dalam kernel yang progresif hingga variansi maksmimum lokal (OSAvmax) titik mula tercapai.

Saat diterapkan pada seluruh citra gambar, proses ini menghasilkan set citra gambar pertama (contoh: !,A!,"!) # seperti yang telah di$elaskan sebelumnya. %ada iterasi kedua, tiap pixel dalam "! baru yang dihasilkan dikalkulasikan hingga variansi minumum (OSAvmin) titik mula tercapai (gambar &.'). (itra gambar yang dihasilkan men$adi set citra gambar kedua (contoh: ), A), ")) dimana mereka me*akili skala a*al dari semua citra ob$ek baru. "eningat bah*a variansi minimum mengindikasikan bah*a pixel mirip satu dengan lainnya, karena itu struktur gambar yang bersangkutan merupakan yang paling +mirip ob$ek,. Sebagai hasilnya, iterasi OSA gan$il menentukan skala yang me*akilkan ekstensi spasial atau +akhir, dari benda, dimana iterasi OSA genap menentukan skala a*al dari semua citra ob$ek yang baru. -arena itu, data yang terdapat dalam iterasi OSA genap (contoh: !S),.,/...) dipilih untuk upscaling (OS0) karena mereka memiliki citra ob$ek baru yang menarik bagi kita. Sebagai contoh, didalam !S), OS0 digunakan untuk gambar rata1rata ("ean !mage ("))) yang baru terbentuk, menghasilkan gambar upscale baru (0!) (2ambar &.'). 0! kemudian dianggap sebagai basis gambar baru, dan seluruh proses OSA3OS0 diulang pada gambar baru, hingga $umlah pixel yang menyusun mereka men$adi terlalu kecil untuk pemrosesan selan$utnya (2ambar &..). 4ika upscaling diterapkan pada beberapa iterasi kedepan dari gambar asli !-O5OS, pada akhirnya kita akan menemukan set data upscale yang di*akili oleh satu pixel dengan resolusi spasial )666 m. 7asil dari analisis iteratif ob$ek1spesifik dan pendekatan upscaling merupakan kumpulan hierarki set gambar (!st), tiap1tiapnya terdiri dari dua !, A!, dan "! yang memiliki keanggotaan dalam domain skala unik (S8n), dimana n mengindikasikan lokasi dari tiap domain skala didalam kumpulan hierarki (2ambar &.&). 8idalam tiap S8n, semua gambar berbagi partikel dan cakupan yang sama, dan me*akili hasil dari analisis spesifik multiskala pada citra ob$ek yang menyusun mereka. 5amun, seluruh gambar dalam S8n memiliki partikel yang lebih kasar dari S8n1! sebelumnya (dikarenakan upscaling), meskipun mereka memiliki cakupan yang sama (contohnya, area tanah yang sama) pada seluruh set gambar. efek ini diilustrasikan oleh gambar upscale dalam 2ambar &...

-ita mengetahui bah*a daripada melan$utkan untuk menerapkan OSAvmax hingga "! yang dibentuk dari tiap iterasi OSAvmin (2ambar &.'), upscaling yang spesifik dengan ob$ek pertama diterapkan untuk memastikan bah*a heuristik dari citra ob$ek tetap memiliki kondisi yang sama dimana mereka di desain untuk pertama kali, dan untuk mengurangi komputasi yang tidak diperlukan dan penyimpanan atau pembuatan data. -ombinasi dari semua S8!! yang dihasilkan dari satu gambar disebut sebagai scale domain set (tabel &.)). &.).).'. "arker1controlled segmentation ("(S) Saat pemrosesan OSA3OS0 telah selesai, dan dataset multiskala telah dihasilkan, "(S digunakan sebagai fitur detektor untuk secara otomatis menggambarkan dan melabel citra ob$ek satu persatu saat mereka berkembang melalui skala. "(S merupakan teknik transformasi *atershed yang mendeteksi kemiripan regional yang berla*anan dengan teknik berbasis border yang mendeteksi perubahan lokal (9eucher dan :antue$oul, ;<=<l "eyer dan 9eucher, ;<<6). -arakteristik kunci dari teknik ini adalah kemampuan untuk mengurangi segmentasi berlebihan karena gangguan dengan menempatkan marker atau +bi$i, dalam area yang ditentukan oleh user, dan untuk menentukan daerah (contoh: citra ob$ek) sebagai kontur tertutup. Transformasi watershed 2agasan intuitif dibalik transformasi *atershed dipin$am dari geografi. 8asarnya, permukaan topografik diban$iri oleh air dan menghasilkan permukaan yang dibelah oleh *atershed dengan me*akilkan daerah yang bercurah hu$an (>oerdink dan "ei$ster, )666). Saat diapliasikan pada gambar, pixel terang identik dengan puncak, pixel gelap identik dengan lembah, dan *atershed di interpretasikan sebagai kontur tertutup yang mengelilingi daerah1daerah kecil (contoh: basin penangkapan lokal). 5amun, standar dari transformasi *atershed diketahui untuk membuat segmentasi berlebihan karena gangguan (noise) dan bukan untuk ob$ek benda asli. ?iltering dapat diterapkan untuk mengurangi segmentasi berlebihan namun biasa didasari pada pilihan sub$ektif (contoh: tipe filter dan ukurannya). 8alam usaha untuk mengatasi masalah segmentasi berlebihan, "eyer dan beucher (;<<6) memperkenalkan konsep dari Marker-controlled segmentation (MCS) yang berarti segmentasi yang dikendalikan oleh marker atau indikator. 8alam "(S, marker atau indikator digunakan sebagai pengidentifikasi spasial (atau +bi$i,) untuk *ilayah atau ob$ek yang unik pada gambar. -arena itu, daripada men$abarkan *atershed pada lokasi dari gangguan (noise), *atershed hanya di$abarkan disekitar indkator3marker khusus. 9iasanya, marker satu persatu di$abarkan dan diletakkan dalam gambar oleh user, atau *ilayah kecil (minma) secara otomatis dihasilkan dan digunakan sebagai marker. 5amun, kita mengetahui bah*a (2ambar) *ilayah kecil tidak merepresentasikan karakteristik mirip1ob$ek khusus kecuali pada dataset yang ob$ek1spesifik. %rosedur "(S prosedur umum yang berkaitan dengan "(S melibatkan ' tahap. @ang pertama, detektor border 3edge detector digunakan untuk meningkatkan variasi intensitas dalam sebuah gambar. Aipe dari detektor ini biasanya dikaitkan dengan Bgradient operatorC, dan gambar hasilnya merupakan Bgradient imageC (2!). @ang kedua, set marker yang relevan didapatkan dan diaplikasikan pada gradient image ini. @ang -etiga, *atershed dipaparkan dari kombinasi marker dan border ini. -ombinasi dari ob$ek1spesifik baru dan metode "(S

