SEGMENTASI CITRA SPASIAL MULTI RESOLUSI UNTUK

KLASIFIKASI TUTUPAN LAHAN

MENGGUNAKAN ALGORITMA REGION GROWING

Charles, Sylvianto

Abstrak

Tujuan penelitian ini adalah melakukan segmentasi objek geografis yang berbeda

pada berbagai resolusi spasial dan format citra satelit dan foto udara, mengetahui

seberapa jauh informasi yang dapat diekstraksi dengan cara segmentasi pada berbagai

resolusi spasial dan format citra satelit dan foto udara, dan menyusun klasifikasi tutupan

lahan dari berbagai resolusi spasial citra yang berbeda oleh ahli.

Metodologi penelitian yang digunakan berupa data citra foto dari udara, citra foto

quickbird, dan algoritma Region Growing untuk segmentasi. Penelitian ini, diharapkan

mendapat hasil yang lebih jelas dan dalam waktu yang relatif lebih cepat dibandingkan

dengan cara manual (digitasi). Hasil yang dimaksud berupa klasifikasi yang jelas antara

tiap segmen (region) dalam suatu objek geografis tertentu.

Simpulan penelitian ini adalah bahwa segmentasi pada berbagai resolusi spasial dan

format citra satelit dan foto udara, dapat digunakan untuk menyusun klasifikasi tutupan

lahan. Format bitmap (bmp) merupakan format yang terbaik dibandingkan format citra

lainnya. Nilai threshold yang digunakan untuk masing-masing resolusi spasial tidak

selalu sama, tergantung jenis objek dan resolusi spasial citra.

Kata Kunci

Segmentasi, Multi Resolusi, Tutupan Lahan, Algoritma Region Growing

PENDAHULUAN

Latar belakang

Segmentasi obyek pada citra dapat dilakukan dengan tiga metode yaitu

ambang batas (thresholding), berbasis tepi (edge-base) dan berbasis region (region-

based). Metode ambang batas dapat dilakukan dengan beberapa pendekatan seperti

histogram shape-based, cluster-based, entropy-based, object attribute-based, dan

spatial-based, tetapi dalam hal ini, tidak dapat digunakan untuk mensegmentasi

citra objek geografis dikarenakan metode ambang batas diukur berdasarkan tingkat

intensitas derajat keabuannya, sedangkan dalam citra objek geografis, ada banyak

sekali warna sehingga metode ini tidak dapat kami gunakan secara sepenuhnya dan

sebenarnya di dalam algoritma region growing pun terdapat pengaturan ambang

batas atau threshold-nya. Metode segmentasi berbasis tepi adalah suatu metode

yang mengidentifikasikan perubahan nilai intensitas derajat keabuan yang

mendadak (besar) dalam suatu jarak yang singkat. Dua langkah dalam

mengaplikasikan metode ini yaitu mendeteksi batas segmen dari suatu citra dan

men-generate region pada citra tersebut. Operator yang umum digunakan pada

metode segmentasi adalah Diffrential Gradien, Laplacian, dan Canny Operator,

tetapi sekali lagi dalam hal ini, tidak dapat digunakan untuk citra objek geografis

karena segmentasi berbasis tepi hanya membuat citra yang ada menjadi citra bertepi

(edge images) dan bukan mengklasifikasikan objek tersebut . Dari data yang ada,

maka digunakanlah algoritma region growing yang diharapkan dapat mengoptimasi

hasil dari segmentasi yang dilakukan itu, sehingga hasil yang didapat menjadi lebih

efektif dan efisien dikarenakan algoritma region growing ini biasa digunakan untuk

mensegmentasi dan juga mengelompokkan piksel yang ada ke dalam suatu region

atau suatu kelompok tertentu. Sebelumnya, algoritma ini telah dipakai di berbagai

bidang seperti kedokteran, untuk keperluan temu kembali citra pada event olahraga

lapangan hijau, tetapi belum pernah digunakan untuk mensegmentasi citra objek

geografis, sehingga kami akan mencoba untuk melakukan segmentasi citra spasial

multi resolusi dan dalam berbagai format citra sebagai pembanding.

Proses segmentasi citra yang sekarang dilakukan secara digitasi memakan

waktu lama, sumber daya yang lebih besar, memakan biaya yang lebih tinggi, dan

juga bila terjadi kesalahan dalam prosesnya, maka data citra perlu dicetak ulang

sehingga pekerjaan kembali dari awal lagi. Oleh karena itu, kami berharap dengan

adanya segmentasi secara komputerisasi ini dapat memudahkan segmentasi

sekarang yang dilakukan secara digitasi dapat dilakukan secara lebih cepat dan

teliti.

Ruang lingkup

Dalam segmentasi ini, ruang lingkup yang dilakukan untuk proses

segmentasi adalah tutupan lahan (Land Cover) dan menggunakan algoritma

berbasis region yang diklaim memiliki tingkat akurasi yang lebih baik

dibandingkan algoritma lainnya. Batasan dalam skripsi ini hanya citra foto udara

dan quickbird sebagai perbandingan sejauh mana informasi yang dapat diekstraksi

dengan algoritma region growing. Citra yang diambil dari foto udara maupun

quickbird dengan luasan wilayah, resolusi, dan ukuran yang sama. Format citra

yang digunakan adalah .jpg, .png, dan .bmp sebagai perbandingan analisis untuk

tiap format.

Tujuan dan manfaat

Tujuan dari penelitian ini adalah :

1) Melakukan segmentasi objek geografis yang berbeda pada berbagai resolusi

spasial dan format citra satelit dan foto udara.

2) Mengetahui seberapa jauh informasi yang dapat diekstraksi dengan cara

segmentasi pada berbagai resolusi spasial dan format citra satelit dan foto

udara.

3) Dapat menyusun klasifikasi tutupan lahan dari berbagai resolusi spasial citra

yang berbeda oleh ahli.

Adapun manfaat dari penelitian ini adalah sebagai berikut :

1) Diperoleh teknik ekstraksi objek geografis dari citra satelit dan foto udara

secara otomatis dengan cara segmentasi.

2) Ekstraksi otomatis mempermudah dan mempercepat proses pengenalan dan

klasifikasi objek khususnya tutupan lahan

Metodologi

Dalam proses segmentasi ini, metodologi yang digunakan berupa data citra foto

dari udara, citra foto quickbird, dan juga algoritma Region Growing.

1) Data citra

a) Foto udara

Citra foto merupakan sebuah gambar yang dicetak pada media kertas

(foto) yang dihasilkan dari hasil pemotretan dengan perekaman secara

fotografi. Foto udara ini adalah salah satu produk dari bidang ilmu

geografi dalam mengambil obyek, daerah, atau fenomena yang ada di

permukaan bumi ini menggunakan alat berupa kamera dengan proses

perekaman secara fotografik dengan bantuan detector atau alat pendeteksi

berupa film. Film hasil perekaman ini kemudian dicetak secara

kimiawi dalam ruang gelap agar mendapatkan hasil gambar yang

sempurna. Gambar tersebut disebut dengan citra yang kemudian dilakukan

proses segmentasi untuk mendapatkan informasi yang diinginkan.

b) Citra quickbird

Citra quickbird merupakan citra foto dengan resolusi tinggi.

