segmentasi citra

10
SEGMENTASI CITRA Dalam visi komputer, Segmentasi adalah proses mempartisi citra digital menjadi beberapa segmen (set piksel, juga dikenal sebagai superpixels). Tujuan dari segmentasi adalah untuk menyederhanakan dan / atau mengubah penyajian gambar ke sesuatu yang lebih bermakna dan lebih mudah untuk menganalisis. [1] Gambar segmentasi biasanya digunakan untuk menemukan obyek dan batas-batas (garis, kurva, dll) dalam gambar . Lebih tepatnya, segmentasi citra adalah proses untuk menempatkan label untuk setiap pixel dalam sebuah gambar sehingga piksel dengan pangsa label yang sama karakteristik visual tertentu. Hasil segmentasi citra adalah seperangkat segmen yang secara kolektif mencakup seluruh gambar, atau satu set kontur diekstrak dari citra (lihat deteksi tepi). Setiap piksel dalam suatu wilayah mirip dengan memperhatikan beberapa karakteristik properti atau dihitung, seperti warna, intensitas, atau tekstur. Daerah yang berdekatan sangat berbeda sehubungan dengan karakteristik yang sama (s). [1] Ketika diterapkan pada setumpuk gambar, khas dalam pencitraan medis, kontur yang dihasilkan setelah segmentasi citra dapat digunakan untuk membuat rekonstruksi 3D dengan bantuan algoritma interpolasi seperti biji Marching. thresholding Metode paling sederhana segmentasi citra disebut metode thresholding. Metode ini didasarkan pada tingkat klip-(atau

Upload: moh-hidayat

Post on 24-Jul-2015

343 views

Category:

Documents


6 download

TRANSCRIPT

Page 1: SEGMENTASI CITRA

SEGMENTASI CITRA

Dalam visi komputer, Segmentasi adalah proses mempartisi citra digital menjadi beberapa

segmen (set piksel, juga dikenal sebagai superpixels). Tujuan dari segmentasi adalah untuk

menyederhanakan dan / atau mengubah penyajian gambar ke sesuatu yang lebih bermakna

dan lebih mudah untuk menganalisis. [1] Gambar segmentasi biasanya digunakan untuk

menemukan obyek dan batas-batas (garis, kurva, dll) dalam gambar . Lebih tepatnya,

segmentasi citra adalah proses untuk menempatkan label untuk setiap pixel dalam sebuah

gambar sehingga piksel dengan pangsa label yang sama karakteristik visual tertentu.

Hasil segmentasi citra adalah seperangkat segmen yang secara kolektif mencakup seluruh

gambar, atau satu set kontur diekstrak dari citra (lihat deteksi tepi). Setiap piksel dalam suatu

wilayah mirip dengan memperhatikan beberapa karakteristik properti atau dihitung, seperti

warna, intensitas, atau tekstur. Daerah yang berdekatan sangat berbeda sehubungan dengan

karakteristik yang sama (s). [1] Ketika diterapkan pada setumpuk gambar, khas dalam

pencitraan medis, kontur yang dihasilkan setelah segmentasi citra dapat digunakan untuk

membuat rekonstruksi 3D dengan bantuan algoritma interpolasi seperti biji Marching.

thresholding

Metode paling sederhana segmentasi citra disebut metode thresholding. Metode ini

didasarkan pada tingkat klip-(atau nilai ambang batas) untuk mengubah citra gray-scale

menjadi citra biner.

Kunci dari metode ini adalah untuk memilih nilai ambang (atau nilai ketika beberapa-levels

dipilih). Beberapa metode yang populer digunakan dalam industri termasuk metode entropi

maksimum, metode Otsu itu (varians maksimum), dan dkk. k-means juga dapat digunakan.

Clustering metode

Algoritma K-means adalah iteratif teknik yang digunakan untuk partisi sebuah gambar ke

dalam kelompok K. Algoritma dasarnya adalah:

1. Pilih pusat klaster K, baik secara acak atau berdasarkan heuristik beberapa.

2. Tugaskan setiap pixel pada gambar untuk cluster yang meminimalkan jarak antara

pixel dan pusat cluster.

