segmentasi
DESCRIPTION
SEGMENTASI. Deteksi Titik. Suatu titik dikatakan terdeteksi/terisolasi jika Mask yang digunakan. 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. Vertikal. Horizontal. - PowerPoint PPT PresentationTRANSCRIPT
SEGMENTASI
Segmentasi
Diskontinuitas (membagi citra
berdasarkan perubahan tajam pada intensitas)
Similaritas (membagi citra ke dalam
wilayah-wilayah yang memiliki kemiripan berdasarkan kriteria
tertentu )
• Suatu titik dikatakan terdeteksi/terisolasi jika
• Mask yang digunakan
Deteksi Titik
TR ||
-1 -1 -1
-1 8 -1
-1 -1 -1
• 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
Deteksi Garis
|||| ji RR
-1 -1 -1
2 2 2
-1 -1 -1
-1 -1 2
-1 2 -1
2 -1 -1
-1 2 -1
-1 2 -1
-1 2 -1
2 -1 -1
-1 2 -1
-1 -1 2
Horizontal + 45° Vertikal - 45°
Deteksi Tepi
Berbasis Gradient• Operator Robert• Operator Sobel• Operator Prewitt
Berbasis Turunan Kedua• Operator Laplacian• Operator Laplacian of Gaussian
Operator Robert1 0
0 -1
0 -1
1 0
Gx
Gy
Operator Sobel-1 0 1
-2 0 2
-1 0 1
1 2 1
0 0 0
-1 -2 -1
Gx Gy
-1 0 1
-1 0 1
-1 0 1
1 1 1
0 0 0
-1 -1 -1
Gx Gy
Operator Laplacian
Operator 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
Langkah Deteksi Tepi Laplacian of Gaussian
0 0 -1 0 0
0 -1 -2 -1 0
-1 -2 16 -2 -1
0 0 -1 0 0
0 -1 -2 -1 0
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 baruT = (μ1 + μ2)/2
Ulangi langkah 2 sampai 4 hingga nilai μ1 dan μ2 tidak berubah lagi
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)
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
Berbasis Wilayah
Region GrowingMenentukan himpunan titik awal
Wilayah diperbesar dengan menambahkan setiap titik piksel tetangga yang mempunyai sifat mirip dengan titik
tersebut (misalnya range spesifikasi intensitas atau warna)
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