Kemunculan quickbird memberi harapan baru bagi praktisi di bidang

Perencanaan Wilayah/Perkotaan, Pertambangan, Pertanian, Perkebunan,

Transportasi, Advertising, Utilitas, Telekomunikasi, Broadcasting, dan

semua pihak yang membutuhkan data akurat dan detail.

Keunggulan quickbird adalah mampu menyajikan data dengan resolusi

hingga 61 cm. Dengan resolusi setinggi ini, sebuah lokasi permukiman

dapat diidentifikasi per individu bangunan, sebuah jaringan jalan dapat

didentifikasi sebagai poligon dua sisi, dan yang tidak kalah pentingnya

adalah pemesanan data sangat mudah dilakukan, tidak serumit pembuatan

foto udara yang mengharuskan adanya security clearance (ijin dari pihak

keamanan), ijin jalur terbang, sewa hanggar, sewa pesawat dll.

2) Algoritma Region Growing

Algoritma berbasis region adalah algoritma segmentasi yang akan digunakan

dalam penelitian ini untuk mensegmentasi individual unit dari kelas-kelas yang

ada di citra foto udara maupun citra quickbird yang akan diteliti. Algoritma ini

umum digunakan untuk segmentasi obyek pada berbagai karakteristik citra

multi resolusi maupun citra multi spasial. Kedua jenis citra yang disegmentasi

ini dipengaruhi oleh beberapa faktor yaitu scale parameter, shape and color

dan smoothness.

Landasan Teori

Pengertian Segmentasi

Dalam computer vision, segmentasi merukuk pada proses partisi gambar

digital menjadi beberapa bagian atau kita kenal sebagai superpixels. Tujuan

segmentasi adalah untuk memudahkan atau mengganti sebuah gambar menjadi

lebih berarti dan mudah dianalisa.

Image segmentation adalah proses pemberian label untuk setiap pixel dalam

gambar dengan pixel yang memilik label sama memiliki karakterisik yang sama.

Ada banyak sekali metode-metode segmentasi ini, contohnya ialah thresholding,

clustering, compression-based, histogram-based, edge detection, partial differential

equation-based, graph partitioning, watershed transformation, model based

segmentation, multi-scale segmentation, semi-automatic segmentation, split-and-

merge, neural networks segmentation dan region growing. Untuk kedepannya,

kami akan membahas tentang algoritma Region Growing dengan lebih jelas.

Pengertian Citra

Citra atau image (Kulkarni, 2001) adalah representasi spasial dari suatu

objek yang sebenarnya dalam bidang dua dimensi yang biasanya ditulis

dalam koordinat cartesian x-y, dan setiap koordinat merepresentasikan satu

sinyal terkecil dari objek. Fungsi citra adalah model matematika yang sering

digunakan untuk menganalisis dimana semua fungsi analisis digunakan untuk

mempertimbangkan citra sebagai fungsi dengan 2 variabel.

Citra merupakan gambaran yang terekam oleh kamera atau oleh sensor.

Simonett and Joseph, 1983 mengutarakan pengertian tentang citra yaitu:

a) Gambaran obyek yang dibuahkan oleh pantulan atau pembiasan sinar yang

difokuskan oleh sebuah lensa atau sebuah cermin.

b) Gambaran rekaman suatu obyek (biasanya berupa gambaran pada foto) yang

dibuat dengan cara optik, elektro-optik, optik mekanik atau elektronik. Pada

umumnya gambar digunakan bila radiasi elektromagnetik yang dipancarkan

atau dipantulkan dari suatu obyek tidak langsung direkam pada film.

Sedangkan penginderaan jauh ialah ilmu dan seni untuk memperoleh

informasi tentang obyek, daerah, atau gejala dengan jalan menganalisis data yang

diperoleh dengan menggunakan alat tanpa kontak langsung terhadap obyek,

daerah, atau gejala yang dikaji (Lillesand and Kiefer, 2004).

Alat yang dimaksud di dalam batasan ini ialah alat pengindera atau sensor.

Pada umumnya sensor dipasang pada wahana (platform) yang berupa pesawat

terbang, satelit. pesawat ulang-alik, atau wahana lainnya. Obyek yang diindera

atau yang ingin diketahui berupa obyek di permukaan bumi, di dirgantara, atau di

antariksa. Penginderaannya dilakukan dari jarak jauh sehingga ia disebut

penginderaan jauh.

Penginderaan jauh juga merupakan berbagai teknik yang dikembangkan

untuk perolehan dan analisis informasi tentang bumi. Informasi tersebut khusus

berbentuk radiasi elektromagnetik yang dipantulkan atau dipancarkan dari

permukaan bumi (Lindgren, 1985).

Pengertian Segmentasi Citra

Segmentasi citra adalah suatu proses membagi suatu citra menjadi wilayah-wilayah yang

homogen (Jain, 1989). Menurut Jain (1989), segmentasi citra dapat dibagi dalam

beberapa jenis, yaitu dividing image space dan clustering feature space. Jenis yang

pertama adalah teknik segmentasi dengan membagi image manjadi beberapa bagian

untuk mengetahui batasannya, sedangkan teknik yang kedua dilakukan dengan cara

memberi index warna pada tiap piksel yang menunjukkan keanggotaan dalam suatu

segmentasi

Adapun teknik segmentasi tersebut dapat dilakukan dengan beberapa

pendekatan sebagai berikut :

1) Pendekatan Edge-Based

Pendekatan ini melakukan proses deteksi sisi dengan operator gradient.

Masukannya berupa citra gray level dan keluarannya berupa citra edge

(biner). Selanjutnya dilakukan proses region growing dengan masukan citra

asli (gray-level) dan citra edge. Proses pembentukan suatu wilayah akan

berhenti bila menjumpai piksel edge. Kekurangan dari pendekatan ini adalah

belum tentu menghasilkan edge yang kontinu, mengakibatkan terjadinya

kebocoran wilayah (wilayah-wilayah yang tidak tertutup).

2) Pendekatan Region-Based

Pendekatan ini memerlukan criteria of uniformity, memerlukan penyebaran

seeds atau dapat juga dengan pendekatan scan line, kemudian dilakukan

proses region growing. Kekurangan dari pendekatan ini adalah belum tentu

menghasilkan wilayah-wilayah yang bersambungan.

3) Pendekatan Hybrid

Pendekatan ini melakukan proses deteksi sisi untuk menhasilkan citra sisi (piksel edge

dan piksel non-edge), melakukan pemisahan wilayah dengan metode connected region.

