Anda di halaman 1dari 8

TUGAS 2

Ditujukan untuk memenuhi tugas


mata kuliah Pengolahan Citra dan Pengenalan Pola
di jurusan Sistem Komputer UNDIP

Disusun oleh:
Alif Gilang Fitrawan 21120112130049

PROGRAM STUDI SISTEM KOMPUTER


UNIVERSITAS DIPONEGORO
SEMARANG
2015
Metode Segmentasi Citra

Segmentasi citra merupakan bagian dari proses pengolahan citra. Proses segmentasi citra
ini lebih banyak merupakan suatu proses pra pengolahan pada sistem pengenalan objek dalam
citra. Segmentasi citra (image segmentation) mempunyai arti membagi suatu citra menjadi
wilayah-wilayah yang homogen berdasarkan kriteria keserupaan yang tertentu antara tingkat
keabuan suatu piksel dengan tingkat keabuan piksel – piksel tetangganya, kemudian hasil dari
proses segmentasi ini akan digunakan untuk proses tingkat tinggi lebih lanjut yang dapat
dilakukan terhadap suatu citra, misalnya proses klasifikasi citra dan proses identifikasi objek.
Terdapat beberapa metode untuk melakukan segmentasi citra, antara lain :
1. Metode Thresholding
Merupakan metode segmentasi citra yang paling sederhana. Metode ini menggunakan
titik threshold / ambang untuk mengubah citra gray-scale / keabuan menjadi citra biner.
Kunci dari metode ini adalah dengan menetapkan suatu nilai ambang / threshold.
Metode thresholding yang paling sederhana akan mengubah tiap pixel pada citra

dengan pixel hitam apabila intensitas pixel bernilai lebih kecil dari konstanta threshold
/ ambang yang telah ditentukan dan akan mengubah pixel tersebut menjadi putih apabila
nilai intensitasnya lebih besar dari konstanta threshold / ambang.
Sezgin dan Sankur (2004) mengkategorikan metode – metode threshold menjadi 6
kategori berdasarkan informasi yang dimanipulasi oleh suatu algoritma. Kategorinya antara
lain :
 Histogram shape-based methods, dimana algoritma akan menganalisis puncak, lembah
dan bentuk kurva dari histogram yang telah diperhalus.
 Clustering-based methods, dimana contoh gray-level akan dikelompokkan menjadi dua
bagian yaitu latar belakang dan objek.
 Entropy-based methods yang menghasilkan algoritma yang menggunakan entropi dari
latar belakang dan objek, entropi silang antara citra asli dan citra binernya, dll.
 Object Attribute-based methods, kategori ini mencari ukuran dari kemiripan antara citra
keabuan dan citra biner, seperti kemiripan bentuk fuzzy, edge coincidence, dll
 Spatial methods, kategori ini menggunakan distribusi probabilitas tingkat tinggi dan/
korelasi antar pixel
 Local methods, kategori ini mengadaptasikan nilai threshold pada tiap pixel dengan
karakteristik citra local. Metode ini menggunakan nilai threshold yang berbeda untuk
tiap pixel yang ada pada citra
Citra berwarna juga dapat disegmentasi menggunakan metode threshold. Salah satu cara
pendekatannya adalah dengan memberi nilai threshold / ambang yang berbeda untuk setiap
komponen RGB pada citra dan kemudian dikombinasikan menggunakan operasi AND

