SEGMENTASI CITRA Dalam visi komputer, Segmentasi adalah proses mempartisi citra digital menjadi beberapa segmen (set piksel, juga dikenal sebagai superpixels). Tujuan dari segmentasi adalah untuk menyederhanakan dan / atau mengubah penyajian gambar ke sesuatu yang lebih bermakna dan lebih mudah untuk menganalisis. [1] Gambar segmentasi biasanya digunakan untuk menemukan obyek dan batas-batas (garis, kurva, dll) dalam gambar . Lebih tepatnya, segmentasi citra adalah proses untuk menempatkan label untuk setiap pixel dalam sebuah gambar sehingga piksel dengan pangsa label yang sama karakteristik visual tertentu.
Hasil segmentasi citra adalah seperangkat segmen yang secara kolektif mencakup seluruh gambar, atau satu set kontur diekstrak dari citra (lihat deteksi tepi). Setiap piksel dalam suatu wilayah mirip dengan memperhatikan beberapa karakteristik properti atau dihitung, seperti warna, intensitas, atau tekstur. Daerah yang berdekatan sangat berbeda sehubungan dengan karakteristik yang sama (s). [1] Ketika diterapkan pada setumpuk gambar, khas dalam pencitraan medis, kontur yang dihasilkan setelah segmentasi citra dapat digunakan untuk membuat rekonstruksi 3D dengan bantuan algoritma interpolasi seperti biji Marching. thresholding
Metode paling sederhana segmentasi citra disebut metode thresholding. Metode ini didasarkan pada tingkat klip-(atau nilai ambang batas) untuk mengubah citra gray-scale menjadi citra biner.
Kunci dari metode ini adalah untuk memilih nilai ambang (atau nilai ketika beberapa-levels dipilih). Beberapa metode yang populer digunakan dalam industri termasuk metode entropi maksimum, metode Otsu itu (varians maksimum), dan dkk. k-means juga dapat digunakan. Clustering metode
Algoritma K-means adalah iteratif teknik yang digunakan untuk partisi sebuah gambar ke dalam kelompok K. Algoritma dasarnya adalah: 1. Pilih pusat klaster K, baik secara acak atau berdasarkan heuristik beberapa. 2. Tugaskan setiap pixel pada gambar untuk cluster yang meminimalkan jarak antara pixel dan pusat cluster.
3. Kembali menghitung pusat cluster dengan rata-rata semua piksel dalam cluster. 4. Ulangi langkah 2 dan 3 hingga konvergensi dicapai (misalnya tidak cluster piksel perubahan)
Dalam hal ini, jarak perbedaan kuadrat atau absolut antara pixel dan pusat cluster. Perbedaannya biasanya didasarkan pada warna pixel, intensitas, tekstur, dan lokasi, atau kombinasi tertimbang faktor ini. K dapat dipilih secara manual, secara acak, atau dengan sebuah heuristic.
Algoritma ini dijamin untuk bertemu, tetapi tidak dapat mengembalikan solusi optimal. Kualitas dari solusi tergantung pada set awal cluster dan nilai K.
Dalam statistik dan mesin pembelajaran, algoritma k-means adalah algoritma clustering untuk partisi n objek ke dalam kelompok k, dimana k
lebih miskin dibandingkan dengan optimum global. Karena algoritma ini adalah sangat cepat, metode umum adalah dengan menjalankan algoritma beberapa kali dan kembali pengelompokan terbaik ditemukan. Sebuah kelemahan dari algoritma kmeans adalah bahwa jumlah cluster k adalah parameter masukan. Sebuah pilihan yang tidak tepat k dapat menghasilkan hasil yang buruk. Algoritma ini juga mengasumsikan bahwa varians adalah ukuran yang tepat menyebarkan cluster.
Kompresi metode berbasis
Kompresi metode berbasis postulat bahwa segmentasi yang optimal adalah salah satu yang meminimalkan, atas semua segmentasi mungkin, panjang pengkodean data [3]. [4] Hubungan antara kedua konsep ini adalah bahwa segmentasi mencoba untuk menemukan pola dalam foto dan setiap keteraturan dalam gambar dapat digunakan untuk kompres. Metode ini menggambarkan setiap segmen dengan tekstur dan bentuk batas. Masing-masing komponen dimodelkan dengan fungsi distribusi probabilitas dan panjangnya coding dihitung sebagai berikut:
1.
Pengkodean batas memanfaatkan fakta bahwa daerah di gambar alam cenderung
memiliki kontur halus. Ini sebelum digunakan oleh Huffman coding untuk mengkodekan kode perbedaan rantai kontur dalam foto. Dengan demikian, batas halus adalah, panjang coding pendek itu mencapai. 2. Tekstur dikodekan dengan kompresi lossy dengan cara yang sama dengan panjang deskripsi minimum (MDL) prinsip, tapi di sini panjang data yang diberikan model ini didekati dengan jumlah sampel kali entropi model. Tekstur di setiap daerah dimodelkan dengan distribusi normal multivariat yang entropi memiliki ekspresi bentuk tertutup. Satu sifat menarik dari model ini adalah bahwa entropi perkiraan batas entropi benar data dari atas. Hal ini karena di antara semua distro dengan rata-rata yang diberikan dan kovarians, distribusi normal memiliki entropi terbesar. Dengan demikian, panjang coding benar tidak dapat lebih dari apa algoritma mencoba untuk meminimalkan.
Untuk setiap segmentasi tertentu dari suatu gambar, skema ini menghasilkan jumlah bit yang dibutuhkan untuk mengkodekan bahwa gambar berdasarkan segmentasi tertentu.
Dengan demikian, di antara semua segmentasi yang mungkin dari suatu gambar, tujuannya adalah untuk menemukan segmentasi yang menghasilkan panjang coding terpendek. Hal ini dapat dicapai dengan metode pengelompokan sederhana agglomerative. Distorsi dalam kompresi lossy menentukan kekasaran segmentasi dan nilai optimal mungkin berbeda untuk setiap gambar. Parameter ini dapat diperkirakan heuristik dari kontras tekstur dalam gambar. Misalnya, ketika tekstur dalam foto mirip, seperti di gambar kamuflase, sensitivitas kuat dan kuantisasi dengan demikian lebih rendah diperlukan. Histogram metode berbasis
Histogram berbasis metode ini sangat efisien bila dibandingkan dengan metode segmentasi citra lain karena mereka biasanya hanya membutuhkan satu lulus melalui piksel. Dalam teknik ini, histogram dihitung dari semua piksel dalam gambar, dan puncak dan lembah pada histogram yang digunakan untuk menemukan cluster dalam gambar. [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 lebih kecil. Ini diulang dengan kelompok yang lebih kecil dan lebih kecil sampai cluster tidak lebih terbentuk. [1] [5]
Salah satu kelemahan dari metode histogram-seeking adalah bahwa hal itu mungkin sulit untuk 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 selama beberapa frame, dengan tetap menjaga efisiensi single pass mereka. Histogram dapat dilakukan dalam mode beberapa saat beberapa frame dipertimbangkan. Pendekatan yang sama yang diambil dengan satu frame dapat diterapkan untuk ganda, dan setelah hasil digabung, puncak dan lembah yang sebelumnya sulit untuk mengidentifikasi lebih mungkin untuk dibedakan. Histogram juga dapat diterapkan pada basis pixel per mana hasil informasi yang digunakan untuk menentukan warna yang paling sering untuk lokasi
Please download full document at www.DOCFOC.com Thanks