(Connected regions adalah set piksel 4-tetangga yang bukan piksel edge), dan

selanjutnya dilakukan proses merging regions. Pendekatan ini bertujuan untuk

mendapatkan hasil segmentasi dengan wilayah-wilayah yang tertutup dan bersambungan

Pengertian Multi Resolusi

Di dalam penginderaan jauh ada 4 istilah resolusi yakni:

1) Resolusi Spasial

Resolusi spasial adalah ukuran terkecil obyek yang dapat direkam oleh suatu

sistem sensor. Dengan kata lain maka resolusi spasial mencerminkan

kerincian informasi yang dapat disajikan oleh suatu sistem sensor. Ada dua

cara menyatakan resolusi spasial, yakni:

a) Resolusi citra.

Resolusi Citra (image resolution) dapat diartikan sebagai kualitas lensa

yang dinyatakan dengan jumlah maksimum garis pada tiap milimeter

yang masih dapat dipisahkan pada citra. Misal tiap garis tebalnya 0,01

mm. Ruang pemisah antara tiap garis juga sebesar 0,01 mm. Berarti tiap

garis menempati ruang selebar 0,02 mm atau pada tiap mm ada 50

garis. Dalam contoh ini berarti resolusi citranya sebesar 50

garis/mm. Secara teoritik maka resolusi citra yang terbaik 1.430

garis/mm.

b) Resolusi medan.

Resolusi Medan (ground resolution) ialah ukuran terkecil obyek di medan

yang dapat direkam pada data digital maupun pada citra. Pada data digital

resolusi medan dinyatakan dengan piksel. Semakin kecil ukuran terkecil

yang dapat direkam oleh suatu sistem sensor, berarti sensor itu semakin

baik karena dapat menyajikan data dan informasi yang semakin rinci.

Resolusi spasial yang baik dikatakan resolusi tinggi atau halus, sedang yang

kurang baik berupa resolusi kasar atau rendah. Disamping itu dinyatakan

dengan ukuran dalam meter di lap atau dalam meter per piksel pada citra

(Rm/piksel), resolusi medan juga dapat dinyatakan dengan ukuran dalam

meter di lap yang dapat digambarkan oleh sepasang garis pada citra atau

Rm/Lp (meter per line pairs).

Resolusi Spasial dipengaruhi:

a) Skala; semakin besar skala semakin baik resolusinya.

b) Panjang gelombang tenaga elektromagnetik yang digunakan.

2) Resolusi spectral

Resolusi spektral menunjukkan kerincian λ yang digunakan dalam perekaman

obyek.Contoh resolusi spektral SPOT-XS lebih rinci daripada SPOT-

P. Keunggulan citra multispektral ialah meningkatkan kemampuan mengenali

obyek karena perbedaan nilai spektralnya sering lebih mudah dilakukan pada

saluran sempit. Tiga data multi spektral hitam putih dapat dihasilkan citra

berwarna. Apabila data multispektral itu tersedia dalam digital akan dapat

diolah dengan bantuan komputer. Kelemahannya ialah bahwa resolusi

spasialnya menjadi lebih rendah. Artinya antara resolusi spasial dan resolusi

spektral terjadi hubungan berkebalikan.

3) Resolusi Temporal

Resolusi temporal adalah frekuensi perekaman ulang atas daerah yang

sama. Sebagai contoh resolusi temporal ini:

a) Landsat generasi 1 : 18 hari

b) Landsat generasi 2 : 16 hari

c) SPOT : 26 hari atau 6-7 kali/bulan karena sensor dapat ditengokkan arah

perekamannya

d) Satca NOAA : 12 jam

4) Resolusi Radiometrik

Resolusi radiometrik memiliki arti sebagai kepekaan sensor terhadap

perbedaan terkecil kekuatan sinyal. Dengan sensor termal misalnya, kalau

sensor 1 mampu merekam beda suhu terkecil 0,2 C dan sensor 2 mampu

merekam beda suhu terkecil 0,5 C; berarti resolusi radiometrik sensor 1 lebih

baik dari pada sensor 2.

Dari keempat jenis resolusi ini maka resolusi spasial merupakan resolusi yang

terpenting. Kalau orang menyebut resolusi tanpa diikuti keterangan apapun, maka

yang dimaksud adalah resolusi spasial.

Resolusi spasial berbanding terbalik dengan resolusi spectral dan resolusi temporal

sedangkan berbanding lurus dengan resolusi radiometrik. Hubungan antara resolusi

spasial dengan resolusi temporal menimbulkan pilihan yang tidak mudah antara

keduanya. Sulit untuk memilih antara foto udara (rinci) atau citra satelit yang frekuensi

perekaman ulangnya lebih sering. Kerincian penting untuk studi kekotaan misalnya dan

resolusi temporal yang tinggi penting untuk memantau perubahan cepat seperti

pemekaran kota, pengurangan luas hutan, dsb

Tutupan Lahan

Tutupan lahan atau bisa disebut dengan Land Cover ialah materi fisik yang

ada di permukaan bumi, tutupan lahan termasuk rumput, aspal, pohon, tanah,

gunung, pemukiman penduduk, air, dan lain-lain. Pengetahuan tentang tutupan

lahan sangat penting untuk banyak perencanaan dan manajemen lahan seta

esensial untuk pemodelan dan pemahaman tentang bumi sebagai suatu

sistem(Kiefer, et al, 1993). Unites State Geological Survey (USGS) mendesain

penggunaan lahan (land use) dan sistem klasifikasi tutupan lahan (land cover)

untuk digunakan pada penginderaan jauh pada pertengahan tahun 1970

an(Anderson et al., 1976).

Ada 2 metode utama untuk mendapatkan informasi mengenai tutupan lahan,

yaitu dengan studi lapangan atau dengan penginderaan jauh. Tutupan lahan (land

cover) berbeda dengan penggunaan lahan (land use) walau mereka sering

disalahartikan. Penggunaan lahan lebih memfokuskan pada bagaimana orang

mengatur lahan untuk kegiatan sosial ekonomi, migrasi, dan agrikultur. Sedangkan

tutupan lahan lebih mengarah kepada penampakan lahan secara alamiah tanpa

diatur manusia seperti hutan, laut, danau. Pemetaan penggunaan lahan dan tutupan

lahan sebaiknya dipisah menurut sistem USGS, tapi, biasanya akan lebih efisisen

jika kita menggabungkan keduanya. Jadi, informasi dari tutupan lahan itu dapat

digunakan oleh penggunaan lahan, misalnya untuk mendeteksi kegiatan manusia

di lingkungan tersebut.

