Title: Segmentasi Citra
1 Segmentasi Citra
- Prof.Dr. Aniati Murni (R 1202)
- Dina Chahyati, SKom, (R 1226)
- Fakultas Ilmu Komputer
- Universitas Indonesia
2Thinning Skeletonizing - materi akhir
- Thinning pada citra yang sudah dilakukan proses
thinning tidak bisa direkonstruksi kembali - Skeletonizing dari citra yang telah diproses
dengan teknik skeletonizing dapat dibangun
kembali citra aslinya, yaitu citra sebelum
diproses dengan teknik skeletonizing
3 Segmentasi Citra
4Teknik Segmentasi Citra(Sumber Anil K. Jain,
Michigan State University)
- Segmentasi citra membagi suatu citra menjadi
wilayah-wilayah yang homogen - Image Segmentation
- General Purpose Knowledge Guided
- (bottom-up approach) (top-down approach)
- Histogram Clustering Rules of Features
5Teknik Segmentasi Citra
- Segmentasi citra membagi suatu citra menjadi
wilayah-wilayah yang homogen - Teknik Segmentasi Citra
- Dividing Image Space Clustering Feature Space
- Region Region Split Tiap pixel diberi
index - Growing Splitting and warna yang
menunjukkan\ Merge keanggotaannya dalam - suatu cluster
6Image Segmentation Based on Histogram (1)
- Two-Class Object Histogram
7Image Segmentation Based on Histogram (2)
- Multi-Class Object Histogram
8Segmentasi Citra dengan Clustering(Unsupervised
Classification)
9Rule-Based Image Segmentation (1)(Sumber S.H.
Purwadhi, LAPAN RI)
- Features Bentuk Pola Ukuran Sites
- (Tajuk berbentuk bintang) (Tidak
teratur) (Tinggi gt 10m) (Air payau) - KELAPA
- Hanya perlu persyaratan bentuk
- KELAPA SAWIT
- NIPAH NIPAH Perlu syarat bentuk dan pola
- ENAU ENAU ENAU
- SAGU SAGU SAGU SAGU
10Knowledge-Based Image Segmentation (2)(Sumber
J. Ton, Michigan State University)
- Features indeks vegetasi dan intensitas keabuan
- Land Cover
- Non-vegetation Vegetation
- Water Built-up Forest Non-Forest
- Open Area
- Clear-Up Type-1 Type-2
- Agriculture Bushes
11 Bottom-Up Approaches
12Two-Class and Multi-Class Problem (1)
- Two-Class Problem
- Citra terdiri dari Obyek dan Latar Belakang
- Segmentasi bisa dengan teknik
- Histogram dan thresholding value, atau
- Decision theory (akan dipelajari pada topik
klasifikasi citra) ? Probability Density Function
dan Maximum-Likelihood Decision Rules
13Two-Class and Multi-Class Problem (2)
- Multi-Class Problem
- Citra terdiri dari wilayah-wilayah obyek yang
jumlahnya lebih dari 2 - Segmentasi bisa dengan teknik
- Clustering (unsupervised classification akan
dipelajari pada topik klasifikasi citra) - Region Growing (wilayah tumbuh bottom-up
approach) - Region Splitting (quadtree - top-down approach)
- Split and Merge (bottom-up and top-down approach)
- Decision Theory
14Region Growing (lihat skripsi atau program Dipdha
(2002)
- Ditentukan sejumlah seed pixels (random atau
regular) - Cek homogenitas melalui 4-tetangga atau
8-tetangga - Memerlukan criteria of uniformity
- Bila
- Criteria of uniformity
- seed
15 Top-Down Approaches
16Region Splitting
- Menggunakan quadtree approach
- Memerlukan criteria of uniformity bisa
menggunakan varian, bila varian tinggi (tidak
uniform) suatu wilayah di-splitted
17Split and Merge
- Prosedur sama dengan region splitting
- Pada akhir proses ditambah dengan proses merging
(menjadikan beberapa region yang dianggap sama
menjadi satu). Bisa dilakukan secara
semi-otomatis atau secara otomatis. Pendekatan
secara otomatis bisa menggunakan merging criteria
berupa suatu nilai ambang dari perbedaan mean
(intensitas rata-rata) dari wilayah-wilayah yang
akan digabungkan.
