08 Image Segmentation

Image Segmentation

1

Segmentasi Citra Segmentasi Citra adalah proses analisa citra yang akan membagi citra menjadi beberapa daerah terpisah untuk analisis lebih lanjut. Daerah yang terpisah biasanya merupakan object-object yang berbeda. Proses segmentasi ini merupakan bagian yang sangat penting dan biasanya merupakan proses yang rumit dalam pemrosesan Citra Digital.

Pengolahan Citra Digital Sekolah Tinggi Teknik Surabaya, 2011

2

Segmentasi CitraSegmentasi

Deteksi Diskontinyu

Kesamaan Grayvalue

Deteksi dari: - Titik terisolasi - Garis - Tepi

- Treshold - Region Growing - Region Splitting and Merging3


Deteksi Diskontinyu Umumnya dapat diselesaikan dengan meng-aplikasikan mask Output dapat dihitung dengan mengalikan semua pixel disekelilingnya termasuk pixel tersebut dengan pixel pd mask. Ketika perhitungan mencapai tepi citra, maka bagian yang diluar citra dipotong.


4

Deteksi TitikDigunakan untuk mendeteksi titik yang terisolasi pada image Graylevel dari titik tersebut jelas berbeda dengan tetangganya Dapat diselesaikan dengan mask 3x3 sbb:

Hasil output umumnya berupa threshold Titik dapat dikatakan terisolasi jika:


5

Contoh Deteksi Titik


6

Deteksi Garis Digunakan untuk mendeteksi garis pada citra Dapat diselesaikan minimal dengan 4 mask:

Lakukan deteksi dengan 4 matrix secara berturut-turut, kemudian temukan nilai yang terbesar, misalnya ditemukan nilai terbesar setelah dikerjakan dengan matrix D135o, maka dapat diartikan bahwa titik tersebut dilewati garis 135oPengolahan Citra Digital Sekolah Tinggi Teknik Surabaya, 2011

7

Contoh Deteksi Garis


8

Deteksi Tepi Dapat menggunakan Sobel atau Laplacian Operator Sobel menggunakan metode Gradient dengan persamaan:f=|df/dx|+|df/dy| = |Gx| + |Gy| dimana:

Jika diketahui Suatu image Z=


9

Deteksi Tepi (Lanjutan.. ) Operator Sobel mengacu pada filter orde 1 sedang laplacian mengacu pada filter orde 2

Punya kelemahan, yaitu saat melakukan deteksi tepi sering muncul 2 tepi karena fungsinya merupakan orde 2. Kelemahan kedua tidak bisa menentukan arah gradientnya


10

Contoh Deteksi Tepi Contoh deteksi tepi adalah pemakaian matrix 3x3 Sobel:


11

Contoh Soal Deteksi Tepi Hitung Deteksi tepi dari Citra dibawah ini dengan Metode Sobel dan Laplacian:


12

Contoh Soal Deteksi TepiJawab:


13

Contoh Soal Deteksi TepiJawab:


14

Penyambungan tepi Paling sederhana dapat dilakukan dengan menganalisa pixel2 tetangga jika dianggap sama, maka pixel harus disambung. Sifat2 untuk menentukan kesamaan suatu pixel dengan tetangganya: a. Intensitas hasil deteksi tepi b. Arah Gradient

Jika sebuah pixel memenuhi keduanya baru pixel tersebut disambungPengolahan Citra Digital Sekolah Tinggi Teknik Surabaya, 2011

15

Contoh Penyambungan Tepi (1)Diberikan sebuah citra dengan nilai graylevel sbb:0 0(7)

1(2)

2(2)

1(5) (7) (2)

2(5) (1) (0)

Cari pixel2 mana saja yang harus dikoneksikan dan mana yang tidak.Pengolahan Citra Digital Sekolah Tinggi Teknik Surabaya, 2011

16

Contoh Penyambungan TepiRumus:

Dan: H=7 (karena intensitas tertinggi =7 / pada titik 0,0 dan 1,1)