Sistem klasifikasi tutupan lahan dan penggunaan lahan USGS memiliki

kriteria yang harus dipenuhi seperti: (1) akurasi interpretasi penginderaan jauh

level minimum setidaknya 85%, (2) akurasi interpretasi untuk beberapa kategori

setidaknya sama, (3) hasil yang berulang harus didapat oleh banyak interpreter dan

dari penginderaan jauh yang berbeda-beda pula, (4) sistem klasifikasi dapat di

aplikasikan pada area yang ekstensif, (5) pengkategorisasian memperbolehkan

penggunaan lahan disimpulkan dari jenis tutupan lahan, (6) sistem klasifikasi

harus cocok pada penginderaan jauh dan juga dapat dipakai untuk tahun

mendatang, (7) kategori harus dapat dibagi lagi menjadi sub kategori yang lebih

detail yang didapat dari gambar skala besar atau survey lahan, (8) pengagregasian

kateogri dimungkinkan (9) perbandingan antara penggunaan lahan dan tutupan

lahan antara yang sekarang dan yang akan datang dimungkinkan, (10)

penggunaan-penggunaan dari lahan harus bisa di ketahui jika memungkinkan.

USGS membagi tutupan lahan dan penggunaan lahan menjadi IV level

dimana level I merepresentasikan data yang diambil dari satelit dengan resolusi

rendah sampai menengah (Landsat MSS data; resolusi 20-100m ), level II dengan

foto udara skala kecil dengan resolusi menengah (Landsat TM data; resolusi 5-20

m), level III dengan foto udara skala medium; satelit dengan resolusi tinggi

(IKONOS; resolusi 1-5m) dan level IV merupakan foto udara dengan skala besar

(resolusi 0,25-1 m).

Berikut akan dijelaskan klasifikasi umum USGS dari Level I – Level III,

diambil contoh perkotaan (urban) atau daerah terbangun (built-up area) (level I)

dan dibagi-bagi menjadi beberapa kategori pada level II-nya yaitu tempat tinggal,

komersial dan layanan; industri; trasnportasi, komunikasi, dan keperluan lain;

komplek industri dan komersial; gabungan perkotaan atau bangunan; perkotaan

lain atau lahan buatan. Dari level II tempat tinggal, dapat dibagi-bagi lagi menjadi

yang lebih kecil pada level III seperti 1 keluarga, lebih dari 1 keluarga, kelompok,

hotel, parkir mobil, penginapan sementara, dan masih banyak lagi.

Berikut sistem Klasifikasi USGS level I dan Level II

Level I Level II 1 Urban or built-up land 1 1 Residential 1 2 commercial and service 1 3 Industrial 1 4 transportation, communication, and utilities 1 5 Industrial and commercial complexes 1 6 Mixed urban or built-up land 1 7 Other urban or built-up land 2 Agricultural land 2 1 Cropland and pasture 2 2 Orchards, groves, vineyards, nurseries and ornamental horticultural areas

2 3 Confined feeding operation 2 4 Other agricultural land 3 Range land 3 1 Herbaceous rangeland 3 2 Shrub and brush rangeland 3 3 Mixed rangeland 4 Forest Land 4 1 Deciduous forest land 4 2 Evergreen forest land 4 3 Mixed forest land 5 water 5 1 Streams and canals 5 2 Lakes 5 3 reservoirs 5 4 Bays and estuaries 6 wetland 6 1 Forested wetland 6 2 Nonforested Wetland 7 Barren Land 7 1 Dry salt flats 7 2 Beaches 7 3 Sandy areas other than beaches 7 4 Bare Exposed Rock 7 5 Strip mines, quarries, and gravel pits 7 6 transitional areas 8 Tundra 8 1 Shrub and brush tundra 8 2 Herbaceous Tundra 8 3 Bare ground tundra 8 4 wet tundra 9 Parennial snow or ice 9 1 Parennial snowfileds 9 2 glaciers

Tabel 2.1 Sistem Klasifikasi USGS level I dan Level II

Selain itu juga dijelaskan mengenai daerah terbangun (built-up land) untuk setiap

level dari level I, level II dan level III dan dapat dilihat secara lebih rinci pada bagan

berikut.

Gambar 2.6 Level I, Level II dan Level III pada perkotaan atau daerah terbangun

2.6 Algoritma Region Growing

Algoritma berbasis region adalah algoritma segmentasi yang akan digunakan

dalam penelitian ini untuk mensegmentasi tutupan lahan. Dari namanya, kita dapat

menyimpulkan bahwa region growing adalah prosedur pengelompokan piksel atau

sub region menjadi region yang lebih besar berdasar kriteria yang ada (Gonzales

and Wintz, 1987). Pemilihan satu starting point atau lebih berdasar pada

masalahnya. Jika informasinya kurang lengkap, maka prosedurnya adalah dengan

mengkomputasi semua piksel dengan properti yang sama untuk membuatnya

menjadi region selama proses growing, jika hasilnya menunjukkan nilai kluster,

maka piksel di mana propertinya mendekati kluster tersebut akan menjadi seed.

Algoritma ini umum digunakan untuk segmentasi obyek pada berbagai

karakteristik citra multi resolusi dan multi spektral yang dipengaruhi oleh beberapa

faktor seperti image layer weight, scale parameter, shape and color dan

smoothness and compactness.

Parameter image layer weight dapat diketahui dari masing-masing layer pada

citra yang akan diteliti sedangkan scale parameter diperoleh dari nilai keragaman

maksimum yang dimungkinkan dari suatu obyek pada citra.

Shape and color merupakan parameter tambahan yang dapat mempengaruhi

penggabungan piksel kedalam group. Bentuk (shape) suatu obyek pada citra

dipengaruhi oleh smoothness (kehalusan) dan compactness (kekompakan) dari

obyek tersebut. Smoothness adalah hubungan antara panjang batas suatu obyek (l)

dengan perimeter dari bounding box suatu obyek. Sedangkan kekompakan adalah

hubungan antar panjang batas suatu obyek (l) dengan akar dari jumlah piksel (n)

yang menyusun obyek tersebut.

Metode region growing pertama ialah seeded region growing yang

mengambil seed sebagai input bersama dengan image. Seed ini menandai setiap

obyek yang akan di segmentasi. Region atau wilayahnya secara berulang-ulang

dikembangkan dengan membandingkan semua piksel berikutnya yang tidak

dialokasikan ke dalam region dan perbedaan antara nilai intensitas piksel dan nilai

rata-rata dari region digunakan untuk mengukur kesamaan. Piksel yang memiliki

perbedaan paling kecil setelah diukur dialokasikan ke respective region dan diulang

sampai semua piksel telah teralokasikan ke region. Seeded region growing ini

membutuhkan seed sebagai input tambahan, hasil segmentasinya dependan

tergantung dari pilihan seednya.

