Belajar Komputer

Belajar komputer itu mudah dan gratis

Final Project


References :

  • Y. Deng, B. S. Manjunath, dan H. Shin. “Color Image Segmentation”, In : Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition CVPR ’99, Fort Collins, CO, vol. 2, pp. 446-51, Juni 1999.
  • Y. Deng, C. Kenney, M. S. Moore, dan B. S. Manjunath, “Peer Group Filtering and Perceptual Color Image Quantization”, to appear in Proc. of ISCAS, 1999.
  • Y. Deng, B. S. Manjunath, “Unsupervised Segmentation of Color-Texture Regions in Images and Video”, IEEE Transactions on Pattern Analysis and Machine Intelligence (PAMI ’01), vol. 23, no. 8, pp. 800-810, Agustus 2001.
  • C. Kenney, Y. Deng, B. S. Manjunath, dan G. Hewer, “Peer Group Image Enhancement”, IEEE Transactions on Image Processing, vol. 10, no. 2, Februari 2001.

Materials :

  • Segmentasi Citra Berwarna Menggunakan Algoritma JSEG
  • Peer Group Filtering (PGF)

Bidang minat : Intelligent Bussiness System

Abstrak :

Segmentasi citra merupakan salah satu bagian penting dari pemrosesan citra, yang bertujuan untuk membagi citra menjadi beberapa region yang homogen berdasarkan kriteria kemiripan tertentu. Salah satu metode yang dapat digunakan untuk segmentasi citra berwarna adalah algoritma JSEG.

Algoritma JSEG terdiri dari dua tahap, yaitu kuantisasi warna dan segmentasi spasial. Pada tahap kuantisasi warna, warna-warna pada citra dikuantisasi menjadi kelas-kelas yang dapat digunakan untuk membedakan region-region dalam citra. Selanjutnya, warna piksel citra diganti dengan label class warna yang bersesuaian sehingga membentuk class-map dari citra.

Pada tahap segmentasi spasial, dilakukan perhitungan ukuran segmentasi yang “baik” berdasarkan class-map yang telah terbentuk. Penerapan ukuran segmentasi ke window lokal dalam class-map menghasilkan “J-image”, yang mana nilai tinggi dan nilai rendah berturut-turut bersesuaian dengan boundary region yang memungkinkan dan pusat region. Selanjutnya, metode region growing digunakan untuk mensegmentasi citra berdasarkan J-image multiskala.

Percobaan-percobaan membuktikan bahwa JSEG menghasilkan segmentasi citra yang baik pada berbagai macam citra.

Kata kunci : segmentasi citra berwarna, JSEG

Screenshot program :

clip_image001[7]

clip_image003

Peer Group Filtering (PGF) adalah algoritma nonlinier yang berfungsi untuk menghaluskan citra dan menghilangkan impulse noise pada citra berwarna. Misalkan x0(n) menyatakan vektor piksel citra yang memberikan ciri informasi warna pada posisi n yang berpusat pada window w x w. Urutkan semua piksel pada window tersebut berdasarkan jaraknya terhadap x0(n) dalam urutan ascending dan nyatakan sebagaixi(n), i = 0, …, k = w2 – 1. Ukuran jarak Euclidean yang digunakan adalah :

di(n) = ||x0(n) – xi(n)|| , i = 0, …, k (1)

d0(n) ≤ d1(n) ≤ … ≤ dk(n) (2)

Peer group yang berukuran m(n) untuk x0(n) dinyatakan dengan :

P(n) = {xi(n) , i = 0, …, m(n)-1} (3)

Peer group P(n) terdiri dari x0(n) dan titik-titik tetangganya dengan warna yang sama. Ide dasar dari PGF dapat diringkas dalam dua langkah :

  • Classification

Mengklasifikasi peer group dari setiap piksel x0(n). Jika x0(n) ditetapkan sebagai impulse noise dan tidak memiliki peer group, peer group pada lokasi tersebut diestimasi oleh piksel-piksel yang tersisa pada window tersebut.

  • Replacement

Mengganti x0(n) dengan rata-rata bobot dari anggota-anggota peer groupnya. Langkah ini dapat dianggap sebagai pemfilteran Gaussian dengan mask biner, yang mana nilai 1 mengindikasikan bahwa piksel adalah anggota peer group.

Tujuan dari perhitungan rata-rata dari anggota-anggota peer group dan bukan rata-rata dari window lokal adalah untuk menghindari pengkaburan tepian (edge blurring). Cara pemilihan ukuran m(n) yang sesuai untuk setiap peer group yang berdasarkan pada statistik lokal sangat penting demi kesuksesan algoritma PGF. Salah satu pendekatan adalah dengan mengeset nilai threshold T(n), sehingga m(n) memenuhi :

dm(n)-1(n) ≤ T(n) dan dm(n)(n) > T(n) (4)

Namun, karena sinyal dan statistik noise dapat berubah untuk citra yang berbeda atau bahkan untuk citra yang sama, sulit untuk mencari nilai T(n) yang optimal.

