Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

1 Pertemuan 5 Deteksi Bentuk Primitif Obyek 2D Matakuliah: T0283 – Computer Vision Tahun: 2005 Versi: Revisi 1.

Presentasi serupa


Presentasi berjudul: "1 Pertemuan 5 Deteksi Bentuk Primitif Obyek 2D Matakuliah: T0283 – Computer Vision Tahun: 2005 Versi: Revisi 1."— Transcript presentasi:

1 1 Pertemuan 5 Deteksi Bentuk Primitif Obyek 2D Matakuliah: T0283 – Computer Vision Tahun: 2005 Versi: Revisi 1

2 2 Learning Outcomes Pada akhir pertemuan ini, diharapkan mahasiswa akan mampu : Menghitung bentuk (area, perimeter, dimensi) obyek-obyek primitif 2D dengan pendekatan kode rantai Freeman dan RLE

3 3 Outline Materi Region based segmentation 4 connected and 8 connected regions Kode rantai Freeman Runlength Encoding Menghitung area dan perimeter obyek 2D sederhana

4 4 Edge-based segmentation Vs Region-based Segmentation  Edge-based segmentation : borders between regions. Region-based segmentation : direct construction of regions  Segmentasi yang dihasilkan oleh kedua cara di atas tidak selalu tepat sama  Segmentasi berbasis region baik digunakan untuk noisy images  Homogenitas digunakan sebagai kriteria segmentasi antara lain :  grey level, color, texture  shape, model, dll.

5 5 Region Growing (Bottom up Method)  Start dengan memilih seed pixel dan bandingkan dengan piksel tetangganya (neighbouring pixels)  Dengan menambahkan piksel tetangganya yang sama, ukuran seed pixel akan membesar (tumbuh)  Bila pertumbuhan region berhenti, pilih seed pixel yang baru yang belum menjadi anggota region manapun  Proses dilanjutkan sampai seluruh piksel menjadi bagian dari region-region yang terbangun

6 6 Seed pixel Direction of growth Seed pixel

7 7 Contoh Region Growing ΔT =

8 8 Contoh Region Growing Δ T = Background and object only

9 9 Region Splitting and Merging (Top down method)  Pilih area of interest dan check apakah seluruh piksel dalam region memenuhi kriteria kesamaan  Bila TRUE maka area of interest menjadi bagian dari suatu region dalam citra  Bila FALSE split area of interest (biasanya dibagi menjadi 4 bagian yang sama, quadtree) dan pilih salah satu dari sub-area tersebut menjadi area of interest  Proses dilanjutkan sampai tidak terjadi lagi pembagian (split) area of interest.

10 10 I2I2 I3I3 I1I1 I4I4 I1I1 I3I3 I3I3 I2I2 I2I2 I1I1 I 44 I 43 I 42 I 41 I 42 I 43 I Whole image Merge Second split First split

11 Mean Dev 10.5 Mean Dev 11.3 Mean Dev 2.1 Mean Dev A DC B Measure of homogenity = Deviasi <=10

12 E J C H F G I Deviation > 10

13 C = E = F = G = H = J = K = L = E C & K F & G H, J & L

14 14 Statistical Region Description  Fitur yang diperoleh dalam segmentasi sejauh ini berbasis pada informasi geometri atau gradient intensitas  Cara lain, fitur dapat diperoleh dengan menggunakan ukuran-ukuran statistik yang direpresentasikan dengan harga tunggal (single value)  Deskripsi statistik terbagi dalam 2 kelas berbeda yaitu :  Deskripsi geometrik : luas, panjang, elongasi, compactness, momen inersia  Deskripsi topologi : konektivitas dan bilangan Euler

15 15 Statistical Region Description (cont’d)  Elongasi : ratio antara panjang dan lebar chord  Compactness : ratio antara perimeter kuadrat dan luas region  Konektivitas : jumlah fitur tetangga yang berhubungan dengan region  Bilangan Euler : Jumlah region – jumlah holes

16 16 Connectedness pada Citra Biner  2 jenis neighbourhoods  4-connected dan  8-connected  Secara umum diadopsi 8-connected convention

17 17 Blob Representation  Coordinates of points Di dalam obyek Pada garis batas  Boundary List  Chord List

18 18 Boundary List Origin { (X 0, Y 0 ) (X 1, Y 1 ) (X 2, Y 2 ) (X 3, Y 3 )……. (X 0, Y 0 ) }

19 19 Vector List  Lebih compact dari boundary list  Freeman chain code  vectors 0…7 to represent 8- connected neighbours  Trace clockwise round the outside

20 20 Chord List  Run-length encoding  Compact description  Horizontal chord in ascending y coordinate  n chords, x 0, y 0  y inc, x inc, length  y inc = 0 or 1

21 21 Blob Measurements  Dari chord list : area  Dari boundary coordinates / vector list  Centroid  Perimeter length  length of longest chord  Orientation  Projected width

22 22 Contoh : Chain Encoding Procedure x y Encoding start point 1 unit pixel  2 unit pixel

23 23 PPDirection Start Perimeter P = S E + V2 S O units = V2 = units

24 24 y Direction 0 Additive component = 1 x y y Direction 5 Subtractive component = (1 x y) – 0.5 y Direction 1 Subtractive component = (1 x y) Direction 2 dan 6 Zero component (neutral)

25 25 P Start AdditiveSubtractive y-coordinate Area = – – 2 – 2 – 2 – 2 – 2.5 – = 29 square units

26 Start Contribution to horizontal width Object Width = S high – S low = 7 – 0 = 7 units +1 +1


Download ppt "1 Pertemuan 5 Deteksi Bentuk Primitif Obyek 2D Matakuliah: T0283 – Computer Vision Tahun: 2005 Versi: Revisi 1."

Presentasi serupa


Iklan oleh Google