Noise dalam image dapat menyebabkan seed diletakkan ditempat yang

kurang baik. Unseeded region growing memiliki algoritma yang telah dimodifikasi

sehingga tidak membutuhkan explicit seeds. Semua di mulai dari single region (tidak

akan berpengaruh pada hasil segmentasi) dan setiap perulangan itu dianggap sebagai

piksel berikutnya seperti dalam algoritma region growing. Jika perbedaannya lebih

kecil dari threshold maka akan ditambah dalam respective region, jika tidak, maka

piksel itu akan dianggap sangat berbeda dan akan dibuat region baru dengan piksel

ini. Satu varian dari teknik ini berdasar pada intensitas piksel. Rata-rata dan sebaran

region serta intensitas kandidat piksel digunakan untuk mengkomputasi sebuah test

statistic, jika hasilnya cukup kecil, maka piksel itu akan di tambahkan ke dalam

region dan rata-rata serta sebaran dari region itu akan dikomputasi ulang. Jika tidak,

maka akan dibuat region baru. Secara keseluruhan, proses region growing yang kami

lakukan dalam skripsi ini dapat digambarkan dengan activity diagram berikut ini

Gambar 2.7 Proses segmentasi citra spasial multi resolusi dengan region growing

Rancangan Layar

Aplikasi yang Dibuat

Aplikasi ini bernama GeoSeg, yang merupakan singkatan dari

Geographic Segmentation. Tujuan dibuatnya aplikasi ini adalah untuk

melakukan proses segmentasi pada gambar-gambar geografis. Pada

aplikasi ini terdapat beberapa menu dengan fungsi masing-masing.

Berikut akan dijelaskan isi dari menu-menu yang ada beserta fungsi dan

tujuan dibuatnya menu tersebut.

1) Menu File

Menu file terdiri atas sub menu open image, save as, dan exit.

Sub menu open image digunakan untuk membuka gambar yang

diinginkan pengguna untuk diproses dengan menggunakan aplikasi

ini. Sub menu ini bisa dibuka dengan shortcut ctrl+O. Gambar yang

bisa dibuka adalah format gambar yang umum digunakan, yaitu .jpg,

.bmp, .png.

Sub menu save as digunakan untuk menyimpan gambar yang

sudah diproses. Sub menu ini bisa juga menggunakan shortcut+S.

Gambarnya pun disimpan dengan format .jpg, .bmp, .png. Apabila

belum ada gambar yang dibuka, maka gambar tidak akan bisa

disimpan.

Sub menu exit berguna untuk keluar dari aplikasi. Sebelum

keluar akan keluar pesan ucapan terima kasih kepada pengguna

karena telah menggunakan aplikasi ini.

Gambar 4.1 Tampilan pada menu File

2) Menu Edit

Menu edit ini bertujuan untuk memudahkan pengguna dalam

penggunaan aplikasi ini. Di dalam menu edit terdapat sub menu undo

dan redo. Sub menu undo berguna untuk kembali ke gambar sebelum

diproses apabila terjadi kesalahan. Sedangkan sub menu redo

berguna untuk membatalkan proses undo, yaitu kembali ke gambar

yang telah diproses.

Gambar 4.2 Tampilan pada menu Edit

3) Menu Adjust

Menu adjust sendiri berguna sebagai pengaturan tambahan dari

gambar. Pengaturan yang digunakan adalah curve, yang ada pada sub

menu curve setting. Sub menu ini digunakan untuk pengaturan pada

gambar untuk mengatur warna dari gambar apabila gambar yang

akan diproses gelap ataupun terlalu terang.

Gambar 4.3 Tampilan pada menu Adjust

4) Menu Analysis

Kegunaan dari menu ini adalah untuk mengetahui grafik histogram

dari gambar yang dibuka. Histogram yang ditunjukkan dengan

histogram untuk warna merah (red), hijau (green), dan biru (blue).

Sedangkan sub menu histogram equalization berfungsi untuk

melakukan keseimbangan antara histogram sebelumnya. Jadi hasil

yang dihasilkan grafik histogram yang kurang lebih seimbang (equal)

untuk masing-masing warna.

Gambar 4.4 Tampilan pada menu Analysis

5) Menu Segmentation

Menu ini berfungsi untuk melakukan proses segmentasi terhadap

gambar. Segmentasi yang digunakan adalah region growing. Proses

segmentasi ini terdapat pada sub menu region growing, yang dapat

juga diakses dengan menggunakan shortcut ctrl+R. Tujuan dari

segmentasi adalah memisahkan gambar menjadi beberapa bagian

wilayah sehingga mudah untuk dianalisis.

Gambar 4.5 Tampilan pada menu Segmentation

SIMPULAN

Penelitian ini dapat menyimpulkan beberapa hal, antara lain :

1) Segmentasi dapat dilakukan untuk tiap-tiap objek geografis pada berbagai tingkat

resolusi spasial dan format citra satelit dan foto udara.

2) Segmentasi dan informasi spasial objek dapat digunakan untuk menyusun

klasifikasi tutupan lahan pada berbagai resolusi spasial dan format citra satelit

dan foto udara.

3) Bmp merupakan format terbaik yang digunakan sebagai masukan dalam proses

segmentasi.

4) Proses equalisasi, memungkinkan hasil yang didapat dari tiap gambar cenderung

sama untuk semua format citra.

5) Nilai threshold yang digunakan untuk masing-masing resolusi spasial tidak selalu

sama, tergantung jenis objek dan resolusi spasial citra.

SARAN

Melengkapi penelitian ini, penulis menyarankan untuk melakukan beberapa hal yang

dapat meningkatkan hasil segmentasi citra untuk klasifikasi tutupan lahan :

1) Preprocessing citra.

2) Automatic seed point.

3) Konversi data raster ke vektor.

DAFTAR PUSTAKA

Anderson, J. E., R.L. Fischer, and S.R. Deloach. (1976). A Land Use and Land Cover

Classification System for Use with Remote Sensor Data. Geological Survey

Professional Paper 964. Washington, DC : U. S. Government Printing Office.

Anil K. Jain. (2007). Fundamentals of Digital Image Processing. New Jersey : Prentice-

Hall.  

Burger, Wilhem dan Burge, Mark James. (2008). Digital Image Processing: An

Algorithmic Introduction using Java. (1st Edition), New York : Springer

Science+Business Media,LLC.

DigitalGlobe. 2006. Quickbird Imagery Products: Product Guide. DigitalGlobe,

Longmont Colorado.

D. Lindgren. (1985). Land Use Planning and Remote Sensing. United States of America

: Springer Verlag.

Gonzales R. C. dan Wintz P. (1987). Digital Image Processing. United States of

America : Addison-Wesley.

Kulkarni, Arun D. (2001). Computer Vision and Fuzzy-Neural Systems, New Jersey :

Prentice-Hall, Inc.

Lilesand,T.M, Kiefer, R.W, and Chipman, J.W. (1993). Remote Sensing and Image

Interpretation. United States of America : Addison-Wesley.

