MODUL 4

MORFOLOGI DAN SEGMENTASI CITRA

I. MORFOLOGI CITRA

Morfologi adalah cabang dari pengolahan citra digital yang berguna untuk menganalisa bentuk dari citra. Operasi matematika yang mendukung morfologi citra adalah translasi dan refleksi.

a. Translasi

Diasumsikan A adalah himpunan pixel pada citra biner dan w = (x,y) adalah koordinat suatu titik. Kemudian Aw adalah himpunan A ditranslasi / digeser pada arah (x,y), seperti pada persamaan berikut:

Contoh:

Himpunan A digeser pada arah x dan y sesuai dengan nilai w yang diberikan.

b. Refleksi

Jika A adalah himpunan pixel kemudian dilakukan refleksi / pencerminan dengan notasi maka persamaan matematikanya sebagai berikut:

Contoh:

Operasi morfologi citra terdiri dari:

1. Dilasi

Diasumsikan A dan B adalah himpunan pixel kemudian dilasi A oleh B dinotasikan

yang didefinisikan sebagai:

we translate by those cooordinates, then take the union of all these translations.

setiap titik , kemudian melakukan translasi A maka diambil operasi union/ gabungan dari semua translasi ini. Berikut ini persamaan matematika dari operasi dilasi:

Untuk dilasi, A adalah citra yang diproses dan B adalah himpunan kecil dari pixel atau disebut sebagai structuring element atau kernel. Pada matlab dideklarasikan sebagai berikut:

imdilate(image,kernel)

Contoh:

2. Erosi

Given sets A and, the erosion of by written , is defined as :

Diberikan himpunan A dan B, erosi A oleh B, ditulis A-B didefinisikan sebagai:

;

For erosion, we generally assume that A is the image being processed and B is a small set of pixels. In this case B is referred to as a structuring element or as kernel

Untuk erosi, diasumsikan A adalah citra yang diproses dan B adalah himpunan kecil dari pixel atau disebut sebagai structuring element atau kernel. Pada matlab dideklarasikan sebagai berikut:

imerode(image,kernel)

Contoh:

HUBUNGAN ANTARA EROSI DAN DILASI. Dari penjelasan-penjelasan

sebelumnya, dapat dilihat bahwa erosi merupakan invers dari dilasi begitu juga

sebaliknya. Lebih tepatnya lagi bahwa, complement dari sebuah erosi sama

dengan dilasi dari complementnya :

dan

3. Opening

Operasi ini merupakan operasi tingkat kedua yang dibangun berdasarkan operasi dasar dilasi dan erosi. Misalkan terdapat himpunan A dan sebuah kernel B, operasi opening A oleh B dinotasikan dengan A o B yang didefinisikan sebagai berikut :

Operasi Opening terdiri dari erosi yang diikuti dengan dilasi. Definisi yang sama dari operasi opening adalah:

Operasi opening A oleh B adalah union dari semua translasi B yang tepat berada pada A. Perbedaan dengan erosi adalah: erosi terdiri semua titik pusat B yang translasinya tepat berada pada A.

4. Closing

Sama halnya dengan operasi opening, operasi closing merupakan operasi dilasi yang diikuti dengan erosi dan dilambangkan dengan A B dan didefinisikan sebagai berikut:

Contoh Aplikasi:

Penghilangan Noise

Contoh dari citra ini dapat dilihat pada gambar dibawah ini. Proses erosi (A-B) dapat menghapus pixel-pixel berwarna hitam, tetapi proses ini dapat memperbesar lubang. Kita dapat mengisi lubang-lubang ini dengan melakukan operasi dilasi dua kali:

Dilasi pertama akan mengembalikan lubang ke ukuran asli; sedangkan dilasi yang kedua akan menghapus lubang-lubang tersebut. Hal ini dapat memperbesar objek pada citra dan kita dapat mengurangi ukuran object ini dengan operasi erosi yang terakhir.

