SEGMENTASI CITRA SPASIAL MULTI RESOLUSI UNTUK KLASIFIKASI TUTUPAN LAHAN MENGGUNAKAN ALGORITMA REGION GROWING
Charles, Sylvianto
Abstrak Tujuan penelitian ini adalah melakukan segmentasi objek geografis yang berbeda pada berbagai resolusi spasial dan format citra satelit dan foto udara, mengetahui seberapa jauh informasi yang dapat diekstraksi dengan cara segmentasi pada berbagai resolusi spasial dan format citra satelit dan foto udara, dan menyusun klasifikasi tutupan lahan dari berbagai resolusi spasial citra yang berbeda oleh ahli. Metodologi penelitian yang digunakan berupa data citra foto dari udara, citra foto quickbird, dan algoritma Region Growing untuk segmentasi. Penelitian ini, diharapkan mendapat hasil yang lebih jelas dan dalam waktu yang relatif lebih cepat dibandingkan dengan cara manual (digitasi). Hasil yang dimaksud berupa klasifikasi yang jelas antara tiap segmen (region) dalam suatu objek geografis tertentu. Simpulan penelitian ini adalah bahwa segmentasi pada berbagai resolusi spasial dan format citra satelit dan foto udara, dapat digunakan untuk menyusun klasifikasi tutupan lahan. Format bitmap (bmp) merupakan format yang terbaik dibandingkan format citra lainnya. Nilai threshold yang digunakan untuk masing-masing resolusi spasial tidak selalu sama, tergantung jenis objek dan resolusi spasial citra.
Kata Kunci Segmentasi, Multi Resolusi, Tutupan Lahan, Algoritma Region Growing
PENDAHULUAN
Latar belakang Segmentasi obyek pada citra dapat dilakukan dengan tiga metode yaitu ambang batas (thresholding), berbasis tepi (edge-base) dan berbasis region (regionbased). Metode ambang batas dapat dilakukan dengan beberapa pendekatan seperti histogram shape-based, cluster-based, entropy-based, object attribute-based, dan spatial-based, tetapi dalam hal ini, tidak dapat digunakan untuk mensegmentasi citra objek geografis dikarenakan metode ambang batas diukur berdasarkan tingkat intensitas derajat keabuannya, sedangkan dalam citra objek geografis, ada banyak sekali warna sehingga metode ini tidak dapat kami gunakan secara sepenuhnya dan sebenarnya di dalam algoritma region growing pun terdapat pengaturan ambang batas atau threshold-nya. Metode segmentasi berbasis tepi adalah suatu metode yang mengidentifikasikan perubahan nilai intensitas derajat keabuan yang mendadak (besar) dalam suatu jarak yang singkat. Dua langkah dalam mengaplikasikan metode ini yaitu mendeteksi batas segmen dari suatu citra dan men-generate region pada citra tersebut. Operator yang umum digunakan pada metode segmentasi adalah Diffrential Gradien, Laplacian, dan Canny Operator, tetapi sekali lagi dalam hal ini, tidak dapat digunakan untuk citra objek geografis karena segmentasi berbasis tepi hanya membuat citra yang ada menjadi citra bertepi (edge images) dan bukan mengklasifikasikan objek tersebut . Dari data yang ada, maka digunakanlah algoritma region growing yang diharapkan dapat mengoptimasi hasil dari segmentasi yang dilakukan itu, sehingga hasil yang didapat menjadi lebih efektif dan efisien dikarenakan algoritma region growing ini biasa digunakan untuk
mensegmentasi dan juga mengelompokkan piksel yang ada ke dalam suatu region atau suatu kelompok tertentu. Sebelumnya, algoritma ini telah dipakai di berbagai bidang seperti kedokteran, untuk keperluan temu kembali citra pada event olahraga lapangan hijau, tetapi belum pernah digunakan untuk mensegmentasi citra objek geografis, sehingga kami akan mencoba untuk melakukan segmentasi citra spasial multi resolusi dan dalam berbagai format citra sebagai pembanding.
Proses segmentasi citra yang sekarang dilakukan secara digitasi memakan waktu lama, sumber daya yang lebih besar, memakan biaya yang lebih tinggi, dan juga bila terjadi kesalahan dalam prosesnya, maka data citra perlu dicetak ulang sehingga pekerjaan kembali dari awal lagi. Oleh karena itu, kami berharap dengan adanya segmentasi secara komputerisasi ini dapat memudahkan segmentasi sekarang yang dilakukan secara digitasi dapat dilakukan secara lebih cepat dan teliti.
Ruang lingkup Dalam segmentasi ini, ruang lingkup yang dilakukan untuk proses segmentasi adalah tutupan lahan (Land Cover) dan menggunakan algoritma berbasis region yang diklaim memiliki tingkat akurasi yang lebih baik dibandingkan algoritma lainnya. Batasan dalam skripsi ini hanya citra foto udara dan quickbird sebagai perbandingan sejauh mana informasi yang dapat diekstraksi dengan algoritma region growing. Citra yang diambil dari foto udara maupun quickbird dengan luasan wilayah, resolusi, dan ukuran yang sama. Format citra
yang digunakan adalah .jpg, .png, dan .bmp sebagai perbandingan analisis untuk tiap format.
Tujuan dan manfaat Tujuan dari penelitian ini adalah : 1) Melakukan segmentasi objek geografis yang berbeda pada berbagai resolusi spasial dan format citra satelit dan foto udara. 2) Mengetahui seberapa jauh informasi yang dapat diekstraksi dengan cara segmentasi pada berbagai resolusi spasial dan format citra satelit dan foto udara. 3) Dapat menyusun klasifikasi tutupan lahan dari berbagai resolusi spasial citra yang berbeda oleh ahli.
Adapun manfaat dari penelitian ini adalah sebagai berikut : 1) Diperoleh teknik ekstraksi objek geografis dari citra satelit dan foto udara secara otomatis dengan cara segmentasi. 2) Ekstraksi otomatis mempermudah dan mempercepat proses pengenalan dan klasifikasi objek khususnya tutupan lahan
Metodologi Dalam proses segmentasi ini, metodologi yang digunakan berupa data citra foto dari udara, citra foto quickbird, dan juga algoritma Region Growing. 1) Data citra a) Foto udara Citra foto merupakan sebuah gambar yang dicetak pada media kertas
(foto) yang dihasilkan dari hasil pemotretan dengan perekaman secara fotografi. Foto udara ini adalah salah satu produk dari bidang ilmu geografi dalam mengambil obyek, daerah, atau fenomena yang ada di permukaan bumi ini menggunakan alat berupa kamera dengan proses perekaman secara fotografik dengan bantuan detector atau alat pendeteksi berupa film. Film hasil perekaman ini kemudian dicetak secara kimiawi dalam ruang gelap agar mendapatkan hasil gambar yang sempurna. Gambar tersebut disebut dengan citra yang kemudian dilakukan proses segmentasi untuk mendapatkan informasi yang diinginkan. b) Citra quickbird Citra
quickbird
merupakan
citra
foto
dengan
resolusi
tinggi.
Kemunculan quickbird memberi harapan baru bagi praktisi di bidang Perencanaan Wilayah/Perkotaan, Pertambangan, Pertanian, Perkebunan, Transportasi, Advertising, Utilitas, Telekomunikasi, Broadcasting, dan semua
pihak
yang
membutuhkan
data
akurat
dan
detail.
Keunggulan quickbird adalah mampu menyajikan data dengan resolusi hingga 61 cm. Dengan resolusi setinggi ini, sebuah lokasi permukiman dapat diidentifikasi per individu bangunan, sebuah jaringan jalan dapat didentifikasi sebagai poligon dua sisi, dan yang tidak kalah pentingnya adalah pemesanan data sangat mudah dilakukan, tidak serumit pembuatan foto udara yang mengharuskan adanya security clearance (ijin dari pihak keamanan), ijin jalur terbang, sewa hanggar, sewa pesawat dll.
2) Algoritma Region Growing Algoritma berbasis region adalah algoritma segmentasi yang akan digunakan dalam penelitian ini untuk mensegmentasi individual unit dari kelas-kelas yang ada di citra foto udara maupun citra quickbird yang akan diteliti. Algoritma ini umum digunakan untuk segmentasi obyek pada berbagai karakteristik citra multi resolusi maupun citra multi spasial. Kedua jenis citra yang disegmentasi ini dipengaruhi oleh beberapa faktor yaitu scale parameter, shape and color dan smoothness.
Landasan Teori Pengertian Segmentasi Dalam computer vision, segmentasi merukuk pada proses partisi gambar digital menjadi beberapa bagian atau kita kenal sebagai superpixels. Tujuan segmentasi adalah untuk memudahkan atau mengganti sebuah gambar menjadi lebih berarti dan mudah dianalisa. Image segmentation adalah proses pemberian label untuk setiap pixel dalam gambar dengan pixel yang memilik label sama memiliki karakterisik yang sama. Ada banyak sekali metode-metode segmentasi ini, contohnya ialah thresholding, clustering, compression-based, histogram-based, edge detection, partial differential equation-based, graph partitioning, watershed transformation, model based segmentation, multi-scale segmentation, semi-automatic segmentation, split-andmerge, neural networks segmentation dan region growing. Untuk kedepannya, kami akan membahas tentang algoritma Region Growing dengan lebih jelas.
Pengertian Citra Citra atau image (Kulkarni, 2001)
adalah representasi spasial dari suatu
objek yang sebenarnya dalam bidang dua dimensi yang biasanya ditulis dalam koordinat cartesian x-y, dan setiap koordinat merepresentasikan satu sinyal terkecil dari objek. Fungsi citra adalah model matematika yang sering digunakan untuk menganalisis dimana semua fungsi analisis digunakan untuk mempertimbangkan citra sebagai fungsi dengan 2 variabel. Citra merupakan gambaran yang terekam oleh kamera atau oleh sensor. Simonett and Joseph, 1983 mengutarakan pengertian tentang citra yaitu: a) Gambaran obyek yang dibuahkan oleh pantulan atau pembiasan sinar yang difokuskan oleh sebuah lensa atau sebuah cermin. b) Gambaran rekaman suatu obyek (biasanya berupa gambaran pada foto) yang dibuat dengan cara optik, elektro-optik, optik mekanik atau elektronik. Pada umumnya gambar digunakan bila radiasi elektromagnetik yang dipancarkan atau dipantulkan dari suatu obyek tidak langsung direkam pada film. Sedangkan penginderaan jauh ialah ilmu dan seni untuk memperoleh informasi tentang obyek, daerah, atau gejala dengan jalan menganalisis data yang diperoleh dengan menggunakan alat tanpa kontak langsung terhadap obyek, daerah, atau gejala yang dikaji (Lillesand and Kiefer, 2004). Alat yang dimaksud di dalam batasan ini ialah alat pengindera atau sensor. Pada umumnya sensor dipasang pada wahana (platform) yang berupa pesawat terbang, satelit. pesawat ulang-alik, atau wahana lainnya. Obyek yang diindera atau yang ingin diketahui berupa obyek di permukaan bumi, di dirgantara, atau di
antariksa. Penginderaannya dilakukan dari jarak jauh sehingga ia disebut penginderaan jauh. Penginderaan jauh juga merupakan berbagai teknik yang dikembangkan untuk perolehan dan analisis informasi tentang bumi. Informasi tersebut khusus berbentuk radiasi elektromagnetik yang dipantulkan atau dipancarkan dari permukaan bumi (Lindgren, 1985).
Pengertian Segmentasi Citra Segmentasi citra adalah suatu proses membagi suatu citra menjadi wilayah-wilayah yang homogen (Jain, 1989). Menurut Jain (1989), segmentasi citra dapat dibagi dalam beberapa jenis, yaitu dividing image space dan clustering feature space. Jenis yang pertama adalah teknik segmentasi dengan membagi image manjadi beberapa bagian untuk mengetahui batasannya, sedangkan teknik yang kedua dilakukan dengan cara memberi index warna pada tiap piksel yang menunjukkan keanggotaan dalam suatu segmentasi Adapun teknik segmentasi tersebut dapat dilakukan dengan beberapa pendekatan sebagai berikut : 1) Pendekatan Edge-Based Pendekatan ini melakukan proses deteksi sisi dengan operator gradient. Masukannya berupa citra gray level dan keluarannya berupa citra edge (biner). Selanjutnya dilakukan proses region growing dengan masukan citra asli (gray-level) dan citra edge. Proses pembentukan suatu wilayah akan berhenti bila menjumpai piksel edge. Kekurangan dari pendekatan ini adalah
belum tentu menghasilkan edge yang kontinu, mengakibatkan terjadinya kebocoran wilayah (wilayah-wilayah yang tidak tertutup). 2) Pendekatan Region-Based Pendekatan ini memerlukan criteria of uniformity, memerlukan penyebaran seeds atau dapat juga dengan pendekatan scan line, kemudian dilakukan proses region growing. Kekurangan dari pendekatan ini adalah belum tentu menghasilkan wilayah-wilayah yang bersambungan. 3) Pendekatan Hybrid Pendekatan ini melakukan proses deteksi sisi untuk menhasilkan citra sisi (piksel edge dan piksel non-edge), melakukan pemisahan wilayah dengan metode connected region. (Connected regions adalah set piksel 4-tetangga yang bukan piksel edge), dan selanjutnya dilakukan proses merging regions. Pendekatan ini bertujuan untuk mendapatkan hasil segmentasi dengan wilayah-wilayah yang tertutup dan bersambungan
Pengertian Multi Resolusi Di dalam penginderaan jauh ada 4 istilah resolusi yakni: 1) Resolusi Spasial Resolusi spasial adalah ukuran terkecil obyek yang dapat direkam oleh suatu sistem sensor. Dengan kata lain maka resolusi spasial mencerminkan kerincian informasi yang dapat disajikan oleh suatu sistem sensor. Ada dua cara menyatakan resolusi spasial, yakni:
a) Resolusi citra. Resolusi Citra (image resolution) dapat diartikan sebagai kualitas lensa yang dinyatakan dengan jumlah maksimum garis pada tiap milimeter yang masih dapat dipisahkan pada citra. Misal tiap garis tebalnya 0,01 mm. Ruang pemisah antara tiap garis juga sebesar 0,01 mm. Berarti tiap garis menempati ruang selebar 0,02 mm atau pada tiap mm ada 50 garis. Dalam
contoh
ini
berarti
resolusi
citranya
sebesar
50
garis/mm. Secara teoritik maka resolusi citra yang terbaik 1.430 garis/mm. b) Resolusi medan. Resolusi Medan (ground resolution) ialah ukuran terkecil obyek di medan yang dapat direkam pada data digital maupun pada citra. Pada data digital resolusi medan dinyatakan dengan piksel. Semakin kecil ukuran terkecil yang dapat direkam oleh suatu sistem sensor, berarti sensor itu semakin baik karena dapat menyajikan data dan informasi yang semakin rinci. Resolusi spasial yang baik dikatakan resolusi tinggi atau halus, sedang yang kurang baik berupa resolusi kasar atau rendah. Disamping itu dinyatakan dengan ukuran dalam meter di lap atau dalam meter per piksel pada citra (Rm/piksel), resolusi medan juga dapat dinyatakan dengan ukuran dalam meter di lap yang dapat digambarkan oleh sepasang garis pada citra atau Rm/Lp (meter per line pairs). Resolusi Spasial dipengaruhi: a) Skala; semakin besar skala semakin baik resolusinya. b) Panjang gelombang tenaga elektromagnetik yang digunakan.
2) Resolusi spectral Resolusi spektral menunjukkan kerincian λ yang digunakan dalam perekaman obyek.Contoh resolusi spektral SPOT-XS lebih rinci daripada SPOTP. Keunggulan citra multispektral ialah meningkatkan kemampuan mengenali obyek karena perbedaan nilai spektralnya sering lebih mudah dilakukan pada saluran sempit. Tiga data multi spektral hitam putih dapat dihasilkan citra berwarna. Apabila data multispektral itu tersedia dalam digital akan dapat diolah dengan bantuan komputer. Kelemahannya ialah bahwa resolusi spasialnya menjadi lebih rendah. Artinya antara resolusi spasial dan resolusi spektral terjadi hubungan berkebalikan.
3) Resolusi Temporal Resolusi temporal adalah frekuensi perekaman ulang atas daerah yang sama. Sebagai contoh resolusi temporal ini: a) Landsat generasi 1 : 18 hari b) Landsat generasi 2 : 16 hari c) SPOT : 26 hari atau 6-7 kali/bulan karena sensor dapat ditengokkan arah perekamannya d) Satca NOAA : 12 jam 4) Resolusi Radiometrik Resolusi radiometrik memiliki arti sebagai kepekaan sensor terhadap perbedaan terkecil kekuatan sinyal. Dengan sensor termal misalnya, kalau sensor 1 mampu merekam beda suhu terkecil 0,2 C dan sensor 2 mampu
merekam beda suhu terkecil 0,5 C; berarti resolusi radiometrik sensor 1 lebih baik dari pada sensor 2.
Dari keempat jenis resolusi ini maka resolusi spasial merupakan resolusi yang terpenting. Kalau orang menyebut resolusi tanpa diikuti keterangan apapun, maka yang dimaksud adalah resolusi spasial. Resolusi spasial berbanding terbalik dengan resolusi spectral dan resolusi temporal sedangkan berbanding lurus dengan resolusi radiometrik. Hubungan antara resolusi spasial dengan resolusi temporal menimbulkan pilihan yang tidak mudah antara keduanya. Sulit untuk memilih antara foto udara (rinci) atau citra satelit yang frekuensi perekaman ulangnya lebih sering. Kerincian penting untuk studi kekotaan misalnya dan resolusi temporal yang tinggi penting untuk memantau perubahan cepat seperti pemekaran kota, pengurangan luas hutan, dsb
Tutupan Lahan Tutupan lahan atau bisa disebut dengan Land Cover ialah materi fisik yang ada di permukaan bumi, tutupan lahan termasuk rumput, aspal, pohon, tanah, gunung, pemukiman penduduk, air, dan lain-lain. Pengetahuan tentang tutupan lahan sangat penting untuk banyak perencanaan dan manajemen lahan seta esensial untuk pemodelan dan pemahaman tentang bumi sebagai suatu sistem(Kiefer, et al, 1993). Unites State Geological Survey (USGS) mendesain penggunaan lahan (land use) dan sistem klasifikasi tutupan lahan (land cover) untuk digunakan pada penginderaan jauh pada pertengahan tahun 1970 an(Anderson et al., 1976).
Ada 2 metode utama untuk mendapatkan informasi mengenai tutupan lahan, yaitu dengan studi lapangan atau dengan penginderaan jauh. Tutupan lahan (land cover) berbeda dengan penggunaan lahan (land use) walau mereka sering disalahartikan. Penggunaan lahan lebih memfokuskan pada bagaimana orang mengatur lahan untuk kegiatan sosial ekonomi, migrasi, dan agrikultur. Sedangkan tutupan lahan lebih mengarah kepada penampakan lahan secara alamiah tanpa diatur manusia seperti hutan, laut, danau. Pemetaan penggunaan lahan dan tutupan lahan sebaiknya dipisah menurut sistem USGS, tapi, biasanya akan lebih efisisen jika kita menggabungkan keduanya. Jadi, informasi dari tutupan lahan itu dapat digunakan oleh penggunaan lahan, misalnya untuk mendeteksi kegiatan manusia di lingkungan tersebut. Sistem klasifikasi tutupan lahan dan penggunaan lahan USGS memiliki kriteria yang harus dipenuhi seperti: (1) akurasi interpretasi penginderaan jauh level minimum setidaknya 85%, (2) akurasi interpretasi untuk beberapa kategori setidaknya sama, (3) hasil yang berulang harus didapat oleh banyak interpreter dan dari penginderaan jauh yang berbeda-beda pula, (4) sistem klasifikasi dapat di aplikasikan pada area yang ekstensif, (5) pengkategorisasian memperbolehkan penggunaan lahan disimpulkan dari jenis tutupan lahan, (6) sistem klasifikasi harus cocok pada penginderaan jauh dan juga dapat dipakai untuk tahun mendatang, (7) kategori harus dapat dibagi lagi menjadi sub kategori yang lebih detail yang didapat dari gambar skala besar atau survey lahan, (8) pengagregasian kateogri dimungkinkan (9) perbandingan antara penggunaan lahan dan tutupan lahan antara yang sekarang dan yang akan datang dimungkinkan, (10) penggunaan-penggunaan dari lahan harus bisa di ketahui jika memungkinkan.
