Memahami Lebih Dalam Proses Segmentasi Citra

Proses segmentasi citra mulai banyak dilakukan pada tahun 70-80an.

Namun, sebelum ada OBIA, proses segmentasi citra dilakukan untuk membentuk kumpulan poligon yang tidak overlap saja.

Pada masa-masa ini, proses segmentasi citra masih dipisahkan dengan proses klasifikasi. Baca Haralick dan Shapiro (1985) dan Pal dan Pal (1993).

Pada OBIA, hasil segmentasi citra berupa objek citra (image-objects) memiliki tambahan informasi spektral dan spasial yang digunakan untuk klasifikasi citra.

Segmentasi merupakan bagian yang sangat krusial dalam proses OBIA.

Segmentasi citra menghasilkan citra segmen berisi image-object yang memberikan informasi citra baru, meliputi rata- rata nilai pada masing-masing saluran, nilai standar deviasi piksel objek dan berbagai karakteristik bentuk dan tekstur.

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.

Jenis-jenis segmentasi citra

Proses segmentasi citra dilakukan untuk membentuk objek citra.  Proses segmentasi mengelompokkan piksel-piksel bertetangga berdasarkan kemiripan nilai piksel. Hasil segmentasi tersebut kemudian menjadi unit analsisi pada proses OBIA. Algoritma segemntasi dapat dikelompokkan menjadi tiga kelompok,  yaitu:

• Spectral-based segmentation
• Region-based segmentation
• Edge detection.

Spectral-based segmentation mengelompokkan piksel berdasarkan analisis data pada feature space. Contoh umum dari pendekatan ini adalah clustering dan histogram tresholding.

Edge detection segmentation menentukan batas antara dua region yang memiliki homogenitas dalam karakteristiknya.

Contoh dari pendekatan ini adalah algoritma watershed, di mana batas segmen ditentukan melalui proses iterasi dengan menganggap nilai piksel sebagai data ketinggian dan batas segmen ditentukan dengan logika seperti memisahkan daerah aliran sungai.

Region-based segmentation dapat dibagi menjadi region growing/merging, region dividing/splitting dan hybrid method.

Region growing/mergingmengambil beberapa piksel sebagai “seed” yang kemudian tumbuh (grow) menjadi region di sekitarnya berdasarkan kriteria homogenitas tertentu.

Region dividing/splitting secara berulang memecah citra menjadi sekumpulan region terpisah yang setiap region tersebut koheren secara internal.

Beberapa

contoh algoritma segmentasi

Region Growing

Bins et al. (1996) menjelaskan bahwa region growing adalah sebuah teknik membentuk area homogen melalui proses perulangan yang dimulai dari individu piksel dan parameter segmentasi masukan, perulangan akan terhenti ketika setiap piksel selesai diproses.

Algoritma region growing termasuk pada tipe region-based segmentation. Proses tersebut dapat dijelaskan sebagai berikut:

1. Segmen seluruh gambar ke dalam sel pola (1 atau lebih piksel).
2. Setiap sel pola dibandingkan dengan tetangganya untuk menentukan apakah mereka mirip, dengan menggunakan kesamaan ukuran. Jika mereka sama, menggabungkan sel untuk membentuk fragmen dan memperbarui properti digunakan dalam perbandingan.
3. Proses dilanjutkan dengan menghitung semua tetangga sampai tidak ada daerah yang bias digabung lagi dan melabel fragmen sebagai region.
4. Pindah ke sel berikutnya belum selesai, dan ulangi langkah sampai semua sel diberi label.
5. Peran operator dalam proses ini adalah dengan memasukkan nilai ambang kesamaan (similarity threshold) yang berpengaruh pada keadaan dimana proses perulangan berhenti. Nilai ambang kesamaan ini sangat bergantung pada data dan aplikasi yang dilakukan.

Proses segmentasi ini diadopsi oleh software SPRING.

Watershed

Algoritma Watershed termasuk pada tipe edge-based segmentation.

Pemahaman konsep “watershed” berdasarkan pada visualisasi citra secara tiga dimensi, dimana nilai kecerahan dianggap sebagai nilai ketinggian.

