Makalah Pc

Oleh Della Novryanti

12 tayangan
Bagikan artikel

Transkrip Makalah Pc

A.

KLASIFIKASI DAN SEGMENTASI
PENGOLAHAN CITRA

1. Pengertian Klasifikasi
Secara harfiah arti klasifikasi adalah penggolongan atau pengelompokkan. Ada
beberapa pengertian mengenai klasifikasi, menurut Kamus Besar Bahasa Indonesia klasifikasi
adalah penyusunan bersistem dalam kelompok atau golongan menurut kaidah atau standar
yang ditetapkan.
Klasifikasi citra digital merupakan proses pengelompokan piksel ke dalam kelas-kelas
tertentu. Hal ini sesuai dengan asumsi yang digunakan dalam klasifikasi multispektral ialah
bahwa setiap objek dapat dibedakan dari yang lainnya berdasarkan nilai spektralnya (Projo
Danoedoro,1996). Pada umumnya Klasifikasi citra digital yang digunakan adalah klasifikasi
terselia (supervised).
Tujuan dari proses klasifikasi citra adalah untuk mendapatkan gambar
atau peta tematik. Gambar tematik adalah suatu gambar yang terdiri dari bagianbagian yang menyatakan suatu objek atau tema tertentu.
Proses klasifikasi citra ada dua jenis, yaitu :



1.1

Supervised (Klasifikasi Citra Terawasi)
Unsupervised (Klasifikasi Citra Tak Terawasi)

Klasifikasi Citra Terawasi (Supervised)

Penggunaan istilah terawasi disini mempunyai arti berdasarkan suatu
referensi penunjang, dimana kategori objek-objek yang terkandung pada citra telah
dapat diidentifikasi. Klasifikasi ini memasukkan setiap piksel citra tersebut kedalam
suatu kategori objek yang sudah diketahui.Sebelum klasifikasi dilakukan, maka kita
harus memasukkan inputan sebagai dasar pengklasifikasian yang akan dilakukan.
Dengan klasifikasi ini, kita lebih bebas untuk memilah data citra sesuai dengan
kebutuhan. Misalnya dalam suatu kawasan kita hanya akan melakukan klasifikasi
terbatas pada jenis jenis kenampakan secara umum semisal jalan, pemukiman,
sawah, hutan, dan perairan. Hal tersebut dapat kita lakukan dengan klasifikasi ini.
Proses input sampel juga cukup mudah, hanya saja perlu ketelitian dan pengalaman
agar sampel yang kita ambil dapat mewakili jenis klasifikasi. Baik buruknya sampel,
Diwujudkan dalam nilai indeks keterpisahan.
Menurut Projo Danoedoro (1996) klasifikasi supervised ini melibatkan
interaksi analis secara intensif, dimana analis menuntun proses klasifikasi dengan
identifikasi objek pada citra (training area). Sehingga pengambilan sampel perlu
dilakukan dengan mempertimbangkan pola spektral pada setiap panjang gelombang

tertentu, sehingga diperoleh daerah acuan yang baik untuk mewakili suatu objek
tertentu.
1.2

Klasifikasi Citra Tak Terawasi (Unsupervised)

Proses klasifikasi disebut tidak terawasi, bila dalam prosesnya
tidak menggunakan suatu referensi penunjang apapun. Hal ini berarti bahwa
proses tersebut hanya dilakukan berdasarkan perbedaan tingkat keabuan setiap
piksel pada citra. Klasifikasi citra tak terawasi mencari kelompok-kelompok (cluster)
piksel-piksel, kemudian menandai setiap piksel ke dalam sebuah kelas
berdasarkan parameter parameter pengelompokkan awal yang didefinisikan oleh
penggunanya.
Keunggulan Citra Tak Terawasi :
• Tidak membutuhkan pengetahuan awal yang detail mengenai daerah pengamatan
• Kemungkinan terjadi human error dapat dikurangi
• Kelas yang unik diidentifikasi secara tersendiri

2. Pengertian Segmentasi
Segmentasi adalah proses pembagian sebuah citra kedalam sejumlah bagian atau
obyek. Segmentasi merupakan suatu bagian yang sangat penting dalam analisis citra secara
otomatis, sebab pada prosedur ini obyek yang diinginkan akan disadap untuk proses
selanjutnya.

