Pengambangan (pengolahan citra): Perbedaan antara revisi

Konten dihapus Konten ditambahkan

Sebaris

Revisi per 7 Oktober 2020 03.00

Dalam pengolahan citra digital, pengambangan (bahasa Inggris: thresholding) adalah metode sederhana untuk segmentasi citra. Dari citra derajat keabuan, pengambangan dapat dipakai untuk membuat citra biner.^[1]

Definisi

Metode pengambangan sederhana menukar tiap piksel dalam sebuah citra dengan warna hitam bila intensitasnya $I_{i,j}$ kurang dari nilai tetap $T$ , yaitu $I_{i,j}<T$ , atau warna putih bila intensitasnya lebih dari $T$ . Pada contoh citra di atas, pengambangan ini menyebabkan pohon gelapnya jadi warna hitam dan salju terang jadi warna putih.

Pengambangan banyak saluran

Citra berwarna juga dapat dikenai pengambangan. Salah satu pendekatannya adalah nilai ambang yang berbeda untuk tiap komponen RGB pada citra dan menggabungkannya dengan operasi AND. Cara tersebut sesuai dengan cara kerja kamera dan cara penyimpanan data, tetapi tidak sesuai dengan cara kerja pengenalan warna oleh manusia. Maka, model warna HSL dan HSV lebih sering dipakai. Perhatikan bahwa nilai warna (hue) adalah nilai melingkar, maka dibutuhkan pengambangan melingkar. Mungkin juga digunakan model warna CYMK.^[2]

Pengambangan otomatis

Pengambangan otomatis adalah cara yang bagus untuk mengambil informasi yang berguna dari piksel-piksel, sekaligus mengurangi derau latar belakang. Cara ini dilakukan dengan perulangan umpan balik untuk mengoptimalkan nilai ambang sebelum mengubah citra derajat keabuan ke citra biner. Tujuannya adalah memisahkan citra menjadi dua bagian: latar belakang dan latar depan.^[3]

Pilih nilai ambang awal, biasanya rata-rata nilai piksel dalam citra.
Bagi citra menjadi dua bagian: latar belakang (di bawah nilai ambang) dan latar depan (di atas nilai ambang).
Cari rata-rata kedua bagian citra.
Hitung nilai ambang baru dari rata-rata dari rata-rata kedua bagian citra.
Bila selisih nilai ambang baru dan lama sudah di bawah batas tertentu, nilai ambang sudah ditemukan. Jika belum, terapkan nilai ambang baru dan ulangi pembagian citra.

Batasan metode

Pengambangan otomatis akan bekerja dengan baik bila latar depan kontras dengan latar belakang. Artinya, citra harus diambil dalam keadaan cahaya yang baik tanpa bagian yang silau.

Lihat pula

Referensi

^ Shapiro, Linda G.; Stockman, George C. (2002). Computer Vision. Prentice Hall. ISBN 0-13-030796-3.
^ Nhu-An Pham; Andrew Morrison; Joerg Schwock; Sarit Aviel-Ronen; Vladimir Iakovlev; Ming-Sound Tsao; James Ho; David W Hedley (2007). "Quantitative image analysis of immunohistochemical stains using a CMYK color model". Diagnostic Pathology. 2 (8). doi:10.1186/1746-1596-2-8.
^ Scott E. Umbaugh (30 November 2017). Digital Image Processing and Analysis with MATLAB and CVIPtools, Third Edition (edisi ke-3). ISBN 9781498766074. OCLC 1016899766.

Bacaan lebih lanjut

Gonzalez, Rafael C.; Woods, Richard E. (2018). Digital Image Processing. hlm. 742–764. ISBN 978-1-2922-2304-9.
Martin Luessi; Marco Eichmann; Guido M. Schuster; Aggelos K. Katsaggelos (2009). "Framework for efficient optimal multilevel image thresholding". Journal of Electronic Imaging. 18 (1): 013004+. doi:10.1117/1.3073891.
Yu-Kun Lai; Paul L. Rosin (2014). "Efficient Circular Thresholding". IEEE Transactions on Image Processing. 23 (3): 992–1001. doi:10.1109/TIP.2013.2297014.
Scott E. Umbaugh (2018). Digital Image Processing and Analysis. CRC Press. hlm. 93–96. ISBN 978-1-4987-6602-9.

[1] Shapiro, Linda G.; Stockman, George C. (2002). Computer Vision. Prentice Hall. ISBN 0-13-030796-3.

[2] Nhu-An Pham; Andrew Morrison; Joerg Schwock; Sarit Aviel-Ronen; Vladimir Iakovlev; Ming-Sound Tsao; James Ho; David W Hedley (2007). "Quantitative image analysis of immunohistochemical stains using a CMYK color model". Diagnostic Pathology. 2 (8). doi:10.1186/1746-1596-2-8.

[3] Scott E. Umbaugh (30 November 2017). Digital Image Processing and Analysis with MATLAB and CVIPtools, Third Edition (edisi ke-3). ISBN 9781498766074. OCLC 1016899766.

[1]

[2]

[3]