SEGMENTASI.

Presentasi berjudul: "SEGMENTASI."— Transcript presentasi:

1 SEGMENTASI

2 Segmentasi Diskontinuitas (membagi citra berdasarkan perubahan tajam pada intensitas) Similaritas (membagi citra ke dalam wilayah-wilayah yang memiliki kemiripan berdasarkan kriteria tertentu )

3 Deteksi Titik Suatu titik dikatakan terdeteksi/terisolasi jika
Mask yang digunakan -1 8

4 Deteksi Garis Jika pada titik tertentu di citra berlaku
untuk j ≠ i maka titik tersebut dikatakan lebih terasosiasi dengan garis pada arah mask i Mask yang digunakan -1 2 -1 2 -1 2 2 -1 Horizontal + 45° Vertikal - 45°

5 Deteksi Tepi Berbasis Gradient Berbasis Turunan Kedua Operator Robert
Operator Sobel Operator Prewitt Berbasis Turunan Kedua Operator Laplacian Operator Laplacian of Gaussian

6 Operator Robert 1 -1 Gx -1 1 Gy

7 Operator Sobel -1 1 -2 2 1 2 -1 -2 Gx Gy

8 -1 1 1 -1 Gx Gy

9 Operator Laplacian

10 Operator Laplacian of Gaussian

11 Langkah Deteksi Tepi Laplacian of Gaussian
Sebuah citra dikonvolusi menggunakan operator Gaussian, kemudian hasilnya dikonvolusi lagi menggunakan operator Laplacian Sebuah citra dikonvolusi secara langsung menggunakan operator Laplacian of Gaussian yang merupakan filter linier -1 -2 16

12 Berbasis Histogram : Global Thresholding
Pilih nilai T awal (rata-rata dari intensitas citra) Bagi citra menjadi dua daerah menggunakan nilai T Hitung nilai rata-rata intensitas masing-masing daerah (μ1 dan μ2) Hitung nilai threshold yang baru T = (μ1 + μ2)/2 Ulangi langkah 2 sampai 4 hingga nilai μ1 dan μ2 tidak berubah lagi

13 Berbasis Histogram : Mean Clustering
Cari intensitas minimum dan maksimum dari citra Bagi histogram menjadi sejumlah N cluster. Jumlah N akan menentukan jumlah objek yang diharapkan ada pada citra Tentukan nilai intensitas rata-rata setiap cluster secara random Telusuri seluruh piksel, lalu bandingkan tiap nilai intensitas piksel dengan intensitas rata-rata pada tiap cluster Masukkan piksel ke cluster terdekat (selisih intensitas rata-rata dengan intensitas piksel dipilih yang paling minimum)

14 Mean Clustering (cont)
Berbasis Histogram : Mean Clustering (cont) Hitung nilai rata-rata intensitas yang baru untuk tiap cluster Ulangi langkah 4 sampai 6 Ganti intensitas seluruh piksel dalam cluster-cluster tersebut dengan intensitas rata-rata dari cluster masing-masing

15 Menentukan himpunan titik awal
Berbasis Wilayah Region Growing Menentukan himpunan titik awal Wilayah diperbesar dengan menambahkan setiap titik piksel tetangga yang mempunyai sifat mirip dengan titik tersebut (misalnya range spesifikasi intensitas atau warna)

16 Berbasis Wilayah Split and Merge
Bagi citra menjadi empat bagian Hitung karakteristik masing-masing bagian Bagian citra yang memiliki karakteristik yang sama akan digabung dan dianggap satu bagian Bagian citra yang memiliki karakteristik berbeda dilakukan pengulangan dari langkah 1 sampai 3 hingga seluruh citra mempunyai karakteristik yang sama Lakukan proses merging