AriesGirls,,,,,,,,,: SEGMENTASI CITRA

SEGMENTASI CITRA

A. SEGMENTASI CITRA BERDASARKAN HISTOGRAM

1. PENGERTIAN

Segmentasi citra adalah membagi suatu citra menjadi wilayah-wilayah yang homogen berdasarkan kriteria keserupaan yang tertentu antara tingkat keabuan suatu piksel dengan tingkat keabuan pikselpiksel tetangganya. Proses segmentasi memiliki tujuan yang hampir sama dengan proses klasifikasi tidak terpandu. Segmentasi sering dideskripsikan sebagai proses analogi terhadap proses pemisahan latar depanlatar belakang.

Contoh untuk proses segmentasi citra yang digunakan adalah klasterisasi (clustering).

1.1 Segmentasi Citra berdasarkan Pendekatan Wilayah dan Klasterisasi

Ide utama dalam teknik segmentasi berdasar wilayah adalah mengidentifikasi beberapa wilayah dalam suatu citra yang memiliki kesamaan corak. Teknik klasterisasi yang ditemui dalam literature pengenalan pola memiliki kesamaan objek dan dapat diterapkan untuk segmentasi citra. Citra dibagi dalam wilayah-wilayah kecil yang nilai aras keabuannya seragam. Untuk segmentasi citra berdasarkan klasterisasi akan dibahas lebih rinci pada bagian selanjutnya.

1.2 Teknik Pemetaan Warna (Color Mapping)

Teknik pemetaan warna merupakan bagian salah satu teknik segmentasi citra menggunakan metode klasterisasi. Hal ini disebabkan dalam memetakan warna dari citra masukan akan dikelompokan sesuai dengan kesamaan-kesamaan warna yang dimiliki. Sehingga tahap-tahap yang akan digunakan mempunyai kesamaan dengan metode klasterisasi.

1.3 Klasterisasi

Cluster (klaster) adalah kesatuan nilai-nilai dalam jarak tertentu pada kepadatan suatu daerah

(relatif besar) dibandingkan dengan kepadatan nilainilai daerah sekitarnya. Teknik klasterisasi bermanfaat untuk segmentasi citra dan klasifikasi data yang belum diolah untuk menciptakan kelas-kelas. Warna diwakili dalam vektor 3 dimensi dari nilai titiknya. Masing-Masing komponen warna dihadirkan dalam warna merah, hijau dan biru (RGB). Perlu dicatat bahwa penggunaan penyajian ini, jika dua garis vektor adalah saling berdekatan, warna akan ditampilkan serupa, rata-rata dari dua garis vektor,

jika warna yang akan ditampilkan sangat berbeda, maka akan diambil jalan tengah dengan menghadirkan suatu warna secara kasar dari warna aslinya. Acuan ini juga ketika rata-rata berbagai garis vektor RGB. Adapun cara-cara lain yang tidak membatasi untuk menghadirkan suatu warna dengan garis vektor 3 dimensi. Berikut untuk detilnya dari penjelasan di atas, bagaimana pilihan penampilan warna mempengaruhi hasil proses klasterisasi:

1. Langkah yang pertama adalah menetapkan data set dari algoritma yang akan digunakan (KMeans), yaitu dengan melakukan pengambilan nilai acak dari k.

2. Kemudian, penampilan RGB dari tiap pixel diciptakan, dan menghasilkan dataset dalam 3-vektor.

3. Algoritma K-Means diterapkan pada dataset, menetapkan klasterisasi pusat k. Algoritma KMeans akan menghadirkan k warna untuk menggambarkan citra tersebut.

4. Tiap-Tiap piksel citra dikonversi dalam suatu garis vektor RGB, dan ditampilkan menggunakan rata-rata dari kelompok warna yang dihasilkan.

1.4 Pengambilan Citra

Citra yang diolah adalah citra warna digital (RGB) 24 bit dengan berkas penyimpanan berekstensi *.bmp.

1.5 Pembangkitan Variable k (klaster) Secara Acak

Citra yang akan dilakukan segmentasi, pertama-tama ditentukan jumlah k yang akan diinginkan. Penentuan nilai parameter k (nilai RGB nya) akan dilakukan secara acak. Nilai RGB (Red Green Blue) dari k akan diacak dari nilai 0 sampai 2. Nilai k acak tersebut adalah bilangan bulat yang terdiri dari bilangan 0, 1 dan 2. Sehingga akan dihasilkan nilai k acak yang berbeda maksimal sebanyak 33 atau 27 kombinasi

1.6 Pengukuran Jarak Piksel terhadap k

Pengukuran jarak yang dilakukan menggunakan rumusan jarak Euclidean. Secara umum jarak Euclidean adalah jarak antara dua titik yang akan diukur pada satu, dua, atau tiga dimensi. Berikut adalah posisi dari dua titik pada 3 dimensi; ( , , ) x y z P  p p p , ( , , ) x y z Q  q q q , sehingga jaraknya adalah: ( )2 ( )2 ( z )2 r  px  qx  py  qy  pz  q (3.1) dengan P adalah nilai data dan Q adalah pusat dari kelompok data. Jika diterapkan dalam segmentasi citra menggunakan pemetaaan warna indeks x, y, z menunjukan nilai R, G, B dari kedua piksel yang akan dihitung.