USGS membagi tutupan lahan dan penggunaan lahan menjadi IV level dimana level I merepresentasikan data yang diambil dari satelit dengan resolusi rendah sampai menengah (Landsat MSS data; resolusi 20-100m ), level II dengan foto udara skala kecil dengan resolusi menengah (Landsat TM data; resolusi 5-20 m), level III dengan foto udara skala medium; satelit dengan resolusi tinggi (IKONOS; resolusi 1-5m) dan level IV merupakan foto udara dengan skala besar (resolusi 0,25-1 m). Berikut akan dijelaskan klasifikasi umum USGS dari Level I – Level III, diambil contoh perkotaan (urban) atau daerah terbangun (built-up area) (level I) dan dibagi-bagi menjadi beberapa kategori pada level II-nya yaitu tempat tinggal, komersial dan layanan; industri; trasnportasi, komunikasi, dan keperluan lain; komplek industri dan komersial; gabungan perkotaan atau bangunan; perkotaan lain atau lahan buatan. Dari level II tempat tinggal, dapat dibagi-bagi lagi menjadi yang lebih kecil pada level III seperti 1 keluarga, lebih dari 1 keluarga, kelompok, hotel, parkir mobil, penginapan sementara, dan masih banyak lagi.
Berikut sistem Klasifikasi USGS level I dan Level II Level I 1 Urban or built-up land
2 Agricultural land
Level II 1 1 Residential 1 2 commercial and service 1 3 Industrial 1 4 transportation, communication, and utilities 1 5 Industrial and commercial complexes 1 6 Mixed urban or built-up land 1 7 Other urban or built-up land 2 1 Cropland and pasture 2 2 Orchards, groves, vineyards, nurseries and ornamental horticultural areas
2 3 Confined feeding operation 2 4 Other agricultural land 3 Range land 3 1 Herbaceous rangeland 3 2 Shrub and brush rangeland 3 3 Mixed rangeland 4 Forest Land 4 1 Deciduous forest land 4 2 Evergreen forest land 4 3 Mixed forest land 5 water 5 1 Streams and canals 5 2 Lakes 5 3 reservoirs 5 4 Bays and estuaries 6 wetland 6 1 Forested wetland 6 2 Nonforested Wetland 7 Barren Land 7 1 Dry salt flats 7 2 Beaches 7 3 Sandy areas other than beaches 7 4 Bare Exposed Rock 7 5 Strip mines, quarries, and gravel pits 7 6 transitional areas 8 Tundra 8 1 Shrub and brush tundra 8 2 Herbaceous Tundra 8 3 Bare ground tundra 8 4 wet tundra 9 Parennial snow or ice 9 1 Parennial snowfileds 9 2 glaciers Tabel 2.1 Sistem Klasifikasi USGS level I dan Level II
Selain itu juga dijelaskan mengenai daerah terbangun (built-up land) untuk setiap level dari level I, level II dan level III dan dapat dilihat secara lebih rinci pada bagan berikut.
Gambar 2.6 Level I, Level II dan Level III pada perkotaan atau daerah terbangun
2.6
Algoritma Region Growing Algoritma berbasis region adalah algoritma segmentasi yang akan digunakan dalam penelitian ini untuk mensegmentasi tutupan lahan. Dari namanya, kita dapat menyimpulkan bahwa region growing adalah prosedur pengelompokan piksel atau sub region menjadi region yang lebih besar berdasar kriteria yang ada (Gonzales and Wintz, 1987). Pemilihan satu starting point atau lebih berdasar pada masalahnya. Jika informasinya kurang lengkap, maka prosedurnya adalah dengan mengkomputasi semua piksel dengan properti yang sama untuk membuatnya menjadi region selama proses growing, jika hasilnya menunjukkan nilai kluster, maka piksel di mana propertinya mendekati kluster tersebut akan menjadi seed. Algoritma ini umum digunakan untuk segmentasi obyek pada berbagai karakteristik citra multi resolusi dan multi spektral yang dipengaruhi oleh beberapa faktor seperti image layer weight, scale parameter, shape and color dan smoothness and compactness. Parameter image layer weight dapat diketahui dari masing-masing layer pada citra yang akan diteliti sedangkan scale parameter diperoleh dari nilai keragaman maksimum yang dimungkinkan dari suatu obyek pada citra. Shape and color merupakan parameter tambahan yang dapat mempengaruhi penggabungan piksel kedalam group. Bentuk (shape) suatu obyek pada citra dipengaruhi oleh smoothness (kehalusan) dan compactness (kekompakan) dari obyek tersebut. Smoothness adalah hubungan antara panjang batas suatu obyek (l) dengan perimeter dari bounding box suatu obyek. Sedangkan kekompakan adalah hubungan antar panjang batas suatu obyek (l) dengan akar dari jumlah piksel (n) yang menyusun obyek tersebut.
