KOMPRESI CITRA (2) & SEGEMENTASI CITRA Pertemuan 13 Mata Kuliah Pengolahan Citra
SPATIAL COMPRESSION (Metode Run Length Encoding / RLE) Cocok digunakan untuk memampatkan citra yang memiliki kelompok-kelompok piksel berderajat keabuan yang sama Contoh :sebuah citra sebagai berikut : 1 2 1 1 1 1 1 3 4 4 4 4 1 1 3 3 3 5 1 1 1 1 3 3 Semuanya ada 24 nilai Pasangkan nilai untuk setiap baris run yang dihasilkan dengan metode pemampatan RLE: (1,5),(2,1) (1,1),(3,1),(4,4) Ada 10 pasang nilai atau 10 X 2=20 nilai (1,2),(3,3),(5,1) (1,4),(3,2) Alusyanti.P
SPATIAL COMPRESSION (Metode Run Length Encoding / RLE) (1,5),(2,1) (1,1),(3,1),(4,4) (1,2),(3,3),(5,1) (1,4),(3,2)
Ada 10 pasang nilai atau 10 X 2=20 nilai
Ukuran citra sebelum dimampatkan (1 derajat keabuan=3 bit)24X3=72 bit Ukuran citra setelah dimampatkan(derajat keabuan=3 bit, run length==4 bit)
(10 X 3) + (10 X 4) = 70 bit Maka Nisbah Pemampatannya:
(100%-(70/72 )x 100%)= 2,78%, yang artinya 2,78% dari citra semula telah dimampatkan Alusyanti.P
SEGMENTASI CITRA Proses Segmentasi Pengenalan Objek Informasi Objek Segmentasi => 1. Memisahkan citra menjadi bagian-bagian yang diharapkan merupakan objek-objek tersendiri. 2. Membagi suatu citra menjadi wilayah-wilayah yang homogen berdasarkan kriteria keserupaan tertentu antara derajat keabuan suatu piksel dengan derajat keabuan piksel-piksel tetangganya. Alusyanti.P
TEKNIK SEGMENTASI Ada bermacam-macam teknik segmentasi, semuanya digolongkan dalam jenis berdasarkan cara kerjanya, yaitu : 1. Segmentasi berdasarkan intensitas warna (derajat keabuan) 2. Segmentasi berdasarkan karakteristik
Segmentasi berdasarkan intensitas warna (derajat keabuan) .
• Salah satu teknik segmentasi berdasarkan intensitas warna adalah mean clustering Pada mean clustering dilakukan pembagian citra dengan membagi histogram citra • Kelemahannya : - Harus tahu dengan tepat berapa jumlah objek yang ada pada citra - Citra hasil kurang bagus jika pada citra terdapat beberapa objek dengan warna pada masingmasing objeknya bervariasi atau pada setiap objek memiliki warna yang sama Alusyanti.P
LANGKAH-LANGKAH CLUSTERING Berikut langkah-langkahnya : 1. Cari intensitas maksimum dan minimum yang digunakan dalam citra 2. Dari intensitas minimum ke maksimum dilakukan pembagian sejumlah N. N ini menentukan jumlah objek yang diharapkan ada pada gambar. 3. Setelah dilakukan pembagian, histogram akan terbagi menjadi bagian-bagian yang disebut cluster (kelompok). Kemudian pada citra dilakukan penelusuran untuk seluruh titik, setiap titik akan digrupkan ke cluster terdekat sehingga hasil akhir dari proses ini adalah jumlah warna pada gambar menjadi N. 4. Cari hasil rata-rata/ mean dari seluruh titik pada setiap cluster, kemudian mengganti warna seluruh titik dalam cluster-cluster tersebut dengan rata-rata dari cluster masing-masing.
SEGMENTASI BERDASARKAN KARAKTERISTIK • Cara lain yang biasa digunakan adalah berdasarkan karakteristik objek pada citra Yaitu mengelompokkan bagian-bagian citra yang memiliki karakteristik yang sama berupa perubahan warna antara titik yang berdekatan, nilai rata-rata dari bagian citra tersebut. • Untuk menghitung/menentukan karakteristik digunakan perhitungan statistik seperti varian, standard deviasi, teori probabililitas, fourier transform, dll • Salah satu teknik segmentasi berdasarkan karakteristik adalah split and merge (membagi kemudian menggabungkan) Alusyanti.P
LANGKAH – LANGKAH SEGMENTASI BERDASARKAN KARAKTERISTIK Berikut langkah-langkahnya : 1. Bagi citra menjadi 4 bagian 2. Dari 4 bagian tersebut dilakukan perhitungan karakteristik masingmasing. 3. Bagian dari citra yang memiliki karakteristik yang sama akan digabungkan dan dianggap satu bagian, sedangkan yang tidak, akan dibagi lagi menjadi 4 bagian dan dilakukan perhitungan karakteristik dan dilakukan lagi proses penggabungan bagian yang sama. Demikian seterusnya sehingga diperoleh hasil dari proses segmentasi • Proses tersebut adalah proses rekursif karena pada setiap saat dilakukan proses yang sama tetapi dengan data yang selalu berubah
CONTOH SEGMENTASI
Alusyanti.P
Referensi Canstleman. 1996. Digital Image Processing. Gonzalez & Woods. 2004. Digital Image Processing. Handoyo, E,D. 2002. Perancangan Mini Image Editor Versi 1.0 Sebagai Aplikasi Penunjang Mata Kuliah Digital Image Processing. Jurnal Natur Indonesia 5 (1):41-49. ISSN:1410-9379. Hestiningsih, I. 2011. Pengolahan Citra. Lyon. 1999. Image Processing in Java. Sianipar. Mangiri, H,S. Wirajati. 2013. Matlab untuk Pemrosesan Citra Digital. Informatika Bandung.
SEKIAN