Jika terdapat dua cluster warna pada window, diskriminan linier Fisher yang memaksimalkan rasio dariinter-class scatter terhadap intra-class scatter dapat digunakan untuk memisahkan dua cluster tersebut. Namun, jika terdapat lebih dari dua cluster, pendekatan tersebut tidak dapat memisahkan cluster yang mengandung piksel pusat x0(n). Selain itu, kompleksitas komputasi sangat tinggi pada ruang 3-D.

Terdapat cara sederhana untuk mengatasi masalah tersebut dengan menggunakan jarak 1-D di(n) untuk estimasi diskriminan Fisher. Criterion (ukuran) yang dimaksimalkan adalah :

clip_image001

(5) Algoritma tersebut menghitung J(i)untuk setiap i dan menemukan posisicut-off di mana J(i) bernilai maksimum :

m(n) = arg max J(i) (6)

i

Dengan memaksimalkan criterion J(i), dua cluster warna pada window dapat dipisahkan. Jika terdapat lebih dari dua cluster warna, cluster yang mengandung x0(n) masih dapat dipisahkan dari cluster warna yang lainnya. Jika hanya terdapat satu cluster warna, peer group tidak akan mengandung semua titik pada window. Namun, x0(n) masih akan dihaluskan oleh anggota-anggota peer groupnya.

Untuk menghilangkan efek impulse noise, turunan pertama dari jarak di(n), fi(n), dihitung sebelum klasifikasi peer group :

fi(n) = di+1(n) – di(n) (7)

Pengujian dilakukan terhadap M titik pertama dan terakhir dari xi(n) untuk memeriksa apakah titik-titik tersebut termasuk impulse noise :

fi(n) ≤ α (8)

di mana M = w / 2, separuh dari ukuran window, dan α diset bernilai tinggi untuk citra yang sangat rusak dan diset bernilai rendah untuk citra yang sedikit rusak. Jika fi(n) tidak memenuhi kondisi tersebut, maka titik-titik terakhir xj(n) untuk j ≤ i atau j > i dianggap sebagai impulse noise dan dihilangkan. Kemudiandj(n) sisanya digunakan untuk mengestimasi peer group yang sebenarnya.

Asumsi yang mendasari pendekatan di atas adalah jika x0(n) termasuk impulse noise, maka x0(n) sangat berjauhan dari titik-titik lainnya pada window. Hal ini dapat dideteksi dengan nilai fi(n). Untuk menghilangkan noise lain yang mungkin ada dalam window yang dapat mempengaruhi hasil klasifikasi peer group, dilakukan pengujian terhadap M titik pertama dan terakhir.

Setelah penghilangan impulse noise dan klasifikasi peer group, piksel x0(n) diganti dengan rata-rata bobot dari anggota-anggota peer groupnya :

clip_image002

(9) di mana wi adalah bobot Gaussian standar yang bergantung pada posisi relatif pi(n) terhadap x0(n).

Jika ingin menghilangkan impulse noise dan menghaluskan citra, M titik pertama diuji dengan persamaan (8). Jika tidak ada satu pun titik yang tidak memenuhi pengujian tersebut, maka x0(n) dianggap sebagai noise. Peer group pada kasus istimewa ini hanya memiliki satu anggota yang merupakan rata-rata vektor dari window lokal.

Langkah berikutnya adalah perhitungan jarak maksimum setiap peer group, T(n), dengan rumus berikut :

T(n) = dm(n)-1(n) (10)

Nilai T(n) mengindikasikan kehalusan region lokal. Bobot perseptual untuk setiap piksel v(n) dihitung dengan :

v(n) = exp(-T(n)) (11)

sehingga piksel-piksel pada detailed region memiliki bobot yang lebih rendah daripada piksel-piksel padasmooth region.

Rata-rata T(n), Tavg, mengindikasikan kehalusan keseluruhan citra. Secara umum, semakin besar nilai Tavg, semakin berkurang kehalusan citra dan semakin banyak jumlah cluster yang diperlukan untuk kuantisasi warna. Jumlah awal cluster N diestimasi dengan :

N = βTavg (12)

di mana β diset bernilai 2 pada percobaan.

PGF bermanfaat untuk pengindeksan warna efisien dalam aplikasi content based retrieval dan segmentasi citra berwarna.

sumber : http://blog.its.ac.id/dyah03tc

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout / Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout / Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout / Ubah )

Foto Google+

You are commenting using your Google+ account. Logout / Ubah )

Connecting to %s

%d blogger menyukai ini: