RESUME 1URNAL KOMPUTER GRAFIK

DETEKSI WA1AH MENGGUNAKAN SEGMENTASI WARNA PADA

GAMBAR


TENTANG:

COLOR


Disusun oleh :
1. Diyah Ayu Listyoningsih (M0509023)
2. Moch. SoIieyuddin (M0509047)
3. Vicka Cahyawati (M0509075)





1URUSAN INFORMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SEBELAS MARET
SURAKARTA
2011

DETEKSI WA1AH MENGGUNAKAN SEGMENTASI WARNA PADA
GAMBAR


Sebuah pendekatan baru untuk otomatisasi segmentasi citra warna disebut JSEG.
Pertama, warna pada gambar yang terkuantisasi untuk mewakili beberapa kelas yang dapat
digunakan untuk membedakan daerah dalam gambar. Kemudian, gambar warna piksel
diganti dengan label kelas warna yang sesuai, sehingga membentuk kelas-peta gambar.
Sebuah kriteria untuk segmentasi "baik" menggunakan kelas-peta yang diusulkan.
Menerapkan kriteria untuk jendela lokal di kelas-peta hasil dalam "J-image", di mana nilai-
nilai tinggi dan rendah sesuai dengan batas-batas wilayah yang mungkin dan wilayah pusat.
Sebuah metode wilayah yang tumbuh ini kemudian digunakan untuk segmen gambar
berdasarkan multi-skala J-image. Percobaan menunjukkan bahwa JSEG menyediakan
segmentasi yang baik hasil pada berbagai gambar, sebagai implementasinya adalah gambar
Ioto wajah manusia.

Segmentasi Warna pada Gambar

Segmentasi citra warna berguna dalam banyak aplikasi. Dari hasil segmentasi,
adalah mungkin untuk mengidentiIikasi daerah bunga dan benda-benda dalam adegan,
yang sangat bermanIaat untuk analisis citra berikutnya atau penjelasan. Masalah
segmentasi sulit karena gambar tekstur. Jika suatu gambar hanya berisi homogen warna
daerah, clustering metode dalam ruang warna cukup untuk menangani masalah tersebut.
Pada kenyataannya, adegan alami memiliki kaya warna dan tekstur. Sulit untuk
mengidentiIikasi citra daerah yang berisi pola warna-tekstur.
Pendekatan yang diambil dalam pekerjaan ini mengasumsikan sebagai berikut:
O Setiap daerah pada gambar berisi seragam mendistribusikan tekstur warna pola.
O nIormasi warna di setiap daerah gambar dapat diwakili oleh warna terkuantisasi
beberapa, yang benar untuk gambar warna yang sebagian besar pemandangan alam.
O arna-warna antara dua daerah tetangga dibedakan - Asumsi dasar dari setiap
gambar warna algoritma segmentasi.

Gambar 1. Skema diagram alir dari algoritma JSEG

Beberapa kriteria untuk segmentasi adalah pertama, warna dalam gambar yang
kasar terkuantisasi tanpa secara signiIikan menurunkan kualitas warna. Tujuan adalah
untuk mengekstrak warna yang mewakili beberapa yang dapat digunakan untuk
membedakan daerah tetangga di gambar, biasanya 10-20 warna dibutuhkan dalam
gambar pemandangan alam. Sebuah kuantisasi warna yang baik adalah penting untuk
segmentasi proses.
Kemudian warna yang telah terkuantisasi dimasukkan ke dalam tabel untuk
mengetahui kelas warna yang sama. Kemudian akan dibentuk class-map untuk warna-
warna tersebut, di mana nilai-nilai label diwakili oleh tiga simbol, '*', '', dan 'o'.
nIormasi yang diperlukan untuk segmentasi warna diekstrak dan disimpan secara -
sederhana pada class-map setelah kuantisasi warna. Biasanya, setiap daerah pixel dari
gambar yang berisi subset kecil dari kelas warna dan masing-masing kelas didistribusikan
dalam beberapa gambar daerah.
Sebelum melangkah lebih jauh, dilakukan pengukuran J yang dideIinisikan
sebagai berikut. Misalkan Z adalah himpunan dari semua data N poin dalam peta-kelas.
Biarkan z (x,y), z C Z, dan m akan diperoleh,

Misalkan Z siklasiIikasikan ke dalam kelas C, Z
i
, i 1, ., C. maka m
i
menjadi nilai rata-
rata N
i
untuk titik data kelas Z
i
,

