Tujuan
Memberikan pemahaman kepada
mahasiswa tentang:
karakteristik dasar dari berbagai algoritma
segmentasi
proses filtering untuk mendeteksi titik, garis,
dan tepi
Gambaran Umum
Segmentasi membagi citra menjadi
region-region atau objek-objek.
Level sampai sejauh mana pembagian
bisa dilakukan tergantung pada
permasalahan yang diselesaikan.
Gambaran Umum
Secara umum algoritma-algoritma segmentasi
didasarkan pada satu di antara dua buah
karakteristik intensitas, yaitu diskontinuitas dan
similaritas. Pada kategori pertama, pendekatan
yang dilakukan adalah mempartisi citra
berdasarkan pada perubahan intensitas yang
cukup cepat, seperti tepian citra. Kategori kedua
didasarkan pada kemiripan area citra menurut
kriteria yang sudah ditentukan. Thresholding,
region growing, dan region splitting/merging
adalah contoh-contoh metode pada kategori
dua.
Deteksi Diskontinyuitas
Ada beberapa teknik untuk mendeteksi tiga macam
diskontinyuitas tingkat keabuan dalam citra, yaitu : titik,
garis dan tepi.
Cara yang paling umum digunakan untuk mencari
diskontinyuitas adalah dengan menjalankan suatu
filter/mask pada seluruh area citra.
Deteksi Diskontinyuitas
Respon dari mask pada sembarang titik dihitung
dengan:
R w1 z1 w2 z 2 ... w9 z 9
9
wi z i
i 1
• first derivative, bernilai positif ketika awal sampai akhir ramp, bernilai nol untuk
daerah dengan gray level konstan.
• second derivative, bernilai positif ketika transisi pada sisi gelap dari edge,
bernilai negatif pada transisi sisi terang dan bernilai nol di daerah ramp dan
gray level konstan.
Deteksi Tepi
Magnitude dari turunan pertama bisa digunakan
untuk mendeteksi keberadaan edge pada suatu titik
dalam citra (misalnya, menentukan apakah suatu
titik berada pada ramp atau tidak).
Tanda dari turunan kedua bisa digunakan untuk
menentukan apakah suatu piksel edge terletak pada
sisi gelap atau sisi terang dari edge.
Property zero-crossing (garis lurus imajiner yang
menghubungkan nilai ekstrim positif dan negatif dari
turunan kedua akan melintasi nol di pertengahan
edge) cukup berguna untuk menentukan pusat dari
edge yang tebal.
Deteksi Tepi
Deteksi Tepi
Agar dapat diklasifikasikan sebagai titik tepi, transisi tingkat
keabuan pada titik tersebut harus cukup kuat dibandingkan
background di sekitarnya.
Untuk menentukan apakah suatu nilai “cukup signifikan” atau tidak,
bisa digunakan threshold.
Jadi, suatu titik di dalam citra merupakan bagian dari edge, jika
turunan pertama 2-D nya lebih besar dari threshold.
Himpunan titik-titik yang terhubung menurut kriteria keterhubungan
tertentu didefinisikan sebagai edge.
Istilah segmen edge digunakan jika ukuran edge relatif pendek
dibanding ukuran citra.
Permasalahan dalam segmentasi adalah bagaimana cara
merangkai segmen-segmen edge ini menjadi edge yang lebih
panjang.
Edge juga bisa ditentukan menggunakan property zero crossings
dari turunan kedua.
Operator Gradient
Turunan pertama citra digital bisa menggunakan berbagai aproksimasi dari
gradien 2-D. Gradien suatu citra f(x,y) pada lokasi (x,y) didefinisikan
sebagai vektor :
f
G x
f fx
G y
y
Magnitude vektor adalah :
mag (f ) G x2 G y2 1
2
Gy
( x, y) tan 1
Gx
Operator Gradient
Perhitungan gradien citra dilakukan dengan menghitung
turunan parsial pada setiap lokasi piksel.
Misalkan area 3x3 pada gambar 10.8.a menyatakan
tingkat keabuan neighborhood suatu citra. Cara paling
sederhana untuk mengimplementasikan turunan parsial
order pertama pada titik z5 adalah dengan menggunakan
operators gradient Roberts :
Gx=(z9-z5) dan Gy=(z8-z6)
Mask berukuran 2x2 menyulitkan untuk
diimplementasikan karena tidak memiliki titik pusat.
Pendekatan yang lebih sering digunakan adalah
menggunakan mask berukuran 3x3.
Operator Gradient
Mask Prewitt
Gx=(z7+z8+z9) – (z1+z2+z3)
Gy=(z3+z6+z9) – (z1+z4+z7)
Mask Sobel
Gx=(z7+2z8+z9) – (z1+2z2+z3)
Gy=(z3+2z6+z9) – (z1+2z4+z7)
Operator Gradient
Hasil penjumlahan semua koefisien dalam mask adalah
nol, yang menunjukkan bahwa mask akan memberikan
respon 0 pada area dengan tingkat keabuan konstan.
Pendekatan berikut sering digunakan untuk
mengaproksimasi magnitude dari gradient :
f|Gx|+|Gy|
Mask memberikan hasil yang invariant hanya untuk edge
vertikal dan horisontal, tetapi tidak isotropic (invariant
terhadap rotasi)
Dimungkinkan untuk memodifikasi mask berukuran 3x3
sehingga mask memiliki respon paling kuat pada arah
diagonal.
Operator Gradient
Operator Gradient
Operator Gradient
Operator Gradient
Laplacian
Laplacian fungsi 2-D f(x,y) adalah turunan kedua yang
didefinisikan sebagai berikut :
2 f 2 f
f 2 2
2
x y
Mask Laplacian pada gambar 10.13 bersifat isotropic untuk
pertambahan rotasi 90 dan 45.
2 f 4 z5 ( z2 z 4 z6 z8 ) (10.13.a)
2 f 8 z5 ( z1 z 2 z3 z4 z6 z 7 z8 z9 ) (10.13.b)
Laplacian biasanya tidak digunakan dalam bentuk aslinya
untuk deteksi tepi karena :
Sangat sensitif terhadap noise
Magnitude dari Laplacian menghasil tepi ganda, hal ini adalah
efek yang tidak diinginkan karena menjadikan proses segmentasi
semakin kompleks
Arah edge tidak dapat diketahui
Laplacian
Histogram sebelah kiri mewakili citra f(x,y), yang tersusun atas objek
terang di atas background gelap. Piksel-piksel objek dan
background dikelompokkan menjadi dua mode yang dominan.
Cara untuk mengekstrak objek dari dari background adalah dengan
memilih threshold T yang memisahkan dua mode tersebut.
Sembarang titik (x,y) yang memenuhi f(x,y)>T disebut titik objek;
selain itu, titik disebut titik background.
Thresholding
Histogram sebelah kanan terbagi menjadi tiga
mode. Misalkan, citra terdiri atas dua objek
terang di atas background gelap.