Page 2: SEGMENTASI CITRA

3. Kembali menghitung pusat cluster dengan rata-rata semua piksel dalam cluster.

4. Ulangi langkah 2 dan 3 hingga konvergensi dicapai (misalnya tidak cluster piksel

perubahan)

Dalam hal ini, jarak perbedaan kuadrat atau absolut antara pixel dan pusat cluster.

Perbedaannya biasanya didasarkan pada warna pixel, intensitas, tekstur, dan lokasi,

atau kombinasi tertimbang faktor ini. K dapat dipilih secara manual, secara acak, atau

dengan sebuah heuristic.

Algoritma ini dijamin untuk bertemu, tetapi tidak dapat mengembalikan solusi

optimal. Kualitas dari solusi tergantung pada set awal cluster dan nilai K.

Dalam statistik dan mesin pembelajaran, algoritma k-means adalah algoritma

clustering untuk partisi n objek ke dalam kelompok k, dimana k <n. Hal ini mirip

dengan algoritma harapan-maksimisasi untuk campuran Gaussians dalam bahwa

mereka berdua upaya untuk menemukan pusat-pusat cluster alami dalam data. Model

ini mensyaratkan bahwa atribut objek sesuai dengan elemen dari ruang vektor.

Tujuan mencoba untuk mencapai adalah untuk meminimalkan jumlah intra-cluster

varians, atau, fungsi kesalahan kuadrat. Pengelompokan k-berarti diciptakan pada

tahun 1956. Bentuk yang paling umum dari algoritma ini menggunakan heuristik

iteratif perbaikan dikenal sebagai algoritma Lloyd. Algoritma Lloyd dimulai dengan

partisi titik masukan ke dalam set k awal, baik secara acak atau menggunakan

beberapa data heuristik. Kemudian menghitung titik rata-rata, atau centroid, setiap

set. Ini membangun sebuah partisi baru dengan menghubungkan setiap titik dengan

centroid terdekat. Kemudian centroid dihitung ulang untuk cluster baru, dan

algoritma diulang oleh aplikasi alternatif dari dua langkah sampai konvergensi, yang

diperoleh ketika titik-titik cluster beralih tidak lagi (atau alternatif centroid tidak lagi

diubah). Algoritma Lloyd dan k-cara yang sering digunakan secara sinonim, namun

pada kenyataannya algoritma Lloyd adalah heuristik untuk menyelesaikan masalah k-

berarti, karena dengan kombinasi tertentu dari titik awal dan titik centroid, algoritma

Lloyd sebenarnya dapat berkumpul untuk jawaban yang salah. Variasi lain ada, tapi

algoritma Lloyd tetap populer, karena menyatu sangat cepat dalam praktek. Dalam

hal kinerja algoritma ini tidak dijamin untuk mengembalikan optimal global. Kualitas

solusi akhir tergantung pada set awal cluster, dan mungkin, dalam prakteknya, jauh

Page 3: SEGMENTASI CITRA

lebih miskin dibandingkan dengan optimum global. Karena algoritma ini adalah

sangat cepat, metode umum adalah dengan menjalankan algoritma beberapa kali dan

kembali pengelompokan terbaik ditemukan. Sebuah kelemahan dari algoritma k-

means adalah bahwa jumlah cluster k adalah parameter masukan. Sebuah pilihan

yang tidak tepat k dapat menghasilkan hasil yang buruk. Algoritma ini juga

mengasumsikan bahwa varians adalah ukuran yang tepat menyebarkan cluster.

Kompresi metode berbasis

Kompresi metode berbasis postulat bahwa segmentasi yang optimal adalah salah satu yang

meminimalkan, atas semua segmentasi mungkin, panjang pengkodean data [3]. [4] Hubungan

antara kedua konsep ini adalah bahwa segmentasi mencoba untuk menemukan pola dalam

foto dan setiap keteraturan dalam gambar dapat digunakan untuk kompres. Metode ini

menggambarkan setiap segmen dengan tekstur dan bentuk batas. Masing-masing komponen

dimodelkan dengan fungsi distribusi probabilitas dan panjangnya coding dihitung sebagai

berikut:

1.  Pengkodean batas memanfaatkan fakta bahwa daerah di gambar alam cenderung

memiliki kontur halus. Ini sebelum digunakan oleh Huffman coding untuk mengkodekan

kode perbedaan rantai kontur dalam foto. Dengan demikian, batas halus adalah, panjang

coding pendek itu mencapai.