Gambar 1 Perbandingan antara gambar asli (kiri) dengan gambar yang telah melalui metode segmentasi
threshold (kanan)
2. Metode Clustering
Metode statistik atau clustering didasarkan pada distribusi parameter tertentu. Hal
terpenting dalam metode ini adalah melakukan estimasi definisi awal dari parameter
sehingga bagus tidaknya segmentasi tergantung pada seberapa baik distribusi yang
diasumsikan mendekati distribusi dari data. Pada kenyataanya, secara umum citra medis
mengandung noise dan ketidakpastian distribusi yang tidak dapat diketahui sebelumnya
Algoritma clustering ini berdasarkan K-means yang dijalankan berulang kali.
Algoritma K-means sendiri adalah teknik perulangan yang digunakan untuk mempartisi
suatu citra kedalam K – cluster. Algoritma dasarnya adalah sebagai berikut
a. Ambil pusat cluster K, bias secara caka atau berdasarkan suatu heuristic
b. Tetapkan diap pixel pada citra dengan cluster yang memiliki jarak paling kecil antara
pixel dan pusat cluster
c. Hitung ulang nilai pusat cluster dengan menghitung rerata nilai dari semua pixel yang
ada di cluster
d. Ulangi langkah 2 dan 3 sampai tercapai konvergensi (Tidak ada pixel yang beerubah
cluster)
Dalam hal ini, jarak adalah hasil kuadrat atau perbedaan yang absolut antara pixel dan pusat
cluster. Perbedaan ini biasanya berdasarkan warna, intensitas, tekstur, dan lokasi dari pixel,
atau dapat pula berdasarkan kombinasi dari faktor – faktor tersebut. K dapat dipilih secara
manual, acak, atau secara heuristic. Algoritma ini pasti menghasilkan konvergensi, namun
ada kemungkinan hasil yang dihasilkan bukanlah solusi yang optimal. Kualitas dari solusi
yang dihasilkan tergantung oleh set awal dari cluster dan nilai dari K

Gambar 2 Perbandingan antara gambar asli (kiri) dengan gambar yang telah melalui metode clustering
dengan nilai K = 16 (kanan)

3. Metode Region-growing
Metode region-growing ini pada umumnya bergantung pada asumsi bahwa pixel – pixel
yang bersebelahan memiliki nilai yang mirip. Prosedur umum dari metode ini adalah
dengan membandingkan suatu pixel dengan pixel tetangganya. Apabila kriteria kemiripan
telah terpenuhi, maka pixel tersebut dapat disatukan pada suatu cluster dengan satu atau
lebih tetangga – tetangga pixelnya. Pemilihan dari kriteria kemiripannya bersifat signifikan
dan hasilnya dapat dipengaruhi oleh noise dari segala hal.
Metode region growing seperti menggabungan thresholding dengan kondisi
konektivitas atau kriteria daerah homogenitas. Keberhasilan dari metode tersebut
bergantung pada kepresisian informasi anatomi untuk meletakkan baik satu mapun
beberapa pixel untuk masing-masing daerah homogen. Kelemahan lain dari metode region
growing adalah metode tersebut hanya dapat bekerja dengan baik pada daerah yang
homogen dan membutuhkan operator untuk menentukan daerah yang akan disegmentasi.
Metode region growing ini terdiri lagi dari beberapa metode, antara lain:
 Statistical Region Merging (SRM), metode ini diawali dengan menggambarkan grafik
dari pixel menggunakan 4 titik hubung dimana sudut – sudutnya ditimbang dengan niali
absolut dari perbedaan kemiripan. Pada awalnya setiap picxel akan membentuk suatu
wilayah pixel tunggal. SRM kemudian akan mengurutkan tepi – tepi tersebut kedalam
antrian prioritas dan memutuskan apakah akan menggabungkan atau tidak wilayah
milik pixel – pixel tepi menggunakan prdikat statistical
 Seeded Region-growing, metode ini mengambil sekumpulan benih sebagai masukan
bersamaan dengan gambar yang diproses. Benih – benih tersebut menandai setiap objek
yang akan disegmentasi. Wilayah – wilayah dari pixel akan berkembang secara
berulang berdasarkan perbandingan dari pixel – pixel yang belum dialokasikan dan
yang bertetangga dengan wilayah tersebut. Perbedaan antar nilai intesitas pixel dengan
rerata wilayah digunakan sebagai ukuran kemiripan ( ) . Pixel dengan perbedaan yang
paling kecil akan ditetapkan ke wilayah yang sesuai. Proses ini akan terus diulang
sampai seluruh pixel telah ditetapkan ke dalam wilayah.
 Unseeded Region Growing, metode ini dimulai dengan suatu wilayah tunggal .
Pada setiap perulangan metode sama dengan metode Seeded region growung dalam
memperhitungkan pixel yang bertetangga. Perbedaannya adalah apabila nilai minimum
dari ukuran kemiripan ( ) bernilai kurang dari threshold maka pixel tersebut akan

ditambahkan ke wilayah . Jika tidak maka pixel akan dianggap berbeda dari wilayah
saat ini dan pixel ini akan membuat region baru.

