Segmentasi Citra Materi 6

Slides:



Advertisements
Presentasi serupa
PENGENALAN POLA Dr. Kusrini, M.Kom.
Advertisements

Konversi citra Satriyo.
Pendeteksian Tepi (Edge Detection)
Segmentasi Citra.
CS3204 Pengolahan Citra - UAS
Operasi Tetangga Nurfarida Ilmianah.
Segmentasi Citra.
Perbaikan Citra pada Domain Spasial
Pengolahan Citra (TIF05)
Aplikasi Model Jaringan Syaraf Tiruan dengan Radial Basis Function untuk Mendeteksi Kelainan Otak (Stroke Infark) Yohanes Tanjung S.
Representasi RGB pada Citra Digital
Operasi-operasi dasar Pengolahan Citra Digital~3
Pengolah Citra Digital 2
Edge Detection (Pendeteksian Tepi)
Pertemuan 7 Pengolahan Citra Digital
CS3204 Pengolahan Citra - UAS
Pengolahan Citra Digital
Clustering (Season 2) Self-Organizing Map
CS3204 Pengolahan Citra - UAS
Citra Abu-abu, Biner, Berwarna,
Pengolahan Citra Digital Materi 6
PENDETEKSIAN TEPI 4/14/2017.
Pengolahan Citra Digital
1 Pertemuan 5 Deteksi Bentuk Primitif Obyek 2D Matakuliah: T0283 – Computer Vision Tahun: 2005 Versi: Revisi 1.
IMAGE ENHANCEMENT (PERBAIKAN CITRA)
Segmentasi Citra. Tujuan Memberikan pemahaman kepada mahasiswa tentang:  karakteristik dasar dari berbagai algoritma segmentasi  proses filtering untuk.
CITRA BINER.
MODUL KULIAH 10 Ekstraksi Fitur Bentuk
Modul 1 PENGANTAR PENGOLAHAN CITRA
MODUL 3 PERBAIKAN KUALITAS CITRA
KONVOLUSI Oleh : Edy Mulyanto.
Modul 1 PENGANTAR PENGOLAHAN CITRA
Materi 08 Pengolahan Citra Digital
MODUL KULIAH 2 FORMASI CITRA
Pendeteksian Tepi Objek
Sistem Berbasis Fuzzy Materi 5
Materi 07 Pengolahan Citra Digital
Image Segmentation.
MODUL14 Segmentasi Citra
Image Processing 1. Pendahuluan.
CS3204 Pengolahan Citra - UAS
MODUL 4 PERBAIKAN KUALITAS CITRA (2)
Pengolahan dalam Domain Spasial dan Restorasi Citra
Pengenalan Pola Materi 1
Segmentasi Citra Materi 6
DETEKSI TEPI.
Operasi Aritmatika dan Geometri pada Citra
Transformasi dan Model Warna Citra Digital
RESEARCH FIELDS BIDANG PENELITIAN.
Pengolahan Citra Digital 2010/2011
Pengolahan Citra Pertemuan 11
Computer Vision Materi 7
Pengolahan Citra Digital Materi 2
Pengolahan dalam Domain Frekuensi dan Restorasi Citra
Clustering (Season 1) K-Means
Nana Ramadijanti, Ahmad Basuki, Hero Yudo Martono
OPERASI PADA CITRA BINER
Deteksi Tepi Pengolahan Citra Danar Putra Pamungkas, M.Kom
Deteksi Tepi.
KONVOLUSI DAN TRANSFORMASI FOURIER
Pengolahan Citra Digital Peningkatan Mutu/Kualitas Citra
Clustering (Season 2) Self-Organizing Map
Digital Image Processing
FILTER PREWITT.
Klasifikasi Nearest Neighbor
Segmentasi Gambar Pertemuan 10
EDGE DETECTION.
Pertemuan 10 Mata Kuliah Pengolahan Citra
SEGMENTASI.
Pemrosesan Bukan Teks (Citra)
Transcript presentasi:

