Segmentasi Citra
Segmentasi Citra
Dalam visi komputer, Segmentasi adalah proses mempartisi citra digital menjadi beberapa
segmen (set piksel, juga dikenal sebagai superpixels). Tujuan dari segmentasi adalah untuk
menyederhanakan dan / atau mengubah penyajian gambar ke sesuatu yang lebih bermakna
dan lebih mudah untuk menganalisis. [1] Gambar segmentasi biasanya digunakan untuk
menemukan obyek dan batas-batas (garis, kurva, dll) dalam gambar . Lebih tepatnya,
segmentasi citra adalah proses untuk menempatkan label untuk setiap pixel dalam sebuah
gambar sehingga piksel dengan pangsa label yang sama karakteristik visual tertentu.
Hasil segmentasi citra adalah seperangkat segmen yang secara kolektif mencakup seluruh
gambar, atau satu set kontur diekstrak dari citra (lihat deteksi tepi). Setiap piksel dalam suatu
wilayah mirip dengan memperhatikan beberapa karakteristik properti atau dihitung, seperti
warna, intensitas, atau tekstur. Daerah yang berdekatan sangat berbeda sehubungan dengan
karakteristik yang sama (s). [1] Ketika diterapkan pada setumpuk gambar, khas dalam
pencitraan medis, kontur yang dihasilkan setelah segmentasi citra dapat digunakan untuk
membuat rekonstruksi 3D dengan bantuan algoritma interpolasi seperti biji Marching.
thresholding
Metode paling sederhana segmentasi citra disebut metode thresholding. Metode ini
didasarkan pada tingkat klip-(atau nilai ambang batas) untuk mengubah citra gray-scale
menjadi citra biner.
Kunci dari metode ini adalah untuk memilih nilai ambang (atau nilai ketika beberapa-levels
dipilih). Beberapa metode yang populer digunakan dalam industri termasuk metode entropi
maksimum, metode Otsu itu (varians maksimum), dan dkk. k-means juga dapat digunakan.
Clustering metode
Algoritma K-means adalah iteratif teknik yang digunakan untuk partisi sebuah gambar ke
dalam kelompok K. Algoritma dasarnya adalah:
1. Pilih pusat klaster K, baik secara acak atau berdasarkan heuristik beberapa.
2. Tugaskan setiap pixel pada gambar untuk cluster yang meminimalkan jarak antara
pixel dan pusat cluster.
3. Kembali menghitung pusat cluster dengan rata-rata semua piksel dalam cluster.
4. Ulangi langkah 2 dan 3 hingga konvergensi dicapai (misalnya tidak cluster piksel
perubahan)
Dalam hal ini, jarak perbedaan kuadrat atau absolut antara pixel dan pusat cluster.
Perbedaannya biasanya didasarkan pada warna pixel, intensitas, tekstur, dan lokasi,
atau kombinasi tertimbang faktor ini. K dapat dipilih secara manual, secara acak, atau
dengan sebuah heuristic.
Algoritma ini dijamin untuk bertemu, tetapi tidak dapat mengembalikan solusi
optimal. Kualitas dari solusi tergantung pada set awal cluster dan nilai K.
Kompresi metode berbasis postulat bahwa segmentasi yang optimal adalah salah satu yang
meminimalkan, atas semua segmentasi mungkin, panjang pengkodean data [3]. [4] Hubungan
antara kedua konsep ini adalah bahwa segmentasi mencoba untuk menemukan pola dalam
foto dan setiap keteraturan dalam gambar dapat digunakan untuk kompres. Metode ini
menggambarkan setiap segmen dengan tekstur dan bentuk batas. Masing-masing komponen
dimodelkan dengan fungsi distribusi probabilitas dan panjangnya coding dihitung sebagai
berikut:
Untuk setiap segmentasi tertentu dari suatu gambar, skema ini menghasilkan jumlah bit
yang dibutuhkan untuk mengkodekan bahwa gambar berdasarkan segmentasi tertentu.
Dengan demikian, di antara semua segmentasi yang mungkin dari suatu gambar,
tujuannya adalah untuk menemukan segmentasi yang menghasilkan panjang coding
terpendek. Hal ini dapat dicapai dengan metode pengelompokan sederhana
agglomerative. Distorsi dalam kompresi lossy menentukan kekasaran segmentasi dan
nilai optimal mungkin berbeda untuk setiap gambar. Parameter ini dapat diperkirakan
heuristik dari kontras tekstur dalam gambar. Misalnya, ketika tekstur dalam foto mirip,
seperti di gambar kamuflase, sensitivitas kuat dan kuantisasi dengan demikian lebih
rendah diperlukan.
