Segmentasi pada citra merupakan serangkaian
proses partisi citra digital menjadi beberapa segmen yang bertujuan untuk
menarik informasi dari suatu gambar agar gambar mudah untuk dianalisis.
Segmentasi ini didasarkan pada pengukuran yang diambil dari citra, seperti greylevel, warna, tekstur, kedalaman
atau gerak. Segmentasi pada citra merupakan langkah awal yang sangat penting
dalam proses memahami informasi pada gambar secara keseluruhan. Biasanya
segmentasi citra digunakan untuk pengenalan obyek, mencari batas seperti garis
atau kurva, kompresi gambar dan lain-lain.
Region Growing adalah metode pendekatan untuk segementasi citra dengan dimulai dari beberapa piksel (seeds) yang merepresentasikan daerah gambar yang berbeda dan tumbuh berkembang sehingga membentuk wilayah yang lebih lebar pada gambar. Untuk menggunakan metode ini diperlukan aturan yang menjelaskan mekanisme pertumbuhan dan aturan homogenitas setiap daerah setelah tumbuh. Namun pada penelitian ini region growing tidak dimulai dari seeds melainkan dari inisialisasi awal region yang diperoleh dari binary segmentation. Dengan menggunakan inisialisasi awal region proses region growing menjadi lebih cepat dalam kompleksitas waktu. Langkah pertama cara kerja metode ini yaitu dengan menentukan inisialisasi awal. Kemudian region akan berkembang menjadi sebuah wilayah yang sebenarnya dengan cara mendeteksi apakah piksel-piksel terluar dari region memiliki kriteria keanggotaan dari region.
Terdapat beberapa kriteria yang digunakan, yaitu [5]:
1. Kriteria yang menggunakan grey-level sebagai piksel yang berpotensial secara statistik memiliki kemiripan dengan wilayah awal R0, dengan persamaan matematis:
|I_k (p)- μ(R_o)| ≤ ασR_o (2.2)
dimana, Ik(p) adalah intensitas piksel, μ(R_o) adalah rata-rata grey-level region Ro α adalah nilai empiris yang akan diobservasi, .
2. Kriteria yang menggunakan tepi dan informasi tekstur. Tepi dapat dideteksi dengan menghitung gradien menggunakan weighted gradient magnitude pada citra, dengan persamaan matematis:
grad(p_i )= ‖∇I_k (p)‖ (e^(G/tex(p) )-1) (2.3)
dimana, ||∇Ik(p)|| adalah gradien magnitude dari Ik, tex(p) adalah rasio dari rata-rata grey-level dan standar deviasi grey-level pada matrik 11x11 piksel tetangga p, G adalah kondisi tepi yang dihitung dari dua batas kondisi: pertama ketika tex bernilai tak hingga fungsi eksponensial menghasilkan nilai 0, kedua jika tex = [1.91] maka nilai yang dihasilkan adalah 1. Oleh karena itu parameter G sama dengan 2ln(2).
3. Kriteria ini sama dengan kriteria (i) namun menggunakan weighted gradient yang diperoleh dari kriteria(ii), dengan persamaan matematis:
|grad(p)- μ〖(grad(R〗_o))| ≤ ασ〖(grad(R〗_o)) (2.3)
dimana, grad(p) adalah intensitas piksel dari weighted gradient, μ〖(grad(R〗_o)) adalah rata-rata weighted gradient, σ〖(grad(R〗_o)) adalah standar deviasi weighted gradient dari region Ro, α adalah nilai empiris yang akan diobservasi
Piksel terluar dari inisialisasi awal region yang memenuhi kedua kriteria (i dan iii) maka ditandai sebagai kandidat yang berpotensial untuk tumbuh dan memperluas wilayah dari inisialisasi awal region. Proses iterasi untuk memperluas wilayah akan berlangsung selama piksel-piksel terluar yang termasuk kedalam konektivitasi piksel pada region tidak memenuhi lagi kedua kriteria diatas. Secara garis besar pseudo code dari Region Growing yang dipakai adalah sebagai berikut:
1. Kriteria yang menggunakan grey-level sebagai piksel yang berpotensial secara statistik memiliki kemiripan dengan wilayah awal R0, dengan persamaan matematis:
|I_k (p)- μ(R_o)| ≤ ασR_o (2.2)
dimana, Ik(p) adalah intensitas piksel, μ(R_o) adalah rata-rata grey-level region Ro α adalah nilai empiris yang akan diobservasi, .
