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