Histogram berbasis metode ini sangat efisien bila dibandingkan dengan metode
segmentasi citra lain karena mereka biasanya hanya membutuhkan satu lulus melalui
piksel. Dalam teknik ini, histogram dihitung dari semua piksel dalam gambar, dan
puncak dan lembah pada histogram yang digunakan untuk menemukan cluster dalam
gambar. [1] Warna atau intensitas dapat digunakan sebagai ukuran.
Sebuah perbaikan dari teknik ini adalah secara rekursif menerapkan metode histogram-
seeking untuk cluster pada gambar untuk membagi mereka menjadi kelompok yang lebih
kecil. Ini diulang dengan kelompok yang lebih kecil dan lebih kecil sampai cluster tidak
lebih terbentuk. [1] [5]
Salah satu kelemahan dari metode histogram-seeking adalah bahwa hal itu mungkin sulit
untuk mengidentifikasi puncak dan lembah yang signifikan dalam gambar. Dalam teknik
pencocokan jarak klasifikasi citra daerah metrik dan terpadu yang akrab.
Histogram pendekatan berbasis juga dapat dengan cepat diadaptasi terjadi selama
beberapa frame, dengan tetap menjaga efisiensi single pass mereka. Histogram dapat
dilakukan dalam mode beberapa saat beberapa frame dipertimbangkan. Pendekatan yang
sama yang diambil dengan satu frame dapat diterapkan untuk ganda, dan setelah hasil
digabung, puncak dan lembah yang sebelumnya sulit untuk mengidentifikasi lebih
mungkin untuk dibedakan. Histogram juga dapat diterapkan pada basis pixel per mana
hasil informasi yang digunakan untuk menentukan warna yang paling sering untuk lokasi
pixel. Ini segmen pendekatan berdasarkan objek aktif dan lingkungan yang statis,
sehingga berbagai jenis segmentasi berguna dalam pelacakan Video.
DETEKSI TEPI
Deteksi tepi adalah bidang yang berkembang dengan baik dengan sendirinya dalam
pengolahan citra. Daerah batas-batas dan ujung-ujungnya berkaitan erat, karena sering kali
ada penyesuaian tajam dalam intensitas pada batas wilayah. Teknik deteksi tepi karena itu
telah digunakan sebagai dasar dari teknik lain segmentasi.
Tepi yang diidentifikasi oleh deteksi tepi sering terputus. Untuk segmen objek dari gambar
Namun, orang perlu batas-batas wilayah tertutup. Tepi diinginkan adalah batas-batas antara
obyek tersebut.
Metode segmentasi juga dapat diterapkan ke tepi diperoleh dari detektor tepi. Lindeberg dan
Li [6] mengembangkan metode terpadu yang segmen menjadi segmen-segmen tepi tepi lurus
dan melengkung untuk bagian berbasis pengenalan obyek, berdasarkan panjang deskripsi
minimum (MDL) kriteria yang dioptimalkan dengan metode split-dan-merge-seperti dengan
calon breakpoints diperoleh dari isyarat persimpangan komplementer untuk mendapatkan
poin lebih mungkin untuk mempertimbangkan di mana partisi menjadi segmen yang berbeda.
Wilayah-tumbuh Metode pertama adalah wilayah unggulan metode berkembang. Metode ini
mengambil satu set bibit sebagai masukan bersama dengan gambar. Benih menandai setiap
benda menjadi tersegmentasi. Daerah-daerah yang tumbuh secara iteratif dengan
membandingkan semua piksel tetangga yang tidak terisi ke daerah. Selisih antara nilai
intensitas pixel dan rata-rata di kawasan ini, \ delta, digunakan sebagai ukuran kesamaan.
Pixel dengan perbedaan terkecil diukur dengan cara ini dialokasikan ke daerah masing-
masing. Proses ini berlanjut sampai semua piksel yang dialokasikan untuk daerah.
Salah satu varian dari teknik ini, diusulkan oleh Haralick dan Shapiro (1985), [1] didasarkan
pada intensitas piksel. Mean dan menyebarkan wilayah dan intensitas pixel kandidat
digunakan untuk menghitung statistik uji. Jika statistik uji cukup kecil, pixel ditambahkan ke
wilayah tersebut, dan rata-rata di kawasan ini dan menyebarkan sedang menghitung ulang.
Jika tidak, pixel ditolak, dan digunakan untuk membentuk wilayah baru.
Sebuah metode wilayah tumbuh-khusus ini disebut \ lambda yang terhubung segmentasi
(lihat juga lambda-keterhubungan). Hal ini didasarkan pada intensitas piksel dan lingkungan-
menghubungkan jalan. Gelar konektivitas (keterhubungan) akan dihitung berdasarkan jalan
yang dibentuk oleh pixel. Untuk nilai tertentu \ lambda, dua piksel disebut \ lambda-
connected jika ada jalur yang menghubungkan dua piksel dan keterkaitan jalan ini setidaknya
\ lambda. \ Lambda-keterhubungan adalah relasi setara. [7]