Segmentasi Citra Segmentasi citra adalah suatu proses membagi suatu citra menjadi wilayah-wilayah yang homogeny (Jain,

1989). Menurut Jain (1989), segmentasi citra dapat dibagi dalam beberapa jenis, yaitu dividing image space dan clustering feature space. Dividing image space adalah teknik segmentasi dengan membagi image menjadi beberapa bagian untuk mengetahui batasannya. Sedangkan Clustering feature space adalah teknik segmentasi yang dilakukan dengan cara memberi index warna pada tiap piksel yang menunjukkan keanggotaan dalam suatu segmentasi. Untuk selanjutnya, teknik Region Growing yang akan digunakan pada Tugas Akhir ini, termasuk dalam teknik segmentasi dividing image space. Algoritma Region Growing Algoritma berbasis region adalah algoritma segmentasi yang akan digunakan dalam penelitian ini untuk mengetahui area luka dari setiap jenis penyakit. Region Growing adalah prosedur pengelompokkan piksel atau sub region menjadi region yang lebih besar dari kriteria yang ada (Gonzales and Wints, 1987). Pemilihan satu starting point atau lebih berdasar pada masalahnya. Jika informasinya kurang lengkap, maka prosedurnya adalah dengan mengkomputasi semua piksel dengan properti yang sama untuk membuatnya menjadi region selama proses growing, jika hasilnya menunjukkan nilai kluster, maka piksel di mana propertinya mendekati kluster tersebut akan menjadi seed. Algoritma ini umum digunakan untuk segmentasi obyek pada berbagai karateristik citra multi resolusi dan multi spectral yang dipengaruhi oleh beberapa factor seperti image layer weight, scale parameter, shape and color, dan smoothness and compactness. Parameter image layer wight dapat diketahui dari masing masing layer pada citra yang akan ditelitu sedangkan scale parameter diperoleh dari nilai keragaman maksimum yang dimungkinkan dari suatu obyek pada citra. Shape and color merupakan parameter tambahan yang dapat mempengaruhi penggabungan piksel kedalam group. Bentuk (shape) suatu obyek pada citra dipengaruhi oleh smoothness (kehalusan) dan compactness (kekompakan) dari obyek tersebut. Smootheness adalah hubungan anatara panjang batas suatu obyek (1) dengan parameter dari bounding box suatu obyek. Sedangkan kekompakan adalah hubungan antar panjang batas suatu obyek (1) dengan akar dari jumlah piksel (b) yang menyusun obyek tersebut. Metode region growing pertama ialah seeded region growing yang mengambil seed sebagai bagian dari input bersama dengan image. Seed ini menandai setiap obyek yang akan di segmentasi. Region atau wilayahnya secara berulang ulang dikembangkan dengan membandingkan semua piksel berikutnya yang tidak dialokasikan ke dalam region dan perbedaan antara nilai intensitas piksel dan nilai rata-rata dari region digunakan untuk mengatur kesamaan. Piksel yang memiliki perbedaan paling kecil setelah diukur dialokasikan ke repective region dan diulang sampai semua piksel telah teralokasikan ke region. Seeded region growing ini membutuhkan seed sebagai input tambahan, hasil segmentasinya dependan tergantung dari pilihan seednya.

Noise dalam image dapat menyebabkan seed diletakkan ditempat yang kurang baik. Unseeded region growing memiliki algoritma yang telah dimodifikasi sehingga tidak membutuhkan explcit seeds. Semua di mulai dari single region (tidak akan berpengaruh pada hasil segmentasi) dan setiap perulangan itu dianggap sebagai piksel berikutnya seperti dalam algoritma region growing. Jika perbedaannya lebih kecil dari threshold maka akan ditambah respective region, jika tidak, maka piksel itu akan dianggap sangat berbeda dan akan dibuat region baru dengan piksel ini. Satu varian dari teknik ini berdasar pada intensitas piksel. Rata rata dan sebaran region serta intensitas kandidat piksel digunakan untuk mengkomputasi sebuah test static, jika hasilnya cukup kecol, maka piksel itu akan ditambahkan ke dalam region dan rata rata serta sebaran region itu akan dikomputasi ulang. Jika tidak, maka akan dibuat region baru. Secara keseluruhan, proses region growing yang akan diterapkan pada tugas akhir ini adalah: