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

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

Segmentasi Citra

Teknik Segmentasi Citra (Sumber: Anil K Teknik 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

Teknik 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

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

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

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

Rule-Based Image Segmentation (1) (Sumber: S.H. Purwadhi, LAPAN RI) Features: Bentuk Pola Ukuran Sites (Tajuk berbentuk bintang) (Tidak teratur) (Tinggi > 10m) (Air payau) KELAPA Hanya perlu persyaratan bentuk KELAPA SAWIT NIPAH NIPAH Perlu syarat bentuk dan pola ENAU ENAU ENAU SAGU SAGU SAGU SAGU

Knowledge-Based Image Segmentation (2) (Sumber: J Knowledge-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

Bottom-Up Approaches

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

Two-Class and Multi-Class Problem (2) 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

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

Top-Down Approaches

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

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.

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

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 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.

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

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).

Pendekatan 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 < 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).

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

Pendekatan Hybrid Edge- & Region-Based (4) Selanjutnya dapat dirumuskan bahwa region Ri dan Rj dapat dijadikan satu bila memenuhi tiga kondisi berikut: ni > 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.

Edge Image and Segmented Image Mandrill Edge Image Segmented Image

Region Growing problems: 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.

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.

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.

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)

Region Merging and Thematic Image We have used the merging criteria called Mean Luminance Difference (Brox et al., 2004). wij = (ui – uj)2