Lilesand,T.M, Kiefer, R.W, and Chipman, J.W. (2004). Remote Sensing and Image

Interpretation. (5th Edition). United States of America : Addison-Wesley.

M. Petrou and P. Bosdogianni. (2004). Image Processing the Fundamentals. UK :

Wiley.

R. C. Gonzalez and R.E. Woods. (2002). Digital Image Processing. (2nd Edition). New

Jersey : Prentice Hall.

R. P. H. M. Schoenmakers, G. G. Wilkinson, Th. E. Schouten. (1991). Segmentation of

remotely-sense images : a re-definition for operation applications. (2nd Edition).

Finland : IGARSS Espoo. 1087 – 1090.

Satellite Imaging Corporation. 2001 - 2011. Characterization of Satellite Remote

Sensing Systems. November 11th, 2011. From website :

http://www.satimagingcorp.com/characterization-of-satellite-remote-sensing-

systems.html

Simonett David S., Joseph Lintz. (1983). Remote Sensing of Environment. Addison

Wesley Longman Publishing.

Shapiro, Linda G., and Stockman, George C. (2001). Computer Vision. New Jersey

: Prentice-Hall, Inc.

S. W. Zucker. (1976). Region growing : Childhood and adolescence. Computer

Graphics and Image Processing. (5th Edition). 382-392.

Riwayat Hidup

Multi Resolution Spatial Imagery Segmentation for Land Cover Classification Using

Region Growing Algorithm

Charles School of Computer Science, Binus University, Jakarta Barat, 11480

and

Sylvianto School of Computer Science, Binus University, Jakarta Barat, 11480

Abstract

The purpose of this study is to segment objects in a variety of different geographic and spatial resolution satellite imagery and aerial photos, find out how much information can be extracted by segmenting the range and spatial resolution satellite imagery and aerial photographs, and prepare land cover classification of a variety of different spatial resolution images by experts. The research methodology used in the form of image data from aerial photographs, the image of Quickbird images, and the Region Growing algorithm for segmentation. This study, expected to get results more clearly and in a relatively faster than the manual way (digitization). The result is a clear classification of each segment (region) in a particular geographic object. The conclusions of this study is that the segmentation on a variety of spatial resolution and satellite imagery and aerial photographs, can be used to develop land cover classification. Format bitmap (bmp) format is the best compared to other image formats. Threshold values used for each spatial resolution is not always the same, depending on the type of object and spatial resolution imagery.

Keyword: Segmentation, Multi Resolution, Land Cover, Region Growing Algorithm

1. Introduction

Segmentation of objects in the image can be done by three methods, namely the threshold

(thresholding), edge-based (edge-base) and base region (region-based). Threshold method

can be performed by several approaches such as histogram shape-based, cluster-based,

entropy-based, object attribute-based, and spatial-based, but in this case, can not be used

to segment the image due to the method of geographical objects measured threshold

based on the level of intensity keabuannya degrees, while the image of geographical

objects, there are so many colors, so this method can not we use it fully and exactly in the

region growing algorithm was found or the threshold setting its threshold. Edge-based

segmentation method is a method of identifying changes in the intensity value of gray

degree of a sudden (large) within a short distance. Two steps in applying this method to

detect the boundary segment of an image region and to generate the image. Operators

commonly used in the segmentation method is Diffrential gradient, Laplacian, and Canny

operator, but once again in this case, can not be used for geographic objects because the

image of the edge-based segmentation of images that exist only to be edged image (edge

images) and not classified object. Of existing data, the region growing algorithm is used

which is expected to optimize the results of the segmentation is performed, so the results

are becoming more effective and efficient due to the region growing algorithm is used to

segment and classify the existing pixels in a region or a particular group. Previously,

these algorithms have been used in various fields such as medicine, for the purpose of

image retrieval on the gridiron sport event, but has never been used to segment the image

of geographical objects, so we will try to do a multi-resolution spatial image

segmentation and image in various formats as comparators.

Image segmentation process is now done in digitization takes a long time, greater

resources, higher costs, and also when an error occurs in the process, then the image data

so that the work needs to be reprinted again from the beginning again. Therefore, we

expect the existence of this computerized segmentation can facilitate segmentation is now

done in digitization can be performed more quickly and thoroughly.

1.1. Scope

In this segment, the scope of the segmentation process is carried out for land cover

(Land Cover) and region-based algorithm that is claimed to have better accuracy than

other algorithms. Restrictions in this thesis only Quickbird imagery and aerial

photography as a comparison of the extent to which information can be extracted by

region growing algorithm. Image taken from aerial photographs and Quickbird with an

area of the region, resolution, and the same size. Image format is used. Jpg,. Png, and.

Bmp as a comparison analysis for each format.

1.2. Purpose and Benefits

The purposes of this study are as follows:

1) Perform the geographical segmentation of different objects at different spatial

resolution satellite imagery and aerial photography.

2) Knowing how much information can be extracted by segmenting the range and

spatial resolution satellite imagery and aerial photography.

3) to develop land cover classification from a variety of different spatial resolution

images by experts.

The benefits of this database application system design are as follows:

1) Provided the extraction techniques of geographic objects from satellite images and

aerial photos automatically by means of segmentation.

2) Automatic Extraction simplify and speed up the process of object recognition and

classification of land cover in particular.

1.3. Research Methodology

In this segmentation process, the methodology used in the form of image data from aerial

photographs, the image of Quickbird images, and also the Region Growing algorithm.

1) image data

a) Aerial

Image of the photograph is an image that is printed on paper media (images) are

generated from the photo shoot with a photographic recording. This aerial photograph is

one of the products from the fields of geography in taking the object, area, or

phenomenon that is in the earth's surface using a camera with a photographic recording

process with the help of a detector or detector film. The recording film is then printed in

the chemical darkroom to get the perfect picture. Image is called image segmentation

process is then performed to obtain the desired information.

b) Quickbird image

Quickbird imagery is high resolution photo image. Occurrences Quickbird give

new hope for practitioners in the field of Regional Planning / Urban, Mining, Agriculture,

Plantations, Transportation, Advertising, Utilities, Telecommunications, Broadcasting,

and all those who need accurate and detailed data.

Quickbird advantage is being able to present the data with a resolution of up to 61 cm.

With this high resolution, a residential location can be identified per individual building,

a road network can be identified as two-sided polygon, and is no less important is the

ordering of data is very easy to do, not as complex as the manufacture of aerial

photography that requires a security clearance (permission from the security), permission

to fly line, hangar rental, aircraft rental, etc..

2) Region Growing Algorithm

The algorithm is region-based segmentation algorithm to be used in this study is to

segment the individual units of the existing classes in the image of Quickbird imagery

and aerial photographs that will be studied. This algorithm is commonly used for

segmentation of objects in a variety of characteristics of multi-image spatial resolution

and multi-image. Both types of segmented image is influenced by several factors: scale

parameter, shape and color and smoothness.

