Segmentasi Citra

Prof.Dr. Aniati Murni (R 1202)Dina Chahyati, SKom, (R 1226)

Fakultas Ilmu KomputerUniversitas Indonesia

2

Thinning & Skeletonizing - materi akhirThinning & Skeletonizing - materi akhir

Thinning: pada citra yang sudah dilakukan proses thinning tidak bisa direkonstruksi kembali

Skeletonizing: dari citra yang telah diproses dengan teknik skeletonizing dapat dibangun kembali citra aslinya, yaitu citra sebelum diproses dengan teknik skeletonizing

Segmentasi Citra

4

Teknik Segmentasi Citra(Sumber: Anil K. Jain, Michigan State University)

Teknik Segmentasi Citra(Sumber: Anil K. Jain, Michigan State University)

Segmentasi citra: membagi suatu citra menjadi wilayah-wilayah yang homogen

Image Segmentation

General Purpose Knowledge Guided(bottom-up approach) (top-down

approach)

Histogram Clustering Rules of Features

5

Teknik Segmentasi Citra Segmentasi citra: membagi suatu citra menjadi

wilayah-wilayah yang homogen

Teknik Segmentasi Citra

Dividing Image Space Clustering Feature Space

Region Region Split Tiap pixel diberi indexGrowing Splitting and warna yang

menunjukkan\ Mergekeanggotaannya dalam

suatu cluster

6

Image Segmentation Based on Histogram (1)Image Segmentation Based on Histogram (1)

Two-Class Object Histogram

7

Image Segmentation Based on Histogram (2)Image Segmentation Based on Histogram (2)

Multi-Class Object Histogram

8

Segmentasi Citra dengan Clustering(Unsupervised Classification)

Segmentasi Citra dengan Clustering(Unsupervised Classification)

K-Mean Clustering

9

Rule-Based Image Segmentation (1)(Sumber: S.H. Purwadhi, LAPAN RI)

Rule-Based Image Segmentation (1)(Sumber: S.H. Purwadhi, LAPAN RI)

Features: Bentuk Pola Ukuran Sites(Tajuk berbentuk bintang) (Tidak teratur) (Tinggi > 10m) (Air

payau)

KELAPAHanya perlu persyaratan bentuk

KELAPA SAWIT

NIPAH NIPAH Perlu syarat bentuk dan pola

ENAU ENAU ENAU

SAGU SAGU SAGU SAGU

10

Knowledge-Based Image Segmentation (2)(Sumber: J. Ton, Michigan State University)

Knowledge-Based Image Segmentation (2)(Sumber: J. Ton, Michigan State University)

Features: indeks vegetasi dan intensitas keabuan

Land Cover

Non-vegetation Vegetation

Water Built-up Forest Non-Forest

Open AreaClear-Up Type-1 Type-2

Agriculture Bushes

11

Bottom-Up Approaches

12

Two-Class and Multi-Class Problem (1)Two-Class and Multi-Class Problem (1)

Two-Class Problem: Citra terdiri dari Obyek dan Latar

Belakang Segmentasi bisa dengan teknik:

Histogram dan thresholding value, atau Decision theory (akan dipelajari pada topik klasifikasi citra) Probability Density Function dan Maximum-Likelihood Decision Rules

13

Two-Class and Multi-Class Problem (2)Two-Class and Multi-Class Problem (2)

Multi-Class Problem: Citra terdiri dari wilayah-wilayah obyek

yang jumlahnya lebih dari 2 Segmentasi bisa dengan teknik:

Clustering (unsupervised classification – akan dipelajari pada topik klasifikasi citra)

Region Growing (wilayah tumbuh – bottom-up approach) Region Splitting (quadtree - top-down approach) Split and Merge (bottom-up and top-down approach) Decision Theory

14

Region Growing (lihat skripsi atau program Dipdha (2002)Region Growing (lihat skripsi atau program Dipdha (2002)

Ditentukan sejumlah seed pixels (random atau regular)

Cek homogenitas melalui 4-tetangga atau 8-tetangga

Memerlukan criteria of uniformityBila:

Criteria of uniformity: seed

1( )

P R

m f PN

max | ( ) |P R

f P m Thres

15

Top-Down Approaches

16

Region SplittingRegion Splitting

Menggunakan quadtree approach Memerlukan criteria of uniformity – bisa

menggunakan varian, bila varian tinggi (tidak uniform) suatu wilayah di-splitted

17

Split and MergeSplit and Merge

Prosedur sama dengan region splitting Pada akhir proses ditambah dengan proses

merging (menjadikan beberapa region yang dianggap sama menjadi satu). Bisa dilakukan secara semi-otomatis atau secara otomatis. Pendekatan secara otomatis bisa menggunakan merging criteria berupa suatu nilai ambang dari perbedaan mean (intensitas rata-rata) dari wilayah-wilayah yang akan digabungkan.

