Algoritma Segmentasi Citra

23
Ersania Aulyani | Fisika | UIN Jakarta Algoritma Segmentasi Citra

description

Materi algoritma segmentasi citra

Transcript of Algoritma Segmentasi Citra

Algoritma Segmentasi Citra

Ersania Aulyani | Fisika | UIN JakartaAlgoritma Segmentasi Citra

OUTLINEPENDAHULUANRegion-Based SegmentationData ClusteringEdge-Base Segmentation

PENDAHULUANSegmentasi citra adalah mengklasifikasikan atau mengelompokkan sebuah gambar menjadi beberapa bagian (daerah) sesuai dengan fitur gambar. Sampai saat ini, algoritma segmentasi gambar banyak diaplikasikan di sains dan kehidupan sehari-hari

Region Based SegmentationRegion Based Segmentation mengasumsikan bahwa piksel terdekatnya merupakan satu wilayah yang sama. Prosedurnya adalah membandingkan satu piksel dengan piksel terdekatnya. Metode ini merupakan salah satu metode yang paling dikenal di segmentasi citra

Seeded Region GrowingSeeded Region Growing (SRG) algorithm adalah salah satu metode Region-Based segmentation yang cukup sederhana. Segmentasi gambar dengan memeriksa pikses tetangga dari satu set point (titik benih) dan menentukan apakah piksel tersebut dapat diklasifikasikan ke cluster atau tidak.Algorithm Procedure :

Seeded Region GrowingHasil segmentasi dengan SRG :

Gambar tersebut diurutkan berdasarkan ukuran cluster mulai dari yang terbesar hingga terkecil

Unseed Region GrowingUnseed Region Growing (URG) algorithm adalah turunan dari SRG yang dikembangkan oleh Lin. Prosedur segmentasinya adalah titik benih dapat di segmentasi secara otomatis. Steps of URG:

Unseed Region GrowingHasil Segmentasi dengan URG :

Region Splitting and MergingTujuan utama dari algoritma ini adalah untuk membedakan homogenitas dari gambar. Konsepnya berdasarkan quadtrees, dimana setiap node dari pohon memiliki 4 cabang dan akar. Steps of Region Splitting & Merging:

Unsupervised Segmentation Color-Texture Regions in Images & Video (JSEG)Konsep dari algoritma ini adalah memisahkan proses segmentasi menjadi dua bagian, kuantisasi warna dan segmentasi spasial. Proses kuantisasi diimplementasikan dalam ruang warna tanpa mempertimbangkan distribusi spasial warna. Tata ruang segmentasi mengeksekusi pada kelas bukan kesesuaian piksel dengan warna yang sama. Manfaat dari pemisahan ini adalahan untuk menganalisis kesamaan warna dan distribusi mereka dibandingkan menyelesaikan waktu yang sama..

Unsupervised Segmentation Color-Texture Regions in Images & Video (JSEG)Three steps of Algorithm JSEG:

Hasil dari segmentasi JSEG

Fast Scanning AlgorithmKonsepnya dalah men-scan dari pojok kiri atas sampai pojok kanan bawah pada gambar dan menentukan bila piksel dapat digabungkan dengan cluster yang ada. Contoh aplikasi dari Fast scanning algorithm :

Fast Scanning AlgorithmHasil segmentasi :

Data ClusteringKonsepnya adalah berdasarkan gambar dan mempertimbangkan jarak diantara setiap data. Karakteristik dari data clustering adalah setiap piksel dari cluster tidak selalu terikat.

Hierarchical ClusteringKonsepnya adalah mengkonstruksi yang menunjukkan dendogram dari grup pola (seperti dalam gambar, yaitu pikse) dan kesamaan level yang merubah pengelompokkan. Dapat diaplikasikan 2D data untuk algoritma ini.Algoritma ini dalat dibagi menjadi dua jenis, yaitu : 1. Agglomerative algorithm, dan 2. Divisive algorithm.

Agglomerative AlgorithmDivisive AlgorithmHierarchical Clustering

Partitional ClusteringAlgoritma ini berguna untuk mengimplementasikan seperangkat data yang ukurannya besar. Konsepny adalah mulai dengan awaan yg random dan menjada pemindahan pola untuk cluster berdasarkan kesamaan antara pola dan massa cluster sampai kriteria konvergesi ditemukan. Permasalahan pada algoritma ini adalah harus memilih nomor untuk menentukan output dari cluster sebelum mengkasifikasi data.Algoritma ini dapat dibagi menjadi dua jenis, yaitu : 1. Squared Error Algorithm, dan 2. K-Means Clustering.

Squared Error AlgorithmSalah satu kriteria konvergensi yang sering digunakan adalah algoritma kuadrat error. Manfaat dari salah satu kriteria ini adalah proses segmentasi dapat bekerja dengan baik dan terisolasi. Algoritma ini menggunakan persamaan :

*dimana x merupakan pola.

K-Means Clustering AlgorithmAlgoritma ini merupakan algoritma paling terkenal di partitional clustering. Tahapannya adalah : :

K-Means Clustering AlgorithmKriteria konvergensinya adalah : tidak ada penugasan dari setiap pola dari satu kelompok yang lain, atau penurunan minimal dalam kuadrat kesalahan. Keuntungan dari algoritma ini adalah : (1) mudah diterapkan, (2) Lebih cepat dari Hierarchical Clustering. Kekurangan dari algoritma ini adalah : (1) Hasilnya sensitif terhadap pemilihan titik awal yang acak, (2) Tidak dapat menunjukkan rincian pengelompokkan seperti pada Hierarchical Clustering

Edge Based SegmentationMetode ini umumnya mengindikasikan metode segmentasi berdasarkan pinggiran suatu gambar. Beberapa cara untuk mendeteksi edge adalah operator gradien dan transformasi Hilbert. Selain cara terbut, konsep yang menggunakan metode ini adalah : 1. Watershed segmentation Algorithm

21

Watershed Segmentation AlgorihmTujuan utama dari algoritma ini adalah untuk mencari garis yang sesuai dengan alur pada gambar. Konsepnya sebagai berikut :

Keuntungan dari algoritma ini adalah boundary dari setiap daerah bersifat kontinu. Sedangkan kerugiannya adalah hasil segmentasi banyak yang bermasalah dan algoritmanya terlalu memakan waktu

Watershed Segmentation AlgorihmHasil segmentasi :