1 of 31

PERTEMUAN KE 8 – SEGMENTASI CITRA

PENGOLAHAN CITRA

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

Tim Penyusun:

1. Atit Pertiwi

2. Condro Wibawa

3. Noor Vika H

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

2 of 31

R

P

S

DEFINISI SEGMENTASI CITRA

01

ANALISIS STATISTIK TEKSTUR

03

SEGMENTASI BERDASARKAN KESAMAAN WARNA

02

ANALISIS TEKSTUR DENGAN MATRIKS CO OCCURENCE

04

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

3 of 31

DEFINISI SEGMENTASI CITRA

01

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

4 of 31

  • Input the text content you want according to the content you need, and input the text and other information.Input the text content you want according to the content you need, and input the text and other information.

​

  • Input the text content you want according to the content you need, and input the text and other information.

20NN

DEFINISI SEGMENTASI CITRA

Segmentasi citra adalah proses membagi suatu citra digital menjadi beberapa bagian (region) yang memiliki kesamaan karakteristik tertentu seperti intensitas, warna, tekstur, atau bentuk.�

Tujuan utamanya adalah memisahkan objek utama dari latar belakang agar dapat dianalisis lebih lanjut.

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

5 of 31

  • Input the text content you want according to the content you need, and input the text and other information.Input the text content you want according to the content you need, and input the text and other information.

​

  • Input the text content you want according to the content you need, and input the text and other information.

20NN

TUJUAN DARI SEGMENTASI CITRA

  1. Menyederhanakan representasi citra agar lebih mudah dianalisis..
  2. Memisahkan objek utama dari background.
  3. Menentukan batas objek (edge/boundary detection)
  4. Meningkatkan akurasi proses identifikasi, klasifikasi dan interpretasi citra.

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

6 of 31

Contoh Ilustratif

Misal pada citra pohon :

  • Pixel batang, daun dan latar belakang memiliki nilai intensitas berbeda.
  • Segmentasi bertugas memisahkan area batang dan daun dari background, sehingga algoritma deteksinya (misalnya. YOLO atau CNN) bisa fokus menganalisis objek yang relevan

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

7 of 31

SEGMENTASI BERDASARKAN WARNA

02

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

8 of 31

  • Input the text content you want according to the content you need, and input the text and other information.Input the text content you want according to the content you need, and input the text and other information.

​

  • Input the text content you want according to the content you need, and input the text and other information.

20NN

DEFINISI ANALISIS TEKSTUR

Tekstur disini menggambarkan korelasi spasial antar pixel bukan hanya nilai pixek itu sendiri. Contohnya : permukaan kayu, kain, daun, kulit atau tanah.

​

Jadi Tekstur Adalah pola keteraturan atau variasi intensitas pada permukaan suatu citra yang menggambarkan kekasaran, kehalusan, arah dan keterulangan elemen visual.

​

.

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

9 of 31

Untuk dua pixel P1 (R1, G1, B1) dan P2 (R2, G2, B2)

​

​

Jika D<T (dibawah nilai ambang), maka kedua pixel dianggap satu kelompok warna yang sama.

Dalam ruang warna Lab, digunakan jarak untuk mendekati persepsi manusia :

20NN

TUJUAN ANALISIS TEKSTUR

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

10 of 31

Metode Umum Segmentasi Berdasarkan Kesamaan Warna

  1. Thresholding Berbasis Warna
    1. Tentukan nilai ambang untuk setiap komponen warna.
    2. Cocok untuk citra dengan latar sederhana dan warna dominan.
    3. Contoh: segmentasi objek merah menggunakan HSV

​

  • Region Growing (pertumbuhan wilayah warna)
    • Mulai dari pixel seed
    • Tambahkan tetangga jika memiliki warna yang mirip dengan seed (selisih warna < ambang).
    • Hasilnya 🡪 area homogen berdasarkan kesamaan warna.
    • Cocok untuk citra alami seperti daun, kulit atau langit.