18

Teknik Segmentasi CitraTeknik Segmentasi Citra

Pendekatan Edge-Based Pendekatan Region-Based Pendekatan Hybrid

19

Pendekatan Edge-BasedPendekatan Edge-Based

Kekurangannya: belum tentu menghasilkan edge yang kontinue, mengakibatkan terjadinya kebocoran wilayah (wilayah-wilayah yang tidak tertutup)

Prosedur: Melakukan proses deteksi sisi dengan operator gradient.

Masukannya citra gray level dan keluarannya citra edge (biner)

Citra Masukan Deteksi Sisi Citra Edge

Selanjutnya dilakukan proses region growing dengan masukan citra asli (gray-level) dan citra edge. Proses pembentukan suatu wilayah berhenti bila menjumpai piksel edge. Keluarannya merupakan hasil segmentasi.

20

Pendekatan Region-BasedPendekatan Region-Based

Kekurangannya: belum tentu menghasilkan wilayah-wilayah yang bersambungan

Prosedur: Memerlukan criteria of uniformity Memerlukan penyebaran seeds atau dapat juga dengan

pendekatan scan line Dilakukan proses region growing

unidentified region

21

Pendekatan Hybrid Edge- & Region-Based (1)Pendekatan Hybrid Edge- & Region-Based (1)

Bertujuan untuk mendapatkan hasil segmentasi dengan wilayah-wilayah yang tertutup dan bersambungan

Prosedur: Lakukan proses deteksi sisi untuk menhasilkan citra

sisi (piksel edge dan piksel non-edge) Lakukan pemisahan wilayah dengan metode

connected region. Connected regions adalah set piksel 4-tetangga yang bukan piksel edge.

Selanjutnya dilakukan proses merging regions dengan rumusan-rumusan berikut (next slide).

22

Pendekatan Hybrid Edge- & Region-Based (2)Pendekatan Hybrid Edge- & Region-Based (2)

pi adalah adalah perimeter dan ni adalah luas wilayah Ri. Bij adalah panjang garis batas antar wilayah Ri dan Rj. Eij adalah jumlah piksel edge pada garis batas antar wilayah Ri dan Rj. (Eij biasanya < dari Bij karena edge yang tidak kontinue).

Untuk setiap pasang region Ri dan Rj dihitung tiga besaran / kriteria: boundary strength (bila tinggi – makin kuat garis batas, Ri dan Rj disatukan), similarity measure (bila besar – salah satu wilayah terlalu kecil, dapat disatukan) dan connectivity measure (bila besar – makin panjang garis batasnya, tidak disatukan).

23

Pendekatan Hybrid Edge- & Region-Based (3)Pendekatan Hybrid Edge- & Region-Based (3)

Boundary strength

Similarity measure scaling factor

Connectivity measure

1 ijij

ij

E

B

22 ( )

450i j

ij

n n

3 min( , )

4i j

ijij

p p

B

24

Pendekatan Hybrid Edge- & Region-Based (4)Pendekatan Hybrid Edge- & Region-Based (4)

Selanjutnya dapat dirumuskan bahwa region Ri dan Rj dapat dijadikan satu bila memenuhi tiga kondisi berikut: ni > nj (satu wilayah jauh lebih kecil – similarity measure) (40% piksel edge berada pada garis batas

yang sebenarnya – boundary strength) Rk telah memenuhi kedua kondisi diatas, Kondisi ketiga:

mencari pasangan wilayah Rk yang paling memenuhi kedua kondisi diatas untuk disatukan dengan Ri.

1ij st

2 3 2 3minij ij ik ij ck

t

25

Edge Image and Segmented ImageEdge Image and Segmented Image

Mandrill Edge Image Segmented Image

26

Watershed (a kind of region growing)

Region Growing problems: Not trivial to find good starting points, difficult to

automate Need good criteria for similarity Disconnected regions

Think of the grey-level image as a landscape. Let water rise from the bottom of each valley (the water from each valley is given its own label). As soon as the water from two valleys meet, build a dam, or watershed. These watersheds will then define the borders between different regions.

27

Watershed (a kind of region growing)

Region edges correspond to watersheds while low-gradient region interiors correspond to catchment basins. Edge or contour information can be used in watershed segmentation algorithm.

28

Watershed Algorithm

Watershed-based segmentation algorithm: Find for each pixel in an image, a

downstream path to a local minimum of gray level value (local minimum image surface altitude);

Find a region (catchment basin) as a set of pixels where their respective downstream paths all end up to the same altitude minimum.

29

Edge Image Contour Image

Watershed (over-segmented)

1. Require a Region Merging process to overcome the over-segmentation result;

2. Require a ground truth data for object class region labeling to obtain a thematic image.

30

Region Merging and Thematic Image

We have used the merging criteria called Mean Luminance Difference (Brox et al., 2004).wij = (ui – uj)2