1 / 12

Segmentasi Citra

Segmentasi Citra. Pengolahan Citra Digital Materi 7. Eko Prasetyo Teknik Informatika Universitas Muhamamdiyah Gresik 2011. Konsep Segmentasi. Segmentasi membagi citra ke dalam sejumlah region atau obyek . Level untuk pembagian tergantung pada masalah yang diselesaikan .

kalin
Download Presentation

Segmentasi Citra

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Segmentasi Citra Pengolahan Citra Digital Materi 7 Eko Prasetyo TeknikInformatika UniversitasMuhamamdiyah Gresik 2011

  2. KonsepSegmentasi • Segmentasimembagicitrakedalamsejumlah region atauobyek. Level untukpembagiantergantungpadamasalah yang diselesaikan. • Prosessegmentasiberhentiketikaobyek yang diinginkandalamaplikasitelahterisolasi. • Misal, pemeriksaanotomatispadarakitanprodukelektronik. Yang diinginkanadalahanalisiscitraprodukdengantujuanuntukmengetahuiadaatautidaknyapenyimpangantertentu, sepertisalahkomponen, ataulintasanhubungan yang putus • Algoritmaumumnyadidasarkanpadasatudariduapropertinilaiintensitas: diskontinuitasdansimilaritas. • Kategoripertama, pendekatannyaadalahmemecah/memilahcitraberdasarkanperubahankasardalamintensitas, sepertitepidalamcitra. • Kategorikeduadidasarkanpadapemecahancitrakedalam region yang samamenurutsejumlahkriteria yang didefinisikan, sepertithresholding, region growing, region splitting and merging.

  3. DeteksiTepi • Merupakanpendekatan yang paling umumuntukpendeteksiandiskontinuitasnilaiintensitas, sepertidiskontinuitas yang dideteksiolehpenggunaanturunanpertamadankedua. • Menggunakanturunanpertamadalampengolahancitra (gradien) • Jarakvektoriniadalah: • Ataudengannilaiabsolutnya: • TurunankeduadalampengolahancitraumumnyadihitungmenggunakanLaplacian

  4. Operator DeteksiTepi: Sobel, Prewitt, Robert

  5. Fungsiuntukdeteksitepidi MATLAB: [g, t] = edge(f, ‘method’, parameters)

  6. SOBEL, PREWITT, ROBERT [g, t] = edge(f, ‘sobel’, T, dir) f adalahcitra input, T adalah threshold, dir menetapkanarah yang lebihdisukaipadacitraterdeteksi: ‘horizontal’, ‘vertical’, atau ‘both’ (default). g adalahcitrabiner yang berisinilai 1 padalokasidimanatepiterdeteksidan 0 untuk yang tidak. Parameter t pada output bersifatopsional, t adalahnilai threshold yang digunakanolehfungsi edge [g, t] = edge(f, ‘prewitt’, T, dir) [g, t] = edge(f, ‘robert’, T, dir) CANNY [g, t] = edge(f, ‘canny’, T, sigma) Laplacian of Gaussian fungsi Gaussian: dimana r2 = x2 + y2danadalah standard deviasi Laplaciandarifungsiini (turunankeduaterhadap r) adalah: [g, t] = edge(f, ‘log’, T, sigma)

  7. Citra grayscale HasildeteksitepiSobeldengan threshold otomatis Hasildeteksitepi Prewitt dengan threshold otomatis Hasildeteksitepi Canny dengan threshold otomatis Hasildeteksitepi Robert dengan threshold otomatis HasildeteksitepiLoGdengan threshold otomatis >> [g_sobel_default, ts] = edge(f, 'sobel'); >> [g_log_default, tlog] = edge(f, 'log'); >> [g_canny_default, tcan] = edge(f, 'canny'); >> g_sobel_best = edge(i, 'sobel', 0.05); >> g_log_best = edge(i, 'log', 0.003, 2.25); >> g_canny_best = edge(i, 'canny', [0.04, 0.10], 1.5);

  8. Region Growing • Prosedur yang mengelompokkanpikselatau sub-region kedalam region yang lebihbesarberdasarkanpadakriteria yang sudahditentukanuntukpertumbuhannya. • Pendekatandasarnyaadalahmemulaidengansejumlahtitikseeddandarisinimenumbuhkan region olehpenambahanpadasetiap seed pikseltetangga yang mempunyaipropertisamadengan seed (seperti range spesifikdari gray level atauwarna). • Sintaksfungsinyaadalah: • [g, NR, SI, TI] = regiongrow(f, S, T) • dimana f adalahcitra yang disegmentasi • parameter S bisamenjadi array (ukuransamadengan f) atauskalar. • Jika f adalahskalar, makaharusberisinilai 1 padasemuakoordinatdimanatitik seed ditempatkandan 0 untuklainnya. • Jika S skalar, mendefinisikannilaiintensitassepertibahwasemuatitikdalam f dengannilaimenjadititik seed. • T bisamenjadi array (ukurannyasamadengan f) atauskalar. Jika T adalah array, makaberisinilai threshold untuksetiaplokasidalam f. Jika T skalar, makamendefinisikan global threshold. • Nilai threshold digunakanuntukmengujijikapikseldalamcitracukupsamadengan seed dengan 8-connected

  9. Citra grayscale Seed points yang ditemukan (gray level = 255) (SI) Citra biner yang telahmelewatipengujian threshold (TI) Citra yang mempunyaihubungan 8-connected terhadap seed (g) >> i = imread('defective_weld.tif'); figure, imshow(i); >> [g, NR, SI, TI] = regiongrow(i, 255, 65); >> figure, imshow(g); >> figure, imshow(SI); figure, imshow(TI);

  10. Segmentasidengan K-means • Segmentasinyaberbasis clustering denganfitur: R (red), G (green), dan B (blue). • Karenacitraberukuran m*n*3 (3 dimensi), makaharusdi-reshape menjadibentuktabel (strukturfiturdalam clustering) berukuranmn*3 (2 dimensi). • Setelahdilakukan clustering dengan k-means, didapatkan index darisetiappiksel yang menyatakannomor cluster yang diikuti. • Kemudianstruktur index (matrikmn*1) diubahmenjadistrukturcitra 2 dimensi (m*n)

  11. %Jumlah cluster = 3 >> f = imread('gadung-1-2.jpg'); >> f = im2double(f); >> r = f(:,:,1); >> g = f(:,:,2); >> b = f(:,:,3); >> [m,n] = size(r); >> r = reshape(r,m*n,1); >> g = reshape(g,m*n,1); >> b = reshape(b,m*n,1); >> rgb = cat(2,r,g,b); >> h = kmeans(rgb,3); %3 adalahjumlah cluster >> h = reshape(h,m,n); >> h = h/3; %dibagidenganjumlah cluster Citra asli RGB Hasilsegmentasidengan 3 cluster (percobaan 1) Hasilsegmentasidengan 3 cluster (percobaan 2)

  12. Saatnyapresentasi paper ANY QUESTION ?

More Related