Maka

Dan

&kuran J dideIinisikan sebagai

Rumus di atas merupakan dasar untuk mengukur jarak antara berbagai S
B
kelas
atas jarak antara anggota dalam S

setiap kelas. Sebuah nilai yang lebih tinggi dari J

menunjukkan bahwa kelas lebih terpisah satu sama lain dan anggota dalam masing-
masing kelas lebih dekat satu sama lain, dan sebaliknya. Kemudian hitung ulang J atas
setiap wilayah tersegmentasi bukannya peta seluruh kelas dan menentukan rata-rata H


dengan

di mana J
k
adalah J dihitung atas wilayah k. M
k
adalah jumlah poin di wilayah k. N
adalah jumlah total poin dalam kelas-peta, dan penjumlahan adalah atas semua wilayah di
kelas-peta.
J-image adalah gambar skala abu-abu yang nilai-nilai piksel J dihitung atas
jendela lokal yang berpusat pada piksel tersebut. Nilai-nilai J ini akan disebut sebagai
nilai J lokal. Semakin tinggi nilai J lokal, maka kemungkinan bahwa piksel semakin dekat
dengan batas wilayah. J-image itu seperti peta 3-D dari medan yang mengandung lembah
dan gunung yang benar-benar mewakili pusat-pusat wilayah dan batas-batas wilayah
masing-masing.
Karakteristik J-gambar memungkinkan kita untuk menggunakan metode wilayah
tumbuh untuk segmen gambar. Gambar 2 menunjukkan graIik aliran dari langkah-
langkah dalam algoritma segmentasi spasial. Pertimbangkan gambar asli sebagai salah
satu daerah awal. Algoritma ini dimulai segmen semua daerah di gambar di skala besar
awal. Kemudian mengulangi proses yang sama pada yang baru tersegmentasi daerah pada
skala yang lebih kecil berikutnya sampai skala minimal yang ditetapkan tercapai.

Gambar 2. GraIik aliran langkah-langkah dalam segmentasi spasial

Dalam pelaksanaan yang sebenarnya, nilai-nilai J lokal dihitung dari untuk
masing-masing wilayah individu, bukan seluruh gambar. Perbedaan antara ini dan J-
image adalah bahwa dekat daerah batas-batas jendela dipotong sesuai dengan bentuk
batas untuk menghindari arteIak batas dari daerah tetangga.
1.1.Lembah Penentuan
Pada awalnya, satu set daerah awal kecil ditentukan menjadi basis untuk daerah
tumbuh. Daerah ini memiliki nilai J lokal dan terendah disebut lembah. Secara
umum, menemukan set terbaik dari lembah di suatu daerah adalah non-sepele
masalah. Heuristik sederhana berikut telah disediakan hasil yang baik dalam
percobaan:
1) Hitung rata-rata dan deviasi standar dari nilai-nilai J lokal di daerah,
dilambangkan oleh dan masing-masing.
2) Menetapkan batas T
J
di