%ada studi yang belum lama ini dilakukan pada kombinasi OSA, OS0 dan "(S (7all et al., )66.D 7all and 7ay, )66'), variasi gambar digunakan sebagai gradient image, daripada tiba1tiba memilih gradient operator dan ukuran kernel (statik) dari gradient image yang dihasilkan. Setelah itu marker unik dihasilkan untuk tiap skala domain dengan secara otomatis men$abarkan regional minima dalam gambar area yang dimaksudkan, sebagaimana dataset ini secara $elas merepresentasikan informasi yang berkaitan khusus dengan ob$ek. "arker hasil dari itu kemudian BdibubuhkanC dalam gradient image menggunakan operator sederhana, dan algoritma *atershed "atlab di aplikasikan. Aiap poligan dalam hasil gambar image *atershed (E!) kemudian dilabelkan dengan nilai yang setara dengan rata1 rata dari pixel "! yang berkaitan dan terletak didalam *ilayahnya. Saat hasil dari metode tadi secara signifikan lebih baik dari secara tiba1tiba menentukan gradient image dan menggunakan gambar regional minima sebagai marker, kita mengetahui bah*a masih ada satu masalah # paling tidak secara visual1 dengan segmentasi berlebih, bahkan saat semua itu berkaitan dengan ob$ek. 8alam usaha mengurangi segemntasi berlebih, saat membuat *atershed yang secara visal berkorespondensi dengan citra ob$ek, kita memiliki gabungan dari pemrosesan a*al dari data spesifik ob$ek dengan fitler median, menghasilkan gradient image baru alih1alih menggunakan variasi gambar, dan membuat pendekatan yang lebih spesifik ob$ek untuk secara otomatis men$abarkan marker. 8alam semua kasus, metode baru dapat secara otomatis diimplementasikan menggunakan input data yang terus dipertemukan dengan gambar variansi, area, dan rata1rata. "etode1metode ini akan di $elaskan lebih detail pada bagian selan$utnya. %emrosesan a*al dengan filter median inspeksi visual yang lebih detail pada tiap !, A!, "! memperlihatkan bah*a $umlah signifikan dari nilai pixel garam dan merica (diisolasikan tinggi atau rendah) terdapat pada tiap gambar. Seperti yang diketahui sebelumnya, sinyal1sinyal ini akan beru$ung pada segmentasi berlebihan dimana transformasi *atershed diaplikasikan. -arena itu, filter median ' bagi ' diaplikasikan pada tiap !, A!, dan "!, sebagaimana $uga pada O!. Seluruh fitur deteksi setelahnya akan diaplikasikan pada gambar1gambar ini (kecuali di$elaskan sebaliknya). "edian ?iltering merupakan operasi nonlinear yang menggantikan tiap pin dengan median dari lingkungan satu #atau dua1 dimensional dari lebar yang diberikan. !ni mirip dengan menghaluskan dengan boxcar atau filter biasa namun men$aga tepian lebih besar dari lingkungannya, dimana secara beruntut mengurangi gangguan (noise) garam dan merica (:im, ;<<6). "engingat bah*a dalam OSA, kita tertarik dalam hubungan spasial atau spektral diantara pixel dan citra ob$ek yang berada didalamnya, karena itu tidak ada pemrosesan a*al atau penghalusan dari gambar a*al yang dilakukan. -arena itu, isi 71res maksimum dipelihara dalam O!. 5amun, pada penggambaran porsi ob$ek dari "OSA, kita tidak lagi tertarik dalam satuan pixel, namun lebih pada grup pixel unik yang merepresntasikan citra ob$ek sepsifik. Saat kita ambil asumsi ini, bersama dengan fakta bah*a kernel ob$ek1spesifik berada dalam 'x' $endela pixel, dan tepian yang lebih besar dari ini dipertahankan, median filtering merupakan pendekatan yang baik dan efektif untuk men$abarkan grup pixel yang dominan secara spasial yang menyusun citra ob$ek didalam tiap skala tempat gambar. "enghasilkan gradien image baru Saat $umlah yang signifikan dari tepian informasi terlihat secara visual pada tiap citra variansi (gambar &.&), memisahkan tepian1tepian ini untuk digunakan sebagai gradient image tidak sulit dikarenakan representasi mereka dengan $angkauan yang luas dari citra abu1abu (grey tone). -arena itu, daripada menggunakan gambar variansi sebagai gradient images (2!), gradient image baru

