Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Segmentasi Citra Prof.Dr. Aniati Murni (R 1202) Dina Chahyati, SKom, (R 1226) Fakultas Ilmu Komputer Universitas Indonesia.

Presentasi serupa


Presentasi berjudul: "Segmentasi Citra Prof.Dr. Aniati Murni (R 1202) Dina Chahyati, SKom, (R 1226) Fakultas Ilmu Komputer Universitas Indonesia."— Transcript presentasi:

1 Segmentasi Citra Prof.Dr. Aniati Murni (R 1202) Dina Chahyati, SKom, (R 1226) Fakultas Ilmu Komputer Universitas Indonesia

2 2 Thinning & 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

4 4 Teknik Segmentasi Citra (Sumber: Anil K. Jain, Michigan State University) Segmentasi citra: membagi suatu citra menjadi wilayah- wilayah yang homogen Image Segmentation General PurposeKnowledge Guided (bottom-up approach)(top-down approach) HistogramClusteringRules of Features

5 5 Teknik Segmentasi Citra Segmentasi citra: membagi suatu citra menjadi wilayah- wilayah yang homogen Teknik Segmentasi Citra Dividing Image SpaceClustering Feature Space Region Region SplitTiap pixel diberi index Growing Splitting andwarna yang menunjukkan\ Mergekeanggotaannya dalam suatu cluster

6 6 Image Segmentation Based on Histogram (1) Two-Class Object Histogram

7 7 Image Segmentation Based on Histogram (2) Multi-Class Object Histogram

8 8 Segmentasi Citra dengan Clustering (Unsupervised Classification) K-Mean Clustering

9 9 Rule-Based Image Segmentation (1) (Sumber: S.H. Purwadhi, LAPAN RI) Features: BentukPolaUkuranSites (Tajuk berbentuk bintang)(Tidak teratur)(Tinggi > 10m)(Air payau) KELAPA Hanya perlu persyaratan bentuk KELAPA SAWIT NIPAHNIPAH Perlu syarat bentuk dan pola ENAUENAUENAU SAGUSAGUSAGUSAGU

10 10 Knowledge-Based Image Segmentation (2) (Sumber: J. Ton, Michigan State University) Features: indeks vegetasi dan intensitas keabuan Land Cover Non-vegetationVegetation WaterBuilt-upForestNon-Forest Open Area Clear-Up Type-1Type-2 Agriculture Bushes

11 11 Bottom-Up Approaches

12 12 Two-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

13 13 Two-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

14 14 Region 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 15 Top-Down Approaches

16 16 Region Splitting Menggunakan quadtree approach Memerlukan criteria of uniformity – bisa menggunakan varian, bila varian tinggi (tidak uniform) suatu wilayah di-splitted

17 17 Split 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.

18 18 Teknik Segmentasi Citra Pendekatan Edge-Based Pendekatan Region-Based Pendekatan Hybrid

19 19 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 MasukanDeteksi SisiCitra 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.

20 20 Pendekatan 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

21 21 Pendekatan 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).

22 22 Pendekatan Hybrid Edge- & Region-Based (2) p i adalah adalah perimeter dan n i adalah luas wilayah R i. B ij adalah panjang garis batas antar wilayah R i dan R j. E ij adalah jumlah piksel edge pada garis batas antar wilayah R i dan R j. (E ij biasanya < dari B ij karena edge yang tidak kontinue). Untuk setiap pasang region R i dan R j dihitung tiga besaran / kriteria: boundary strength (bila tinggi – makin kuat garis batas, R i dan R j disatukan), similarity measure (bila besar – salah satu wilayah terlalu kecil, dapat disatukan) dan connectivity measure (bila besar – makin panjang garis batasnya, tidak disatukan).

23 23 Pendekatan Hybrid Edge- & Region-Based (3) Boundary strength Similarity measure scaling factor Connectivity measure

24 24 Pendekatan Hybrid Edge- & Region-Based (4) Selanjutnya dapat dirumuskan bahwa region R i dan R j dapat dijadikan satu bila memenuhi tiga kondisi berikut: n i > n j (satu wilayah jauh lebih kecil – similarity measure) (40% piksel edge berada pada garis batas yang sebenarnya – boundary strength) R k telah memenuhi kedua kondisi diatas, Kondisi ketiga: mencari pasangan wilayah R k yang paling memenuhi kedua kondisi diatas untuk disatukan dengan R i.

25 25 Edge Image and Segmented Image Mandrill Edge Image Segmented Image

26 26 Watershed ( 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.

27 27 Watershed (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.

28 28 Watershed 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 29 Edge ImageContour Image Watershed (over-segmented) 1.Require a Region Merging process to overcome the over-segmentation result; 2.Require a ground truth data for object class region labeling to obtain a thematic image.

30 30 Region Merging and Thematic Image We have used the merging criteria called Mean Luminance Difference (Brox et al., 2004). w ij = (u i – u j ) 2


Download ppt "Segmentasi Citra Prof.Dr. Aniati Murni (R 1202) Dina Chahyati, SKom, (R 1226) Fakultas Ilmu Komputer Universitas Indonesia."

Presentasi serupa


Iklan oleh Google