1.7 Pengelompokan Piksel pada k Sesuai Jarak Terkecil

Pengelompokan piksel ini dilakukan agar nantinya dalam pemetaan warna yang memiliki jarak terkecil atau kemiripan warna terbesar dapat benarbenar menjadi satu kelompok. Proses ini merupakan proses awal dari segmentasi citra yang bertujuan salah satunya untuk memperjelas batas objek sesuai dengan k yang diinginkan.

1.8 Penentuan k Baru

Hasil dari pengelompokan piksel akan didapatkan kelompok-kelompok baru sesuai dengan kedekatan nilai piksel kelompok tersebut terhadap nilai k-nya.

1.9 Pemeriksaan Kondisi k

Nilai piksel k yang baru tersebut akan dibandingkan dengan nilai piksel yang lama (sebelumnya). Jika nilai piksel k baru tidak sama dengan k yang lama, maka akan dilakukan iterasi lagi dan kembali ke proses pembacaan warna piksel, serta akan dilakukan proses sesuai urutan selanjutnya. Jika nilai piksel k baru sama dengan nilai piksel k lama, maka proses akan berhenti, dan citra telah tersegmentasi sesuai dengan jumlah k yang diinginkan di awal proses.

1.9 Histogram Citra

Pada program ini histogram dibuat dengan menghitung banyaknya cacah piksel citra. Setelah semua piksel dianalisis, akan ditentukan nilai cacah maksimum dari semua nilai data warna.

2. HASIL PENELITIAN DAN PEMBAHASAN

Hasil penelitian yang dibahas adalah hasil dari program yang telah dirancang dan dibuat untuk melakukan segmentasi terhadap citra warna berekstensi *.bmp. Pembahasan dilakukan mulai dari proses segmentasi, analisis, hingga keteranganketerangan yang dihasilkan selama proses segmentasi citra warna tersebut.

Program yang telah dibuat dengan Delphi 7 dapat dijalankan dengan langsung membuka folder program segmentasi dan klik dua kali pada berkas ta.application, sehingga ditampilkan jendela utama program. Pada Gambar 4.1 ditunjukkan jendela utama program setelah dilakukan proses segmentasi.

Gambar di atas Contoh histogram citra

B. SEGMENTASI CITRA BINER

2. Pengertian

Citra biner (binary image) adalah citra yang hanya mempunyai dua nilai derajat keabuan: hitam dan putih. Meskipun saat ini citra berwarna lebih disukai karena memberi kesan yang lebih kaya daripada citra biner, namun tidak membuat citra biner mati. Pada beberapa aplikasi citra biner masih tetap dibutuhkan, misalnya citra logo instansi (yang hanya terdiri atas warna hitam dan putih), citra kode batang (bar code) yang tertera pada label barang, citra hasil pemindaian dokumen teks, dan sebagainya.

Proses awal yang dilakukan dalam menganalisis objek di dalam citra biner adalah segmentasi objek. Proses segmentasi bertujuan mengelompokkan pixel-pixel objek menjadi wilayah (region) yang merepresentasikan objek. Ada dua pendekatan yang digunakan dalam segmentasi objek:

1. Segmentasi berdasarkan batas wilayah (tepi dari objek). Pixel-pixel tepi ditelusuri sehingga rangkaian pixel yang menjadi batas (boundary) antara objekdengan latar belakang dapat diketahui secara keseluruhan (algoritma boundary following).

2. Segmentasi ke bentuk-bentuk dasar (misalnya segmentasi huruf menjadi garis-garis vertikal dan horizontal, segmentasi objek menjadi bentuk lingkaran, elips, dan sebagainya).

2.1 Segmentasi berdasarkan batas wilayah.

Pada citra biner, batas antara objek dengan latar belakang terlihat jelas. Pixel objek berwarna hitam sedangkan pixel latar belakang berwarna putih. Pertemuan antara pixel hitam dan putih dimodelkan sebagai segmen garis.

Keuntungan Citra Biner

Kebutuhan memori kecil karena nilai derajat keabuan hanya mempunyai representasi 1 bit.
Waktu pemrosesan lebih cepat dibandingkan dengan citra hitam putih.

2.2 Konversi Citra Hitam Putih ke Citra Biner

Pengkonversian citra hitam putih (greyscale) menjadi citra biner dilakukan untuk alasan-alasan sebagai berikut :

Untuk mengindentifikasi keberadaan objek.
Untuk lebih memfokuskan pada analisis bentuk morfologi.
Untuk menampilkan citra pada piranti keluaran yang hanya mempunyai resolusi intensitas satu bit.

