KOMPRESI CITRA (2) &

SEGEMENTASI CITRA

Pertemuan 13

Mata Kuliah Pengolahan Citra

SPATIAL COMPRESSION(Metode Run Length Encoding / RLE)

Cocok digunakan untuk memampatkan citra yang memiliki kelompok-kelompokpiksel berderajat keabuan yang samaContoh :sebuah citra sebagai berikut :

1 2 1 1 1 1 1 3 4 4 4 4 1 1 3 3 3 5 1 1 1 1 3 3

Semuanya ada 24 nilaiPasangkan nilai untuk setiap baris run yang dihasilkan dengan metodepemampatan RLE:(1,5),(2,1)(1,1),(3,1),(4,4) Ada 10 pasang nilai atau 10 X 2=20 nilai(1,2),(3,3),(5,1)(1,4),(3,2)

Alusyanti.P

SPATIAL COMPRESSION(Metode Run Length Encoding / RLE)

(1,5),(2,1)(1,1),(3,1),(4,4) Ada 10 pasang nilai atau 10 X 2=20 nilai(1,2),(3,3),(5,1)(1,4),(3,2)

Ukuran citra sebelum dimampatkan (1 derajat keabuan=3 bit)24X3=72 bitUkuran citra setelah dimampatkan(derajat keabuan=3 bit, run length==4 bit)

(10 X 3) + (10 X 4) = 70 bitMaka Nisbah Pemampatannya:

(100%-(70/72 )x 100%)= 2,78%, yang artinya 2,78% daricitra semula telah dimampatkan

Alusyanti.P

SEGMENTASI CITRA

Proses Segmentasi Pengenalan ObjekInformasi Objek

Segmentasi =>

1. Memisahkan citra menjadi bagian-bagian yang diharapkan merupakan objek-objek tersendiri.

2. Membagi suatu citra menjadi wilayah-wilayahyang homogen berdasarkan kriteria keserupaantertentu antara derajat keabuan suatu pikseldengan derajat keabuan piksel-pikseltetangganya.

Alusyanti.P

TEKNIK SEGMENTASI

Ada bermacam-macam teknik segmentasi, semuanya digolongkan dalam jenisberdasarkan cara kerjanya, yaitu :

1. Segmentasi berdasarkan intensitas warna(derajat keabuan)

2. Segmentasi berdasarkan karakteristik

Segmentasi berdasarkan intensitaswarna (derajat keabuan)

• Salah satu teknik segmentasi berdasarkanintensitas warna adalah mean clustering Pada mean clustering dilakukan pembagian citradengan membagi histogram citra

• Kelemahannya : - Harus tahu dengan tepat berapa jumlah objek

yang ada pada citra- Citra hasil kurang bagus jika pada citra terdapat

beberapa objek dengan warna pada masing-masing objeknya bervariasi atau pada setiapobjek memiliki warna yang sama

.

Alusyanti.P

LANGKAH-LANGKAH CLUSTERING

Berikut langkah-langkahnya : 1. Cari intensitas maksimum dan minimum yang digunakan dalam citra2. Dari intensitas minimum ke maksimum dilakukan pembagian

sejumlah N. N ini menentukan jumlah objek yang diharapkan adapada gambar.

3. Setelah dilakukan pembagian, histogram akan terbagi menjadibagian-bagian yang disebut cluster (kelompok). Kemudian padacitra dilakukan penelusuran untuk seluruh titik, setiap titik akandigrupkan ke cluster terdekat sehingga hasil akhir dari proses iniadalah jumlah warna pada gambar menjadi N.

4. Cari hasil rata-rata/ mean dari seluruh titik pada setiap cluster, kemudian mengganti warna seluruh titik dalam cluster-cluster tersebut dengan rata-rata dari cluster masing-masing.

SEGMENTASI BERDASARKAN KARAKTERISTIK

• Cara lain yang biasa digunakan adalah berdasarkankarakteristik objek pada citra Yaitu mengelompokkanbagian-bagian citra yang memiliki karakteristik yang sama berupa perubahan warna antara titik yang berdekatan, nilai rata-rata dari bagian citra tersebut.

• Untuk menghitung/menentukan karakteristikdigunakan perhitungan statistik seperti varian, standard deviasi, teori probabililitas, fourier transform, dll

• Salah satu teknik segmentasi berdasarkan karakteristikadalah split and merge (membagi kemudianmenggabungkan)

Alusyanti.P

LANGKAH – LANGKAH SEGMENTASI BERDASARKAN KARAKTERISTIK

Berikut langkah-langkahnya :

1. Bagi citra menjadi 4 bagian

2. Dari 4 bagian tersebut dilakukan perhitungan karakteristik masing-masing.

3. Bagian dari citra yang memiliki karakteristik yang sama akandigabungkan dan dianggap satu bagian, sedangkan yang tidak, akandibagi lagi menjadi 4 bagian dan dilakukan perhitungan karakteristikdan dilakukan lagi proses penggabungan bagian yang sama.

Demikian seterusnya sehingga diperoleh hasil dari proses segmentasi

• Proses tersebut adalah proses rekursif karena pada setiap saatdilakukan proses yang sama tetapi dengan data yang selaluberubah

CONTOH SEGMENTASI

Alusyanti.P

SEKIAN

Referensi

Canstleman. 1996. Digital Image Processing.Gonzalez & Woods. 2004. Digital Image Processing.Handoyo, E,D. 2002. Perancangan Mini Image Editor Versi 1.0

Sebagai Aplikasi Penunjang Mata Kuliah Digital Image Processing. Jurnal Natur Indonesia 5 (1):41-49. ISSN:1410-9379.

Hestiningsih, I. 2011. Pengolahan Citra.Lyon. 1999. Image Processing in Java.Sianipar. Mangiri, H,S. Wirajati. 2013. Matlab untuk

Pemrosesan Citra Digital. Informatika Bandung.