Pengolahan Citra Digital

#10 Segmentasi Citra

K-means Clustering
Agung.pramudhita@gmail.com
 Pendahuluan
• Segmentasi merupakan proses mempartisi citra menjadi
beberapa daerah atau objek
• Segmentasi citra pada umumnya berdasar pada sifat
discontinuity atau similarity dari intensitas piksel
• Pendekatan discontinuity:
– mempartisi citra bila terdapat perubahan intensitas secara tiba-tiba
• Pendekatan similarity:
– mempartisi citra menjadi daerah-daerah yang memiliki kesamaan sifat
tertentu
 Pendekatan Edge-Based

• Kekurangannya: belum tentu menghasilkan

edge yang kontinue, mengakibatkan
terjadinya kebocoran wilayah (wilayah-
wilayah yang tidak tertutup)
• Prosedur:
– Melakukan proses deteksi sisi dengan operator
gradient. Masukannya citra gray level dan
keluarannya citra edge (biner)

Citra Masukan Deteksi Sisi Citra Edge

3
 Mendeteksi discontinuity

• Terdiri dari: deteksi titik, deteksi garis, deteksi sisi

• Dapat menggunakan mask/kernel, berbeda untuk setiap
jenis deteksi
• Khusus untuk deteksi sisi, dapat menggunakan cara-cara
yang telah dibahas sebelumnya, seperti dengan
menggunakan operator gradien (Roberts, Sobel, Prewitt),
atau Laplacian.
Deteksi titik
Deteksi
Garis
Deteksi Sisi
 K-Means Clustering
• K-means merupakan salah satu algoritma clustering.
Tujuan algoritma ini yaitu untuk membagi data menjadi
beberapa kelompok.

• Pembelajaran ini termasuk dalam unsupervised

learning. Masukan yang diterima adalah data atau
objek dan k buah kelompok (cluster) yang
diinginkan. Algoritma ini akan mengelompokkan data
atau objek ke dalam k buah kelompok tersebut. Pada
setiap cluster terdapat titik pusat (centroid) yang
merepresentasikan cluster tersebut.
• Metode K-Means Clustering berusaha
mengelompokkan data yang ada ke dalam
beberapa kelompok, dimana data dalam satu
kelompok mempunyai karakteristik yang sama
satu sama lainnya dan mempunyai
karakteristik yang berbeda dengan data yang
ada di dalam kelompok yang lain.
 Psoses pada K_Means Clustering
1. Tentukan jumlah cluster
2. Alokasikan data ke dalam cluster secara random
3. Hitung centroid/rata-rata dari data yang ada di
masing-masing cluster
4. Alokasikan masing-masing data ke centroid/rata-rata
terdekat
5. Kembali ke Step 3, apabila masih ada data yang
berpindah cluster atau apabila perubahan nilai
centroid, ada yang di atas nilai threshold yang
ditentukan atau apabila perubahan nilai pada
objective function yang digunakan di atas nilai
threshold yang ditentukan
Segmentasi Citra Dengan K-Means
• Pilih nilai K
• Pilih satu vektor fitur untuk setiap piksel (warna, tekstur,
posisi, atau kombinasinya)
• Tentukan ukuran kemiripan yang akan digunakan untuk
mengukur jarak antara vektor fitur (biasanya jarak
Euclidean).
• Terapkan algoritma K-Means.
• Terapkan Algoritma Connected Components.
• Gabungkan semua komponen yang ukurannya kurang
dari suatu nilai threshold ke komponen yang
berdampingan yang paling mirip dengannya.

13
* From Marc Pollefeys COMP 256 2003
K-Means

14
* From Marc Pollefeys COMP 256 2003
K-Means
Clustering
Hasil dari Klustering K-Means :

Citra asal Citra Hasil Clustering

16
* From Marc Pollefeys COMP 256 2003