Jika kita perhatikan dua operasi pertama merupakan operasi opening sedangkan dua operasi berikutnya adalah operasi closing. Maka dapat dikatakan bahwa jika kita ingin menghilangkan noise yang terdapat pada citra maka kita dapat melakukan operasi opening yang kemudian diikuti dengan operasi closing :

Operasi ini disebut dengan morphological filtering

Gambar citra yang didalamnya terdapat noise dan citra hasil operasi opening yang diikuti dengan operasi closing dapat dilihat pada gambar dibawah ini:

Gambar x. Proses morphological filtering dengan kernel yang berbeda pada citra yang didalamnya terdapat noise. (a) citra noise ; (b) hasil filtering dengan kernel square ; (c) hasil filtering dengan kernel cross

II. SEGMENTASI CITRA

Segmentasi citra (image segmentation) mempunyai arti membagi suatu citra menjadi wilayah wilayah yang homogen berdasarkan kriteria keserupaan yang tertentu antara tingkat keabuan suatu piksel dengan tingkat keabuan piksel piksel tetangganya, kemudian hasil dari proses segmentasi ini akan digunakan untuk proses tingkat tinggi lebih lanjut yang dapat dilakukan terhadap suatu citra, misalnya proses klasifikasi citra dan proses identifikasi objek

Terdapat dua pendekatan utama dalam segmentasi citra yaitu didasarkan pada tepi (edge-based) dan didasarkan pada wilayah (region-based). Segmentasi didasarkan pada tepi membagi citra berdasarkan diskontinuitas di antara sub-wilayah (sub-region), sedangkan segmentasi yang didasarkan pada wilayah bekerjanya berdasarkan keseragaman yang ada pada sub-wilayah tersebut. Dalam computer vision, segmentasi mengacu pada proses pembagian citra digital ke dalam multiple region (himpunan pixel). Tujuan akhir dari segmentasi adalah menyederhanakan dan atau merubah representasi suatu citra ke dalam gambaran yang lebih mempunyai arti dan lebih mudah untuk di analisa. Segmentasi citra secara khusus digunakan untuk melokalisasi objek atau batas ( bisa berupa garis, kurva, dll) dalam citra. Hasil dari segmentasi citra adalah sekumpulan wilayah yang melingkupi citra tersebut, atau sekumpulan kontur yang diekstrak dari citra (pada deteksi tepi). Contoh segmentasi dapat dilihat dalam gambarberikut : Tiap piksel dalam suatu wilayah mempunyai kesamaan karakteristik atau propeti yang dapat dihitung (computed property), seperti : warna (color), intensitas (intensity),dan tekstur (texture).

Gambar 1.1 Contoh Segmentasi

Segmentasi wilayah merupakan pendekatan lanjutan dari deteksi tepi. Dalam deteksi tepi segmentasi citra dilakukan melalui identifikasi batas-batas objek (boundaries of object). Batas merupakan lokasi dimana terjadi perubahan intensitas. Dalam pendekatan didasarkan pada wilayah, maka identifikasi dilakukan melalui wilayah yang terdapat dalam objek tersebut. Adapun beberapa teknik atau algoritma yang termasuk dalam segmentasi citra yaitu :

1. Metode pengelompokkan (Clustering Methods).

2. Histogram-Based Methods.

3. Edge Detection Methods.

4. Region Growing Methods.

5. Level Set Methods

6. Graph Partitioning Methods

7. Watershed Transformation

8. Model based segmentation

9. Multi-scale segmentation

10. Semi-automatic segmentation

Metodologi berbasis region dibagi menjadi :

1. Metodologi berbasis transformasi region

Metodologi berbasis transformasi region (wilayah) dibagi menjadi :

Region Growing

Region Splitting

Region Merging

Segmentasi berbasis Region Growing

Contoh segmentasi region growing yaitu transformasi watershed.

2. Metodologi berbasis histogram

Berikut adalah CODE MATLAB UNTUK REGION GROWING

function regrow(x)f1=imread(x);f=double(f1);s=255;t=65; if numel(s)==1 si=f==s; s1=s;else si=bwmorph(s,'shrink',Inf); j=find(si); s1=f(j);endti=false(size(f));for k=1:length(s1) sv=s1(k); s=abs(f-sv)