Metode region growing pertama ialah seeded
region growing yang
mengambil seed sebagai input bersama dengan image. Seed ini menandai setiap obyek yang akan di segmentasi. Region atau wilayahnya secara berulang-ulang dikembangkan dengan membandingkan semua piksel berikutnya yang tidak dialokasikan ke dalam region dan perbedaan antara nilai intensitas piksel dan nilai rata-rata dari region digunakan untuk mengukur kesamaan. Piksel yang memiliki perbedaan paling kecil setelah diukur dialokasikan ke respective region dan diulang sampai semua piksel telah teralokasikan ke region. Seeded region growing ini membutuhkan seed sebagai input tambahan, hasil segmentasinya dependan tergantung dari pilihan seednya. Noise dalam image dapat menyebabkan seed diletakkan ditempat yang kurang baik. Unseeded region growing memiliki algoritma yang telah dimodifikasi sehingga tidak membutuhkan explicit seeds. Semua di mulai dari single region (tidak akan berpengaruh pada hasil segmentasi) dan setiap perulangan itu dianggap sebagai piksel berikutnya seperti dalam algoritma region growing. Jika perbedaannya lebih kecil dari threshold maka akan ditambah dalam respective region, jika tidak, maka piksel itu akan dianggap sangat berbeda dan akan dibuat region baru dengan piksel ini. Satu varian dari teknik ini berdasar pada intensitas piksel. Rata-rata dan sebaran region serta intensitas kandidat piksel digunakan untuk mengkomputasi sebuah test statistic, jika hasilnya cukup kecil, maka piksel itu akan di tambahkan ke dalam region dan rata-rata serta sebaran dari region itu akan dikomputasi ulang. Jika tidak, maka akan dibuat region baru. Secara keseluruhan, proses region growing yang kami lakukan dalam skripsi ini dapat digambarkan dengan activity diagram berikut ini
Gambar 2.7 Proses segmentasi citra spasial multi resolusi dengan region growing
Rancangan Layar Aplikasi yang Dibuat Aplikasi ini bernama GeoSeg, yang merupakan singkatan dari Geographic Segmentation. Tujuan dibuatnya aplikasi ini adalah untuk melakukan proses segmentasi pada gambar-gambar geografis. Pada aplikasi ini terdapat beberapa menu dengan fungsi masing-masing. Berikut akan dijelaskan isi dari menu-menu yang ada beserta fungsi dan tujuan dibuatnya menu tersebut. 1) Menu File Menu file terdiri atas sub menu open image, save as, dan exit. Sub menu open image digunakan untuk membuka gambar yang diinginkan pengguna untuk diproses dengan menggunakan aplikasi ini. Sub menu ini bisa dibuka dengan shortcut ctrl+O. Gambar yang bisa dibuka adalah format gambar yang umum digunakan, yaitu .jpg, .bmp, .png. Sub menu save as digunakan untuk menyimpan gambar yang sudah diproses. Sub menu ini bisa juga menggunakan shortcut+S. Gambarnya pun disimpan dengan format .jpg, .bmp, .png. Apabila belum ada gambar yang dibuka, maka gambar tidak akan bisa disimpan.
Sub menu exit berguna untuk keluar dari aplikasi. Sebelum keluar akan keluar pesan ucapan terima kasih kepada pengguna karena telah menggunakan aplikasi ini.
Gambar 4.1 Tampilan pada menu File
2) Menu Edit
Menu edit ini bertujuan untuk memudahkan pengguna dalam penggunaan aplikasi ini. Di dalam menu edit terdapat sub menu undo dan redo. Sub menu undo berguna untuk kembali ke gambar sebelum diproses apabila terjadi kesalahan. Sedangkan sub menu redo
berguna untuk membatalkan proses undo, yaitu kembali ke gambar yang telah diproses.
Gambar 4.2 Tampilan pada menu Edit
3) Menu Adjust Menu adjust sendiri berguna sebagai pengaturan tambahan dari gambar. Pengaturan yang digunakan adalah curve, yang ada pada sub
menu curve setting. Sub menu ini digunakan untuk pengaturan pada gambar untuk mengatur warna dari gambar apabila gambar yang akan diproses gelap ataupun terlalu terang.
Gambar 4.3 Tampilan pada menu Adjust
4) Menu Analysis Kegunaan dari menu ini adalah untuk mengetahui grafik histogram dari gambar yang dibuka. Histogram yang ditunjukkan dengan histogram untuk warna merah (red), hijau (green), dan biru (blue). Sedangkan sub menu histogram equalization berfungsi untuk melakukan keseimbangan antara histogram sebelumnya. Jadi hasil
yang dihasilkan grafik histogram yang kurang lebih seimbang (equal) untuk masing-masing warna.
Gambar 4.4 Tampilan pada menu Analysis
5) Menu Segmentation Menu ini berfungsi untuk melakukan proses segmentasi terhadap gambar. Segmentasi yang digunakan adalah region growing. Proses segmentasi ini terdapat pada sub menu region growing, yang dapat juga diakses dengan menggunakan shortcut ctrl+R. Tujuan dari
segmentasi adalah memisahkan gambar menjadi beberapa bagian wilayah sehingga mudah untuk dianalisis.
Gambar 4.5 Tampilan pada menu Segmentation
SIMPULAN Penelitian ini dapat menyimpulkan beberapa hal, antara lain : 1) Segmentasi dapat dilakukan untuk tiap-tiap objek geografis pada berbagai tingkat resolusi spasial dan format citra satelit dan foto udara.
2) Segmentasi dan informasi spasial objek dapat digunakan untuk menyusun klasifikasi tutupan lahan pada berbagai resolusi spasial dan format citra satelit dan foto udara. 3) Bmp merupakan format terbaik yang digunakan sebagai masukan dalam proses segmentasi. 4) Proses equalisasi, memungkinkan hasil yang didapat dari tiap gambar cenderung sama untuk semua format citra. 5) Nilai threshold yang digunakan untuk masing-masing resolusi spasial tidak selalu sama, tergantung jenis objek dan resolusi spasial citra. SARAN Melengkapi penelitian ini, penulis menyarankan untuk melakukan beberapa hal yang dapat meningkatkan hasil segmentasi citra untuk klasifikasi tutupan lahan : 1) Preprocessing citra. 2) Automatic seed point. 3) Konversi data raster ke vektor.
DAFTAR PUSTAKA
Anderson, J. E., R.L. Fischer, and S.R. Deloach. (1976). A Land Use and Land Cover Classification System for Use with Remote Sensor Data. Geological Survey Professional Paper 964. Washington, DC : U. S. Government Printing Office. Anil K. Jain. (2007). Fundamentals of Digital Image Processing. New Jersey : PrenticeHall. Burger, Wilhem dan Algorithmic
Burge, Mark James. (2008). Digital Image Processing: An
Introduction
using
Java. (1st Edition),
New York : Springer
Science+Business Media,LLC. DigitalGlobe. 2006. Quickbird Imagery Products: Product Guide. DigitalGlobe, Longmont Colorado. D. Lindgren. (1985). Land Use Planning and Remote Sensing. United States of America : Springer Verlag. Gonzales R. C. dan Wintz P. (1987). Digital Image Processing. United States of America : Addison-Wesley. Kulkarni, Arun D. (2001). Computer Vision and Fuzzy-Neural Systems, New Jersey : Prentice-Hall, Inc. Lilesand,T.M, Kiefer, R.W, and Chipman, J.W. (1993). Remote Sensing and Image Interpretation. United States of America : Addison-Wesley. Lilesand,T.M, Kiefer, R.W, and Chipman, J.W. (2004). Remote Sensing and Image Interpretation. (5th Edition). United States of America : Addison-Wesley.