Gambar 3 Perbandingan antara gambar asli (kiri) dengan gambar yang telah melalui metode Unseeded
region growing dengan nilai Threshold = 225~255 (kanan)

4. Transformasi Watershed
Transformasi Watershed menganggap besarnya gradien dari suatu gambar sebagai
suatu permukaan topografis. Pixel – pixel dengan besaran intensitas gradient terbesar akan
sesuai dengan garis – garis Watershed, yang merepresentasikan batas – batas citra. Air yang
ditempatkan pada setiap pixel yang tertutup garis Watershed akan mengalir turun ke suatu
lokasi intensitas local minimum. Pixel – pixel yang mengalirkan ke suatu titik minimum
yang umum akan membentuk suatu kolam, yang merepresentasikan suatu segmen.
Algoritma ini akan berhenti bila dua “kolam” dari dua sumber yang berbeda bertemu. Jika
pada citra terdapat banyak pola dan noise, maka akan terbentuk banyak “kolam” sehingga
terjadi segmentasi yang berlebihan

Gambar 3 Perbandingan antara citra dengan perbedaan besar gradien (kiri) dengan gambar yang telah
melalui metode Watershed (kanan)

5. Edge Detection
Merupakan salah satu bidang dalam 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 objek-objek 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. Selain itu tepi juga dapat didefinisikan
sebagai himpunan piksel terhubung yang terletak pada batas di antara dua region. Sebuah
edge detector bekerja dengan cara mengidentifikasi dan menonjolkan lokasi-lokasi piksel
yang memiliki karakteristik tersebut.
Pada prakteknya, ketidaksempurnaan optik, sampling, dan proses pengambilan data
citra, akan menghasilkan tepi-tepi yang kabur, dengan derajat kekaburan ditentukan oleh
faktor-faktor seperti kualitas peralatan yang digunakan untuk mengambil data citra, rata-
rata sampling, dan kondisi pencahayaan.
Sebuah operator deteksi tepi merupakan operasi bertetangga, yaitu sebuah operasi yang
memodifikasi nilai keabuan sebuah titik berdasarkan nilai-nilai keabuan dari titik-titik yang
ada di sekitarnya dengan bobot tersendiri. Banyaknya titik tetangga yang terlibat biasanya
adalah 2x2, 3x3, 3x4, 7x7, dan sebagainya.
Operator yang biasa digunakan untuk mendeteksi tepi antara lain :
 Operator Robert
Operator Robert ditemukan oleh Lawrence Roberts di tahun 1963. Operator Robert
sendiri adalah operator yang berbasis gradient yang menggunakan kernel ukuran 2x2
piksel. Operator ini mengambil arah diagonal untuk penentuan arah dalam perhitungan
nilai gradient.

Gambar 4 Perbandingan antara citra greyscale asli (kiri) dengan gambar yang telah melalui metode deteksi
tepi dengan operator Roberts (kanan)

 Operator Sobel
Operator Sobel ditemukan oleh Irwin Sobel dan Gary Feldman yang sama sama bekerja
pada Standford Artificial Intelligence Laboratory. Secara teknis, oerator ini menghitung
perkiraan dari gradient fungsi intensitas citra. Operator Sobel adalah salah satu operator
yang menghindari adanya perhitungan gradient di titik interpolasi. Operator ini
menggunakan kernel ukuran 3x3 piksel untuk perhitungan gradient, sehingga perkiraan
gradien berada tepat ditengah jendela. Tampak bahwa operator Sobel menggunakan
pembobotan pada piksel-piksel yang lebih dekat dengan titik pusat kernel.
Gambar 4 Perbandingan antara citra greyscale asli (kiri) dengan gambar yang telah melalui metode deteksi
tepi dengan operator Sobel (kanan)

 Operator Prewitt
Dinamakan berdasarkan penggagasnya, Judith M. S. Prewitt, Operator ini
menggunakan persamaan yang sama dengan operator Sobel, hanya saja konstanta c
yang digunakan bernilai 1. Selain itu, operator Prewitt juga tidak menekankan
pembobotan pada piksel – piksel yang lebih dekat ke titik pusat kernel

Gambar 4 Perbandingan antara citra greyscale asli (kiri) dengan gambar yang telah melalui metode deteksi
tepi dengan operator Prewitt (kanan)