dihasilkan untuk tiap skala domain dengan membagi gambar rata1rata dari tiap1tiap resolusi gambar upscale dan men$abarkan nilai absolut dari hasilnya. 0ntuk gradient image yang ditampilkan pada gambar &./, beberapa perhitungan diba*ah ini digunakan:

8imana 2),.,/,F,;6 merepresntasikan gambar gradient yang baru dihasilkan, abs merepresntasikan nilai absolut, O! merepresentasikan gambar pankromatik asli !-O5OS, "),.,/,F,;6 merepresentasikan gambar rata1rata yang baru dihasilkan, dan 0!1. merepresentasikan gambar 0pscale yang baru dihasilkan. Semua pemrosesan "(S diterapkan pada dataset (yang baru ter1 median filter1kan) yang aslinya dihasilkan oleh OSA3OS0 pada partikel asli mereka dan kisaran yang di$abarkan dalam tabel &.). "etode ini untuk menghasilkan gambar gradien baru mirip dengan teknik dalam morfologi matematis dimana kontur eksternal (contoh: tepian ob$ek) dapat dibuat dengan men$abarkan perbedaan diantara gambar asli dan gambar yang telah diperbesar. -ontur lainnya $uga dapat dibuat dengan perbedaan diantara gambar asli dan gambar yang telah lapuk, dan gambar yang diperbesar dan gambar yang telah lapuk (7aralick dan Shapiro, ;<<)). 5amun, dalam tiap kasus ini, elemen struktur berukuran tetap harus di$abarkan untuk erosi dan atau perbesaran, dimana secara langsung mempengaruhi bentuk dari kontur yang dihasilkan. 8alam kasus OSA, tiap "! merepresntasikan hasil dari elemen struktur yang diukur dan dibentuk (contoh: kernel spesifik ob$ek) yang spesifik pada perbedaan citra ob$ek yang telah diatur secara ukuran, bentuk, dan spasial dalam tiap gambar. 8engan menggunakan nilai absolut, seluruh perbedaan, atau nilai yang berubah direpresntasikan dengan citra abu1abu relatif besar yang berada didalam ekor dari tiap 2! histogram. "arker ob$ek1gambar (itra ob$ek dihasilkan dari menggabungkan regional minima dari citra variansi dan area yang bersangkutan menggunakan operasi logika A58. :ebih spesifiknya, algoritma reginal minima (imregionalmin terdapat pada "atlab) pertama diaplikasikan terpisah dengan ! dan A! pada tiap S8n. dalam algoritma ini, regional minima merupakan komponen yang berhubungan dengan piksel dengan nilai intensitas yang sama, dimana batas eksternal pixel semua memiliki nilai yang lebih besar dari nilai intensitas ini. 7asil datasetnya merupakan gambar biner dimana semua nilai sebanding dengan satu yang merepresntasikan regional minima. ariansi nilai minima me*akili area dengan heterogenitas yang kecil yang secara konseptual berkaitan dengan pusat ob$ek. Area minima mengindikasikan heurestik ob$ek dari pixel yang sedang disusun bertemu didalam kernel analisis kecil dalam tiap S8n, hal ini men$adi bukti bah*a area minima lokal me*akili pusat citra ob$ek maupun

2ambar &./1 gambar 2radien (2!, Eatershed (E!), dan "(S yang terlabelkan dihasilakn pada tidap skala *ilayahnya. "(S! menutupi gambar rata1rata yang bersangkutan untuk mengilustrasikan bah*a betapa baiknya "(S beker$a sebagai detektor fitur.

