SEGMENTASI: pengertian, konsep, jenis algoritma
- 1. SEGMENTASI
- 2. DASAR • Proses pemisahan objek yang satu dengan objek yang yang lain dalam suatu gambar (citra) menjadi objek- objek berdasarkan karakteristik tertentu. • proses membagi gambar digital menjadi beberapa segmen (kumpulan piksel) untuk menyederhanakan representasi gambar atau membuatnya lebih bermakna dan lebih mudah dianalisis. • Proses segmentasi berhenti ketika obyek yang dicari telah ditemukan. • Pada citra yang mengandung hanya satu objek,objek dibedakan dari latarbelakangnya.
- 3. Proses untuk mengidentifikasi kelompok piksel yang memiliki kesamaan
- 4. • Proses segmentasi citra dilakukan untuk membentuk objek citra. • Proses segmentasi mengelompokkan piksel piksel bertetangga berdasarkan kemiripan nilai piksel. • Algoritma segmentasi dapat dikelompokkan menjadi tiga kelompok, yaitu: 1.Histogram-based segmentation 2.Region-based segmentation 3.Edge detection
- 5. KATEGORI TEKNIK SEGMENTASI Segmentasi Berbasis Ambang (Thresholding) • Global Thresholding: Menggunakan satu nilai ambang untuk seluruh gambar. • Local Thresholding: Menggunakan nilai ambang yang bervariasi berdasarkan wilayah gambar. • Otsu’s Method: Metode otomatis untuk menentukan ambang batas dengan memaksimalkan antara-kelas varian. • Sauvola Method :
- 6. KATEGORI TEKNIK SEGMENTASI Segmentasi Berbasis Region • Region Growing: Memulai dari seed point dan memperluas region berdasarkan kesamaan piksel. • Region Splitting and Merging: Membagi gambar menjadi sub- region dan kemudian menggabungkannya berdasarkan kriteria homogenitas
- 7. KATEGORI TEKNIK SEGMENTASI Segmentasi Berbasis Edge (Deteksi Tepi) • Edge Detection: Menggunakan operator seperti Sobel, Canny untuk mendeteksi tepi dan kemudian memisahkan segmen. • Watershed Transformation: Menganggap gambar sebagai topografi dan memisahkan daerah aliran sungai.
- 8. KATEGORI TEKNIK SEGMENTASI Segmentasi Berbasis Klaster (Clustering) • K-Means Clustering: Mengelompokkan piksel ke dalam k cluster berdasarkan kesamaan warna atau intensitas. • Mean Shift Clustering: Menggunakan estimasi densitas kernel untuk menemukan cluster. • Fuzzy C-Means: Mengizinkan satu piksel untuk menjadi anggota beberapa cluster dengan derajat keanggotaan.
- 9. APLIKASI • Kuantifikasi property dari objek-objek didalam citra • Berapa ukuran tumor? Apakah membesar atau mengecil? • Analisis statistik: berapa banyak pengunjung tempat ini? • Menghitung jumlah objek tertentu: berapa banyak orang di ruangan ini? Deteksi/ lokalisasi • Dimana kendaraannya? Dimana orangnya? • Adakah orang didepan kendaraan? • Apakah ada objek? • Apakah ada orang?
- 10. SEGMENTASI BERBASIS AMBANG (THRESHOLDING) • Salah satu teknik segmentasi yang paling sederhana dan banyak digunakan dalam pengolahan citra digital. • Teknik ini memisahkan objek dari latar belakang dengan menentukan nilai ambang (threshold) tertentu. • Piksel yang memiliki nilai intensitas lebih besar atau lebih kecil dari nilai ambang tersebut akan dipisahkan menjadi kelompok yang berbeda.
- 11. PRINSIP DASAR THRESHOLDING • Thresholding bekerja dengan membagi citra menjadi dua kelas piksel berdasarkan nilai intensitasnya. • Misalnya, dalam citra grayscale, piksel dengan nilai intensitas di atas nilai ambang akan diberi label sebagai objek, sedangkan piksel di bawah nilai ambang akan diberi label sebagai latar belakang.