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

11 of 31

Metode Umum Segmentasi Berdasarkan Kesamaan Warna

  1. Clustering (pengelompokkan warna)

Menggunakan algoritma pembelajaran tak terawasi (unsupervised learning) seperti :

    • K-Means clustering.
    • Fuzzy C-Means.
    • Mean-Shift segmentation

​

  1. Mean-Shift Segmentation
    1. Mengelompokkan pixel berdasarkan kepadatan distribusi warna dan spasial
    2. Tidak perlu menentukan jumlah cluster di awal.
    3. Lebih stabil untuk citra dengan gradien warna halus.

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

12 of 31

Evaluasi Hasil Segementasi Warna

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

13 of 31

ANALISIS STATISTIK TEKSTUR

​

03

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

14 of 31

  • Input the text content you want according to the content you need, and input the text and other information.Input the text content you want according to the content you need, and input the text and other information.

​

  • Input the text content you want according to the content you need, and input the text and other information.

20NN

ALAT UKURAN JARAK WARNA

Alat ukuran jarak warna adalah instrumen atau sistem (baik fisik maupun digital) yang digunakan untuk mengukur perbedaan warna (color difference) antara dua warna dalam suatu ruang warna standar.

​

Tujuannya adalah untuk mengetahui seberapa mirip atau berbeda dua warna, baik secara numerik maupun persepsi visual manusia

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

15 of 31

Tujuan Analisis Tekstur

  1. Membedakan permukaan atau pola visual yang berbeda (misalnya daun halus vs kasar).
  2. Mengenali objek berdasarkan pola permukaannya.
  3. Mengklasifikasikan area citra berdasarkan karakteristik visualnya.Digunakan dalam:
    1. Pengenalan pola (pattern recognition)
    2. Deteksi cacat permukaan industry
    3. Klasifikasi citra medis (CT, MRI)
    4. Analisis citra satelit dan agrikultur

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

16 of 31

Pendekatan dalam Analisis Tekstur

Tiga pendekatan utama, antara lain

​

Pendekatan

Deskripsi Singkat

Contoh

Statistik

Berdasarkan distribusi nilai piksel dan hubungan antar piksel

Histogram, GLCM

Struktural

Berdasarkan pengulangan elemen dasar (texel)

Pola bata, anyaman

Spektral

Berdasarkan analisis frekuensi (Transformasi Fourier / Gabor)

Tekstur periodik

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

17 of 31

Analisis Statistik Tekstur

Pendekatan statistik menganalisis persebaran nilai intensitas piksel dan hubungan antar piksel tetangga. Terdapat dua kategori utama :

  1. Statistik Orde pertama
    • Berdasarkan distribusi histogram intensitas pixel Tunggal
    • Tidak mempertimbangkan hubungan antar pixel.

​

  • Statistik Orde Kedua (Second-Order Statistics).
    • Berdasarkan hubungan antar pasangan pixel
    • Menggunakan GLCM (gray level co occurrence matrix)

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

18 of 31

Aplikasi Analisis Tekstur

Bidang

Contoh Aplikasi

Medis

Analisis jaringan otak, tulang,kulit

Pertanian

Klasifikasi daun sehat vs rusak

Industri

Deteksi cacat permukaan logam/kain

Forensik/psikologi

Analisis struktur garis gambar (mis.Tes BAUM)

Remote sensing

Klasifikasi jenis lahan (tanah, air, vegetasi)

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

19 of 31

  • Input the text content you want according to the content you need, and input the text and other information.Input the text content you want according to the content you need, and input the text and other information.

​

  • Input the text content you want according to the content you need, and input the text and other information.

20NN

KLASIFIKASI ALAT UKUR JARAK WARNA

Secara umum ada dua jenis alat pengukur jarak warna :

  1. Alat Digital / Komputasional. Digunakan dalam pengolahan citra dan sistem komputer. Pada bidang computer vision, AI warna, dan grafika digital.