u$ung1u$ung diantara dua atau lebih citra ob$ek. 7ay et al. ()66;) menyebut lokasi tepian1tepian ini sebagai tepian ob$ek. -edua citra ob$ek dan tepian on$ek biasanya terdiri dari nilai area yang kecil. -arena itu, menggunakan marker secara eksklusif yang duiambil dari area minima # seperti yang telah dilakukan pada studi sebelumnya (7all et al., )66.D 7all dan 7ay, )66') # tidak menyediakan hasil optimal. 5amun untungnya, hanya citra ob$ek yang tersusun atas kedua area kecil, dan nilai variansi kecil. Oleh karena itu untuk meyakinkan bah*a citra ob$ek, dibandingkan ob$ek tepian dikatakan sebagai marker, operasi logika A58 diaplikasikan pada area regional minima dan dataset variansi regional minima. 7al ini menghasilkan kombinasi dari dataset marker biner, dimana hanya nilai identikal yang di$abarkan. 8alam kasus dimana terdapat citra ob$ek yang besar (homogen) dalam satu citra, OSA men$abarkan ob$ek ini sebagai kumpulan dari nilai area yang relatif kecil. !ni dikarenakan meskipun secara keseluruhan ob$ek itu berukuran besar, ia tersusun atas pixel1pixel yang relatif mirip (contoh: variansi kecil internal), karena itu heuristik spesifik ob$ek ditemukan dalam ukuran kernel yang relatif kecil. 7al ini dilakukan sehingga *aktu mengkomputasi tidak terbuang untuk men$abarkan kernel yang sangat besar yang tersusun oleh partikel pixel yang sangat banyak. Sebaliknya, data yang di upscale kan menggunakan nilai area invers (yang mana area yang lebih kecil, contohnya ob$ek lebih berbobot berat seperti dipaparkan dalam bagian resampling heuristik OS0) dan partikel kernel yang lebih tepat digunakan untuk mengevaluasi ob$ek pada skala selan$utnya. %embubuhan marker dan analisis *atershed 0ntuk men$abarkan tiap individu citra ob$ek, (kombinasi) marker baru BdibubuhanC dalam citra gradien yang berkaitan. :ebih $elasnya, lokasi pada tiap set marker diukur dalam citra gradien menggunakan fungsi imimposemin pada "atlab. ?ungsi ini memodifikasi intensitas citra menggunakan rekonstruksi morfologis sehingga intensitas citra hanya memiliki regional minima dimana citra binari (marker) tidak sama dengan nol. Algoritma *atershed "atlab ( incent dan Soille, ;<<;) kemudian diaplikasikan untuk tiap citra yang BdibubuhkanC. 7al ini menghasilkan ;6 citra *atershed (E!), tiapnya berisi poligon BkosongC (& dari itu (E),.,/,=,;6) menutupi domain skala "! yang berkaitan dan diilustrasikan pada gambar &./). 7anya tepian *atershed yang membagi citra ob$ek yang dihasilkan dari algoritma ini. :abeling Ob$ek Aiap pixel dari citra rata1rata me*akili bagian dari citra ob$ek yang baru terdeteksi. -arena citra ini dihasilkan dari nilai rata1rata yang dikalkulasikan dalam titik a*al kernel, mereka me*akili struktur citra dominan yang di$abarkan pada resolusi spesifik spasial # meskipun kosong # poligon *atershed digunakan sebagai topeng untuk menghasilkan nilai yang sebanding dnegan rata1rata dari pixel "! yang bersangkutan yang terdapat dalam *ilayahnya. !ntinya, tiap poligon *atershed sekarang secara spasial me*akili citra abu1abu rata1rata, dan cakupan area dari citra ob$ek yang unik. :angkah ini di sebut sebagai labeling ob$ek dan me*akili pencitraan otomatis dari ob$ek diskrit multiskala dalam tiap & skala domain. %rosedur ini $uga diterapkan oleh 7all et al., ()66') dan 7all dan 7ay ()66').