17

Contoh Penyambungan TepiC[(0,0 0,1)] = 7-(7-2)=2 C[(0,1 0,2)] = 7-(2-2)=7 C[(1,0 1,1)] = 7-(5-7)=9 C[(1,1 1,2)] = 7-(7-2)=2 C[(2,0 2,1)] = 7-(5-1)=3 C[(2,1 2,2)] = 7-(1-0)=6 C[(0,0 1,0)] = 7-(7-5)=5 C[(1,0 2,0)] = 7-(5-5)=7 C[(0,1 1,1)] = 7-(2-7)=12 C[(1,1 2,1)] = 7-(7-1)=1 C[(0,2 1,2)] = 7-(2-2)=7 C[(1,2 2,2)] = 7-(2-0)=5 C[(0,1 0,0)] = 7-(2-7)=12 C[(0,2 0,1)] = 7-(2-2)=7 C[(1,1 1,0)] = 7-(7-5)=5 C[(1,2 1,1)] = 7-(2-7)=12 C[(2,1 2,0)] = 7-(1-5)=11 C[(2,2 2,1)] = 7-(0-1)=8 C[(1,0 0,0)] = 7-(5-7)=9 C[(2,0 1,0)] = 7-(5-5)=7 C[(1,1 0,1)] = 7-(7-2)=2 C[(2,1 1,1)] = 7-(1-7)=13 C[(1,2 0,2)] = 7-(2-2)=7 C[(2,2 1,2)] = 7-(0-2)=918


Contoh Penyambungan Tepi


19

Contoh Penyambungan Tepi0 0(7) (2) (2)

1

2

1(5) (7) (2)

2(5) (1) (0)


20

Contoh Penyambungan Tepi (2)


21

Segmentasi dengan Thresholding Sering digunakan untuk segmentasi karena mudah dan intuitif. Diasumsikan setiap objek cenderung memiliki warna yang homogen dan terletak pada kisaran keabuan tertentu

TSingle thresholding

T1

T2

Multiple thresholding


22

Segmentasi dengan Thresholding


23

Segmentasi dengan Region Growing Berawal dari seed points, region akan membesar dengan menambahkah piksel-piksel tetangga yang sifatnya hampir sama (pakai N8) a a b b b 0 0 5 6 7 1 0 2 0 1 1 0 1 5 6 7 5 8 7 8 6 7 7 6 5 a a a a a a a a b b b b b b b b b b b b

(3,2) (3,4) sebagai seed

Setelah proses Region Growing dgn batas gray level = 324


Segmentasi dengan Region Growing Tentukan beberapa piksel seed. Seed bisa ditentukan manual atau secara random Untuk setiap piksel seed, lihat 4 atau 8 tetangganya, jika kriterianya sama (kriteria bisa berupa perbedaan keabuan dengan seed, dll) maka tetangga tersebut bisa dianggap berada dalam 1 region/daerah dengan piksel seed. Teruskan proses dengan mengecek tetangga dari tetangga yang sudah kita cek, dst. Tidak bisa hanya digunakan kriteria saja, tanpa melihat konektivitas ketetanggaan, karena bisa tidak membentuk daerah Stopping rule kadang tidak mencakup semua kemungkinan sehingga pada akhir region growing ada piksel yang belum dicek sama sekali.Pengolahan Citra Digital Sekolah Tinggi Teknik Surabaya, 2011

25

Segmentasi dengan Region Growing

0 1 0 2 0

0 1 1 0 1

5 5 6 7 5

6 8 7 8 6

7 7 7 6 5

a a a a a

a a a a a

a a a a a

a a a a a

a a a a a

(3,2) (3,4) sebagai seed

Setelah proses Region Growing dgn batas gray level = 7


26

Segmentasi dengan Region Splitting & Merging Dilakukan proses Splitting (dipecah/dibagi) menjadi 4 area yang sama Selanjutnya untuk image yang sama (Homogen) dilakukan proses merging (penggabungan) sampai tidak ada lagi image yang dapat digabungkan / dipecah.


27

Documents

08 Image Segmentation