18/428705/TK/47207
1. Vectorization
Vektorisasi atau konversi raster to vector terdiri dari penganalisisan gambar raster
untuk mengubah representasi pixelnya menjadi representasi vektor. Asumsi dasarnya
adalah representasi vektor lebih cocok digunakan untuk interpretasi lebih lanjut dari
sebuah gambar; dan biasanya hal ini merujuk pada dokumen grafis terpindai (peta,
skema, gambar).
Prosedur dari sebuah konversi raster to vector dapat dibagi menjadi 3 bagian
utama : preprocessing, processing, dan post processing.
Preprocessing :
1. Binarisasi
2. Noise filtering
3. Segmentation
Processing:
1. Thinning
2. Tracing
3. Approximation
Post processing:
1. Filtration
2. Analysis
3. Interpretation
1.1 Preprocessing
Tujuan dari bagian ini adalah untuk menyiapkan input dari sebuah gambar raster
adalah untuk mempreoses (vektorisasi) untuk bagian selanjutnya. Gambar gray-scale
harus di binarisasi, baik grayscale maupun gambar binary dapat difiltrasi untuk
mereduksi noise, dan gambar berwarna harus di representasikan dengan layer
monokrom. Tipe algoritma preprocessing di definisikan dengan tipe maupun kualitas
dari sebuah gambar masukan.
1.2 Processing
Konversi dari raster gambar biner menuju bentuk vektor dilakukan pada tahap ini.
Data keluaran dari tahap ini adalah presentasi vektor dari gambar binary yang dimasukan.
6 pendekatan untuk vektorisasi dari gambar biner:
1. Metode thinning-based
2. Metode contour based
3. Metode graph structure-based
4. Metode pelacakan pixel
5. Metode RLE based
6. Metode orthogonal zig-zag
Setiap metode memiliki kelebihan dan kekurangannya masing-masing. Metode
yang berdasar pada kerangka memiliki hasil yang baik, namun sangat sensitive terhadap
gangguan. Metode kontur memiliki toleransi gangguan yang lebih baik namun
bergantung pada skema yang lebih kompleks. Untuk menentukan pilihan metode yang
tepat kita harus berdasar pada tipe data yang kita miliki dan tujuan akhirnya.
Kita menggunakan metode vektorisasi berdasarkan algoritma thinning dimana metode ini
terdiri dari 3 langkah
1. Perangkaan gambar biner menggunakan thinning transformasi jarak.
2. Pencarian dari cabang kerangka untuk mendapat lengkungan rantai yang sudah
terdigitasi
3. Vektorisasi utama dari lengkungan terdigitasi.
Vektorisasi utama dapat dilakukan dengan perkiraan error dari nol hingga diatas nol.
Rangka dari obyek biner adalah sebuah descriptor bentuk, yang dapat dianggap
sebagai alternatif mudah untuk obyek yang diperpanjang itu sendiri. Menipiskan
gambar biner hingga terlihat rangkanya saja dapat membuat kita dapat mentransformasi
sebuah gambar menjadi bentuk garis, yang dimana masih tetap menyimpan informasi
yang relevan dan mengurangi data yang harus ditangani dan menyederhakan prosedur
komputasi yang diperlukan untuk deskripsi dan tujuan klasifikasi.
Sebuah rangka dapat diperoleh dengan menipiskan sebuah obyek biner dengan dua
langkah:
a. Algoritma yang berdasar dengan penipisan scara morfologi untuk
mempertahankan (homotopi)
b. Algoritma yang berdasar pada transformasi jarak yang mempertahankan
reversibilitas.
Transformasi jarak didefinisikan untuk titik objek sebagai jarak dari pixel
hingga titik latar terdekat. Metrik jarak yang digunakan bergantung pada hal yang
dikerjakan: Euclidean, octagonal, chessboard, city-block, weighted chamfer.
Transformasi jarak dapat diselesaikan menggunakan 2 pindaian raster untuk seluruh
gambar dengan ukuran jendela 2×3 untuk chessboard and city block DT untuk ukuran
yang lebih besar. Untuk pindaian pertama, dilakukan pada arah top-left menuju ke
bottom right.
Pada pemindaian ini, untuk setiap pixel pada sebuah obyek yang dibentuk oleh
jarak, batas obyek atas dan kiri akan ditentukan. Pada pemindaian kedua, arah
sebaliknya menentukan jarak dari setiap pixel pada obyek menuju batas bawah dan
kanan dengan cara yang sama. Pendeteksian dari titik rangka dilakukan dengan dua
pindaian selanjutnya menggunakan seluruh gambar dengan menggunakan cara yang
sama untuk transformasi jarak. Satu pindaian tambahan dibutuhkan untuk mengurangi
lebar rangka sebesar dua pixel menjadi sebesar satu dan mengubah rangka yang
berlabel jarak menjadi berlabel jarak sehingga proses perangkaan gambar dapat
diselesaikan dengan lima pindaian yang berurutan untuk tiap gambar.
Tujuan utama dari studi kami adalah pengembangan implementasi yang efisien
dari algoritma skeletonization berbasis DT, yang cocok dalam prakteknya untuk
memproses input besar dengan mesin prosesor tunggal biasa atau mesin multiprosesor
paralel. Algoritme penjarangan berbasis DT klasik dari Arcelli dan Sanniti di Baja
dengan metrik jarak papan catur telah dipilih untuk realisasi, tetapi pendekatan ini dapat
digunakan untuk algoritme berbasis DT lainnya dengan metrik jarak yang berbeda. Pada
awalnya, kami mengembangkan realisasi algoritma skeletonization untuk komputer
sekuensial sebagai bagian dari sistem konversi raster-ke-vektor. Kemudian kami
memperluas pendekatan pada kasus sistem multiprosesor paralel.
Dalam kasus kerangka gambar dengan mesin prosesor tunggal biasa, file gambar
sedang dibaca dan diproses oleh ukuran blok yang tumpang tindih yang tumpang tindih
dikontrol dengan nilai DT untuk memastikan kebenaran prosedur. Dengan metode ini,
gambar dengan ukuran berapa pun dapat diproses hanya dengan satu pembacaan file
gambar dengan minimal tumpang tindih blok. mengusulkan pendekatan analog untuk
algoritma penipisan berbasis DT dari gambar besar. Dalam kasus pemrosesan dengan
sistem paralel, yang dibahas dalam makalah ini, perbedaan antara dua pendekatan tidak
terlalu penting, karena total waktu pemrosesan bergantung pada kedalaman proses
terakhir secara linier.
Dengan metode yang diusulkan dengan kontrol ukuran tumpang tindih kita dapat
mengurangi biaya waktu algoritma penjarangan seminimal mungkin. Misalnya, jika
lebar maksimal garis pada batas blok tidak melebihi 20, ukuran zona yang tumpang
tindih akan menjadi sekitar 10 piksel, jauh lebih kecil dari 100 piksel seperti pada
pendekatan. Metode lain, yang telah diterapkan untuk mengurangi waktu pemrosesan,
adalah menggunakan tabel pencarian untuk skeletonization berbasis DT. Ik untuk titik
saat ini dihitung secara rekursif dari indeks Ik-1 untuk titik sebelumnya menggunakan
tiga piksel baru yang baru saja muncul di jendela 33.
Untuk menghindari komputasi indeks yang berlebihan untuk titik latar belakang,
penggunaan skema rekursif dimulai dengan dimulainya proses piksel objek. Realisasi
efisien yang dikembangkan dari algoritme kerangka untuk gambar besar telah
memungkinkan kami mengurangi waktu pemrosesan secara drastis untuk sistem
konversi raster-ke-vektor. Seperti yang telah disebutkan di, di mana prosedur vektorisasi
digunakan sebagai bagian dari skema kompresi gambar biner, waktu pemrosesan untuk
vektorisasi hanya membutuhkan 10% dari total waktu pemrosesan.