5.3. Hasil %ada bagian ini, kita secara singkat mendeskripsikan beberapa citra yang dihasilkan dari OSA, OS0, dan "(S yang diilustrasikan dalam ?igure &.., &.& dan &./. 0ntuk membuat analisis visual yang memungkinkan, citra1citra ini telah di resample kedalam ukuran yang biasa, dan bila perlu, kontrasnya diperlebar. ?igure &... memberikan gambaran tentang bagaimana informasi visual dan ukuran digital dari seluruh gambar dalam skala yang bersangkutan berubah dengan upscaling. (itra gambar multiskala sering diilustrasikan dalam pencitraan secara tidak langsung, dengan citra gambar paling kecil di u$ung paling atas, dan yang paling besar berada diba*ah dimana mereka membentuk struktur piramidal. 8alam gambar &.., mereka ditampilkan dengan skala linier dalam pola anak tangga, sehingga dimensi spasial mereka memberikan perbandingan yang relatif dari ukuran mereka yang berubah menurut skala. Sebagaimana banyak pixel yang menyusun citra gambar pada tiap domain semakin berkurang, partikel dari tiap pixel bertambah, dimana selebihnya tetap konstan (lihat tabel &.)). "elalui skala, fitur kecil seperti $alan, $alur hi$au, dan rumah peternakan menghilang namun fitur yang lebih besar tetap ada, seperti area perhutanan yang meluas dan lahan agrikultural. 7al ini ter$adi tidak berkaitan dengan bagaimana fitur tersebut di*akili oleh citra *arna yang terang maupun gelap. Eilayah spasial dari tiap citra ob$ek merupakan kunci ba*aan dalam "OSA. 5amun, bila citra ob$ek yang berdekatan terdiri atas nilai abu1abu yang sama, maka melalui skala, individu1individu ini bergabung. 7al ini terbukti dalam lahan agrikultural bercitra abu1abu gelap yang mengelilingi ladang ber*arna terang (ladang $agung). "elalui skala, pematang yang memisahkan satu persatu ladang +menghilang, dan ladangnya terlihat seperti bergabung (lihat OS0 )1'). Akhirnya dalam 0., mereka men$adi tidak dapat dibedakan dari matrixnya. 8alam gambar &.& dalam tiap citra variansi, area yang terang (contoh: variansi yang tinggi) men$elaskan tepian yang me*akili pertemuan dua atau lebih citra ob$ek, namun sebaliknya area gelap (contoh: variansi yang rendah) berkaitan dengan citra ob$ek interior. 8alam citra area, nilai yang terang mengindikasikan banyak bagian yang berbeda diatas area yang relatif besar # karena itu merupakan analisa kernel yang besar. !ni biasanya ter$adi pada tepian diantara dua atau lebih citra ob$ek, dimana nilai gelap me*akili area yang relatif kecil dan lebih homogen # karena itu lebih terlihat seperti ob$ek. 8alam citra rata1rata, tiap pixel merupakan bagian dari (dan karena itu $uga merupakan nilai rata1rata dari) citra ob$ek baru yang terdapat diatas *ilayah yang lebih luas dari satuan pixel. -arena itu pula, tiap citra rata1rata terlihat samar1samar atau lebih terdifusi melalui skala. 8alam ), *ilayah mena$di gelap, yang mengindikasikan bah*a mereka terdiri atas bagian bagian yang mirip (contoh: variansi yang rendah), dimana fitur linear (tepian) terang yang mengelilingi mereka berkaitan dengan pematang dan $alan. 7utan yang lebih dominan secara spasial di*akilkan sebagai struktur bertekstur (terang dan gelap) yang secara visual berkaitan dengan perbedaan dalam densitas kerapatan, spesies, dan kelas usia. Seiring dengan kita berlan$ut dengan skala, *ilayah yang memperlihatkan citra *arna abu1abu yang mirip dalam figure &..., dan yang terlihat homogen (contoh: gelap) dalam ) pada ?igure &.&, men$adi bergabung dengan tetangga mereka yang memiliki citra *arna yang mirip dalam .,/,F,;6. -arakteristik ini lebih $elas dalam "), dimana *ilayah bercitra terang (ladang $agung) $uga tersusun atas bagian ba*ah yang lebih gelap. "eskipun *ilayah ini terlihat relatif terang pada skala yang baik, melalui skala bagian ba*ahnya yang lebih gelap terlihat seperti bergabung dengan *ilayah tetangganya yang lebih gelap (lihat perubahan dalam ".,/,F,;6), dimana bagian atas yang lebih

