3.

Morphology
COMPUTER VISION – TK44019
PENDAHULUAN
• Merupakan teknik pengolahan citra berdasarkan
bentuk segmen citra.
• Tujuan: memperbaiki hasil segmentasi.
• Umumnya digunakan pada citra biner.
OPERASI MORFOLOGI
• Secara umum, pemrosesan citra secara morfologi
dilakukan dengan cara mem-passing sebuah
structuring element terhadap sebuah citra dengan
cara yang hamper sama dengan konvolusi.
• Structuring element dapat diibaratkan dengan mask
pada pemrosesan citra biasa (bukan secara
morfologi).
STRUCTURING ELEMENT
• Structuring element dapat berukuran sembarang.
• Structuring element juga memiliki titik poros (disebut
juga dengan titik origin / titik asal / titik acuan).
• Contoh structuring element dengan titik poros di (0,0).
BEBERAPA OPERASI MORPHOLOGY

• Dilasi
• Erosi
• Opening (Pembukaan)
• Closing (Penutupan)
I
M
P
L
E
M
E
N
T
A
S
I
DILASI D( A, S ) = A Å S
• Dilasi merupakan proses penggabungan titik-titik
latar (0) menjadi bagian dari objek (1), berdasarkan
structuring element S yang digunakan.
• Cara dilasi adalah:
Untuk setiap titik pada A, lakukan hal berikut:
- Letakkan titik poros S pada titik A tersebut.
- Beri angka 1 untuk semua titik (x,y) yang terkena /
tertimpa oleh struktur S pada posisi tersebut.
D
I
L
A
S
I
 Structuring Element
DILASI Input

Original
Dilation

Output

Process

= objek yang terdilasi

EROSI E ( A, S ) = A Ä S
• Erosi merupakan proses penghapusan titik-titik objek
(1) menjadi bagian dari latar (0), berdasarkan
structuring element S yang digunakan.
• Cara erosi adalah:
Untuk setiap titik pada A, lakukan hal berikut:
- Letakkan titik poros S pada titik A tersebut.
- Jika ada bagian dari S yang berada di luar A, maka
titik poros dihapus / dijadikan latar.
E
R
O
S
I
 Structuring Element
EROSI Input

Original
Erosi

Output

Process

= objek yang tererosi

OPENING (Pembukaan) A! S = (AÄ S) Å S
• Proses erosi yang diikuti dengan dilasi.
• Tujuan: Menghilangkan objek-objek kecil dan kurus
serta dapat membuat tepi citra lebih smooth.
O
P
E
N
I
N
G
CLOSING (Penutupan) A• S = (A Å S) Ä S
• Proses dilasi yang diikuti dengan erosi.
• Tujuan: Mengisi lubang kecil pada objek,
menggabungkan objek yang berdekatan.
C
L
O
S
I
N
G
Contoh Aplikasi (1)
 PEMANFAATAN SEED REGION
GROWING SEGMENTATION UNTUK
PENDETEKSIAN SEL DARAH PUTIH PADA
CITRA PREPARAT TANPA PEWARNAAN

Rika Onasie
535160059
 1

PENDETEKSIAN SECARA KONVENSIONAL

UNSTAINED STAINED
 2

TUJUAN

UNSTAINED STAINED
 3

BATASAN RANCANGAN
Deteksi Sel Darah Menggunakan kamera
Putih tanpa Perbesaran lensa 1000 kali
Pewarnaan

Posisi sama
CITRA UJI Perbesaran sama CITRA VERIFIKASI

1944 piksel

1944 piksel
2592 piksel .JPEG 2592 piksel
 4
Start

T Input Citra

A
Mikrospik Sel
Darah tanpa
Pewarnaan

H
Pre-Processing

Smoothing

A HSV Gaussian
Filter
Sharpening

P
A
Thresholding Grayscaling

N Citra
Biner Sel Opening 1
Darah
 5

C Start

O Input Citra
Mikrospik Sel
Darah tanpa

N Pewarnaan
Pre-Processing

T HSV
Smoothing
Median Sharpening Grayscaling

.
Filtering

Citra
Seed Region Penentuan Koordinat
Biner Sel
Growing Nilai (X,Y)
Darah
Segmentation Threshold Seed
Merah

1
 6
1

C Citra Citra
Tanpa Sel Dugaan

O
Pengurangan Dilasi
Darah Sel Darah
Merah Putih

N Hitung Nilai
Ciri Ya Iterasi Setiap Area Tidak
Citra Hasil
Deteksi Sel
Berdasarkan (Area != 0)

