Segmentasi Citra

1
Segmentasi Citra

• Prof.Dr. Aniati Murni (R 1202)
• Dina Chahyati, SKom, (R 1226)
• Fakultas Ilmu Komputer
• Universitas Indonesia

2
Thinning Skeletonizing - materi akhir

• Thinning pada citra yang sudah dilakukan proses
  thinning tidak bisa direkonstruksi kembali
• Skeletonizing dari citra yang telah diproses
  dengan teknik skeletonizing dapat dibangun
  kembali citra aslinya, yaitu citra sebelum
  diproses dengan teknik skeletonizing

3
Segmentasi Citra
4
Teknik Segmentasi Citra(Sumber Anil K. Jain,
Michigan State University)

• Segmentasi citra membagi suatu citra menjadi
  wilayah-wilayah yang homogen
• Image Segmentation
• General Purpose Knowledge Guided
• (bottom-up approach) (top-down approach)
• Histogram Clustering Rules of Features

5
Teknik Segmentasi Citra

• Segmentasi citra membagi suatu citra menjadi
  wilayah-wilayah yang homogen
• Teknik Segmentasi Citra
• Dividing Image Space Clustering Feature Space
• Region Region Split Tiap pixel diberi
  index
• Growing Splitting and warna yang
  menunjukkan\ Merge keanggotaannya dalam
• suatu cluster

6
Image Segmentation Based on Histogram (1)

• Two-Class Object Histogram

7
Image Segmentation Based on Histogram (2)

• Multi-Class Object Histogram

8
Segmentasi Citra dengan Clustering(Unsupervised
Classification)

• K-Mean Clustering

9
Rule-Based Image Segmentation (1)(Sumber S.H.
Purwadhi, LAPAN RI)

• Features Bentuk Pola Ukuran Sites
• (Tajuk berbentuk bintang) (Tidak
  teratur) (Tinggi gt 10m) (Air payau)
• KELAPA
• Hanya perlu persyaratan bentuk
• KELAPA SAWIT
• NIPAH NIPAH Perlu syarat bentuk dan pola
• ENAU ENAU ENAU
• SAGU SAGU SAGU SAGU

10
Knowledge-Based Image Segmentation (2)(Sumber
J. Ton, Michigan State University)

• Features indeks vegetasi dan intensitas keabuan
• Land Cover
• Non-vegetation Vegetation
• Water Built-up Forest Non-Forest
• Open Area
• Clear-Up Type-1 Type-2
• Agriculture Bushes

11
Bottom-Up Approaches
12
Two-Class and Multi-Class Problem (1)

• Two-Class Problem
• Citra terdiri dari Obyek dan Latar Belakang
• Segmentasi bisa dengan teknik
• Histogram dan thresholding value, atau
• Decision theory (akan dipelajari pada topik
  klasifikasi citra) ? Probability Density Function
  dan Maximum-Likelihood Decision Rules

13
Two-Class and Multi-Class Problem (2)

• Multi-Class Problem
• Citra terdiri dari wilayah-wilayah obyek yang
  jumlahnya lebih dari 2
• Segmentasi bisa dengan teknik
• Clustering (unsupervised classification akan
  dipelajari pada topik klasifikasi citra)
• Region Growing (wilayah tumbuh bottom-up
  approach)
• Region Splitting (quadtree - top-down approach)
• Split and Merge (bottom-up and top-down approach)
• Decision Theory

14
Region Growing (lihat skripsi atau program Dipdha
(2002)

• Ditentukan sejumlah seed pixels (random atau
  regular)
• Cek homogenitas melalui 4-tetangga atau
  8-tetangga
• Memerlukan criteria of uniformity
• Bila
• Criteria of uniformity
• seed

15
Top-Down Approaches
16
Region Splitting

• Menggunakan quadtree approach
• Memerlukan criteria of uniformity bisa
  menggunakan varian, bila varian tinggi (tidak
  uniform) suatu wilayah di-splitted

17
Split and Merge

• Prosedur sama dengan region splitting
• Pada akhir proses ditambah dengan proses merging
  (menjadikan beberapa region yang dianggap sama
  menjadi satu). Bisa dilakukan secara
  semi-otomatis atau secara otomatis. Pendekatan
  secara otomatis bisa menggunakan merging criteria
  berupa suatu nilai ambang dari perbedaan mean
  (intensitas rata-rata) dari wilayah-wilayah yang
  akan digabungkan.

