Segmentasi Citra - 2207100081

Segmentasi merupakan proses mempartisi citra menjadi beberapa daerah atau objek

Segmentasi citra pada umumnya berdasar pada sifat discontinuity atau similarity dari intensitas piksel

a.Pendekatan discontinuity:

mempartisi citra bila terdapat perubahan intensitas secara tiba-tiba (edge based)

b.Pendekatan similarity:

mempartisi citra menjadi daerah-daerah yang memiliki kesamaan sifat tertentu (region based)

contoh: thresholding, region growing, region splitting and

merging

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)

Mendeteksi discontinuity 

Terdiri dari: deteksi titik, deteksi garis, deteksi sisi

Dapat menggunakan mask/kernel, berbeda untuk setiap jenis deteksi
 

Khusus untuk deteksi sisi, dapat menggunakan cara-cara yang telah dibahas sebelumnya, seperti dengan
menggunakan operator gradien (Roberts, Sobel,Prewitt), atau Laplacian.

Perfomansi Citra Hasil Segmentasi

Performansi citra segmentasi dapat dilakukan secara kuantitatif dan kualitatif. Penilaian secara kuantitatif dilihat dari segi performansi yang dihasilkan melalui perhitungan yang dilakukan dengan menghitung nilai koefisien variansi dari hasil segmentasi. Sedangkan, untuk pernilaian kualitatif ditinjau dari segi pengamatan mata manusia (Mean Opinion Score/MOS).

Mean Opinion Score

Mean Opinion Score (MOS) merupakan suatu penilaian kualitatif terhadap hasil citra. Penilaian ini berdasarkan pada pengamatan mata manusia, sehingga baik buruknya hasil segmentasi ini bergantung pada penilaian subjektif masingmasing koresponden. Kriteria pernilaian kualitatif yang digunakan adalah:

1. Excellent yang direpresentasikan dengan angka 6, Citra hasil segmentasi mempunyai kualitas yang sangat baik, menggambarkan garis batas segmentasi tepat.

2. Fine yang direpresentasikan dengan angka 5, Citra hasil segmentasi mempunyai kualitas baik, menggambarkan garis batas segmentasi mendekati tepat.

3. Passable yang direpresentasikan dengan angka 4, Citra hasil segmentasi mempunyai kualitas yang cukup baik, menggambarkan garis batas segmentasi sedikit menyimpang.

4. Marginal yang direpresentasikan dengan angka 3, Citra hasil segmentasi mempunyai kualitas buruk, menggambarkan garis batas segmentasi menyimpang.

5. Inferior yang direpresentasikan dengan angka 2, Citra hasil segmentasi mempunyai kualitas sangat buruk, menggambarkan garis batas segmentasi sangat menyimpang.

6. Unusable yang direpresentasikan dengan angka 1, Citra hasil segmentasi memiliki kualitas yang demikian buruk sehingga garis batas hasil segmentasi benar-benar jauh menyimpang.

  

contoh segmentasi citra:

contoh segmentasi dapat dilihat dalam gambar berikut :  Tiap piksel dalam suatu wilayah mempunyai kesamaan karakteristik atau propeti yang dapat dihitung (computed property), seperti : warna (color), intensitas (intensity),dan tekstur (texture).

Segmentasi wilayah merupakan pendekatan lanjutan dari deteksi tepi. Dalam deteksi tepi segmentasi citra dilakukan melalui identifikasi batas-batas objek (boundaries of object). Batas merupakan lokasi dimana terjadi perubahan intensitas. Dalam pendekatan didasarkan pada wilayah, maka identifikasi dilakukan melalui wilayah yang terdapat dalam objek tersebut.