Makalah Pc

Oleh Della Novryanti

128 KB 6 tayangan 0 unduhan
 


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