Dengan demikian, nanti akan terbentuk punggungan dan lembah.

Tujuan dari tipe segmentasi ini adalah mencari batas watershed.

Batas ini dicari dengan mengisi lembah-lembah tersebut dengan air dengan level yang sama. Ketika air telah mencapai batas lembah dan akan menggabungkan dua lembah, maka proses dihentikan, dan batas ditentukan. Proses ini diulang hingga semua lembah telah mempunyai batas.

Batas ini yang menjadi batas-batas objek dalam algoritma watershed.

Proses segmentasi ini diadopsi oleh software IDRISI.

Multiresolution Segmentation

Algoritma Multiresolution Segmentation merupakan metode segmentasi berbasis region growing yang dikembangkan oleh Baatz dan Schape (2000).

Proses segmentasi 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 dengan jelas dilihat pada diagram yang ditunjukkan Gambar berikut.

Ilustrasi algoritma Multiresolution Segmentation

Akurasi hasil segmentasi

Proses segmentasi dilakukan untuk membuat objek citra yang meaningful. 

Meaningful object berarti objek citra (image-object) tersebut memiliki karakteristik yang mirip dengan objek permukaan bumi (geo-object) yang direpresentasikannya.

Level segmentasi bergantung pada masalah yang akan dipecahkan, sehingga segmentasi harus berhenti ketika objek kajian telah terpisah dengan baik.

Evaluasi segmentasi dilakukan dengan penilaian kualitas hasil segmentasi yaitu segmentasi harus memisahkan objek kajian dengan baik atau objek hasil segmentasi ideal harus merepresentasikan objek dunia nyata.

Dua jenis kesalahan yang terjadi pada proses segmentasi citra adalah oversegmentation dan undersegmentation.

Oversegmentation merupakan keadaan di mana satu geo-object terbagi menjadi beberapa image-object. Oversegmentation terjadi bila satu geo-object memiliki variasi nilai piksel yang tinggi.

Oversegmantation dapat ditekan dengan memperbesar toleransi homogenitas yang diperbolehkan dalam proses segmentasi. Undersegmentationn merupakan keadaan di mana satu image-object merepresentasikan lebih dari satu geo-objek.

Undersegmentation terjadi bila perbedaan antar geo-object tidak terlalu terlihat.

Selain dengan memperkecil parameter homogenitas internal objek pada proses segmentasi, undersegmentation dapat dikurangi dengan menambah input masukan segmentasi yang lebih menonjolkan perbedaan objek kajian.

Oversegmentation dan undersegmentation terjadi secara konstan dalam proses segmentasi, sehingga analis secara hati-hati harus memilih teknik segmentasi yang sesuai dan memperhatikan kualitas hasil segmentasi.

Uji akurasi segmentasi

Uji akurasi segmentasi dilakukan untuk mengetahui akurasi hasil segmentasi dan memilih hasil segmentasi mana yang akan digunakan dalam proses klasifikasi.

Uji akurasi segmentasi diawali dengan membuat peta atau poligon sebagai referensi rujukan.

Selanjutnya peta/ poligon tersebut di overlay ke hasil segmentasi.

Berdasarkan hasil tumpangsusun tersebut, dilaksanakan perhitungan lima parameter uji akurasi segmentasi yaitu USeg, OSeg, D, AFI dan Qr. Contoh proses tumpangsusun ditunjukkan oleh diikuti dengan perhitungan uji akurasi segmentasi dijelaskan sebagai berikut. Misal luas objek citra (Obj) = 14 ha; luas poligon referensi (Pref) = 16 ha, dan luas poligon hasil tumpangsusun berturut-turut adalah A= 4 ha, B= 2 ha dan C=12 ha, maka OSeg = 1 – (C/Obj) = 1- (12/14) = 0,142 USeg = 1 – (C/Pref) = 1 – (12/16) = 0,25 Perhitungan uji akurasi segmentasi dilakukan setika klasifikasi hanya dilakukan pada satu level segmentasi dan tidak ada proses segmentasi ulang pada saat seluruh klasifikasi berlangsung.