18Teknik Segmentasi Citra
- Pendekatan Edge-Based
- Pendekatan Region-Based
- Pendekatan Hybrid
19Pendekatan 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
- Selanjutnya dilakukan proses region growing
dengan masukan citra asli (gray-level) dan citra
edge. Proses pembentukan suatu wilayah berhenti
bila menjumpai piksel edge. Keluarannya
merupakan hasil segmentasi.
20Pendekatan Region-Based
- Kekurangannya belum tentu menghasilkan
wilayah-wilayah yang bersambungan - Prosedur
- Memerlukan criteria of uniformity
- Memerlukan penyebaran seeds atau dapat juga
dengan pendekatan scan line - Dilakukan proses region growing
- unidentified region
21Pendekatan Hybrid Edge- Region-Based (1)
- Bertujuan untuk mendapatkan hasil segmentasi
dengan wilayah-wilayah yang tertutup dan
bersambungan - Prosedur
- Lakukan proses deteksi sisi untuk menhasilkan
citra sisi (piksel edge dan piksel non-edge) - Lakukan pemisahan wilayah dengan metode connected
region. Connected regions adalah set piksel
4-tetangga yang bukan piksel edge. - Selanjutnya dilakukan proses merging regions
dengan rumusan-rumusan berikut (next slide).
22Pendekatan Hybrid Edge- Region-Based (2)
- pi adalah adalah perimeter dan ni adalah luas
wilayah Ri. Bij adalah panjang garis batas antar
wilayah Ri dan Rj. Eij adalah jumlah piksel edge
pada garis batas antar wilayah Ri dan Rj. (Eij
biasanya lt dari Bij karena edge yang tidak
kontinue). - Untuk setiap pasang region Ri dan Rj dihitung
tiga besaran / kriteria boundary strength (bila
tinggi makin kuat garis batas, Ri dan Rj
disatukan), similarity measure (bila besar
salah satu wilayah terlalu kecil, dapat
disatukan) dan connectivity measure (bila besar
makin panjang garis batasnya, tidak disatukan).
23Pendekatan Hybrid Edge- Region-Based (3)
- Boundary strength
- Similarity measure scaling factor
- Connectivity measure
24Pendekatan Hybrid Edge- Region-Based (4)
- Selanjutnya dapat dirumuskan bahwa region Ri dan
Rj dapat dijadikan satu bila memenuhi tiga
kondisi berikut - ni gt nj (satu wilayah jauh lebih kecil
similarity measure) - (40 piksel edge berada pada garis batas
-
- yang sebenarnya boundary strength)
- Rk telah memenuhi kedua kondisi diatas, Kondisi
ketiga -
- mencari pasangan wilayah Rk yang paling memenuhi
kedua kondisi diatas untuk disatukan dengan Ri.
25Edge Image and Segmented Image
Mandrill Edge Image Segmented Image
26Watershed (a kind of region growing)
- Region Growing problems
- Not trivial to find good starting points,
difficult to automate - Need good criteria for similarity
- Disconnected regions
- Think of the grey-level image as a landscape. Let
water rise from the bottom of each valley (the
water from each valley is given its own label).
As soon as the water from two valleys meet, build
a dam, or watershed. These watersheds will then
define the borders between different regions.
27Watershed (a kind of region growing)
- Region edges correspond to watersheds while
low-gradient region interiors correspond to
catchment basins. Edge or contour information can
be used in watershed segmentation algorithm.
28Watershed Algorithm
- Watershed-based segmentation algorithm
- Find for each pixel in an image, a downstream
path to a local minimum of gray level value
(local minimum image surface altitude) - Find a region (catchment basin) as a set of
pixels where their respective downstream paths
all end up to the same altitude minimum.
29 Edge Image Contour Image
- Require a Region Merging process to overcome the
over-segmentation result - Require a ground truth data for object class
region labeling to obtain a thematic image.
Watershed (over-segmented)
30Region Merging and Thematic Image
- We have used the merging criteria called Mean
Luminance Difference (Brox et al., 2004). - wij (ui uj)2