Piksel dengan nilai J lokal kurang dari T
J
dianggap sebagai calon poin lembah.
Hubungkan lembah calon poin berdasarkan konektivitas 4-dan mendapatkan
calon
lembah.
3) Jika sebuah lembah kandidat memiliki ukuran yang lebih besar dari minimum
ukuran yang tercantum dalam Tabel 1 pada skala yang sesuai, itu adalah bertekad
untuk menjadi sebuah lembah.
4) a adalah dipilih dari himpunan nilai parameter |-0.6, -0.4, -0.2, 0, 0.2, 0.4| yang
memberikan paling banyak jumlah lembah.
1.2.Lembah Tumbuh
Daerah-daerah baru yang kemudian tumbuh dari lembah-lembah. Hal ini lambat
untuk menumbuhkan piksel demi piksel lembah. Pendekatan yang lebih cepat
digunakan dalam pelaksanaannya:
1) Hapus "lubang" di lembah.
2) Rata-rata nilai J lokal di unsegmented tersisa bagian dari wilayah itu dan
menghubungkan pixel di bawah rata-rata untuk membentuk daerah-daerah
berkembang. Jika area yang berkembang adalah berdekatan dengan satu dan
hanya satu lembah, itu ditugaskan untuk lembah itu.
3) Menghitung nilai J lokal untuk piksel yang tersisa pada berikutnya lebih kecil
skala untuk lebih akurat menemukan batas-batas. &langi langkah 2.
4) Tumbuh pixel tersisa satu per satu pada yang terkecil skala. Piksel unclassiIied
pada batas lembah disimpan dalam buIIer. Setiap kali, pixel dengan minimum J
lokal nilai ditugaskan untuk berdekatan "lembah"-nya dan buIIer diperbarui
sampai semua piksel diklasiIikasikan.
1.3.Daerah Merge
Setelah wilayah tumbuh, sebuah segmentasi awal dari gambar diperoleh. ni sering
memiliki lebih dari daerah-tersegmentasi. Daerah ini digabung didasarkan pada
kesamaan warna mereka. arna-warna terkuantisasi secara alami warna histogram
sampah. Fitur histogram warna untuk masing-masing daerah yang diekstraksi dan
jarak antara Iitur dapat dihitung. Karena warna yang sangat kasar terkuantisasi, dalam
algoritma kami diasumsikan bahwa tidak ada korelasi antara yang terkuantisasi
warna. Oleh karena itu, ukuran jarak Euclidean diterapkan secara langsung.
Sebuah metode agglomerative digunakan untuk menggabungkan daerah. Pertama,
jarak antara dua daerah tetangga dihitung dan disimpan dalam tabel jarak. Pasangan
wilayah dengan jarak minimum digabung bersama-sama. Fitur warna vektor untuk daerah
baru dihitung dan tabel jarak diperbarui. Proses berlanjut sampai ambang batas
maksimum untuk jarak tersebut tercapai. Setelah penggabungan, hasil segmentasi akhir
diperoleh.
Algoritma JSEG diuji pada berbagai gambar. Gambar 3 dan Gambar 4
menunjukkan hasil segmentasi pada yang "taman bunga" dan Ioto gambar Corel.
Tersegmentasi gambar yang redup untuk menunjukkan batas-batas. Hal ini dapat dilihat
bahwa hasilnya cukup baik. Karena kurangnya kebenaran tanah, Namun, kami tidak dapat
melakukan apapun evaluasi obyektiI atau perbandingan dengan metode segmentasi
lainnya.
Algoritma ini bekerja dengan baik pada berbagai gambar menggunakan satu set
nilai parameter tetap. Gambar 4 menunjukkan beberapa contoh dari 2.500 gambar
diproses tanpa parameter apapun tuning pada gambar individu. arna gambar dari semua
hasil tersedia di web (http://vivaldi.ece.ucsb.edu/users/deng/seg).
JSEG juga memberikan hasil yang baik bila diterapkan ke grayscale gambar
mana nilai-nilai intensitas yang terkuantisasi sama rupa warna. Hasil ini diposting di web
karena dengan batas halaman. Juga ditampilkan pada web merupakan contoh mendeteksi
kontur ilusi dengan menggunakan hitam asli/putih gambar yang akan diproses langsung
sebagai peta kelas.



Gambar 3. (a) gambar warna asli dari bunga "taman" video urutan (bingkai 0), (b) hasil
kuantisasi warna dengan 13 warna, (c) J-gambar di skala 3, (d) J-gambar pada skala 2, (e)
hasil setelah segmentasi pada skala 3, 9 daerah, (I) hasil setelah segmentasi pada skala 2, 49
daerah, (g) akhir hasil dari segmentasi setelah penggabungan, 27 daerah.


Gambar 4. Contoh hasil segmentasi pada image dari CD Corel Ioto. 2.500 gambar secara
otomatis diproses tanpa tuning parameter pada gambar individu. 1 skala, ukuran 192 x 128,
dihitung untuk gambar asli dan untuk yang tersegmentasi.

Deteksi Wajah Menggunakan Segmentasi Warna

Pendeteksian wajah manusia sangat penting dalam beberapa aplikasi, seperti video,
human computer interIace, manajemen data gambar wajah. Akan dibahas mengenai algoritma
untuk mendeteksi wajah seseorang pada sebuah gambar berwarna. Algoritma yang digunakan
menggunakan segmentasi warna dengan mendeteksi pixel yang homogen pada warna kulit
manusia yang terlihat di gambar (Ioto) berwarna. Pada algoritma ini dilakukan pengolahan
gambar, chrominance dan pencahayaan yang berturut-turut seperti yang sudah dijelaskan
sebelumnya. &ntuk setiap tahap algoritma menggabungkan pixel dan warna berdasarkan
segmentasi warna (JSEG) yang digunakan yaitu dengan mendeteksi letak mata, mulut dan
bentuk wajah.


Kesimpulan :

Algoritma segmentasi warna ini bertujuan untuk mengetahui kumpulan pixel yang terdapat
pada setiap gambar. Dan untuk mengetahui warna kulit disekitar wajah.

Daftar Pustaka:

Alberto Albiol.An Unsupervised Color Image Segmentation Algoritma for Face Detection
Applications. Politechnic &niversity oI Valencia, Spain.

Rein-Lien Hsu,Mohamed Abdel-Mottaleb, Anil K.Jain. Face Detection in Color Image.
EEE