Segmentasi citra merupakan bagian dari proses pengolahan citra. Proses
segmentasi citra ini merupakan suatu proses pra pengolahan pada sistem pengenalan
objek dalam citra. Segmentasi citra (image segmentation) mempunyai arti membagi
suatu citra menjadi wilayah-wilayah yang homogen berdasarkan kriteria keserupaan
yang tertentu antara tingkat keabuan suatu piksel dengan tingkat keabuan piksel –
piksel tetangganya, kemudian hasil dari proses segmentasi ini akan digunakan untuk
proses tingkat tinggi lebih lanjut yang dapat dilakukan terhadap suatu citra, misalnya
proses klasifikasi citra dan proses identifikasi objek.
Adapun dalam proses segmentasi citra itu sendiri terdapat beberapa algoritma,
diantaranya :
a. algoritma Deteksi Titik
b. Deteksi Garis
c. Deteksi Sisi ( berdasarkan Operator Robert dan Operator Sobel ).
Algoritma segmentasi didasarkan pada 2 buah karakteristik nilai derajad kecerahan
citra :


Discontinuity



similarity.

1.1 Metode Dalam Segmentasi Pasar
Berikut beberapa metode yang umum digunakan dalam segmentasi citra.
A. Thresholding
Metode thresholding didasarkan pada pemisahan pixel ke dalam kelas yang
berbeda tergantung pada tingkat keabuan masing-masing pixel. Metode
thresholding tidak bisa diterapkan untuk citra dengan tingkat keabuan yang
berdekatan sehingga biasanya dikombinasikan dengan metode lain.
B. Region growing
Metode region growing seperti menggabungan thresholding dengan
kondisi konektivitas atau kriteria daerah homogenitas. Keberhasilan dari metode
tersebut bergantung pada kepresisian informasi anatomi untuk meletakkan baik
satu mapun beberapa pixel untuk masing-masing daerah homogen. Kelemahan
lain dari metode region growing adalah metode tersebut hanya dapat bekerja
dengan baik pada daerah yang homogen dan membutuhkan operator untuk
menentukan daerah yang akan disegmentasi.
Metode region growing yang paling umum digunakan adalah watershed.
Prinsip dasar dari watershed adalah merubah gradien tingkat keabuan citra
menjadi permukaan topografi. Daerah minimum dari citra merupakan sumber
dimana

air

meluap

dan

bentuk-bentuk

“kolam”

(“catchment

basin”)

menggambarkan permukaan air. Algoritma ini akan berhenti bila dua “kolam”
dari dua sumber yang berbeda bertemu. Jika pada citra terdapat banyak pola dan
noise, maka akan terbentuk banyak “kolam” sehingga terjadi segmentasi yang
berlebihan.
C. Shapebased
Metode shapebased juga memberikan pendekatan yang cukup sederhana
dalam segmentasi citra namun sangat sulit dalam penentuan kontur awal sehingga
ketidaktepatan dalam penentuan kontur awal dapat menyebabkan hasil segmentasi
yang kurang memuaskan.

D. Clustering
Metode statistik atau clustering didasarkan pada distribusi parameter
tertentu. Hal terpenting dalam metode ini adalah melakukan estimasi definisi awal
dari parameter sehingga bagus tidaknya segmentasi tergantung pada seberapa baik
distribusi yang diasumsikan mendekati distribusi dari data.
Metode

segmentasi

statistik

mengklasifikasi

dan

melakukan

pengelompokan piksel citra ke dalam wilayah terpadu menurut kriteria tertentu
dengan menggunakan pattern-classifier tertentu dan teknik post-processing
semisal filter morfologi. Algoritma K-mean, fuzzy c-means (FCM) dan
expectation–maximization (EM) paling umum digunakan pada metode clustering.
3. Segmentasi Berdasarkan Histogram
Segmentasi citra berdasarkan histogram merupakan teknik citra yang paling
mudah diterapkan. Proses diawali dengan pembuatan histogram dari citra yang akan di
segmentasi.
Proses segmentasi dilakukan dengan embagi citra ke dalam beberapa kategori
obyek sesuai dengan pengelompokan tingkat keabuan yang terjadi pada histogram.
Histogram