Segmentasi Citra Materi 6 Eko Prasetyo Teknik Informatika UBHARA 2012

Konsep Segmentasi Segmentasi membagi citra ke dalam sejumlah region atau obyek. Level untuk pembagian tergantung pada masalah yang diselesaikan. Proses segmentasi berhenti ketika obyek yang diinginkan dalam aplikasi telah terisolasi. Misal, pemeriksaan otomatis pada rakitan produk elektronik. Tujuannya mengetahui ada atau tidaknya penyimpangan tertentu, seperti salah komponen, atau lintasan hubungan yang putus Algoritma umumnya didasarkan pada satu dari dua properti nilai intensitas: diskontinuitas dan similaritas. Kategori pertama, pendekatannya adalah memecah/memilah citra berdasarkan perubahan kasar dalam intensitas, seperti tepi dalam citra. Kategori kedua didasarkan pada pemecahan citra ke dalam region yang sama menurut sejumlah kriteria yang didefinisikan, seperti thresholding, region growing, region splitting and merging.

Deteksi Tepi Pendekatan yang paling umum untuk pendeteksian diskontinuitas nilai intensitas, seperti diskontinuitas yang dideteksi oleh penggunaan turunan pertama dan kedua. Menggunakan turunan pertama dalam pengolahan citra (gradien) Jarak vektor ini adalah: Atau dengan nilai absolutnya: Turunan kedua dalam pengolahan citra umumnya dihitung menggunakan Laplacian

Operator Deteksi Tepi: Sobel, Prewitt, Robert

Fungsi untuk deteksi tepi di MATLAB: [g, t] = edge(f, ‘method’, parameters) Detektor tepi Properti dasar Sobel Menemukan tepi menggunakan perkiraan Sobel untuk turunannya dalam Gambar 8.4 (a) dan (b) Prewitt Menemukan tepi menggunakan perkiraan Prewitt untuk turunannya dalam Gambar 8.4 (c) dan (d) Robert Menemukan tepi menggunakan perkiraan Robert untuk turunannya dalam Gambar 8.4 (e) dan (f) Laplacian of a Gaussian (LoG) Menemukan tepi dengan mencari zero crossing setelah pemfilteran f(x,y) dengan filter Gaussian Zerro crossing Menemukan tepi dengan mencari zero crossing setelah pemfilteran f(x,y) dengan filter yang didefinisikan user Canny Menemukan tepi dengan mencari local maxima dari gradien f(x,y). Gradien dihitung menggunakan turunan filter Gaussian. Metode ini menggunakan dua threshold untuk mendeteksi tepi yang kuat dan lemah, dan memasukkan tepi lemah dalam output hanya jika tepi tersebut terhubung ke tepi yang kuat. Maka, metode ini lebih memungkinkan untuk mendeteksi tepi yang lemah dengan benar

SOBEL, PREWITT, ROBERT [g, t] = edge(f, ‘sobel’, T, dir) f adalah citra input, T adalah threshold, dir menetapkan arah yang lebih disukai pada citra terdeteksi: ‘horizontal’, ‘vertical’, atau ‘both’ (default). g adalah citra biner yang berisi nilai 1 pada lokasi di mana tepi terdeteksi dan 0 untuk yang tidak. Parameter t pada output bersifat opsional, t adalah nilai threshold yang digunakan oleh fungsi edge [g, t] = edge(f, ‘prewitt’, T, dir) [g, t] = edge(f, ‘robert’, T, dir) CANNY [g, t] = edge(f, ‘canny’, T, sigma) Laplacian of Gaussian fungsi Gaussian: di mana r2 = x2 + y2 dan  adalah standard deviasi Laplacian dari fungsi ini (turunan kedua terhadap r) adalah: [g, t] = edge(f, ‘log’, T, sigma)

Hasil deteksi tepi Sobel dengan threshold otomatis Citra grayscale Hasil deteksi tepi Sobel dengan threshold otomatis Hasil deteksi tepi Prewitt dengan threshold otomatis Hasil deteksi tepi Robert dengan threshold otomatis Hasil deteksi tepi Canny dengan threshold otomatis Hasil deteksi tepi LoG dengan threshold otomatis >> [g_sobel_default, ts] = edge(f, 'sobel'); >> [g_log_default, tlog] = edge(f, 'log'); >> [g_canny_default, tcan] = edge(f, 'canny'); >> g_sobel_best = edge(i, 'sobel', 0.05); >> g_log_best = edge(i, 'log', 0.003, 2.25); >> g_canny_best = edge(i, 'canny', [0.04, 0.10], 1.5);

Region Growing Prosedur yang mengelompokkan piksel atau sub-region ke dalam region yang lebih besar berdasarkan pada kriteria yang sudah ditentukan untuk pertumbuhannya. Pendekatan dasarnya adalah memulai dengan sejumlah titik seed dan dari sini menumbuhkan region oleh penambahan pada setiap seed piksel tetangga yang mempunyai properti sama dengan seed (seperti range spesifik dari gray level atau warna). Sintaks fungsinya adalah: [g, NR, SI, TI] = regiongrow(f, S, T) di mana f adalah citra yang disegmentasi parameter S bisa menjadi array (ukuran sama dengan f) atau skalar. Jika f adalah skalar, maka harus berisi nilai 1 pada semua koordinat di mana titik seed ditempatkan dan 0 untuk lainnya. Jika S skalar, mendefinisikan nilai intensitas seperti bahwa semua titik dalam f dengan nilai menjadi titik seed. T bisa menjadi array (ukurannya sama dengan f) atau skalar. Jika T adalah array, maka berisi nilai threshold untuk setiap lokasi dalam f. Jika T skalar, maka mendefinisikan global threshold. Nilai threshold digunakan untuk menguji jika piksel dalam citra cukup sama dengan seed dengan 8-connected

Citra grayscale Seed points yang ditemukan (gray level = 255) (SI) Intensitas 255 menjadi titik seed Threshold terbaik ada di titik intensitas 190 Maka 255-190 = 65 (nilai T yang digunakan untuk segmentasi) Citra biner yang telah melewati pengujian threshold (TI) Citra yang mempunyai hubungan 8-connected terhadap seed (g) >> i = imread('defective_weld.tif'); figure, imshow(i); >> [g, NR, SI, TI] = regiongrow(i, 255, 65); >> figure, imshow(g); >> figure, imshow(SI); figure, imshow(TI);

Segmentasi dengan K-Means Segmentasinya berbasis clustering dengan fitur: R (red), G (green), dan B (blue). Karena citra berukuran m*n*3 (3 dimensi), maka harus di-reshape menjadi bentuk tabel (struktur fitur dalam clustering) berukuran mn*3 (2 dimensi). Setelah dilakukan clustering dengan k- means, didapatkan index dari setiap piksel yang menyatakan nomor cluster yang diikuti. Kemudian struktur index (matrik mn*1) diubah menjadi struktur citra 2 dimensi (m*n)

Hasil segmentasi dengan 3 cluster (percobaan 1) %Jumlah cluster = 3 >> f = imread('gadung-1-2.jpg'); >> f = im2double(f); >> r = f(:,:,1); >> g = f(:,:,2); >> b = f(:,:,3); >> [m,n] = size(r); >> r = reshape(r,m*n,1); >> g = reshape(g,m*n,1); >> b = reshape(b,m*n,1); >> rgb = cat(2,r,g,b); >> c = 3; >> h = kmeans(rgb,c); %c adalah jumlah cluster >> h = reshape(h,m,n); >> h = (h-1)/(c-1); %menormalisasi menjadi 0 sampai 1 Citra asli RGB Hasil segmentasi dengan 3 cluster (percobaan 1) Hasil segmentasi dengan 3 cluster (percobaan 2)

To Be Continued … Materi 7 – Fitur ANY QUESTION ?