Upload presentasi
Presentasi sedang didownload. Silahkan tunggu
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 129 127 152 148 153 159 135 136 129 130 149 142 151 159 131 134 126 129 150 155 152 137 130 134 100 98 101 107 104 135 139 137 101 103 105 104 103 130 132 135 101 103 105 104 103 130 132 132 ΔT = 10 129 127 129 130 126 129 100 98 101 107 104 101 103 105 104 103 152 148 153 159 149 142 151 159 150 155 152 135 136 131 134 137 130 134 135 139 137 130 132 135 130 132 132
8
8 Contoh Region Growing 129 127 152 148 153 159 135 136 129 130 149 142 151 159 131 134 126 129 150 155 152 137 130 134 100 98 101 107 104 135 139 137 101 103 105 104 103 130 132 135 101 103 105 104 103 130 132 132 Δ T = 25 129 127 152 148 153 159 135 136 129 130 149 142 151 159 131 134 126 129 150 155 152 137 130 134 135 139 137 130 132 135 130 132 132 100 98 101 107 104 101 103 105 104 103 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
11 129 127 152 148 129 130 149 142 126 129 150 155 153 159 135 136 151 159 131 134 152 137 130 134 104 135 139 137 103 130 132 135 103 130 132 132 100 98 101 107 101 103 105 104 Mean 138.8 Dev 10.5 Mean 126.0 Dev 11.3 Mean 102.7 Dev 2.1 Mean 142.58 Dev 10.18 A DC B Measure of homogenity = Deviasi <=10
12
12 129 127 129 130 126 129 135 136 131 134 130 134 104 135 103 130 100 98 101 107 101 103 105 104 E J C H 152 148 149 142 150 155 153 159 151 159 152 137 139 137 132 135 132 F G I Deviation > 10
13
13 152 148 153 159 149 142 151 159 150 155 152 137 135 136 131 134 130 134 135 139 137 130 132 135 130 132 132 100 98 101 107 104 101 103 105 104 103 129 127 129 130 126 129 C = 102.7 E = 128.3 F = 149.3 G = 151.83 H = 133.3 J = 134.5 K = 103.3 L = 131.7 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 0 6 5 4 3 2 1 7 1 1 0 0 0 0 6 0 6 6 6 4 6 4 4 4 4 3 3 2 Start Perimeter P = S E + V2 S O units = 16 + 4 V2 = 21.66 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) + 0.5 Direction 2 dan 6 Zero component (neutral)
25
25 P 0 6 5 4 3 2 1 7 1 1 0 0 0 0 6 0 6 6 6 4 6 4 4 4 4 3 3 2 Start AdditiveSubtractive 5 66 7 3 4 2 3 5 4 y-coordinate Area = 5.5 + 6.5 + 7 + 7 + 7 + 7 + 0 + 6 + 0 + 0 + 0 – 3 + 0 – 2 – 2 – 2 – 2 – 2.5 – 3.5 + 0 = 29 square units
26
26 1 1 0 0 0 0 6 0 6 6 6 4 6 4 4 4 4 3 3 2 Start +1 0 0 0 Contribution to horizontal width Object Width = S high – S low = 7 – 0 = 7 units +1 +1
Presentasi serupa
