Welcome to Scribd, the world's digital library. Read, publish, and share books and documents. See more
Download
Standard view
Full view
of .
Save to My Library
Look up keyword
Like this
10Activity
0 of .
Results for:
No results containing your search query
P. 1
SEGMENTASI CITRA

SEGMENTASI CITRA

Ratings: (0)|Views: 251 |Likes:
Published by Moh Hidayat

More info:

Published by: Moh Hidayat on Jun 19, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

07/03/2014

pdf

text

original

 
SEGMENTASI CITRADalam visi komputer, Segmentasi adalah proses mempartisi citra digital menjadi beberapasegmen (set piksel, juga dikenal sebagai superpixels). Tujuan dari segmentasi adalah untuk menyederhanakan dan / atau mengubah penyajian gambar ke sesuatu yang lebih bermaknadan 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 sebuahgambar sehingga piksel dengan pangsa label yang sama karakteristik visual tertentu.Hasil segmentasi citra adalah seperangkat segmen yang secara kolektif mencakup seluruhgambar, atau satu set kontur diekstrak dari citra (lihat deteksi tepi). Setiap piksel dalam suatuwilayah mirip dengan memperhatikan beberapa karakteristik properti atau dihitung, sepertiwarna, intensitas, atau tekstur. Daerah yang berdekatan sangat berbeda sehubungan dengankarakteristik yang sama (s). [1] Ketika diterapkan pada setumpuk gambar, khas dalampencitraan medis, kontur yang dihasilkan setelah segmentasi citra dapat digunakan untuk membuat rekonstruksi 3D dengan bantuan algoritma interpolasi seperti biji Marching.thresholdingMetode paling sederhana segmentasi citra disebut metode thresholding. Metode inididasarkan pada tingkat klip-(atau nilai ambang batas) untuk mengubah citra gray-scalemenjadi citra biner.Kunci dari metode ini adalah untuk memilih nilai ambang (atau nilai ketika beberapa-levelsdipilih). Beberapa metode yang populer digunakan dalam industri termasuk metode entropimaksimum, metode Otsu itu (varians maksimum), dan dkk. k-means juga dapat digunakan.Clustering metodeAlgoritma K-means adalah iteratif teknik yang digunakan untuk partisi sebuah gambar kedalam 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 antarapixel 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 pikselperubahan)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, ataudengan sebuah heuristic.Algoritma ini dijamin untuk bertemu, tetapi tidak dapat mengembalikan solusioptimal. Kualitas dari solusi tergantung pada set awal cluster dan nilai K.Dalam statistik dan mesin pembelajaran, algoritma k-means adalah algoritmaclustering untuk partisi n objek ke dalam kelompok k, dimana k <n. Hal ini miripdengan algoritma harapan-maksimisasi untuk campuran Gaussians dalam bahwamereka berdua upaya untuk menemukan pusat-pusat cluster alami dalam data. Modelini mensyaratkan bahwa atribut objek sesuai dengan elemen dari ruang vektor.Tujuan mencoba untuk mencapai adalah untuk meminimalkan jumlah intra-clustervarians, atau, fungsi kesalahan kuadrat. Pengelompokan k-berarti diciptakan padatahun 1956. Bentuk yang paling umum dari algoritma ini menggunakan heuristik iteratif perbaikan dikenal sebagai algoritma Lloyd. Algoritma Lloyd dimulai denganpartisi titik masukan ke dalam set k awal, baik secara acak atau menggunakanbeberapa data heuristik. Kemudian menghitung titik rata-rata, atau centroid, setiapset. Ini membangun sebuah partisi baru dengan menghubungkan setiap titik dengancentroid terdekat. Kemudian centroid dihitung ulang untuk cluster baru, danalgoritma diulang oleh aplikasi alternatif dari dua langkah sampai konvergensi, yangdiperoleh ketika titik-titik cluster beralih tidak lagi (atau alternatif centroid tidak lagidiubah). Algoritma Lloyd dan k-cara yang sering digunakan secara sinonim, namunpada kenyataannya algoritma Lloyd adalah heuristik untuk menyelesaikan masalah k-berarti, karena dengan kombinasi tertentu dari titik awal dan titik centroid, algoritmaLloyd sebenarnya dapat berkumpul untuk jawaban yang salah. Variasi lain ada, tapialgoritma Lloyd tetap populer, karena menyatu sangat cepat dalam praktek. Dalamhal kinerja algoritma ini tidak dijamin untuk mengembalikan optimal global. Kualitassolusi akhir tergantung pada set awal cluster, dan mungkin, dalam prakteknya, jauh
 
lebih miskin dibandingkan dengan optimum global. Karena algoritma ini adalahsangat cepat, metode umum adalah dengan menjalankan algoritma beberapa kali dankembali pengelompokan terbaik ditemukan. Sebuah kelemahan dari algoritma k-means adalah bahwa jumlah cluster k adalah parameter masukan. Sebuah pilihanyang tidak tepat k dapat menghasilkan hasil yang buruk. Algoritma ini jugamengasumsikan bahwa varians adalah ukuran yang tepat menyebarkan cluster.Kompresi metode berbasisKompresi metode berbasis postulat bahwa segmentasi yang optimal adalah salah satu yangmeminimalkan, atas semua segmentasi mungkin, panjang pengkodean data [3]. [4] Hubunganantara kedua konsep ini adalah bahwa segmentasi mencoba untuk menemukan pola dalamfoto dan setiap keteraturan dalam gambar dapat digunakan untuk kompres. Metode inimenggambarkan setiap segmen dengan tekstur dan bentuk batas. Masing-masing komponendimodelkan dengan fungsi distribusi probabilitas dan panjangnya coding dihitung sebagaiberikut:
1.
 
Pengkodean batas memanfaatkan fakta bahwa daerah di gambar alam cenderungmemiliki kontur halus. Ini sebelum digunakan oleh Huffman coding untuk mengkodekankode perbedaan rantai kontur dalam foto. Dengan demikian, batas halus adalah, panjangcoding pendek itu mencapai.2. Tekstur dikodekan dengan kompresi lossy dengan cara yang sama dengan panjangdeskripsi minimum (MDL) prinsip, tapi di sini panjang data yang diberikan model inididekati dengan jumlah sampel kali entropi model. Tekstur di setiap daerah dimodelkandengan distribusi normal multivariat yang entropi memiliki ekspresi bentuk tertutup.Satu sifat menarik dari model ini adalah bahwa entropi perkiraan batas entropi benar datadari atas. Hal ini karena di antara semua distro dengan rata-rata yang diberikan dankovarians, distribusi normal memiliki entropi terbesar. Dengan demikian, panjang codingbenar tidak dapat lebih dari apa algoritma mencoba untuk meminimalkan.Untuk setiap segmentasi tertentu dari suatu gambar, skema ini menghasilkan jumlah bityang dibutuhkan untuk mengkodekan bahwa gambar berdasarkan segmentasi tertentu.

Activity (10)

You've already reviewed this. Edit your review.
1 thousand reads
1 hundred reads
Diana Kholidah liked this
ytriew liked this

You're Reading a Free Preview

Download
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->