[Jans Hendry / EE UGM, Indonesia

]

SEGMENTASI CITRA BERBASIS HISTOGRAM MENGGUNAKAN GLOBAL THRESHOLDING

Untuk melakukan segmentasi pada citra digital, bisa menggunakan teknik-teknik mulai dari paling sederhana hingga teknik yang cukup rumit. Teknik-teknik tersebut dibedakan berdasarkan basisnya. Ada yang berbasis histogram dan juga berbasis wilayah. Artikel ini diperuntukkan untuk menjelaskan salah satu teknik yang digunakan untuk segmentasi berbasis nilai histogram dari citra. Dengan menggunakan grafik histogram, kita bisa melihat frekuensi kemunculan komponen atau intensitas warna. Dengan demikian, akan sangat membantu untuk melakukan pra pengolahan berikutnya. Dengan menggunakan histogram, kita dapat menentukan apakah citra tersebut bisa disegmentasi menggunakan teknik-teknik tertentu yang terkait dengannya atau tidak, dan kita juga bisa menentukan besar nilai ambang atau threshold yang sesuai untuk citra tersebut. Salah satu teknik segmentasi yang akan dibahas adalah global threshold. Syarat segmentasi dengan menggunakan teknik ini adalah histogram dari citra digital diharapkan memiliki bentuk seperti ini:

Tampak bahwa hasil histogram menunjukkan bahwa ada 2 region yang memiliki keterpisahan intensitas cukup signifikan. Untuk itu teknik global threshold bisa dipergunakan untuk segmentasi citra ini. Perlu

1

[Jans Hendry / EE UGM, Indonesia]

diingat bahwa sebaran intensitas citra harus menunjukkan adanya ‘lembah’ atau valley antara background dan foreground atau latar belakang dan objek nya. Algoritma dari global thresholding sangat sederhana, sehingga kita bisa langsung membuat program berdasarkan algoritma tersebut. Algoritma ini didasarkan pada rerata dari intensitas citra. Berikut ini langkah-langkah dalam membentuk global thresholding. Tentukan nilai threshold awal, yakni nilai rerata dari semua piksel dalam citra. Lalu pisahkan citra menjadi 2 region, R1 dan R2, berdasarkan nilai threshold awal. Lalu hitunglah rerata dari intensitas untuk tiap region R1 dan R2, misal miu1 dan miu2. Lalu hitunglah rerata dari kedua rerata tersebut, (miu1+miu2)/2. Ulangi langkah 2 hingga 4 sampai tidak ada perubahan nilai threshold yang baru. Dengan menggunakan nilai threshold terakhir, segmentasi citra menggunakan nilai threshold tersebut menjadi background dan object.

Perhatikan bahwa citra yang diolah harus terlebih dahulu diubah ke citra grayscale. Jika kita mengubahnya ke dalam citra biner (hitam putih), maka threshold atau ambang batas yang dihasilkan kemungkinan besar akan selalu bernilai konstan yakni 0.5. Program hasil implementasi langkah-langkah di atas adalah:
clear all; clc; close all; %% inisialisation filename = 'coins.png'; I=imread(filename); imshow(I); title('Original Image','fontsize',14); %% %% Finding Global Threshold value (T) figure, imhist(I); [row,col]=size(I); T=mean2(I); err=T; while err~=0 R1=I(I>=T); R2=I(I<T); miu1=mean2(R1); miu2=mean2(R2); temp=T; T=(miu1+miu2)/2; err=T-temp; end %% %% Begin global thresholding

2

[Jans Hendry / EE UGM, Indonesia]

for jj=1:row for kk=1:col if I(jj,kk)>=100 I(jj,kk)=0; else I(jj,kk)=255; end end end figure, imshow(I); title('Thresholded Image' 'Thresholded Image','fontsize',14); %% end % originale by jans hendry % UGM indonesia

Hasil eksekusi dari program di at adalah tas

3

Sign up to vote on this title
UsefulNot useful

Master Your Semester with Scribd & The New York Times

Special offer: Get 4 months of Scribd and The New York Times for just $1.87 per week!

Master Your Semester with a Special Offer from Scribd & The New York Times