Pengkonversian citra hitam putih (greyscale) menjadi citra biner dilakukan untuk alasan-alasan sebagai berikut :

4. Untuk menampilkan citra pada piranti keluaran yang hanya mempunyai resolusi intensitas satu bit.

5. Mengkonversi citra yg telah ditingkatkan kualitas tepinya (edge enhancement) ke penggambaran garis-garis tepi.

2.3 Pengambangan

Ø Konversi dari citra hitam putih ke citra biner dilakukan dengan operasi pengambangan (thresholding).

Ø Operasi pengambangan mengelompokkan nilai derajat keabuan setiap pixel ke dalam 2 kelas, hitam dan putih.

Ø Pendekatan yg digunakan dalam operasi pengambangan adalah pengambangan secara global dan pengambangan secara lokal.

2.4 Pengambangan secara global (global image thresholding)

Ø Setiap pixel di dalam citra dipetakan ke dua nilai, 1 atau 0 dengan fungsi pengambangan :

Dengan : f_g(i, j) = Citra hitam putih

f_b (i, j = Citra biner

T = nilai ambang yg dispesifikasi

Ø Dengan operasi pengambangan tsb, objek dibuat berwarna gelap (1 atau hitam), sedangkan latar belakang berwarna terang (0 atau putih).

Ø Jika nilai intensitas objek diketahui dalam selang [T₁, T₂], maka kita dapat menggunakan fungsi pengambangan :

Ø Pengambangan secara lokal dilakukan terhadap daerah-daerah di dalam citra, dengan memecah citra menjadi bagian-bagian kecil, kemudian proses pengambangan dilakukan secara lokal.

Ø Dengan pengambangan secara lokal adaptif, secara subjektif citra biner yang dihasilkan terlihat lebih menyenangkan.

2.5 Penapis Luas

Ø Proses pengambangan menghasilkan citra biner. Seringkali citra biner yang dihasilkan mengandung beberapa daerah yang dianggap sebagai gangguan. Biasanya daerah gangguan itu berukuran kecil. Penapis luas dapat digunakan untuk menghilangkan daerah gangguan tsb. Dengan cara menyatakan daerah di luar objek dengan 0.

2.6 Pengkodean Citra Biner

Ø Citra Biner umumnya dikodekan dengan metode Run-length encoding (RLE), yaitu panjang run, dimulai panjang run 1

Ø Contoh : Misalkan citra binernya adalah sebagai berikut :

1 1 1 0 0 0 1 1 0 0 0 1 1 1 1 0 1 1 0 1 1 1

0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1

1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1

Hasil pengkodean :

3, 3, 2, 3, 4, 1, 2, 1, 3

0, 4, 13, 1, 4

3, 13, 6

2.7 Segmentasi Citra Biner

Ø Proses awal yang dilakukan dalam menganalisis objek di dalam citra biner adalah segmentasi objek.

Ø Proses segmentasi bertujuan mengelom-pokkan pixel-pixel objek menjadi wilayah (region) yang merepresentasikan objek.

Ada 2 pendekatan yang digunakan

1. Segmentasi berdasarkan batas wilayah (tepi dari objek). Pixel-pixel tepi ditelusuri sehingga rangkaian pixel yang menjadi batas (boundary) antara objek dengan latar belakang dapat diketahui secara keseluruhan.

2. Segmentasi ke bentuk-bentuk dasar.

2.8 Segmentasi berdasarkan batas wilayah.

Ø Pada citra biner, batas antara objek dengan latar belakang terlihat jelas. Pixel objek berwarna hitam sedangkan pixel latar belakang berwarna putih.

Ø Pertemuan antara pixel hitam dan putih dimodelkan sebagai segmen garis.

Ø Penelusuran batas wilayah dianggap sebagai pembuatan rangkaian keputusan untuk bergerak lurus, belok kiri atau belok kanan.

Gambar Proses penelusuran batas wilayah dalam citra biner

2.9 Representasi Wilayah

Ø Wilayah (region) di dalam citra biner dapat direpresentasikan dalam beberapa cara. Salah satu cara yang populer adalah representasi wilayah dengan pohon empatan (quadtree).

Ø Setiap simpul di dalam pohon empatan merupakan salah satu dari tiga kategori : putih, hitam, dan abu-abu.

Ø Pohon empatan diperoleh dengan membagi citra secara rekursif. Wilayah di dalam citra di bagi menjadi empat upa wilayah yang berukuran sama.

Ø Untuk setiap upa wilayah, bila pixel-pixel di dalam wilayah tersebut semuanya hitam atau semuanya putih, maka proses pembagian dihentikan.

Ø Sebaliknya, bila pixel-pixel di dalam upa wilayah mengandung baik pixel hitam maupun pixel putih (kategori abu-abu), maka upa wilayah tersebut dibagi lagi menjadi empat bagian.

Ø Demikian seterusnya sampai diperoleh upa wilayah yang semua pixel-nya hitam atau semua pixel-nya putih.

Ø Proses pembagian tersebut digambarkan dengan pohon empatan.

Ø Dinamakan pohon empatan karena setiap simpul mempunyai tepat empat anak.

Ø Gambar berikut memperlihatkan contoh representasi wilayah dengan pohon empatan.