Nama : Diah Ayu Kusumawati
NIM : 5302410087
Rombel : 02
Prodi : Pendidikan Teknik Informatika dan Komputer
SEGMENTASI CITRA
1. Pengertian dan Tujuan
Image processing terdiri dari lima tahap: akusisi, prepocessing, segmentasi, post-processing, dan analisa.Segmentasi merupakan proses partisi gambar digital ke beberapa daerah dengan tujuan untuk menyederhanakan ataupun merubah representasi gambar menjadi sesuatu yang lebih bermakna dan mudah dianalisa. Ada beberapa metoda yang sering digunakan dalam segmentasi citra antara lain: metode thresholding, metodeshapebased, metode region growing, dan metode statistik atau juga disebut metode clustering.Masing-masing metoda memiliki kelebihan dan kelemahan tergantung pada karakteristik dari citra yang akan diproses.
2. Prinsip Segmentasi Citra
Proses segmentasi citra ini lebih banyak 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 : algoritma Deteksi Titik, Deteksi Garis, dan Deteksi Sisi ( berdasarkan Operator Robert dan Operator Sobel ).Segmentasi merupakan 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, misalnya: pada pengenalan pola. Algoritma segmentasi didasarkan pada 2 buah karakteristik nilai derajad kecerahan citra,
yaitu: discontinuity dan similarity. Pada item pertama, citra dipisahkan/dibagi atas dasar perubahan yang mencolok dari derajad kecerahannya. Aplikasi yang umum adalah untuk deteksi titik, garis, area, dan sisi citra. Pada kategori kedua, didasarkan atas thresholding, region growing, dan region spiltting and merging. Prinsip segmentasi citra bisa diterapkan untuk citra yang statis maupun dinamis.
3.Metode Segmentasi Citra
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[3]. Intensitas citra medis seperti tumor dan jaringan pada otak biasanya sangat rumit dan memiliki tingkat keabuan yang sangat dekat sehingga menyebabkan kesulitan penentuan ambang batas (threshold). 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[4]. 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.
Matei Mancas dan Bernard Gosselin memodifikasi algoritma watershed untuk menghidari masalah segmentasi berlebih pada citra tumor otak dengan mengunakan metode marker-based watershed dan gradien vector flowuntuk komputasinya. Watershed pertama dihitung dari dua market -set awal dan membagi citra menjadi 3 wilayah yaitu bagian luar, fuzzy dan bagian dalam. Algoritma yang sama kemudian digunakan untuk menghitungwatershed yang kedua dan diperoleh 5 wilayah konsentris yang makin mendekai bagian tumor.
Salvador A Melo Júnior, et. al menyelesaikan masalah over-segmentation dengan menggunakan multi-state preprocessing untuk mengurangi noise citra, meningkatkan kontras, dan memodifikasi homotopi citra ventrikel kiri. Setelah tahap preprocessing, metode watershed berhasil melakukan segmentasi citra ventrikel kiri. Kontur akhir diperoleh dengan mengurangi ukuran wilayah tersegmentasi dengan algoritma kontur koreksi .
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. Pada kenyataanya, secara umum citra medis mengandung noise dan ketidakpastian distribusi yang tidak dapat diketahui sebelumnya.
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.
4. Contoh Penerapan Segmentasi Citra
Shan Shen, menggunakan metode fuzzy c-mean yang dimodifikasi, yang disebut improved fuzzy c-mean(IFCM), untuk melakukan segmentasi pada jaringan otak. Pada algoritma IFCM segmentasi tidak hanya didasarkan pada pixel namun juga pada pixel yang terdekat. Selama proses clustering, pixel berusaha menarik pixel yang terdekat dan memiliki intensitas yang hampir sama ke dalam cluster yang sama sehingga robush terhadapnoise.
Nassir Salman menggabungkan metode K-mean dan watershed dan K-mean difference in strengh map (DIS) untuk melakukan segmentasi dan egde-detection pada citra MRI otak. Metode clustering K-mean digunakan untuk menghasilkan citra gradien daerah intensitas berdasarkan jarak minimum untuk memeriksa setiap pixel dalam citra dan kemudian menetapkanya ke dalam salah satu cluster citra. Citra gradien tersebut kemudian disegmentasi lagi dengan metode watershed dan DIS. Clustering K-mean juga dimaksukan untuk menghindariover-segmentation pada watershed. Meskipun penggabungan metode segmentasi tersebut cukup memuaskan, namun hasil tersebut sangat bergantung pada hasil K-mean.
