edit modul 4pcd.docx

7/27/2019 EDIT MODUL 4PCD.docx

http://slidepdf.com/reader/full/edit-modul-4pcddocx 1/7

MODUL 4

MORFOLOGI DAN SEGMENTASI CITRA

I.

MORFOLOGI CITRAMorfologi adalah cabang dari pengolahan citra digital yang berguna untuk menganalisa bentuk dari citra.Operasi matematika yang mendukung morfologi citra adalah translasi dan refleksi.

a. TranslasiDiasumsikan A adalah himpunan pixel pada citra biner dan w = ( x, y) adalah koordinat suatu titik.Kemudian Aw adalah himpunan A ditranslasi / digeser pada arah ( x, y), seperti pada persamaan

berikut:

Contoh:

Himpunan A digeser pada arah x dan y sesuai dengan nilai w yang diberikan. b. Refleksi

Jika A adalah himpunan pixel kemudian dilakukan refleksi / pencerminan dengan notasi maka

persamaan matematikanya sebagai berikut:

Contoh:

reflection

origin

Operasi morfologi citra terdiri dari:1. Dilasi

Diasumsikan A dan B adalah himpunan pixel kemudian dilasi A oleh B dinotasikan

yang didefinisikan sebagai:

we translate by those cooordinates, then take the union of all these translations.

setiap titik , kemudian melakukan translasi A maka diambil operasi union/ gabungan darisemua translasi ini. Berikut ini persamaan matematika dari operasi dilasi:

Untuk dilasi, A adalah citra yang diproses dan B adalah himpunan kecil dari pixel atau disebut

sebagai structuring element atau kernel. Pada matlab dideklarasikan sebagai berikut:

imdilate(image,kernel)

Contoh:

Aba y xba Aw ,:,,

Aˆ

A y x y x A ),(:,ˆ

B A

B x

x A B A

A B B A

B x

Bvu A y xvu y x B A ),(,),(:),(),(



2. Erosi

Given sets A and, the erosion of by written , is defined as :Diberikan himpunan A dan B, erosi A oleh B, ditulis A-B didefinisikan sebagai:

;

For erosion, we generally assume that A is the image being processed and B is a small set of pixels. In this case B is referred to as a structuring element or as kernel Untuk erosi, diasumsikan A adalah citra yang diproses dan B adalah himpunan kecil dari pixelatau disebut sebagai structuring element atau kernel. Pada matlab dideklarasikan sebagai

berikut:

imerode(image,kernel)

Contoh:

HUBUNGAN ANTARA EROSI DAN DILASI. Dari penjelasan-penjelasansebelumnya, dapat dilihat bahwa erosi merupakan invers dari dilasi begitu juga

sebaliknya. Lebih tepatnya lagi bahwa, complement dari sebuah erosi sama

dengan dilasi dari complementnya :dan

}:{ A Bw B A w Bb

b A B A

B A B A ˆ B A B A ˆ



3. OpeningOperasi ini merupakan operasi tingkat kedua yang dibangun berdasarkan operasi dasar dilasi dan

erosi. Misalkan terdapat himpunan A dan sebuah kernel B, operasi opening A oleh B dinotasikandengan A o B yang didefinisikan sebagai berikut :

Operasi Opening terdiri dari erosi yang diikuti dengan dilasi. Definisi yang sama dari operasiopening adalah:

Operasi opening A oleh B adalah union dari semua translasi B yang tepat berada pada A.

Perbedaan dengan erosi adalah: erosi terdiri semua titik pusat B yang translasinya tepat berada pada A.

4. ClosingSama halnya dengan operasi opening, operasi closing merupakan operasi dilasi yang diikuti

dengan erosi dan dilambangkan dengan A • B dan didefinisikan sebagai berikut:

Contoh Aplikasi:Penghilangan Noise

Contoh dari citra ini dapat dilihat pada gambar dibawah ini. Proses erosi (A-B) dapat menghapus

pixel-pixel berwarna hitam, tetapi proses ini dapat memperbesar lubang. Kita dapat mengisi

lubang-lubang ini dengan melakukan operasi dilasi dua kali:

Dilasi pertama akan mengembalikan lubang ke ukuran asli; sedangkan dilasi yang kedua akan

menghapus lubang-lubang tersebut. Hal ini dapat memperbesar objek pada citra dan kita dapat

mengurangi ukuran object ini dengan operasi erosi yang terakhir.

