MODUL 3 EDGE DETECTION

Penentuan tepian suatu objek dalam citra merupakan salah satu wilayah pengolahan citra digital yang paling awal dan paling banyak diteliti. Proses ini seringkali ditempatkan sebagai langkah pertama dalam aplikasi segmentasi citra, yang bertujuan untuk mengenali objekobjek yang terdapat dalam citra ataupun konteks citra secara keseluruhan. Deteksi tepi berfungsi untuk mengidentifikasi garis batas ( boundary) dari suatu objek yang terdapat pada citra. Tepian dapat dipandang sebagai lokasi piksel dimana terdapat nilai perbedaan intensitas citra secara ekstrem. Sebuah edge detector bekerja dengan cara mengidentifikasi dan menonjolkan lokasi-lokasi piksel yang memiliki karakteristik tersebut.

1. Operator Gradien
Pada citra digital f(x,y), turunan berarah sepanjang tepian objek akan bernilai maksimum pada arah normal dari kontur tepian yang bersesuaian. Sifat ini dipergunakan sebagai dasar pemanfaatan operator gradien sebagai edge detector. Operator gradien citra konvensional melakukan diferensiasi intensitas piksel pada arah baris dan kolom, mengikuti persamaan local intensity variation berikut :

Nilai magnitudo gradien |(x,y)| dari persamaan di atas dapat dinyatakan sebagai berikut:

Operator gradien dapat direpresentasikan oleh dua buah kernel konvolusi Gx dan Gy, yang masing-masing mendefinisikan operasi penghitungan gradien dalam arah sumbu x dan sumbu y yang saling tegak lurus. Dalam kasus penghitungan gradien dengan persamaan local intensity variation, maka kernel Gx dan Gy dapat dirumuskan seperti berikut:

Berikut adalah contoh fungsi Matlab untuk operasi penghitungan gradien orde satu:
I = double(imread('cameraman.tif')); % Gradien orde satu pada arah horizontal gx = [-1 1]; Ix = conv2(I,gx,'same'); % Gradien orde satu pada arah vertikal gy = [-1;1]; Iy = conv2(I,gy,'same'); % Magnitudo gradien J = sqrt((Ix.^2)+(Iy.^2));

% Gambar hasil figure,imagesc(I ),colormap('gray'),colorbar('vert'); figure,imagesc(Ix),colormap('gray'),colorbar('vert'); figure,imagesc(Iy),colormap('gray'),colorbar('vert'); figure,imagesc(J ),colormap('gray'),colorbar('vert');

Dari operator gradien konvensional di atas, dapat diturunkan berbagai operator gradien berikut: 1.1 Operator Selisih Terpusat Operator selisih terpusat juga dikenal sebagai Centered Difference Edge Detector Mask, dan dinyatakan sebagai kernel:

I = double(imread('cameraman.tif')); % Konvolusi dengan operator selisih terpusat d1x = [-1 0 1]; d1y = [-1;0;1]; Ix = conv2(I,d1x,'same'); Iy = conv2(I,d1y,'same'); J = sqrt((Ix.^2)+(Iy.^2)); % Gambar Hasil figure,imagesc(I ),colormap('gray'),colorbar('vert'); figure,imagesc(Ix),colormap('gray'),colorbar('vert'); figure,imagesc(Iy),colormap('gray'),colorbar('vert'); figure,imagesc(J ),colormap('gray'),colorbar('vert');

1.2 Operator Roberts Operator Roberts memiliki ukuran kernel sebesar 22, yang direpresentasikan sebagai:

Contoh perintah menggunakan operator Roberts:

I = double(imread('cameraman.tif')); % Konvolusi dengan operator Roberts robertshor = [0 1; -1 0]; robertsver = [1 0; 0 -1]; Ix = conv2(I,robertshor,'same'); Iy = conv2(I,robertsver,'same'); J = sqrt((Ix.^2)+(Iy.^2)); % Gambar Hasil figure,imagesc(I ),colormap('gray'),colorbar('vert'); figure,imagesc(Ix),colormap('gray'),colorbar('vert'); figure,imagesc(Iy),colormap('gray'),colorbar('vert'); figure,imagesc(J ),colormap('gray'),colorbar('vert');

Contoh perintah menggunakan operator Roberts (matlab toolbox) 1:

I = imread('cameraman.tif'); J = edge(I,'roberts'); figure,imagesc(I),colormap('gray'),colorbar('vert'); figure,imagesc(J),colormap('gray'),colorbar('vert');

1.3 Operator Prewitt

Contoh perintah menggunakan operator Prewitt:

I = double(imread('cameraman.tif')); %Konvolusi dengan operator Prewitt prewitthor = [-1 0 1; -1 0 1; -1 0 1]; prewittver = [-1 -1 -1; 0 0 0; 1 1 1]; Ix = conv2(I,prewitthor,'same'); Iy = conv2(I,prewittver,'same'); J = sqrt((Ix.^2)+(Iy.^2)); %Gambar Hasil figure,imagesc(I ),colormap('gray'),colorbar('vert'); figure,imagesc(Ix),colormap('gray'),colorbar('vert'); figure,imagesc(Iy),colormap('gray'),colorbar('vert'); figure,imagesc(J ),colormap('gray'),colorbar('vert');