M. Petrou and P. Bosdogianni. (2004). Image Processing the Fundamentals. UK : Wiley. R. C. Gonzalez and R.E. Woods. (2002). Digital Image Processing. (2nd Edition). New Jersey : Prentice Hall. R. P. H. M. Schoenmakers, G. G. Wilkinson, Th. E. Schouten. (1991). Segmentation of remotely-sense images : a re-definition for operation applications. (2nd Edition). Finland : IGARSS Espoo. 1087 – 1090. Satellite Imaging Corporation. 2001 - 2011. Characterization of Satellite Remote Sensing
Systems.
November
11th,
2011.
From
website
:
http://www.satimagingcorp.com/characterization-of-satellite-remote-sensingsystems.html Simonett David S., Joseph Lintz. (1983). Remote Sensing of Environment. Addison Wesley Longman Publishing. Shapiro, Linda G., and Stockman, George C. (2001). Computer Vision. New Jersey : Prentice-Hall, Inc. S. W. Zucker. (1976). Region growing : Childhood and adolescence. Computer Graphics and Image Processing. (5th Edition). 382-392.
Riwayat Hidup
Multi Resolution Spatial Imagery Segmentation for Land Cover Classification Using Region Growing Algorithm Charles School of Computer Science, Binus University, Jakarta Barat, 11480
and
Sylvianto School of Computer Science, Binus University, Jakarta Barat, 11480
Abstract The purpose of this study is to segment objects in a variety of different geographic and spatial resolution satellite imagery and aerial photos, find out how much information can be extracted by segmenting the range and spatial resolution satellite imagery and aerial photographs, and prepare land cover classification of a variety of different spatial resolution images by experts. The research methodology used in the form of image data from aerial photographs, the image of Quickbird images, and the Region Growing algorithm for segmentation. This study, expected to get results more clearly and in a relatively faster than the manual way (digitization). The result is a clear classification of each segment (region) in a particular geographic object. The conclusions of this study is that the segmentation on a variety of spatial resolution and satellite imagery and aerial photographs, can be used to develop land cover classification. Format bitmap (bmp) format is the best compared to other image formats. Threshold values used for each spatial resolution is not always the same, depending on the type of object and spatial resolution imagery.
Keyword: Segmentation, Multi Resolution, Land Cover, Region Growing Algorithm
1. Introduction Segmentation of objects in the image can be done by three methods, namely the threshold (thresholding), edge-based (edge-base) and base region (region-based). Threshold method can be performed by several approaches such as histogram shape-based, cluster-based, entropy-based, object attribute-based, and spatial-based, but in this case, can not be used to segment the image due to the method of geographical objects measured threshold based on the level of intensity keabuannya degrees, while the image of geographical objects, there are so many colors, so this method can not we use it fully and exactly in the region growing algorithm was found or the threshold setting its threshold. Edge-based segmentation method is a method of identifying changes in the intensity value of gray degree of a sudden (large) within a short distance. Two steps in applying this method to detect the boundary segment of an image region and to generate the image. Operators commonly used in the segmentation method is Diffrential gradient, Laplacian, and Canny operator, but once again in this case, can not be used for geographic objects because the image of the edge-based segmentation of images that exist only to be edged image (edge images) and not classified object. Of existing data, the region growing algorithm is used which is expected to optimize the results of the segmentation is performed, so the results are becoming more effective and efficient due to the region growing algorithm is used to segment and classify the existing pixels in a region or a particular group. Previously, these algorithms have been used in various fields such as medicine, for the purpose of image retrieval on the gridiron sport event, but has never been used to segment the image of geographical objects, so we will try to do a multi-resolution spatial image segmentation
and
image
in
various
formats
as
comparators.
Image segmentation process is now done in digitization takes a long time, greater resources, higher costs, and also when an error occurs in the process, then the image data so that the work needs to be reprinted again from the beginning again. Therefore, we expect the existence of this computerized segmentation can facilitate segmentation is now done in digitization can be performed more quickly and thoroughly.
1.1.
Scope In this segment, the scope of the segmentation process is carried out for land cover (Land Cover) and region-based algorithm that is claimed to have better accuracy than other algorithms. Restrictions in this thesis only Quickbird imagery and aerial photography as a comparison of the extent to which information can be extracted by region growing algorithm. Image taken from aerial photographs and Quickbird with an area of the region, resolution, and the same size. Image format is used. Jpg,. Png, and. Bmp as a comparison analysis for each format.
1.2.
Purpose and Benefits The purposes of this study are as follows: 1) Perform the geographical segmentation of different objects at different spatial resolution satellite imagery and aerial photography. 2) Knowing how much information can be extracted by segmenting the range and spatial resolution satellite imagery and aerial photography.
3) to develop land cover classification from a variety of different spatial resolution images by experts.
The benefits of this database application system design are as follows: 1) Provided the extraction techniques of geographic objects from satellite images and aerial
photos
automatically
by
means
of
segmentation.
2) Automatic Extraction simplify and speed up the process of object recognition and classification of land cover in particular.
1.3.
Research Methodology
In this segmentation process, the methodology used in the form of image data from aerial photographs, the image of Quickbird images, and also the Region Growing algorithm. 1) image data a) Aerial Image of the photograph is an image that is printed on paper media (images) are generated from the photo shoot with a photographic recording. This aerial photograph is one of the products from the fields of geography in taking the object, area, or phenomenon that is in the earth's surface using a camera with a photographic recording process with the help of a detector or detector film. The recording film is then printed in the chemical darkroom to get the perfect picture. Image is called image segmentation process is then performed to obtain the desired information.
b) Quickbird image Quickbird imagery is high resolution photo image. Occurrences Quickbird give new hope for practitioners in the field of Regional Planning / Urban, Mining, Agriculture, Plantations, Transportation, Advertising, Utilities, Telecommunications, Broadcasting, and all those who need accurate and detailed data. Quickbird advantage is being able to present the data with a resolution of up to 61 cm. With this high resolution, a residential location can be identified per individual building, a road network can be identified as two-sided polygon, and is no less important is the ordering of data is very easy to do, not as complex as the manufacture of aerial photography that requires a security clearance (permission from the security), permission to fly line, hangar rental, aircraft rental, etc..
2) Region Growing Algorithm The algorithm is region-based segmentation algorithm to be used in this study is to segment the individual units of the existing classes in the image of Quickbird imagery and aerial photographs that will be studied. This algorithm is commonly used for segmentation of objects in a variety of characteristics of multi-image spatial resolution and multi-image. Both types of segmented image is influenced by several factors: scale parameter, shape and color and smoothness.