terang terlihat bergabung melalui skala dengan *ilayah terang lainnya yang berada di atas dan diba*ahnya, meskipun mereka berada pada $arak yang lebih $auh (bandingkan ") dengan "F,;6). 8alam figure &./, citra gradien lebih disesuaikan secara histogram untuk mengilustrasikan perubahan yang ter$adi dari pembagian tiap citra rata1rata dari citra upscalenya yang berkaitan (meru$uk pada bagian menghasilkan citra gradien baru). (itra *arna gelap me*akili perbedaan kecil diantara ) pemandangan yang berbeda, dan citra *arna terang me*akili perbedaan yang besar. 8engan menghasilkan citra gambar yang sangat berbeda, kita tidak hanya dapat mendeteksi apakah terdapat perubahan atau tidak dalam skala, bukan arah perubahannya (contoh: bila perubahan berada dalam "! atau OS0!). (itra *atershed "(S mengilustrasikan bagaimana bagusnya masalah segmentasi berlebihan telah dikurangi dengan metodologi "(S baru. Aiap citra gambar me*akili hasil poligonal dari "(S yang menyelimuti skala domain citra rata1rata yang berkaitan. 8idasari oleh kompleksitas dari pemandangan multiskala ini, metodologi ini secara otomatis menggambarkan fitur gambar yang sangat berkaitan dengan citra ob$ek seperti yang dilihat oleh analis manusia. -orelasi visual ini lebih kuat pada skala yang lebih halus (contoh: E),.,/) daripada skala yang lebih kasar (contoh: EF,;6) karena fakta bah*a pada skala yang lebih halus ada lebih banyak marker. Sebagai tambahan, saat a*al proses dari data dengan filter median menghapus banyak komponen halus dari semua dataset, pembuatan dari set marker untuk tiap skala domain (terdiri atas minima A! dan !), me*akili tingkat yang lebih $auh dari filtering yang tidak diaplikasikan pada citra rata1rata ataupun citra gradien. -arena citra rata1rata merupakan komponen penting dalam penggambaran *atershed "(S, secara visual terlihat lebih mirip citra ob$ek, khususnya pada skala citra rata1rata yang lebih kasar dari penggambaran *atershed yang terselimuti. 8alam tiap citra "(S yang terlabel, semua citra ob$ek ditandai dengan nilai citra *ana abu1abu yang berasal dari "! mereka yang berkaitan dalam batas yang terlihat (meru$uk pada bagian menandai ob$ek). -arena itu, poligon yang semakin sedikit, besar, dan lebih homogen terlihat seiring pertambahan skala. 9atas oligon yang berkaitan dengan ladang $agung yang terang dalam ") terlihat tetap pada skala melalui seluruh kisaran *atershed dan citra "(SD namun nilai pe*arnaannya berubah melalui skala seiring komponen1komponen yang tersusun dari sekitarnya. 8alam po$ok kiri atas dari "(S),.,/,F, kabel di sebelah kanan $alan (terlihat dalam 2) sebagai garis gelap tebal diagonal) terlihat tetap dari S8;1., kemudian bergabung dengan sekitarnya pada S8&. 8alam "(S;6 poligon abu1abu yang besar dan dominan pada bagian atas dari citra berkaitan secara visual dengan hutan yang mendominasi bagian atas dari pemandangan. 8alam citra *atershed "(S dan citra "(S yang ditandai, garis poligon terlihat meningkat dalam ketebalan melalui skala. !ni ter$adi karena satu pixel pada skala yang lebih kasar me*akili partikel yang lebih besar pada skala yang lebih halus. -arena pada saat disampel ulang (untuk analisis visual) men$adi ukuran partikel biasa yang lebih kecil, ia akan tersusun atas pixel dengan resolusi yang lebih halus. %ada citra gambar ini, struktur $alan yang dominan terlihat seperti garis yang membelah diantara komponen pemandangan yang berbeda dalam E) danE., namun mulai menghilang dalam skala yang lebih kasar. !ni karena partikel dalam S8' (<,=)m)) sebenarnya lebih besar dari tebal tiap individu $alan berbatu di pemandangan. 7al ini $uga dapat diamati bah*a beberapa poligon *atershed tidak kosong, namun sebaliknya terisi sepenuhnya dengan *arna hitam. !ni ter$adi karena marker dan *atershed me*akili ukuran yang sama persis. %erbaikan dapat dilakukan dengan menginversikan citra gambar *atershed, dan menggunakan erosi untuk menghapus semua batas satuan pixel *atershed meninggalkan hanya *atershed yang