Contoh perintah menggunakan operator Prewitt (matlab toolbox):

I = imread('cameraman.tif'); J = edge(I,'prewitt'); figure,imagesc(I),colormap('gray'),colorbar('vert'); figure,imagesc(J),colormap('gray'),colorbar('vert');
1

Perintah edge (pada toolbox Matlab) untuk mensimulasikan operator Prewitt, Roberts, Sobel, dan lainnya memiliki konsep dasar yang sama dengan operasi konvolusi kernel setiap operator secara manual. Bedanya, perintah edge menambahkan suatu skema thresholding secara otomatis, sehingga dihasilkan citra keluaran yang bersifat biner (bernilai 0 atau 1).

1.4 Operator Sobel

Contoh perintah menggunakan operator Sobel:

I = double(imread('cameraman.tif')); %Konvolusi dengan operator Sobel sobelhor = [-1 0 1; -2 0 2; -1 0 1]; sobelver = [-1 -2 -1; 0 0 0; 1 2 1]; Ix = conv2(I,sobelhor,'same'); Iy = conv2(I,sobelver,'same'); J = sqrt((Ix.^2)+(Iy.^2));

%Gambar Hasil figure,imagesc(I ),colormap('gray'),colorbar('vert'); figure,imagesc(Ix),colormap('gray'),colorbar('vert'); figure,imagesc(Iy),colormap('gray'),colorbar('vert'); figure,imagesc(J ),colormap('gray'),colorbar('vert');

Contoh perintah menggunakan operator Sobel (matlab toolbox):

I = imread('cameraman.tif'); J = edge(I,'sobel'); figure,imagesc(I),colormap('gray'),colorbar('vert'); figure,imagesc(J),colormap('gray'),colorbar('vert');

2. Operator Laplacian
Dalam kondisi transisi tepian yang lebih tidak ekstrem, penggunaan operator turunan kedua lebih dianjurkan.

Representasi turunan kedua dalam bentuk kernel operator Laplacian adalah sebagai berikut:

Dengan berbagai macam pembobotan, kernel Laplacian tersebut dapat dimodifikasi menjadi beberapa kernel konvolusi berikut :

Laplacian of Gaussian Turunan kedua memiliki sifat lebih sensitif terhadap noise, selain itu juga menghasilkan double edge. Oleh karena itu, operator Laplacian dalam deteksi tepi pada umumnya tidak dipergunakan secara langsung, namun dikombinasikan dengan suatu kernel Gaussian menjadi sebuah operator Laplacian of Gaussian. Fungsi transfer dari kernel Laplacian of Gaussian dapat dirumuskan sebagai berikut:

dimana merupakan standar deviasi dari kernel Gaussian. Contoh perintah untuk mendeteksi tepian dengan menggunakan operator Laplacian of Gaussian (Matlab toolbox) adalah:
I = imread('cameraman.tif'); J = edge(I,'log'); figure,imagesc(I),colormap('gray'),colorbar('vert'); figure,imagesc(J),colormap('gray'),colorbar('vert');

3. Operator Canny
Salah satu algoritma deteksi tepi modern adalah deteksi tepi dengan menggunakan metoda Canny. Berikut adalah diagram blok algoritma Canny :

Contoh perintah untuk mendeteksi tepian menggunakan metoda Canny (matlab toolbox) :
I = imread('cameraman.tif'); J = edge(I,'canny'); figure,imagesc(I),colormap('gray'),colorbar('vert'); figure,imagesc(J),colormap('gray'),colorbar('vert');

Tugas Pendahuluan 1. Apa tujuan dilakukannya deteksi tepi? 2. Sebut dan jelaskan jenis-jenis deteksi tepi yang anda ketahui?

4. Tugas
A. Pada percobaan dengan kernel Sobel, kernel Isotropic, dan kernel Compass, jelaskan mengenai garis abu-abu yang ditemukan pada pinggiran citra hasil konvolusi. B. Untuk citra cameraman.tif, edge detector manakah yang memberikan hasil terbaik? Berikan analisis mengenai pendapat anda tersebut. C. Sensitivitas edge detector terhadap noise dapat diukur dengan menggunakan parameter error rate sebagai berikut:

dimana: nR : jumlah piksel yang dinyatakan sebagai edge pada citra referensi nN : jumlah piksel yang dinyatakan sebagai edge pada citra noisy Nilai P yang besar menyatakan sensitivitas edge detector yang tinggi terhadap noise. Dalam kasus citra cameraman.tif terkontaminasi oleh noise salt & pepper dengan

distribusi 0.02, edge detector manakah yang paling terpengaruh performansinya? Simulasikan dengan Matlab.
%Contoh perhitungan error rate untuk edge detector Sobel %(kerjakan pula untuk jenis edge detector lain pada Matlab toolbox) Ia = imread('cameraman.tif'); Ja = edge(Ia,'sobel'); In = imnoise(Ia,'salt & pepper',0.02); Jn = edge(In,'sobel'); nr = sum(sum(Ja)); nn = sum(sum(Jn)); P = abs(nn-nr)/nr