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