2. Theoritical Basis 2.1 Segmentation In computer vision, segmentation refers to the process of partitioning a digital image into multiple parts or as we know superpixels. The purpose of segmentation is to facilitate or replace
a
picture
becomes
more
meaningful
and
easily
analyzed.
Image segmentation is the process of labeling for each pixel by pixel in the image pick the same label have the same Characteristics. There are many segmentation methods are, for example is thresholding, clustering, compression-based, histogram-based, edge detection, partial differential equation-based, graph partitioning, watershed transformation, modelbased segmentation, multi-scale segmentation, semi-automatic segmentation, split-andmerge, neural networks and the region growing segmentation. For the future, we will discuss about the Region Growing algorithm more clearly.
2.2 Multi Resolution In remote sensing there are four terms of resolution: 1) Spatial Resolution The spatial resolution is the size of the smallest object that can be recorded by a sensor system. In other words it reflects the spatial resolution of detail of information that can be served by a sensor system. There are two ways to express the spatial resolution, namely: a) Resolution image. The image resolution (image resolution) can be interpreted as the quality of the lens which is indicated by the maximum number of lines in each millimeter that can still be separated in the image. Suppose each line of 0.01 mm thick. Dividing the space between each line is also of 0.01 mm. Means that each line takes up space as wide as 0.02 mm or about 50
mm on each line. In this instance means the image resolution of 50 lines / mm. Theoretically the best image resolution 1430 lines / mm.
b) Resolution field. Resolution field (ground resolution) is the smallest size of the object in the field that can be recorded on digital data and the image. In the field of digital data represented by pixels resolution. The smaller the size of the smallest that can be recorded by a sensor system, sensor means that the better because it can provide data and information is increasingly detailed.
Good spatial resolution or high resolution fine to say, being a poor form of coarse or low resolution. In addition to the size of the meter expressed in lap or in meters per pixel at image (Rm / pixel), the resolution field can also be expressed by the size of the meter in the lap that can be described by a pair of lines on the image or Rm / Lp (meters per line pairs ). Spatial resolution is affected: a) Scale: the larger the scale the better the resolution. b) The wavelength of the electromagnetic force is used.
2) spectral resolution Spectral resolution shows detail of λ used in the recording obyek.Contoh spectral resolution SPOT-XS is more detailed than the SPOT-P. Excellence is to improve the ability of multispectral images to recognize objects due to differences in spectral values are often more easily done in a narrow channel. Three multi-spectral data can be produced in black and
white colored image. If it is available in the multispectral data will be processed by digital computers. The disadvantage is that the spatial resolution becomes lower. This means that the spatial resolution and spectral resolution of the opposite relationship occurs.
3) Temporal Resolution Temporal resolution is the frequency of re-recording over the same area. As an example of this temporal resolution: a) Landsat generation 1: 18 days b) second-generation Landsat: 16 days c) SPOT: 26 days or 6-7 times / month because the sensor can ditengokkan perekamannya d) Satca NOAA: 12 hours 4) radiometric resolution Radiometric resolution has the meaning as the sensor sensitivity to the smallest difference in signal strength. With a thermal sensor for example, if a sensor capable of recording the smallest temperature difference 0.2 C and sensor 2 is capable of recording the smallest temperature difference 0.5 C; mean sensor radiometric resolution better than 1 sensor 2.
Of the four types of resolution is the spatial resolution is an important resolution. When people mention the resolution without any explanation followed, then the question is the spatial resolution. The spatial resolution is inversely proportional to the spectral resolution and temporal resolution while directly proportional to the radiometric resolution. The relationship between spatial resolution with temporal resolution that is not easily lead to a choice between the two.
It's hard to choose between the aerial photograph (detail) or a satellite image recording frequency of repeated more frequently. Detail is important to study such urbanity and high temporal resolution is important to monitor the rapid changes such as expansion of the town, retreating forests, etc..
2.3 Land Cover Land cover or can be referred to Land Cover is the physical matter that is in the earth's surface, land cover, including grass, asphalt, trees, soil, mountains, settlements, water, and others. Knowledge of land cover is important for a lot of planning and land management seta essential for modeling and understanding of the earth as a system (Kiefer, et al, 1993). Unites State Geological Survey (USGS) and designated land use (land use) and land cover classification system (land cover) for use in remote sensing in the mid-1970s (Anderson et al., 1976). There are two main methods to obtain information on land cover, ie a field study or with remote sensing. Land cover (land cover) in contrast to land use (land use) even though they are often misunderstood. Land use is more focused on how people manage land for social and economic activities, migration, and agriculture. While land cover over land leads to the appearance of naturally without human regulated, such as forests, oceans, lakes. Mapping land use and land cover should be split according to the USGS system, but, usually it would be efisisen if we combine the two. Thus, information from land cover that can be used by land use, for example, to detect human activity in the neighborhood. Land cover classification system and the USGS land use criteria that must be met such as: (1) accuracy of interpretation of remote sensing at least a minimum level of 85%, (2) the accuracy of interpretation for at least the same number of categories, (3) results must be obtained repeatedly by many interpreters and from remote sensing are also different, (4)
classification system can be applied in an extensive area, (5) allow the categorization of land use inferred from land cover types, (6) the system must fit the classification of remote sensing and can also be used for the coming year, (7) categories must be subdivided into subcategories that further detail is obtained from large-scale drawing or survey of land, (8) pengagregasian kateogri possible (9) the ratio between land use and land cover between the present and the come possible, (10) the use of land-use must be in the know wherever possible. USGS divide the land cover and land use to IV level where level I represents data taken from satellites in low to medium resolution (Landsat MSS data; resolution of 20100m), level II with a small-scale aerial photographs with a medium resolution (Landsat TM data; resolution of 5-20 m), level III with medium-scale aerial photographs; high-resolution satellite (IKONOS; resolution of 1-5m) and level IV is a large-scale aerial photographs (from 0.25 to 1 m resolution). The following will explain the general classification of the USGS Level I - Level III, taken the example of urban (urban) or wake region (built-up area) (level I) and is divided into several categories at the level II of his residence, commercial and services; industry; trasnportasi, communications, and other purposes; industrial and commercial complexes; combined urban or building; other urban or artificial land. Level II of residence, can be subdivided into smaller ones at level III as a family, more than one family, group, hotel, car parking, temporary lodging, and much more. Level I 1 Urban or built-up land
Level II 1 1 Residential 1 2 commercial and service 1 3 Industrial 1 4 transportation, communication, and utilities 1 5 Industrial and commercial complexes 1 6 Mixed urban or built-up land 1 7 Other urban or built-up land
2 Agricultural land
2 1 Cropland and pasture 2 2 Orchards, groves, vineyards, nurseries and ornamental horticultural areas 2 3 Confined feeding operation 2 4 Other agricultural land 3 Range land 3 1 Herbaceous rangeland 3 2 Shrub and brush rangeland 3 3 Mixed rangeland 4 Forest Land 4 1 Deciduous forest land 4 2 Evergreen forest land 4 3 Mixed forest land 5 water 5 1 Streams and canals 5 2 Lakes 5 3 reservoirs 5 4 Bays and estuaries 6 wetland 6 1 Forested wetland 6 2 Nonforested Wetland 7 Barren Land 7 1 Dry salt flats 7 2 Beaches 7 3 Sandy areas other than beaches 7 4 Bare Exposed Rock 7 5 Strip mines, quarries, and gravel pits 7 6 transitional areas 8 Tundra 8 1 Shrub and brush tundra 8 2 Herbaceous Tundra 8 3 Bare ground tundra 8 4 wet tundra 9 Parennial snow or ice 9 1 Parennial snowfileds 9 2 glaciers USGS level I dan Level II Classification System Table
It also described the wake region (built-up land) for each level from level I, level II and level III and can be viewed in more detail in the following chart.