berbasis

metode

ini

sangat

efisien

bila

dibandingkan

dengan

metodesegmentasi citra lain karena mereka biasanya hanya membutuhkan satu lulus
melaluipiksel. Dalam teknik ini, histogram dihitung dari semua piksel dalam gambar, danpuncak
dan lembah pada histogram yang digunakan untuk menemukan cluster dalamgambar. [1] Warna
atau intensitas dapat digunakan sebagai ukuran.
Sebuah perbaikan dari teknik ini adalah secara rekursif menerapkan metode histogramseeking untuk cluster pada gambar untuk membagi mereka menjadi kelompok yang lebihkecil.
Ini diulang dengan kelompok yang lebih kecil dan lebih kecil sampai cluster tidak lebih terbentuk.
Salah satu kelemahan dari metode histogram-seeking adalah bahwa hal itu mungkin
sulituntuk mengidentifikasi puncak dan lembah yang signifikan dalam gambar. Dalam
teknik pencocokan jarak klasifikasi citra daerah metrik dan terpadu yang akrab.
Histogram pendekatan berbasis juga dapat dengan cepat diadaptasi terjadi
selamabeberapa frame, dengan tetap menjaga efisiensi single pass mereka. Histogram dapat
dilakukan dalam mode beberapa saat beberapa frame dipertimbangkan. Pendekatan yangsama
yang diambil dengan satu frame dapat diterapkan untuk ganda, dan setelah hasil digabung,
puncak dan lembah yang sebelumnya sulit untuk mengidentifikasi lebihmungkin untuk

dibedakan. Histogram juga dapat diterapkan pada basis pixel per manahasil informasi yang
digunakan untuk menentukan warna yang paling sering untuk lokasi pixel.

4. Segmentasi Dengan Wilayah-Wilayah Tumbuh
Segmentasi denga wilayah tumbuh Metode pertama adalah wilayah unggulan metode
berkembang. Metode inimengambil satu set bibit sebagai masukan bersama dengan gambar.
Benih menandai setiapbenda menjadi tersegmentasi. Daerah-daerah yang tumbuh secara
iteratif denganmembandingkan semua piksel tetangga yang tidak terisi ke daerah. Selisih antara
nilaiintensitas pixel dan rata-rata di kawasan ini, delta, digunakan sebagai ukuran
kesamaan.Pixel dengan perbedaan terkecil diukur dengan cara ini dialokasikan ke daerah
masing-masing. Proses ini berlanjut sampai semua piksel yang dialokasikan untuk daerah.
Pertumbuhan wilayah unggulan membutuhkan biji sebagai masukan tambahan.
Hasilsegmentasi tergantung pada pilihan benih. Kebisingan dalam gambar dapat menyebabkan
benih yang akan ditempatkan buruk. Wilayah diunggulkan tumbuh adalah algoritmadimodifikasi
yang tidak memerlukan bibit eksplisit. Ini dimulai dengan satu wilayah a_1 -pixel yang dipilih di
sini tidak berpengaruh signifikan terhadap segmentasi akhir. Pada setiapiterasi dianggap pixel
tetangga dengan cara yang sama sebagai daerah unggulan tumbuh. Iniberbeda dari daerah
unggulan tumbuh dalam bahwa jika minimum delta kurang dari Tambang batas yang telah
ditetapkan maka akan ditambahkan ke A_j wilayah masing-masing.Jika tidak, maka pixel
tersebut dianggap signifikan berbeda dari semua a_i daerah saat ini danwilayah baru A_ {n +1}
dibuat dengan pixel ini.
Salah satu varian dari teknik ini, diusulkan oleh Haralick dan Shapiro (1985), [1]
didasarkanpada intensitas piksel. Mean dan menyebarkan wilayah dan intensitas pixel
kandidatdigunakan untuk menghitung statistik uji. Jika statistik uji cukup kecil, pixel ditambahkan
kewilayah tersebut, dan rata-rata di kawasan ini dan menyebarkan sedang mengh itung
ulang.Jika tidak, pixel ditolak, dan digunakan untuk membentuk wilayah baru.
Sebuah metode wilayah tumbuh-khusus ini disebut lambda yang terhubung
segmentasi(lihat juga lambda-keterhubungan). Hal ini didasarkan pada intensitas piksel dan
lingkungan-menghubungkan

jalan.

Gelar

konektivitas

(keterhubungan)

akan

dihitung

berdasarkan jalanyang dibentuk oleh pixel. Untuk nilai tertentu lambda, dua piksel disebut
lambda-connected jika ada jalur yang menghubungkan dua piksel dan keterkaitan jalan ini
setidaknya lambda. Lambda-keterhubungan adalah relasi setara.

Judul: Makalah Pc

Oleh: Della Novryanti


Ikuti kami