Tepi Objek Deteksi Tepi dan Operator Deteksi Tepi Segmentasi

Dengan demikian, titik yang terisolasi adalah titik yang berbeda secara signifikan dengan titik-titik di sekitarnya. Ada pun mask-nya adalah : -1 -1 -1 -1 8 -1 -1 -1 -1

2.14 Deteksi Garis

Pendeteksian garis dari suatu citra dilakukan dengan mencocokkan dengan mask dan menunjukkan bagian tertentu yang berada secara garis lurus baik secara vetikal, horizontal, maupun miring 45 baik kanan maupun kiri. Secara matematis dapat dirumuskan sebagai berikut : |R||R j | dimana i ≠ j Ada pun masuk untuk mendeteksi garis adalah sebagai berikut : Arah horizontal : -1 -1 -1 2 2 2 -1 -1 -1 Arah vertical : 2 -1 -1 -1 2 -1 -1 -1 2

2.15 Tepi Objek

Pertemuan antara bagian objek dan bagian latar belakang disebut tepi objek. Dalam pengolahan citra, tepi objek ditandai oleh titik yang nilai keabuannya memiliki perbedaan Universitas Sumatera Utara yang cukup besar dengan titik yang ada di sebelahnya. Bila dua buah objek atau lebih saling tumpang tindih maka objek tersebut akan meninggalkan jejak tepi apabila intensitas objek yang lain atau sebaliknya. Hal ini penting untuk memisahkan objek-objek yang tumpang tindih sehingga objek dapat dianalisis secara induvidu. Dengan demikian, tepi sebuah objek dapat juga digunakan untuk memisahkan objek-objek yang saling bersinggungan sehingga objek tidak dianggap sebagai satu objek yang besar, tetapi dapat dilacak atau dianalisis secara induvidu.

2.16 Deteksi Tepi dan Operator Deteksi Tepi

Deteksi tepi adalah proses untuk menemukan perubahan intensitas yang berbeda nayat dalam sebuah bidang citra. Sebuah operator deteksi tepi merupakan operasi bertetangga, yaitu sebuah operasi yang memodifikasi nilai keabuan sebuah titik berdasarkan nilai-nilai keabuan dari titik-titik yang ada disekitarnya tetangganya yang masing-masing mempunyai bobot tersendiri. Bobot-bobot tersebut nilainnya tergantung pada operasi yang akan dilakukan, sedangkan banyaknya titik tetangga yang terlibat biasanya adalah 2x2, 3x3, 3x4,7x7, dan sebagiannya. Biasanya operator yang digunakan untuk mendeteksi tepi yang pertama adalah operator berbasis Gradient turunan pertama, yaitu operator Robert, operator Sobel dan operator Prewitt. Yang kedua adalah operator berbasis turunan kedua, yaitu operator Laplacian dan operator Laplacian Gaussian.

2.17 Segmentasi

Segmentasi merupakan suatu proses pembagian image menjadi beberapa segmen dan diantaranya terhubung satu sama lain. Hubungan segmen ini adalah bila terdapatnya dua piksel yang saling kontak. Segmen disebut juga region atau area. Segmen yang terpisah dapat dipertimbangkan menjadi sebuah image tersendiri. Proses segmentasi merupakan proses identifikasi dan menjadi dasar untuk melakukan proses klasifikasi objek image. Proses klasifikasi sebenarnya diartikan sebagai proses pengenalan objek yang ada dengan cara memisahkannya menjadi segmen-segmen yang diharapkan merupakan objek-objek tersendiri. Universitas Sumatera Utara Contohnya pada proses analisis suatu image dengan melihat grafik image histogramnya histogram slicing. Tujuan analisis ini adalah untuk mengetahui objek dalam image tersebut dan memisahkannya untuk lebih lanjut melakukan proses pengenalan objek. Ada beberapa teknik segmentasi, kesemuanya dapat digologkan dalam dua jenis berdasarkan cara kerjanya yaitu : pertama, segmentasi berdasarkan intensitas warna melalui identifikasi area atau region. Kedua, segmentasi berdasarkan karakteristik melalui identifikasi edge Segmantasi citra membagi suatu citra menjadi wilahyah-wilayah yang homogen Histogram dengan 2 objek segmentasi Universitas Sumatera Utara Histogram dengan 4 objek segmentasi Gambar 2.13 Image segmentation Bila histogram citra terbagi menjadi dua wilayah seperti gamabr 2.5 maka thresholding bias digunakan untuk mendapatkan nilai threshold T yang tepat sehingga bagian Objek dan latar belakang citra bias ditentukan. Dengan metode ini, thresholding dimodifikasi secara berulang- ulang sampai ditemukan nilai yang cocok. Langkah-langkah dalam menentukan nilai threshold adalah sebagai berikut : 1. Pilih nilai T awal, yaitu nilai rata-rata dari intensitas citra 2. Bagi citra menjadi dua daerah, misalnya R 1 dan R 2 , menggunakan nilai T awal yang telah ditentukan 3. Hitung nilai rata-rata intensitas µ 1 dan µ 2 masing-masing untuk daerah R 1 dan R 2 4. Hitunglah nilai threshold yang baru dengan rumus T = µ 1 + µ 2 2 5. Ulangi langkah 2 sampai 4 hingga nilai-nilai µ 1 dan µ 2 tidak berubah lagi. Saat itulah nilai T merupakan nilai yang dicari. Sedangkan bila histogram citra terbagi menjadi lebih dari dua wilayah seperti gambar 2.5 maka mean clustering bias digunakan sebagai pendekatan untuk mendapatkan wilayah- wilayah yang hamper homogen. Teknik ini brasumsi bahwa objek-objek yang akan dipisahkan cenderung memiliki intensitas yang berbeda-beda dan masing-masing objek memiliki intensitas yang hamper homogeny seragam.

2.17 .1 Segmentasi Citra