18
Teknik Segmentasi Citra

• Pendekatan Edge-Based
• Pendekatan Region-Based
• Pendekatan Hybrid

19
Pendekatan Edge-Based

• Kekurangannya belum tentu menghasilkan edge yang
  kontinue, mengakibatkan terjadinya kebocoran
  wilayah (wilayah-wilayah yang tidak tertutup)
• Prosedur
• Melakukan proses deteksi sisi dengan operator
  gradient. Masukannya citra gray level dan
  keluarannya citra edge (biner)
• Citra Masukan Deteksi Sisi Citra Edge
• Selanjutnya dilakukan proses region growing
  dengan masukan citra asli (gray-level) dan citra
  edge. Proses pembentukan suatu wilayah berhenti
  bila menjumpai piksel edge. Keluarannya
  merupakan hasil segmentasi.

20
Pendekatan Region-Based

• Kekurangannya belum tentu menghasilkan
  wilayah-wilayah yang bersambungan
• Prosedur
• Memerlukan criteria of uniformity
• Memerlukan penyebaran seeds atau dapat juga
  dengan pendekatan scan line
• Dilakukan proses region growing
• unidentified region

21
Pendekatan Hybrid Edge- Region-Based (1)

• Bertujuan untuk mendapatkan hasil segmentasi
  dengan wilayah-wilayah yang tertutup dan
  bersambungan
• Prosedur
• Lakukan proses deteksi sisi untuk menhasilkan
  citra sisi (piksel edge dan piksel non-edge)
• Lakukan pemisahan wilayah dengan metode connected
  region. Connected regions adalah set piksel
  4-tetangga yang bukan piksel edge.
• Selanjutnya dilakukan proses merging regions
  dengan rumusan-rumusan berikut (next slide).

22
Pendekatan Hybrid Edge- Region-Based (2)

• pi adalah adalah perimeter dan ni adalah luas
  wilayah Ri. Bij adalah panjang garis batas antar
  wilayah Ri dan Rj. Eij adalah jumlah piksel edge
  pada garis batas antar wilayah Ri dan Rj. (Eij
  biasanya lt dari Bij karena edge yang tidak
  kontinue).
• Untuk setiap pasang region Ri dan Rj dihitung
  tiga besaran / kriteria boundary strength (bila
  tinggi makin kuat garis batas, Ri dan Rj
  disatukan), similarity measure (bila besar
  salah satu wilayah terlalu kecil, dapat
  disatukan) dan connectivity measure (bila besar
  makin panjang garis batasnya, tidak disatukan).

23
Pendekatan Hybrid Edge- Region-Based (3)

• Boundary strength
• Similarity measure scaling factor
• Connectivity measure

24
Pendekatan Hybrid Edge- Region-Based (4)

• Selanjutnya dapat dirumuskan bahwa region Ri dan
  Rj dapat dijadikan satu bila memenuhi tiga
  kondisi berikut
• ni gt nj (satu wilayah jauh lebih kecil
  similarity measure)
• (40 piksel edge berada pada garis batas
• yang sebenarnya boundary strength)
• Rk telah memenuhi kedua kondisi diatas, Kondisi
  ketiga
• mencari pasangan wilayah Rk yang paling memenuhi
  kedua kondisi diatas untuk disatukan dengan Ri.

25
Edge Image and Segmented Image
Mandrill Edge Image Segmented Image
26
Watershed (a kind of region growing)

• Region Growing problems
• Not trivial to find good starting points,
  difficult to automate
• Need good criteria for similarity
• Disconnected regions
• Think of the grey-level image as a landscape. Let
  water rise from the bottom of each valley (the
  water from each valley is given its own label).
  As soon as the water from two valleys meet, build
  a dam, or watershed. These watersheds will then
  define the borders between different regions.

27
Watershed (a kind of region growing)

• Region edges correspond to watersheds while
  low-gradient region interiors correspond to
  catchment basins. Edge or contour information can
  be used in watershed segmentation algorithm.

28
Watershed Algorithm

• Watershed-based segmentation algorithm
• Find for each pixel in an image, a downstream
  path to a local minimum of gray level value
  (local minimum image surface altitude)
• Find a region (catchment basin) as a set of
  pixels where their respective downstream paths
  all end up to the same altitude minimum.

29
Edge Image Contour Image

• Require a Region Merging process to overcome the
  over-segmentation result
• Require a ground truth data for object class
  region labeling to obtain a thematic image.

Watershed (over-segmented)
30
Region Merging and Thematic Image

• We have used the merging criteria called Mean
  Luminance Difference (Brox et al., 2004).
• wij (ui uj)2