Jika kita perhatikan dua operasi pertama merupakan operasi opening sedangkan dua operasi

berikutnya adalah operasi closing. Maka dapat dikatakan bahwa jika kita ingin menghilangkan

noise yang terdapat pada citra maka kita dapat melakukan operasi opening yang kemudiandiikuti dengan operasi closing :

Operasi ini disebut dengan morphological filtering



Gambar citra yang didalamnya terdapat noise dan citra hasil operasi opening yang diikuti dengan

operasi closing dapat dilihat pada gambar dibawah ini:

Gambar x. Proses morphological filtering dengan kernel yang berbeda pada citra yang

didalamnya terdapat noise. (a) citra noise ; (b) hasil filtering dengan kernel square ; (c) hasil

filtering dengan kernel cross

II. SEGMENTASI CITRASegmentasi citra (image segmentation) mempunyai arti membagi suatu citra menjadi wilayah wilayahyang homogen berdasarkan kriteria keserupaan yang tertentu antara tingkat keabuan suatu piksel dengan

tingkat keabuan piksel – piksel tetangganya, kemudian hasil dari proses segmentasi ini akan digunakanuntuk proses tingkat tinggi lebih lanjut yang dapat dilakukan terhadap suatu citra, misalnya prosesklasifikasi citra dan proses identifikasi objek

Terdapat dua pendekatan utama dalam segmentasi citra yaitu didasarkan pada tepi (edge-based) dandidasarkan pada wilayah (region-based). Segmentasi didasarkan pada tepi membagi citra berdasarkan

diskontinuitas di antara sub-wilayah (sub-region), sedangkan segmentasi yang didasarkan pada wilayah

bekerjanya berdasarkan keseragaman yang ada pada sub-wilayah tersebut. Dalam computer vision,segmentasi mengacu pada proses pembagian citra digital ke dalam multiple region (himpunan pixel).Tujuan akhir dari segmentasi adalah menyederhanakan dan atau merubah representasi suatu citra kedalam gambaran yang lebih mempunyai arti dan lebih mudah untuk di analisa. Segmentasi citra secara

khusus digunakan untuk melokalisasi objek atau batas ( bisa berupa garis, kurva, dll) dalam citra. Hasildari segmentasi citra adalah sekumpulan wilayah yang melingkupi citra tersebut, atau sekumpulan kontur

yang diekstrak dari citra (pada deteksi tepi). Contoh segmentasi dapat dilihat dalam gambar berikut :Tiap piksel dalam suatu wilayah mempunyai kesamaan karakteristik atau propeti yang dapat dihitung

(computed property), seperti : warna (color), intensitas (intensity),dan tekstur (texture).

Gambar 1.1 Contoh Segmentasi



Segmentasi wilayah merupakan pendekatan lanjutan dari deteksi tepi. Dalam deteksi tepi segmentasi citradilakukan melalui identifikasi batas-batas objek (boundaries of object). Batas merupakan lokasi dimana

terjadi perubahan intensitas. Dalam pendekatan didasarkan pada wilayah, maka identifikasi dilakukanmelalui wilayah yang terdapat dalam objek tersebut. Adapun beberapa teknik atau algoritma yang

termasuk dalam segmentasi citra yaitu :

1. Metode pengelompokkan (Clustering Methods).2. Histogram-Based Methods.

3. Edge Detection Methods.4. Region Growing Methods.5. Level Set Methods

6. Graph Partitioning Methods7. Watershed Transformation

8. Model based segmentation9. Multi-scale segmentation10. Semi-automatic segmentation

Metodologi berbasis region dibagi menjadi :

1. Metodologi berbasis transformasi regionMetodologi berbasis transformasi region (wilayah) dibagi menjadi :

Region Growing

Region Splitting

Region Merging

Segmentasi berbasis Region Growing

Contoh segmentasi region growing yaitu transformasi watershed.

2. Metodologi berbasis histogram

Berikut adalah CODE MATLAB UNTUK REGION GROWING

function regrow(x)

f1=imread(x);

f=double(f1);s=255;

t=65;if numel(s)==1

si=f==s;s1=s;

else

si=bwmorph(s,'shrink',Inf);j=find(si);

s1=f(j);endti=false(size(f));

for k=1:length(s1)sv=s1(k);

s=abs(f-sv)<=t;ti=ti|s;

end

[g nr]=bwlabel(imreconstruct(si,ti));



figure,imshow(f1),title(Citra asal);

figure,imshow(g),title('Citra hasil segmentasi Region Growing');

display('No: of regions');nr

end

Dengan fungsi diatas lakukan proses segmentasi citra pada citra cameramen.tif

Berikut code fungsi watershed yang sudah disediakan di Matlab :%Segmentasi Watershed img=imread('cameraman.tif'); img_wat=watershed(img); figure, imshow (img); figure, imshow (img_wat);

%Menampilkan hasil segmentasi watershed dengan pewarnaan agar terlihat %bentuk segmen per objek Lrgb = label2rgb(img_wat, 'spring', 'c', 'shuffle');

figure, imshow(Lrgb) title('Colored watershed label matrix (Lrgb)')

Dibawah ini adalah code fungsi watershed yang menggunakan distance transform :

img=imread('cameraman.tif');bw = im2bw(img);

D = bwdist(bw);DL = watershed(D);bgm = DL == 0;

figure, imshow (img); figure, imshow (bw); figure, imshow(bgm), title('Watershed ridge lines (bgm)')



Tugas

1. Cobalah semua program diatas (sub bab morfologi maupun sub bab segmentasi), lakukan

percobaan sesuai dengan perintah diatas. Kemudian gantilah dengan citra yang lain,

masing-masing bandingkan dengan citra lain. Berikan analisa anda !!!

edit modul 4pcd.docx

Documents