Jenis

Fungsi

Contoh implementasi

Color distance algorithm

Menghitung jarak antar warna (mis. Euclidean, ΔE) di ruang warna RGB, HSV, atau Lab.

OpenCV, MATLAB, scikit-image

Color picker/analyzer software

Mengambil nilai warna piksel dan membandingkannya.

Photoshop, GIMP, ImageJ, ColorZilla

Spectral Data Simulation

Menghitung jarak warna berdasarkan spektrum reflektansi

Python Spectral Library (PSL), MATLAB Color Toolbox

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

20 of 31

  • Input the text content you want according to the content you need, and input the text and other information.Input the text content you want according to the content you need, and input the text and other information.

​

  • Input the text content you want according to the content you need, and input the text and other information.

20NN

KLASIFIKASI ALAT UKUR JARAK WARNA

Secara umum ada dua jenis alat pengukur jarak warna :

  1. Alat Fisik / Optik (Color Measuring Instruments). Digunakan untuk pengukuran warna secara nyata (real-world color) — terutama dalam industri cetak, tekstil, dan cat

Nama Alat

Deskripsi

Keluaran / Output

Spectrophotometer

Alat utama untuk mengukur warna berdasarkan spektrum reflektansi cahaya pada permukaan objek.

Nilai L*, a*, b* (CIE Lab) → digunakan untuk menghitung ΔE (color difference).

Colorimeter

Alat portabel untuk membandingkan dua warna secara langsung (biasanya menggunakan 3 sensor RGB atau filter tristimulus).

Nilai RGB, XYZ, atau Lab sederhana.

Spectrocolorimeter

Kombinasi colorimeter & spectrophotometer dengan presisi tinggi untuk QC warna industri.

ΔE, reflektansi spektrum, indeks warna.

Densitometer

Digunakan di percetakan untuk mengukur densitas warna tinta pada media cetak.

Nilai densitas optik tiap saluran warna.

Chromameter / Chroma Meter

Alat cepat (biasanya handheld) untuk mengukur warna L*a*b* secara langsung.

Nilai warna dan ΔE antar sampel.

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

21 of 31

  • Input the text content you want according to the content you need, and input the text and other information.Input the text content you want according to the content you need, and input the text and other information.

​

  • Input the text content you want according to the content you need, and input the text and other information.

20NN

3 PRINSIP KERJA UMUM

  1. Sumber cahaya standar (mis. D65 daylight) diarahkan ke permukaan objek.
  2. Sensor atau detektor menangkap cahaya pantulan dari permukaan.
  3. Sistem mengonversi hasil pengukuran ke ruang warna standar (CIE XYZ atau Lab).
  4. Perbedaan warna dihitung dengan rumus ΔE (CIE76, CIE94, atau CIEDE2000).

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

22 of 31

  • Input the text content you want according to the content you need, and input the text and other information.Input the text content you want according to the content you need, and input the text and other information.

​

  • Input the text content you want according to the content you need, and input the text and other information.

20NN

Skala Interpretasi ΔE (Color Difference Scale)

Nilai ΔE

Interpretasi Perbedaan Warna

0 – 1

Hampir tidak terlihat oleh mata manusia

1 – 2

Perbedaan sangat kecil (hanya terlihat oleh ahli)

2 – 10

Terlihat jelas, tapi masih bisa ditoleransi

10 – 50

Warna sangat berbeda

> 50

Warna sepenuhnya berbeda

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

23 of 31

ANALISIS TEKSTUR DENGAN MATRIKS

CO OCCURENCE

​

04

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

24 of 31

  • Input the text content you want according to the content you need, and input the text and other information.Input the text content you want according to the content you need, and input the text and other information.

​

  • Input the text content you want according to the content you need, and input the text and other information.

20NN

DEFINISI TEKSTUR DENGAN MATRIKS CO-OCCURRENCE (GLCM)

Matriks statistik yang menggambarkan frekuensi kemunculan pasangan piksel dengan nilai intensitas tertentu yang berdekatan pada arah dan jarak tertentu di dalam citra grayscale..