- 12. GLOBAL THRESHOLDING • Metode Sederhana: Menggunakan satu nilai ambang tetap untuk seluruh citra. • Proses: • Tentukan nilai ambang 𝑇. • Bandingkan setiap piksel 𝐼(𝑥,𝑦)I dengan 𝑇 • Jika 𝐼(𝑥,𝑦)>𝑇, maka 𝐼′(𝑥,𝑦)=255 (putih) Jika 𝐼(𝑥,𝑦)≤𝑇, maka 𝐼′(𝑥,𝑦 )=0 (hitam) • Kelemahan: Tidak efektif jika citra memiliki pencahayaan tidak merata atau variasi intensitas yang besar.
- 13. LOCAL (ADAPTIVE) THRESHOLDING • Penyesuaian Lokal: Nilai ambang dihitung untuk setiap bagian kecil dari citra, sehingga dapat menangani variasi pencahayaan lokal. • Proses: • Bagi citra menjadi blok-blok kecil. • Hitung nilai ambang untuk setiap blok. • Terapkan thresholding pada setiap blok. • Metode: Mean, Gaussian, dan lainnya.
- 14. OTSU’S METHOD • Otomatis: Menentukan nilai ambang optimal dengan memaksimalkan antara-kelas varians. • Proses: • Hitung histogram citra. • Cari nilai ambang 𝑇 yang memaksimalkan varians antara dua kelas piksel (foreground dan background).
- 15. Keuntungan: • Sederhana dan Cepat: Thresholding adalah metode yang sangat sederhana dan cepat untuk memisahkan objek dari latar belakang. • Efektif untuk Citra dengan Kontras Tinggi: Sangat efektif untuk citra yang memiliki kontras tinggi antara objek dan latar belakang. Keterbatasan: • Sensitif terhadap Pencahayaan: Tidak efektif untuk citra dengan pencahayaan yang tidak merata atau dengan noise yang signifikan. • Tidak Mampu Menangani Variasi Intensitas: Metode global tidak dapat menangani variasi intensitas dalam objek atau latar belakang dengan baik.
- 16. METODE SAUVOLA • salah satu teknik local thresholding yang digunakan untuk binarisasi gambar, terutama dalam pemrosesan citra dokumen atau teks. • Metode ini merupakan perbaikan dari metode Niblack, dengan tujuan untuk mengatasi beberapa kekurangan Niblack dalam kondisi noise tinggi atau pencahayaan tidak merata.
- 17. RUMUS THRESHOLD
- 19. SEGMENTASI BERBASIS EDGE (DETEKSI TEPI) • Segmentasi berbasis tepi, atau deteksi tepi, adalah teknik yang digunakan untuk mengidentifikasi tepi objek dalam citra. • Hal ini penting karena tepi mengandung informasi penting tentang struktur dan bentuk objek dalam citra. • Dalam deteksi tepi, yang penting adalah untuk menemukan perubahan signifikan dalam intensitas piksel yang menandai batas objek.
- 20. PRINSIP DETEKSI TEPI • Diferensiasi: Tepi terjadi di lokasi di mana terjadi perubahan cepat dalam intensitas piksel. Prinsip dasar deteksi tepi adalah untuk menerapkan operator diferensiasi pada citra untuk menyoroti perubahan tajam ini. • Peningkatan Kontras: Beberapa operator tepi bertujuan untuk meningkatkan kontras di sepanjang tepi, sehingga membuat tepi lebih mudah dikenali. • Penekanan Noise: Sebelum deteksi tepi dilakukan, seringkali dilakukan pre- processing untuk mengurangi noise dalam citra. Hal ini membantu mencegah deteksi tepi palsu karena fluktuasi kecil dalam intensitas piksel. • Thresholding: Setelah deteksi tepi, seringkali dilakukan proses thresholding untuk mengkonversi hasil deteksi tepi menjadi citra biner, di mana piksel yang mewakili tepi dianggap sebagai objek, sementara yang lain dianggap sebagai latar belakang. • Validasi dan Evaluasi: Deteksi tepi seringkali diikuti dengan validasi dan evaluasi untuk mengukur kualitas deteksi. Hal ini dapat melibatkan perbandingan dengan tepi referensi atau penilaian kualitatif terhadap ketajaman dan keakuratan tepi yang dihasilkan.