 2.  Tekstur dikodekan dengan kompresi lossy dengan cara yang sama dengan panjang

deskripsi minimum (MDL) prinsip, tapi di sini panjang data yang diberikan model ini

didekati dengan jumlah sampel kali entropi model. Tekstur di setiap daerah dimodelkan

dengan distribusi normal multivariat yang entropi memiliki ekspresi bentuk tertutup.

Satu sifat menarik dari model ini adalah bahwa entropi perkiraan batas entropi benar data

dari atas. Hal ini karena di antara semua distro dengan rata-rata yang diberikan dan

kovarians, distribusi normal memiliki entropi terbesar. Dengan demikian, panjang coding

benar tidak dapat lebih dari apa algoritma mencoba untuk meminimalkan.

Untuk setiap segmentasi tertentu dari suatu gambar, skema ini menghasilkan jumlah bit

yang dibutuhkan untuk mengkodekan bahwa gambar berdasarkan segmentasi tertentu.

Page 4: SEGMENTASI CITRA

Dengan demikian, di antara semua segmentasi yang mungkin dari suatu gambar,

tujuannya adalah untuk menemukan segmentasi yang menghasilkan panjang coding

terpendek. Hal ini dapat dicapai dengan metode pengelompokan sederhana

agglomerative. Distorsi dalam kompresi lossy menentukan kekasaran segmentasi dan

nilai optimal mungkin berbeda untuk setiap gambar. Parameter ini dapat diperkirakan

heuristik dari kontras tekstur dalam gambar. Misalnya, ketika tekstur dalam foto mirip,

seperti di gambar kamuflase, sensitivitas kuat dan kuantisasi dengan demikian lebih

rendah diperlukan.

Histogram metode berbasis

Histogram berbasis metode ini sangat efisien bila dibandingkan dengan metode

segmentasi citra lain karena mereka biasanya hanya membutuhkan satu lulus melalui

piksel. Dalam teknik ini, histogram dihitung dari semua piksel dalam gambar, dan

puncak dan lembah pada histogram yang digunakan untuk menemukan cluster dalam

gambar. [1] Warna atau intensitas dapat digunakan sebagai ukuran.

Sebuah perbaikan dari teknik ini adalah secara rekursif menerapkan metode histogram-

seeking untuk cluster pada gambar untuk membagi mereka menjadi kelompok yang lebih

kecil. Ini diulang dengan kelompok yang lebih kecil dan lebih kecil sampai cluster tidak

lebih terbentuk. [1] [5]

Salah satu kelemahan dari metode histogram-seeking adalah bahwa hal itu mungkin sulit

untuk mengidentifikasi puncak dan lembah yang signifikan dalam gambar. Dalam teknik

pencocokan jarak klasifikasi citra daerah metrik dan terpadu yang akrab.

Histogram pendekatan berbasis juga dapat dengan cepat diadaptasi terjadi selama

beberapa frame, dengan tetap menjaga efisiensi single pass mereka. Histogram dapat

dilakukan dalam mode beberapa saat beberapa frame dipertimbangkan. Pendekatan yang

sama yang diambil dengan satu frame dapat diterapkan untuk ganda, dan setelah hasil

digabung, puncak dan lembah yang sebelumnya sulit untuk mengidentifikasi lebih

mungkin untuk dibedakan. Histogram juga dapat diterapkan pada basis pixel per mana

hasil informasi yang digunakan untuk menentukan warna yang paling sering untuk lokasi

Page 5: SEGMENTASI CITRA

pixel. Ini segmen pendekatan berdasarkan objek aktif dan lingkungan yang statis,

sehingga berbagai jenis segmentasi berguna dalam pelacakan Video.