2.4 Region Growing Algorithm The region-based algorithm is the segmentation algorithm to be used in this study is to segment land cover. From the name, we can conclude that the region growing is a procedure of grouping pixels or sub-region into a larger region based on existing criteria (Gonzales and Wintz, 1987). The selection of a starting point or more, based on the problem. If the information is incomplete, the procedure is to compute all pixels with similar properties to make it into the region during the process of growing, if the results show the value of the cluster, then the pixels in which the property will be close to the cluster seed. This algorithm is commonly used for segmentation of objects in a variety of characteristics of multi-image and multi-spectral resolution is influenced by several factors such as image layer weight, scale parameter, shape and color and smoothness and compactness.
Image layer parameters can be determined from the weight of each layer to the image that will be examined while the scale parameter is obtained from the diversity of the maximum permissible value of an object in the image. Shape and color is an additional parameter that can influence the incorporation of pixels into the group. Form (shape) of an object in the image is affected by the smoothness (smoothness) and compactness (cohesion) of the object. Smoothness is the relationship between the length of the boundary of an object (l) with a perimeter of the bounding box of an object. While compactness is the relationship between the length of the boundary of an object (l) to the root of the number of pixels (n) that make up the object. The first region growing method is seeded region growing seed that takes as input along with the image. This seed will mark every object in the segmentation. Region or area repeatedly were developed by comparing all subsequent pixels that are not allocated to the region and the difference between the pixel intensity value and the average value of the region used to measure the similarity. Pixels which have the smallest difference after measured and allocated to the respective region is repeated until all pixels have been allocated to the region. Seeded region growing requires a seed as an additional input, the result depends on the choice of segmentation dependant seed. Noise in the image can cause seed put into place that is not good. Unseeded region growing algorithm that has been modified so it does not require explicit seeds. All at the start of the single region (no effect on the outcome of segmentation), and each iteration is considered as the next pixel in the region growing algorithm. If the difference is smaller than the threshold it will be added in the respective region, if not, then the pixels that would be very different and new regions will be created with this pixel.
One variant of this technique based on pixel intensity. Average and the distribution of candidate region and the intensity of pixels used to compute a test statistic, if the result is small enough, then the pixels that will be added to the region and the average and distribution of the region will be re-computed. If not, then it will be a new region.
3. Conclusion This study can conclude several things, among others: 1) Segmentation can be done for each object at different levels of geographic and spatial resolution satellite imagery and aerial photography. 2) Segmentation and object spatial information can be used to compile the various land cover classification and spatial resolution satellite imagery and aerial photography. 3) bmp is the best format that is used as input in the process of segmentation. 4) The process of equalization, enabling the results obtained from each image tend to be equal for all image formats. 5) The threshold used for each spatial resolution is not always the same, depending on the type of object and spatial resolution imagery.
4. Advice Complementing this study, the authors suggest to do some things to improve the image segmentation for classification of land cover: 1) Preprocessing the image. 2) Automatic seed point. 3) Convert raster to vector data
References
Anderson, J. E., R.L. Fischer, and S.R. Deloach. (1976). A Land Use and Land Cover Classification System for Use with Remote Sensor Data. Geological Survey Professional Paper 964. Washington, DC : U. S. Government Printing Office. Anil K. Jain. (2007). Fundamentals of Digital Image Processing. New Jersey : Prentice-Hall. Burger, Wilhem dan Algorithmic
Burge, Mark James. (2008). Digital Image Processing: An
Introduction
using
Java. (1st Edition),
New York : Springer
Science+Business Media,LLC. DigitalGlobe. 2006. Quickbird Imagery Products: Product Guide. DigitalGlobe, Longmont Colorado. D. Lindgren. (1985). Land Use Planning and Remote Sensing. United States of America : Springer Verlag. Gonzales R. C. dan Wintz P. (1987). Digital Image Processing. United States of America : Addison-Wesley. Kulkarni, Arun D. (2001). Computer Vision and Fuzzy-Neural Systems, New Jersey : Prentice-Hall, Inc. Lilesand,T.M, Kiefer, R.W, and Chipman, J.W. (1993). Remote Sensing and Image Interpretation. United States of America : Addison-Wesley.
Lilesand,T.M, Kiefer, R.W, and Chipman, J.W. (2004). Remote Sensing and Image Interpretation. (5th Edition). United States of America : Addison-Wesley. M. Petrou and P. Bosdogianni. (2004). Image Processing the Fundamentals. UK : Wiley. R. C. Gonzalez and R.E. Woods. (2002). Digital Image Processing. (2nd Edition). New Jersey : Prentice Hall. R. P. H. M. Schoenmakers, G. G. Wilkinson, Th. E. Schouten. (1991). Segmentation of remotely-sense images : a re-definition for operation applications. (2nd Edition). Finland : IGARSS Espoo. 1087 – 1090. Satellite Imaging Corporation. 2001 - 2011. Characterization of Satellite Remote Sensing Systems.
November
11th,
2011.
From
website
:
http://www.satimagingcorp.com/characterization-of-satellite-remote-sensingsystems.html Simonett David S., Joseph Lintz. (1983). Remote Sensing of Environment. Addison Wesley Longman Publishing. Shapiro, Linda G., and Stockman, George C. (2001). Computer Vision. New Jersey : Prentice-Hall, Inc. S. W. Zucker. (1976). Region growing : Childhood and adolescence. Computer Graphics and Image Processing. (5th Edition). 382-392.