​

Dengan kata lain, GLCM merepresentasikan pola keterhubungan antar intensitas piksel — bukan hanya sebaran nilai intensitas seperti histogram biasa

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

25 of 31

  • Input the text content you want according to the content you need, and input the text and other information.Input the text content you want according to the content you need, and input the text and other information.

​

  • Input the text content you want according to the content you need, and input the text and other information.

20NN

KONSEP DASAR

Bayangkan citra grayscale kecil seperti berikut :

​

​

​

Setiap angka Adalah nilai intensitas (gray level).

Jika kita tentukan arah (00) dan jarak d = 1, maka kita menghitung beberapa kali nilai i diikuti oleh nilai j disebelah kanannya.

​

​

​

​

​

​

​

0

0

1

1

0

1

2

2

1

2

2

3

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

26 of 31

  • Input the text content you want according to the content you need, and input the text and other information.Input the text content you want according to the content you need, and input the text and other information.

​

  • Input the text content you want according to the content you need, and input the text and other information.

20NN

KONSEP DASAR

​

​

​

​

Contohnya :

  • Pasangan (0,0) muncul 2 kali
  • Pasangan (0,1) muncul 1 kali
  • Pasangan (1,2) muncul 2 kali dan sterusnya.

Matrik hasil perhitungan inilah yang disebut GLCM

​

​

​

​

​

​

​

0

0

1

1

0

1

2

2

1

2

2

3

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

27 of 31

Umumnya GLCM dihitung untuk beberapa arah, lalu hasilnya dirata-ratakan (mean) agar tidak bergantung pada orientasi.

  • Input the text content you want according to the content you need, and input the text and other information.Input the text content you want according to the content you need, and input the text and other information.

​

  • Input the text content you want according to the content you need, and input the text and other information.

20NN

PARAMETER GLCM

​

​

​

​

​

​

Parameter

Keterangan

d (distance)

Jarak antar piksel yang dibandingkan, biasanya 1–5

θ (angle)

Arah relatif antar piksel: 0°, 45°, 90°, 135°

N (gray level)

Jumlah tingkat keabuan (biasanya dinormalisasi menjadi 8 atau 16 level)

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

28 of 31

Rumus umum

Jika f(x,y) Adalah intensitas pixel di posisi (x,y), maka elemen GLCM P(i, j) didefinisikan sebagai :

​

​

​

Dengan ditentukan oleh arah (0) dan jarak (d).

Setelah dihitung, matriks P(i,j) biasanya dinormalisasikan sehingga

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

29 of 31

Ciri tekstur dari GLCM (fitur Haralick)

No

Fitur

Rumus

Interpretasi

1

Contrast

​

Mengukur variasi local (kontras tinggi 🡪 banyak tepi)

2

Homogeneuity

​

i-j

3

Energy (ASM)

​

Mengukur keteraturan (tinggi 🡪 pola berulang)

4

Entropy

​

Kompleksitas (tinggi 🡪 tekstur acak)

5

Correlation

​

Hubungan antar pixel tetangga

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

30 of 31

  • Input the text content you want according to the content you need, and input the text and other information.Input the text content you want according to the content you need, and input the text and other information.

​

  • Input the text content you want according to the content you need, and input the text and other information.

20NN

INTERPRETASI NILAI FITUR

Fitur

Nilai Tinggi 🡪

Nilai Rendah 🡪

Contrast

Tekstur tajam, banyak tepi

Permukaan halus

Homogeneity

Citra seragam

Variasi tinggi

Energy

Pola berulang/teratur

Pola acak

Entropy

Tekstur kompleks, tidak beraturan

Tekstur sederhana

Correlation

Hubungkan kuat antar pixel

Hubungan acak

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

31 of 31

TERIMA

KASIH

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA

Tim Penyusun:

1. Atit Pertiwi

2. Condro Wibawa

3. Noor Vika H

PROGRAM STUDI INFORMATIKA

UNIVERSITAS GUNADARMA