nilai
parameter, jumlah cluster warna semakin
sedikit karena semakin banyak cluster yang
digabungkan, demikian pula sebaliknya. Dan
waktu komputasi juga makin kecil karena
maki sedikit cluster warna yang diproses.
3. Berdasarkan uji coba pada variasi nilai
threshold kuantisasi warna, hasil segmentasi
citra terbaik cenderung pada nilai parameter
255 dengan prosentase 67% dibanding yang
lain.
5
6