terisi (yang sekarang sama dengan ; dan sedikit lebih kecil dari *atershed aslinya), kemudian membagi citra gambar baru dari citra gambar pre1erosi yang telah di inversikan, menghasilkan hanya kontur dari *atershed yang sebelumnya telah terisi. (itra gambar kontur kemudian di inversikan (karena itu pusat pixel dari tiap *atershed yang BterisiC semua sama dengan ;), dan menambahkan kembali citra gambar *atershed yang asli. -arena itu, *atershed yang berisi dengan nilai hitam (6) sekarang bernilai sama dengan ;, dan memberikan kesan bah*a semua poligon yang di *atershed seluruhnya BkosongC. 5.4. Diskusi Skala bottom up dan top down "eskipun OSA3OS0 didesain sebagai pendekatan bottom up untuk menskala, alur dimana dataset dihasilkan, me*akili kerangka struktur yang benar1benar dapat didekomposisi, mirip (secara prinsip) dengan $en$ang dekomposisi *avelet dengan komponen resolusinya yang tinggi dan rendah (Starck et al., ;<<F). Oleh sebab itu, tidak hanya memungkinkan untuk membuat representasi skala yang kasar dari komponen skala halus, seperti yang diilustrasikan disini, namun secara konseptual hal ini dapat memungkinkan untuk mengambil "! akhir (yang mana dalam kasus ini dihasilkan pada S8&) dan dalam kombinasi dengan A! deconvolve yang tepat dengan "! yang sebelumnya (contoh: ";61;) kembali ke input citra pankromatik !-O5OS yang asli. Oleh karena itu, kami menyarankan bah*a OSA3OS0 menyediakan tidak hanya metodologi suara untuk upscaling namun $uga menyediakan $alan untuk melakukan do*nscaling (contoh: mengintegrasikan informasi citra dari skala kasar ke skala halus). -arena itu, hal ini dapat sa$a memungkinkan untuk mengambil data skala kasar yang dihasilkan pada skala regional sebagai contoh pola sasial dari flux gas trace, atau pola spasial dari produktivitas primer bersih 3 5et %rimary %roductivity (5%%), yang secara geografis berkaitan dengan area dimana citra OS03OSA yang telah dihasilkan, dan menggunakan A! pada tiap S8n untuk menentukan lokasi, dan berat3persentasi dari skala kasar untuk di do*n sampel. !ni mengasumsikan bah*a citra OSA3OS0 dihasilkan berdasarkan dari data yang cocok dengan pengganti ukuran (contoh: %roduktivitas primer bersih35%%) dapat dihasilkan dari skala yang lebih halus. -elipatan skala OSA3OS0 memungkinkan level diskrit atau S8n untuk dihasilkan dimana tiap citra dalam set ini memiliki partikel dan cakupan yang samaD namun, ukuran dari $endela digunakan untuk menentukan karakteristik spasial dari individu citra ob$ek dalam tiap citra gambar memiliki ukuran bervariasi. -arena itu, meskipun cukup sederhana untuk membayangkan bagaimana gambar dalam ?igure &.., &.& dan &./ dapat berlapis secara ber$en$ang satu sama lain dengan cara yang mirip dengan +tangga skala, terkonseptual dalam 7%8% (Eu, ;<<<), kenyataannya bah*a dalam analisis ob$ek1spesifik B$arakC antara pi$akan dengan tangganya #yang me*akili skala +optimum, dari analisis1 tidak sebanding. Sebaliknya, mereka memiliki ukuran yang bervariasi, bergantung pada karakteristik spasial dari ob$ek yang sedang dianalsis. -arena itu pula, harusnya ada tangga yang berbeda untuk tiap citra ob$ek melalui skala. 4ika ini kasusnya, maka akan lebih masuk akal untuk memvisualisasikan $en$ang tingkatan seperti tumpukan lapisan ),& dimensional atau kelipatan yang dimodelkan oleh 7ay et al., ()66)b). 8alam kaitannya dengan diskusi sebelumnya