2. Theoritical Basis

2.1 Segmentation

In computer vision, segmentation refers to the process of partitioning a digital image into

multiple parts or as we know superpixels. The purpose of segmentation is to facilitate or

replace a picture becomes more meaningful and easily analyzed.

Image segmentation is the process of labeling for each pixel by pixel in the image pick the

same label have the same Characteristics. There are many segmentation methods are, for

example is thresholding, clustering, compression-based, histogram-based, edge detection,

partial differential equation-based, graph partitioning, watershed transformation, model-

based segmentation, multi-scale segmentation, semi-automatic segmentation, split-and-

merge, neural networks and the region growing segmentation. For the future, we will discuss

about the Region Growing algorithm more clearly.

2.2 Multi Resolution

In remote sensing there are four terms of resolution:

1) Spatial Resolution

The spatial resolution is the size of the smallest object that can be recorded by a sensor

system. In other words it reflects the spatial resolution of detail of information that can be

served by a sensor system. There are two ways to express the spatial resolution, namely:

a) Resolution image.

The image resolution (image resolution) can be interpreted as the quality of the lens

which is indicated by the maximum number of lines in each millimeter that can still be

separated in the image. Suppose each line of 0.01 mm thick. Dividing the space between each

line is also of 0.01 mm. Means that each line takes up space as wide as 0.02 mm or about 50

mm on each line. In this instance means the image resolution of 50 lines / mm. Theoretically

the best image resolution 1430 lines / mm.

b) Resolution field.

Resolution field (ground resolution) is the smallest size of the object in the field that can be

recorded on digital data and the image. In the field of digital data represented by pixels

resolution. The smaller the size of the smallest that can be recorded by a sensor system,

sensor means that the better because it can provide data and information is increasingly

detailed.

Good spatial resolution or high resolution fine to say, being a poor form of coarse or low

resolution. In addition to the size of the meter expressed in lap or in meters per pixel at image

(Rm / pixel), the resolution field can also be expressed by the size of the meter in the lap that

can be described by a pair of lines on the image or Rm / Lp (meters per line pairs ).

Spatial resolution is affected:

a) Scale: the larger the scale the better the resolution.

b) The wavelength of the electromagnetic force is used.

2) spectral resolution

Spectral resolution shows detail of λ used in the recording obyek.Contoh spectral resolution

SPOT-XS is more detailed than the SPOT-P. Excellence is to improve the ability of

multispectral images to recognize objects due to differences in spectral values are often more

easily done in a narrow channel. Three multi-spectral data can be produced in black and

white colored image. If it is available in the multispectral data will be processed by digital

computers. The disadvantage is that the spatial resolution becomes lower. This means that

the spatial resolution and spectral resolution of the opposite relationship occurs.

3) Temporal Resolution

Temporal resolution is the frequency of re-recording over the same area. As an example of

this temporal resolution:

a) Landsat generation 1: 18 days

b) second-generation Landsat: 16 days

c) SPOT: 26 days or 6-7 times / month because the sensor can ditengokkan perekamannya

d) Satca NOAA: 12 hours

4) radiometric resolution

Radiometric resolution has the meaning as the sensor sensitivity to the smallest difference in

signal strength. With a thermal sensor for example, if a sensor capable of recording the

smallest temperature difference 0.2 C and sensor 2 is capable of recording the smallest

temperature difference 0.5 C; mean sensor radiometric resolution better than 1 sensor 2.

Of the four types of resolution is the spatial resolution is an important resolution. When

people mention the resolution without any explanation followed, then the question is the

spatial resolution.

The spatial resolution is inversely proportional to the spectral resolution and temporal

resolution while directly proportional to the radiometric resolution. The relationship between

spatial resolution with temporal resolution that is not easily lead to a choice between the two.

It's hard to choose between the aerial photograph (detail) or a satellite image recording

frequency of repeated more frequently. Detail is important to study such urbanity and high

temporal resolution is important to monitor the rapid changes such as expansion of the town,

retreating forests, etc..

2.3 Land Cover

Land cover or can be referred to Land Cover is the physical matter that is in the earth's

surface, land cover, including grass, asphalt, trees, soil, mountains, settlements, water, and

others. Knowledge of land cover is important for a lot of planning and land management seta

essential for modeling and understanding of the earth as a system (Kiefer, et al, 1993). Unites

State Geological Survey (USGS) and designated land use (land use) and land cover

classification system (land cover) for use in remote sensing in the mid-1970s (Anderson et

al., 1976). There are two main methods to obtain information on land cover, ie a field study

or with remote sensing. Land cover (land cover) in contrast to land use (land use) even

though they are often misunderstood. Land use is more focused on how people manage land

for social and economic activities, migration, and agriculture. While land cover over land

leads to the appearance of naturally without human regulated, such as forests, oceans, lakes.

Mapping land use and land cover should be split according to the USGS system, but, usually

it would be efisisen if we combine the two. Thus, information from land cover that can be

used by land use, for example, to detect human activity in the neighborhood.

Land cover classification system and the USGS land use criteria that must be met such as: (1)

accuracy of interpretation of remote sensing at least a minimum level of 85%, (2) the

accuracy of interpretation for at least the same number of categories, (3) results must be

obtained repeatedly by many interpreters and from remote sensing are also different, (4)

classification system can be applied in an extensive area, (5) allow the categorization of land

use inferred from land cover types, (6) the system must fit the classification of remote

sensing and can also be used for the coming year, (7) categories must be subdivided into sub-

categories that further detail is obtained from large-scale drawing or survey of land, (8)

pengagregasian kateogri possible (9) the ratio between land use and land cover between the

present and the come possible, (10) the use of land-use must be in the know wherever

possible. USGS divide the land cover and land use to IV level where level I represents data

taken from satellites in low to medium resolution (Landsat MSS data; resolution of 20-

100m), level II with a small-scale aerial photographs with a medium resolution (Landsat TM

data; resolution of 5-20 m), level III with medium-scale aerial photographs; high-resolution

satellite (IKONOS; resolution of 1-5m) and level IV is a large-scale aerial photographs (from

0.25 to 1 m resolution). The following will explain the general classification of the USGS

Level I - Level III, taken the example of urban (urban) or wake region (built-up area) (level I)

and is divided into several categories at the level II of his residence, commercial and

services; industry; trasnportasi, communications, and other purposes; industrial and

commercial complexes; combined urban or building; other urban or artificial land. Level II of

residence, can be subdivided into smaller ones at level III as a family, more than one family,

group, hotel, car parking, temporary lodging, and much more.