- 21. OPERATOR SOBEL • Sobel operator menghitung gradien citra untuk mendeteksi tepi. • Untuk setiap piksel dalam citra, Sobel operator menggunakan kernel konvolusi untuk menghitung gradien dalam arah vertikal dan horizontal. • Setelah gradien vertikal dan horizontal dihitung, magnitudo gradien dihitung sebagai akar kuadrat dari jumlah kuadrat gradien vertikal dan horizontal.
- 22. OPERATOR ROBERT • Roberts operator menggunakan kernel konvolusi kecil untuk mendeteksi tepi. • Operator ini menggunakan dua kernel kecil untuk menghitung gradien citra dalam arah diagonal. • Kernel ini memperkirakan gradien dalam arah diagonal dengan menghitung perbedaan intensitas piksel di sepanjang diagonal.
- 23. OPERATOR PREWITT • Serupa dengan Sobel operator, Prewitt operator juga digunakan untuk mendeteksi tepi dengan menghitung gradien citra. • Prewitt operator menggunakan kernel konvolusi yang berbeda dengan Sobel, tetapi prinsip perhitungannya sama dengan Sobel.
- 24. OPERATOR CANNY • Operator Canny adalah algoritma deteksi tepi yang lebih kompleks yang melibatkan beberapa langkah, termasuk deteksi tepi menggunakan filter Gauss, perhitungan gradien, dan proses hysteresis untuk memilih tepi yang signifikan. • Canny edge detector adalah metode deteksi tepi yang lebih kompleks. • Ini melibatkan beberapa tahap, termasuk smoothing citra dengan Gaussian filter, menghitung gradien citra, menerapkan non-maximum suppression, dan menerapkan hysteresis thresholding. • Tahapan ini dirancang untuk menghasilkan tepi yang akurat dan terdefinisi dengan baik, serta untuk mengurangi noise yang tidak diinginkan.
- 25. OPERATOR CANNY • Metode Canny adalah teknik populer dalam deteksi tepi yang dikembangkan oleh John F. Canny pada tahun 1986. Metode ini dikenal karena dapat menghasilkan deteksi tepi yang baik dengan mengurangi noise dan mengidentifikasi tepi dengan tepat.
- 26. TAHAPAN 1. Bersihkan citra dari noise menggunakan filter Gaussian. 2. Hitung gradien citra menggunakan operator Sobel. 3. Identifikasi tepi maksimum lokal menggunakan proses non- maksimum suppression. 4. Terapkan ambang batas (thresholding) untuk mengidentifikasi tepi yang kuat dan lemah. 5. Lakukan hysteresis thresholding untuk menghubungkan tepi yang lemah dengan tepi yang kuat. 6. Lakukan proses post-processing jika diperlukan, seperti penghilangan noise tambahan atau penghalusan tepi yang kasar.
- 27. METODE CANNY MEMILIKI BEBERAPA KELEBIHAN: • Akurasi Tepi yang Tinggi: Metode Canny dapat menghasilkan tepi yang sangat tajam dan akurat, karena memanfaatkan operator gradien yang sensitif terhadap perubahan intensitas citra. • Deteksi Tepi yang Optimal: Canny mengidentifikasi tepi dengan mempertimbangkan kekuatan gradien dan menggunakan hysteresis thresholding untuk memisahkan tepi yang kuat dari noise atau struktur citra yang kurang signifikan. • Reduksi Noise: Langkah awal dalam proses Canny adalah membersihkan citra dari noise menggunakan filter Gaussian, yang membantu mengurangi efek noise pada deteksi tepi. • Parameter Terkustomisasi: Metode Canny memungkinkan pengaturan parameter yang dapat disesuaikan, seperti ambang batas atas dan bawah, untuk mengontrol sensitivitas deteksi tepi dan mengoptimalkan hasil deteksi sesuai dengan kebutuhan aplikasi. • Efisiensi Komputasi: Proses Canny dapat diimplementasikan secara efisien,