T
Darah Putih
Luas Area

. Luas Area sesuai Tidak End

Kriteria

Ya
Tandai Posisi
Area pada Citra
Masukan
(Rectangle Box)
 7

SMOOTHING
54
43 43
65 65
101 12 1
123 123
58 3
123 123
65 65
54
Original Median Filter
ASCENDING

1 43
2 54
3 58
43 65
54 65 101
65 123 123
54 43 65 54
101 43 65 101
54 43 65 101
Original
2 1 123 258 1 123 258 54 65 58
54 43 65 101 54 43 65 101
3 123 65 354 123 65 354 65 58 54
2 1 123 58 2 54 65 58
96 76 23 96
49 76 23 9649 76 23 49
3 123 65 54 3 54
= tepi citra
96 76 23 49 96 76 23 49
 8

SHARPENING
 9
𝑟+𝑔+𝑏
GRAYSCALING 𝑠=
3
 10

THRESHOLDING Misal: Thresholding = 50

Original 45 32 12 86
Output
45
1 32
1 12
1 86
0 72 21 202 32

72
0 21
1 202
0 32
1 95 101 73 54

95
0 101
0 73
0 54
0 24 54 153 32
86
12
452 ≤ 50
24
1 54
0 153
0 2
1
FALSE
TRUE
1, 𝑓 𝑥, 𝑦 ≤ 𝑇
𝑓 𝑥, 𝑦 = &
0, 𝑒𝑙𝑠𝑒
 11

REGION SEED GROWING Misal : Threshold = 2

5 6 6 6 7 7 6 6 4 4
6 7 6 7 5 5 4 7 2 5
6 6 4 4 3 2 5 6 5 6
5 4 5 4 2 3 4 6 6 0
0 3 2 3 3 2 4 7 3 1
0 0 0 0 2 2 5 6 9 8
1 1 0 1 0 3 4 4 4 7
1 0 1 0 2 3 5 4 8 5

Satu= Connectivity
Seed yang dipilih
wilayah = | pixel – seed | ≤ threshold
Satu= Wilayah
wilayah1 = | pixel
6
7 – 6 –=|Connectivity
≤ 2 | ≤ threshold
seed = Wilayah 2
= TRUE
 12
Structuring Element
MORPHOLOGY Input

Original
Dilation

Output

Process
 13

MODUL
Utama (Home)

Open Detect Process Save About Help

 14

MODUL UTAMA (HOME)

Home x
UNSTAINED WHITE BLOOD CELL DETECTION

Open Detect Process Save

Citra Input Citra Verifikasi

(Unstained WBC) (Stained WBC)

Unstained WBC Image | WBC: Stained WBC Image

About Help
 16

MODUL PROCESS
Process x

Original Image Colorspace Smoothing Sharpening Grayscaling

Seed Region Dugaan Sel Sel Darah

Thresholding Dilasi Putih
Growing Darah Putih
Segmentation

Ok
Contoh Aplikasi (2)
Pengenalan Plat Mobil
dengan Bahasa
Mandarin
Kelompok 5 :
Prima Shella (535120084)
Meriana (535120097)
Debora Melinda (535129202)
Mengapa memilih pengenalan plat mobil
berbahasa mandarin?
Karena pada plat mobil china terdapat karakter
mandarin ,huruf latin, dan angka.

Huruf latin
Karakter
mandarin

Angka
Langkah-langkah Pengenalan

Image License Plate Character Character

Preprocessing Localization Segmentation Recognition
1.Image Prepocessing

Pengambilan gambar plat

Smoothing Gambar

Edge Detection

Binarization
Pengambilan Gambar Plat

Kamera
Mobil Datang Deteksi Radar mengambil
gambar plat mobil

Pada malam hari menggunakan lampu metal halide sebagai

penerangan
Image Smoothing
§ menghilangkan noise akibat cuaca dan pencahayaan
§ Menggunakan median filter

Gambar asli

Gambar setelah
dismoothing
Edge Detection
§ Mendapatkan batas area plat mobil , perubahan
tekstur
§ Menggunakan operasi sobel
Binarization

Proses Threshold

• Ada 3 method: global threshold value, local

threshold value, dynamic threshold value
• Global threshold value à efisien jika tidak ada
noise karena hanya memiliki 1 threshold
• Local threshold value à kadang merusak
konsistensi antara cell tetangga
• Karena itu, menggunakan dynamic threshold
value
2.License Plate Localization