Level I Level II 1 Urban or built-up land 1 1 Residential 1 2 commercial and service 1 3 Industrial 1 4 transportation, communication, and utilities 1 5 Industrial and commercial complexes 1 6 Mixed urban or built-up land 1 7 Other urban or built-up land

2 Agricultural land 2 1 Cropland and pasture 2 2 Orchards, groves, vineyards, nurseries and ornamental horticultural areas 2 3 Confined feeding operation 2 4 Other agricultural land 3 Range land 3 1 Herbaceous rangeland 3 2 Shrub and brush rangeland 3 3 Mixed rangeland 4 Forest Land 4 1 Deciduous forest land 4 2 Evergreen forest land 4 3 Mixed forest land 5 water 5 1 Streams and canals 5 2 Lakes 5 3 reservoirs 5 4 Bays and estuaries 6 wetland 6 1 Forested wetland 6 2 Nonforested Wetland 7 Barren Land 7 1 Dry salt flats 7 2 Beaches 7 3 Sandy areas other than beaches 7 4 Bare Exposed Rock 7 5 Strip mines, quarries, and gravel pits 7 6 transitional areas 8 Tundra 8 1 Shrub and brush tundra 8 2 Herbaceous Tundra 8 3 Bare ground tundra 8 4 wet tundra 9 Parennial snow or ice 9 1 Parennial snowfileds 9 2 glaciers

USGS level I dan Level II Classification System Table

It also described the wake region (built-up land) for each level from level I, level II and level III and can be viewed in more detail in the following chart.

2.4 Region Growing Algorithm

The region-based algorithm is the segmentation algorithm to be used in this study is to

segment land cover. From the name, we can conclude that the region growing is a procedure

of grouping pixels or sub-region into a larger region based on existing criteria (Gonzales and

Wintz, 1987). The selection of a starting point or more, based on the problem. If the

information is incomplete, the procedure is to compute all pixels with similar properties to

make it into the region during the process of growing, if the results show the value of the

cluster, then the pixels in which the property will be close to the cluster seed. This algorithm

is commonly used for segmentation of objects in a variety of characteristics of multi-image

and multi-spectral resolution is influenced by several factors such as image layer weight,

scale parameter, shape and color and smoothness and compactness.

Image layer parameters can be determined from the weight of each layer to the image that

will be examined while the scale parameter is obtained from the diversity of the maximum

permissible value of an object in the image.

Shape and color is an additional parameter that can influence the incorporation of pixels into

the group. Form (shape) of an object in the image is affected by the smoothness (smoothness)

and compactness (cohesion) of the object. Smoothness is the relationship between the length

of the boundary of an object (l) with a perimeter of the bounding box of an object. While

compactness is the relationship between the length of the boundary of an object (l) to the root

of the number of pixels (n) that make up the object.

The first region growing method is seeded region growing seed that takes as input along with

the image. This seed will mark every object in the segmentation. Region or area repeatedly

were developed by comparing all subsequent pixels that are not allocated to the region and

the difference between the pixel intensity value and the average value of the region used to

measure the similarity. Pixels which have the smallest difference after measured and

allocated to the respective region is repeated until all pixels have been allocated to the region.

Seeded region growing requires a seed as an additional input, the result depends on the

choice of segmentation dependant seed.

Noise in the image can cause seed put into place that is not good. Unseeded region growing

algorithm that has been modified so it does not require explicit seeds. All at the start of the

single region (no effect on the outcome of segmentation), and each iteration is considered as

the next pixel in the region growing algorithm. If the difference is smaller than the threshold

it will be added in the respective region, if not, then the pixels that would be very different

and new regions will be created with this pixel.

One variant of this technique based on pixel intensity. Average and the distribution of

candidate region and the intensity of pixels used to compute a test statistic, if the result is

small enough, then the pixels that will be added to the region and the average and distribution

of the region will be re-computed. If not, then it will be a new region.

3. Conclusion

This study can conclude several things, among others:

1) Segmentation can be done for each object at different levels of geographic and spatial

resolution satellite imagery and aerial photography.

2) Segmentation and object spatial information can be used to compile the various land cover

classification and spatial resolution satellite imagery and aerial photography.

3) bmp is the best format that is used as input in the process of segmentation.

4) The process of equalization, enabling the results obtained from each image tend to be

equal for all image formats.

5) The threshold used for each spatial resolution is not always the same, depending on the

type of object and spatial resolution imagery.

4. Advice

Complementing this study, the authors suggest to do some things to improve the image

segmentation for classification of land cover:

1) Preprocessing the image.

2) Automatic seed point.

3) Convert raster to vector data

References

Anderson, J. E., R.L. Fischer, and S.R. Deloach. (1976). A Land Use and Land Cover

Classification System for Use with Remote Sensor Data. Geological Survey Professional

Paper 964. Washington, DC : U. S. Government Printing Office.

Anil K. Jain. (2007). Fundamentals of Digital Image Processing. New Jersey : Prentice-Hall.  

Burger, Wilhem dan Burge, Mark James. (2008). Digital Image Processing: An

Algorithmic Introduction using Java. (1st Edition), New York : Springer

Science+Business Media,LLC.

DigitalGlobe. 2006. Quickbird Imagery Products: Product Guide. DigitalGlobe, Longmont

Colorado.

D. Lindgren. (1985). Land Use Planning and Remote Sensing. United States of America :

Springer Verlag.

Gonzales R. C. dan Wintz P. (1987). Digital Image Processing. United States of America :

Addison-Wesley.

Kulkarni, Arun D. (2001). Computer Vision and Fuzzy-Neural Systems, New Jersey :

Prentice-Hall, Inc.

Lilesand,T.M, Kiefer, R.W, and Chipman, J.W. (1993). Remote Sensing and Image

Interpretation. United States of America : Addison-Wesley.

Lilesand,T.M, Kiefer, R.W, and Chipman, J.W. (2004). Remote Sensing and Image

Interpretation. (5th Edition). United States of America : Addison-Wesley.

M. Petrou and P. Bosdogianni. (2004). Image Processing the Fundamentals. UK : Wiley.

R. C. Gonzalez and R.E. Woods. (2002). Digital Image Processing. (2nd Edition). New Jersey :

Prentice Hall.

R. P. H. M. Schoenmakers, G. G. Wilkinson, Th. E. Schouten. (1991). Segmentation of

remotely-sense images : a re-definition for operation applications. (2nd Edition). Finland :

IGARSS Espoo. 1087 – 1090.

Satellite Imaging Corporation. 2001 - 2011. Characterization of Satellite Remote Sensing

Systems. November 11th, 2011. From website :

http://www.satimagingcorp.com/characterization-of-satellite-remote-sensing-

systems.html

Simonett David S., Joseph Lintz. (1983). Remote Sensing of Environment. Addison Wesley

Longman Publishing.

Shapiro, Linda G., and Stockman, George C. (2001). Computer Vision. New Jersey :

Prentice-Hall, Inc.

S. W. Zucker. (1976). Region growing : Childhood and adolescence. Computer Graphics and

Image Processing. (5th Edition). 382-392.