2. Kriteria yang menggunakan tepi dan informasi tekstur. Tepi dapat dideteksi dengan menghitung gradien menggunakan weighted gradient magnitude pada citra, dengan persamaan matematis:
grad(p_i )= ‖∇I_k (p)‖ (e^(G/tex(p) )-1) (2.3)
dimana, ||∇Ik(p)|| adalah gradien magnitude dari Ik, tex(p) adalah rasio dari rata-rata grey-level dan standar deviasi grey-level pada matrik 11x11 piksel tetangga p, G adalah kondisi tepi yang dihitung dari dua batas kondisi: pertama ketika tex bernilai tak hingga fungsi eksponensial menghasilkan nilai 0, kedua jika tex = [1.91] maka nilai yang dihasilkan adalah 1. Oleh karena itu parameter G sama dengan 2ln(2).
3. Kriteria ini sama dengan kriteria (i) namun menggunakan weighted gradient yang diperoleh dari kriteria(ii), dengan persamaan matematis:
|grad(p)- μ〖(grad(R〗_o))| ≤ ασ〖(grad(R〗_o)) (2.3)
dimana, grad(p) adalah intensitas piksel dari weighted gradient, μ〖(grad(R〗_o)) adalah rata-rata weighted gradient, σ〖(grad(R〗_o)) adalah standar deviasi weighted gradient dari region Ro, α adalah nilai empiris yang akan diobservasi
Piksel terluar dari inisialisasi awal region yang memenuhi kedua kriteria (i dan iii) maka ditandai sebagai kandidat yang berpotensial untuk tumbuh dan memperluas wilayah dari inisialisasi awal region. Proses iterasi untuk memperluas wilayah akan berlangsung selama piksel-piksel terluar yang termasuk kedalam konektivitasi piksel pada region tidak memenuhi lagi kedua kriteria diatas. Secara garis besar pseudo code dari Region Growing yang dipakai adalah sebagai berikut:
Jika ingin mengetahu source code region growing menggunakan matlab, bisa memberikan komentar atau kontak via email saya langsung.
19 comments:
selamat siang, setelah saya membaca blog yang anda buat dan berkaitan dengan tugas saya tentang SRG. bolehkan saya mengetahui source code SRG yang anda buat ?
Selamat siang, apakah mengukur panjang lebar wajah, lebar dahi, panjang lebar dagu bisa menggunakan metode SRG
selamat malam kak ali, boleh saya tahu source code srg nya kak? terimakasih..
selamat malam, setelah saya membaca blog anda, saya jadi ingin tau apa itu medical image. dalam hal ini karena saya sedang mengerjakan penulisan ilmiah dan ini berkaitan dengan itu. mungkin anda bisa memberikan referensi ke saya. thanks btw
selamat malam, setelah saya membaca blog anda, saya jadi ingin tau apa itu medical image. dalam hal ini karena saya sedang mengerjakan penulisan ilmiah dan ini berkaitan dengan itu. mungkin anda bisa memberikan referensi ke saya. thanks btw
selamat pagi, setelah saya membaca blog anda tentang segmentasi citra menggunakan region growing,apakah metode region growing ini bisa digunakan pada segmentasi kanker payudara?boleh saya minta codingannya buat referensi saya.Terima kasih
pagi gan, minta source code menggunakan matlab dong
bagi yang membutuhkan source code lengkapnya bisa kontak saya di 085224765838 atau email saya alihasyim92@gmail.com
sip articelnya. please send matlab codingnya dong .... thanks
bagus materinya. bisa minta codingnya ? via email saya: danufasalillah@yahoo.co.id terima kasih
selamat sore kak, boleh sya minta kodingan untuk region growing nya, via email Dian.dian.dd511@gmail.com
selamat pagi bolehkah saya ingin mencoba source code nya kak? via email shadazzazminuzband@gmail.com
malam kak...boleh saya minta kodingan untuk Segmentasi Citra Menggunakan Region Growing...via email ya kak ratri.c.winedhar@gmail.com
terimakasih...
malem kk,
boleh minta surce code Segmentasi Citra warna Menggunakan Region Growing?
email: m.eko7229@gmal.com
malem kk,
boleh minta surce code Segmentasi Citra warna Menggunakan Region Growing?
email: m.eko7229@gmail.com
malem kk,
boleh minta source code Segmentasi Citra warna Menggunakan Region Growing?
email: m.eko7229@gmal.com
malem kk,
boleh minta source code Segmentasi Citra warna Menggunakan Region Growing?
email: m.eko7229@gmail.com
boleh minta source codenya kak,email irwan.ardiansyah27@yahoo.co.id
Post a Comment