Karakteristik plat mobil di china

Jarak antar karakter
Character feature
• Karakter mandarin dan (membedakan plat
Warna huruf latin à 10 mm
dengan
• Huruf latin dan angka
à 12 mm background)
2.1 Approximate localization based on texture
feature
Langkah :
1. Mendeteksi range kolom dari plat mobil

• Menghitung banyaknya edge point, banyaknya jump point,

rasio antara banyaknya edge point dan panjang plat

2. Mendeteksi range baris dari plat mobil

• Range baris sudah didapat dari langkah sebelumnya

• Untuk konfirmasi range baris:
• Tentukan nilai max dan min dari range baris
• Banyak edge point dari setiap row
• Interval antara starting point dan end point
Hasil Approximate Localization
2.2 Accurate Localization based on Aspect
Ratio
Menghilangkan area yang mirip dengan
plat mobil

Caranya : menghitung rasio dari setiap

daerah kandidat
Accurate Localization
Skew Correction

Dibutuhkan karena tinggi kamera dan mobil tidak sama

Leftaver : setengah kiri dari image discan dan

menghitung tinggi rata-rata pixel putih

Rightaver : setengah kanan dari image yang discan

dan menghitung tinggi rata-rata pixel putih
Character Segmentation

Menggunakan metode row-column scan

Langkah-langkah:

• 1. line scan àmemisahkan antara batas atas dan

batas bawah
• 2. column scan àmemisahkan antara batas kanan
dan kiri
Character Normalization

Menyamakan ukuran setiap karakter

Caranya :
• Dengan membandingkan karakter yang sudah
disegmentasi dengan karakter awal
Character Thinning Processing

Menjadikan ketebalan Caranya :

setiap karakter menjdi • Background dari setiap
satu pixel sehingga segmentasi karakter diberi 0
mendapatkan rangka dan area karakter diberi 1
dari karakter
 P1 : P2 – P9 :
marked neighbour
point point

Contoh : P1 = 1
• Hapus P1 jika:
• Banyak nilai 1 di P1-P9 antara 2-6
• P2 *P4*P8 = 0
• P2 *P4*P6 = 0
P1 tidak dihapus jika dalam 3 kondisi ini
Character Recognition

Karakter diextract,
Dilakukan template Karakter
dianalisis kemudian
matching dikenali
dikelompokkan
3. Character Recognition

Feature extraction

Character classifier design

Building character model library

Fuzzy decision of character recognition

3.1 Feature Extraction

Kategori karakteristik plat mobil :

1.structural à baik digunakan karakter
yang mirip tapi, sulit diekstrak dan tidak
stabil

2. statistical à algoritmanya lebih

mudah dipahami tapi, kemampuan
membedakan karakter yang mirip kurang
Langkah-langkah feature extraction

Mengekstrak grid feature :

• Membagi suatu karakter menjadi 8 bagian .

Mengekstrak internal
structure characteristics :
• -> Karena beberapa karakter memiliki
kesamaan(cth: B dan 8)
3.2. Character Classifier design

Bentuk standar plat mobil di china

X1 : kode propinsi

X2 : huruf besar latin

X3-X7 : bisa huruf atau angka

3.2. Character Classifier design

Dibuat 3 kelas classifier untuk mempercepat proses

1 : Chinese
Characters

2: Latin Letter

3: Numbers and
Letters
3.3 Building Character Model Library
Karakter dideskripsikan dengan rata-rata dan standar deviasi

M(p) : nilai karakteristik

P : kumpulan sampel

n : kumpulan karakteristik

mj dan mj’ : rata-rata dan

standar deviasi dari karakteristik
3.4 Fuzzy decision of Character Recognition

S[i] : kemiripan antara setiap karakter di template

• S[i] artinya tingkat perbedaan kerakteristik karakter dengan template
karakter

α(k) : metrik

fea[i][k] : karakteristik karakter yang diidentifikasi

Temp[j][k] : karakteristik dari template karakter

•Langkah :
Menkategorikan karakter dengan classifier

Membandingkan karakter dengan template karakter. Menghitung tingkat kesamaan dengan

rumus sebagai berikut:

Jika sudah mencapai nilai minimum ,maka didapatlah hasilnya tersebut

Position Classification Flow Diagram
Tampilan Program
Hasil Percobaan
Hasil Percobaan
Statistik

Jumlah kendaraan : 300

Hasil Pengenalan

8%

Berhasil

Tidak
92%