DETEKSI TEPI

Deteksi tepi adalah bidang yang berkembang dengan baik dengan sendirinya dalam

pengolahan citra. Daerah batas-batas dan ujung-ujungnya berkaitan erat, karena sering kali

ada penyesuaian tajam dalam intensitas pada batas wilayah. Teknik deteksi tepi karena itu

telah digunakan sebagai dasar dari teknik lain segmentasi.

Tepi yang diidentifikasi oleh deteksi tepi sering terputus. Untuk segmen objek dari gambar

Namun, orang perlu batas-batas wilayah tertutup. Tepi diinginkan adalah batas-batas antara

obyek tersebut.

Metode segmentasi juga dapat diterapkan ke tepi diperoleh dari detektor tepi. Lindeberg dan

Li [6] mengembangkan metode terpadu yang segmen menjadi segmen-segmen tepi tepi lurus

dan melengkung untuk bagian berbasis pengenalan obyek, berdasarkan panjang deskripsi

minimum (MDL) kriteria yang dioptimalkan dengan metode split-dan-merge-seperti dengan

calon breakpoints diperoleh dari isyarat persimpangan komplementer untuk mendapatkan

poin lebih mungkin untuk mempertimbangkan di mana partisi menjadi segmen yang berbeda.

Daerah berkembang metode

Wilayah-tumbuh Metode pertama adalah wilayah unggulan metode berkembang. Metode ini

mengambil satu set bibit sebagai masukan bersama dengan gambar. Benih menandai setiap

benda menjadi tersegmentasi. Daerah-daerah yang tumbuh secara iteratif dengan

membandingkan semua piksel tetangga yang tidak terisi ke daerah. Selisih antara nilai

intensitas pixel dan rata-rata di kawasan ini, \ delta, digunakan sebagai ukuran kesamaan.

Pixel dengan perbedaan terkecil diukur dengan cara ini dialokasikan ke daerah masing-

masing. Proses ini berlanjut sampai semua piksel yang dialokasikan untuk daerah.

Pertumbuhan wilayah unggulan membutuhkan biji sebagai masukan tambahan. Hasil

segmentasi tergantung pada pilihan benih. Kebisingan dalam gambar dapat menyebabkan

Page 6: SEGMENTASI CITRA

benih yang akan ditempatkan buruk. Wilayah diunggulkan tumbuh adalah algoritma

dimodifikasi yang tidak memerlukan bibit eksplisit. Ini dimulai dengan satu wilayah a_1 -

pixel yang dipilih di sini tidak berpengaruh signifikan terhadap segmentasi akhir. Pada setiap

iterasi dianggap pixel tetangga dengan cara yang sama sebagai daerah unggulan tumbuh. Ini

berbeda dari daerah unggulan tumbuh dalam bahwa jika minimum \ delta kurang dari T

ambang batas yang telah ditetapkan maka akan ditambahkan ke A_j wilayah masing-masing.

Jika tidak, maka pixel tersebut dianggap signifikan berbeda dari semua a_i daerah saat ini dan

wilayah baru A_ {n +1} dibuat dengan pixel ini.

Salah satu varian dari teknik ini, diusulkan oleh Haralick dan Shapiro (1985), [1] didasarkan

pada intensitas piksel. Mean dan menyebarkan wilayah dan intensitas pixel kandidat

digunakan untuk menghitung statistik uji. Jika statistik uji cukup kecil, pixel ditambahkan ke

wilayah tersebut, dan rata-rata di kawasan ini dan menyebarkan sedang menghitung ulang.

Jika tidak, pixel ditolak, dan digunakan untuk membentuk wilayah baru.

Sebuah metode wilayah tumbuh-khusus ini disebut \ lambda yang terhubung segmentasi

(lihat juga lambda-keterhubungan). Hal ini didasarkan pada intensitas piksel dan lingkungan-

menghubungkan jalan. Gelar konektivitas (keterhubungan) akan dihitung berdasarkan jalan

yang dibentuk oleh pixel. Untuk nilai tertentu \ lambda, dua piksel disebut \ lambda-

connected jika ada jalur yang menghubungkan dua piksel dan keterkaitan jalan ini setidaknya

\ lambda. \ Lambda-keterhubungan adalah relasi setara. [7]