Klasifikasi diawali dengan proses segmentasi citra, yaitu membagi citra menjadi segmen-segmen atau objek-objek berdasarkan homogenitas karakteristik piksel-pikselnya. Segmen-segmen ini selanjutnya menjadi unit analisis dalam klasifikasi.
Segmentasi citra dalam konteks OBIA dapat diartikan sebagai proses pengelompokan dari piksel-piksel bertetangga ke dalam area (atau segmen) berdasarkan kemiripan kriteria seperti digital number atau tekstur. Segmentasi citra menghasilkan “objek”, yaitu kelompok piksel yang yang selanjutnya menjadi unit analisis klasifikasi.
Tulisan lebih lanjut mengenai segmentasi citra dapat dibaca di sini.
Multiresolution Segmentation
Algoritma Fractal Net Evolution Approch (FNEA), selanjutnya dikenal sebagai Multiresolution Segmentation (MRS) yang dikembangkan oleh Baatz dan Schaepe (2000) merupakan algoritma segmentasi yang paling banyak digunakan. Rumus perhitungan algoritma MRS dijelaskan sebagai berikut:
Rumus algoritma Multiresolution Segmentation
Proses segmentasi berbasis region growing ini dijalankan berdasarkan lima parameter yaitu:
- skala (scale),
- warna (colour),
- bentuk (shape),
- kehalusan (smoothness) dan
- kekompakan (compactness).
Parameter – parameter tersebut dapat dikombinasikan untuk mendapatkan hasil objek yang bervariasi, sehingga bisa disesuaikan dengan keinginan operator terkait pembuatan objek yang homogen pada resolusi yang diinginkan. Proses segmentasi citra dengan algoritma Multiresolution Segmentation dapat ditunjukkan oleh Gambar berikut.
Ilustrasi algoritma Multiresolution Segmentation
Penjelasan
parameter-parameter dalam MRS
Pengaturan secara manual untuk setiap parameter segmentasi citra meliputi skala, warna, bentuk, kehalusan dan kekompakan dilakukan pada setiap proses segmentasi. Selain dari parameter di atas, satu hal yang juga berpengaruh pada hasil segmentasi adalah data input dan bobotnya. Nilai dari setiap parameter akan mempengaruhi hasil segmentasi.
Data input dan bobotnya
Bobot saluran masukan akan mempengaruhi bobot perhitungan parameter warna setiap saluran pada proses segmentasi. Saluran masukan yang memiliki sensitivitas tinggi dengan objek kajian harus diberi nilai bobot yang lebih tinggi dibandingkan dengan saluran yang lain.
Pada proses segmentasi dengan objek kajian penutup/ penggunaan lahan, bobot saluran masukan sulit ditentukan karena setiap kelas penutup/ penggunaan lahan memiliki sensitivitas yang berbeda pada setiap saluran masukan.
Nilai skala
Skala pada proses multiresolution segmentation tidak sama dengan definisi skala pada penginderaan jauh yang merujuk pada resolusi spasial citra atau luasan area yang diliput oleh satu piksel.
Parameter skala merupakan nilai abstrak untuk menentukan besarnya heterogenitas objek yang diperbolehkan dalam satu objek.
Pada nilai skala yang sama, kenampakan heterogen akan menghasilkan ukuran objek yang lebih kecil daripada kenampakan homogen.
Parameter skala yang diberikan berbanding lurus dengan ukuran objek. Semakin besar nilai parameter skala maka semakin besar heterogenitas yang diperbolehkan, sehingga segmentasi yang dilakukan lebih kasar dan menghasilkan objek-objek dengan ukuran yang lebih besar.
Hasil segmentasi citra menggunakan berbagai nilai skala: kiri atas = 10, kanan atas = 50, kiri bawah= 100, kanan bawah= 500 (nilai parameter lain = default).
Komposisi heterogenitas: color vs shape
Parameter-parameter yang lain yaitu warna (colour), bentuk (shape), kehalusan (smoothness) dan kekompakan (compactness) merupakan pembentuk dari homogenitas objek.
Bobot parameter warna dan bobot parameter bentuk diberi nilai 0-1.
Semakin besar bobot parameter warna, secara otomatis bobot parameter bentuk akan semakin kecil. Dalam banyak kasus, parameter warna lebih berperan untuk menciptakan objek citra yang baik, namun bobot parameter bentuk yang sesuai sering meningkatkan kualitas hasil segmentasi.
Color
Parameter warna terkait dengan nilai spektral yang terdapat pada citra. Bobot parameter warna (hcolour) memperhatikan bobot semua saluran masukan dan dikomputasi berdasarkan nilai rerata simpangan baku terbobot.
Dalam banyak kasus, parameter warna lebih berperan untuk menciptakan objek citra yang baik, namun bobot parameter bentuk yang sesuai sering meningkatkan kualitas hasil segmentasi.
Shape
Nilai bobot parameter bentuk dipengaruhi oleh bobot parameter warna.
Pemberian nilai bobot harus disesuaikan dengan fenomena yang dikaji dan karakteristik daerah kajian untuk mendapatkan hasil segmentasi yang baik.
Bobot parameter bentuk yang semakin besar menimbulkan proses segmentasi lebih dipengaruhi oleh homogenitas spasial dibandingkan dengan homogenitas spektral objek.
Nilai parameter bentuk yang tinggi akan menyebabkan segmentasi lebih ditekankan pada tekstur, sedangkan penekanan pada tekstur tidak selalu menghasilkan objek citra yang dikehendaki.
Hasil segmentasi citra menggunakan berbagai nilai Shape: kiri atas = 0.1, kanan atas = 0.3, kiri bawah= 0.7, kanan bawah= 0.9 (nilai parameter lain = default).
Parameter bentuk terdiri dari dua parameter yaitu kehalusan (smoothness) dan kekompakan (compactness).
Parameter shape: smoothness vs compactness
Bobot kekompakan dan kehalusan memiliki nilai berkebalikan antara 0-1. Operator memasukkan nilai kekompakan, sehingga secara otomatis nilai kehalusan juga ikut berubah.
Nilai parameter kekompakan dan kehalusan memiliki pengaruh yang paling kecil terhadap pembentukan objek citra.
Compactness
Parameter kekompakan digunakan untuk memisahkan objek yang kompak dengan objek yang tidak kompak yang memiliki perbedaan nilai spektral yang relatif rendah.
Semakin besar nilai parameter ini, maka objek yang dihasilkan akan memiliki bentuk yang lebih kompak. Nilai ini merupakan penyimpangan dari bentuk kompak ideal yang diberikan.
Smoothness
Kemungkinan lain untuk menyatakan heterogenitas objek adalah dengan parameter kehalusan. Parameter kehalusan merupakan kebalikan dari parameter kekompakan.
Hasil segmentasi citra menggunakan berbagai nilai Compactness: kiri atas = 0.1, kanan atas = 0.3, kiri bawah= 0.7, kanan bawah= 0.9 (nilai parameter lain = default).
