Pertemuan 5 Deteksi Bentuk Primitif Obyek 2D

1. Pertemuan 5Deteksi Bentuk Primitif Obyek 2D Matakuliah : T0283 – Computer Vision Tahun : 2005 Versi : Revisi 1

2. Learning Outcomes Pada akhir pertemuan ini, diharapkan mahasiswa akan mampu : • Menghitung bentuk (area, perimeter, dimensi) obyek-obyek primitif 2D dengan pendekatan kode rantai Freeman dan RLE

3. Outline Materi • Region based segmentation • 4 connected and 8 connected regions • Kode rantai Freeman • Runlength Encoding • Menghitung area dan perimeter obyek 2D sederhana

4. Edge-based segmentation Vs Region-based Segmentation • Edge-based segmentation : borders between regions. Region-based segmentation : direct construction of regions • Segmentasi yang dihasilkan oleh kedua cara di atas tidak selalu tepat sama • Segmentasi berbasis region baik digunakan untuk noisy images • Homogenitas digunakan sebagai kriteria segmentasi antara lain : • grey level, color, texture • shape, model, dll.

5. Region Growing (Bottom up Method) • Start dengan memilih seed pixel dan bandingkan dengan piksel tetangganya (neighbouring pixels) • Dengan menambahkan piksel tetangganya yang sama, ukuran seed pixel akan membesar (tumbuh) • Bila pertumbuhan region berhenti, pilih seed pixel yang baru yang belum menjadi anggota region manapun • Proses dilanjutkan sampai seluruh piksel menjadi bagian dari region-region yang terbangun

6. Seed pixel Seed pixel Direction of growth

7. Contoh Region Growing 129 127 152 148 153 159 135 136 129 130 149 142 151 159 131 134 126 129 150 155 152 137 130 134 100 98 101 107 104 135 139 137 101 103 105 104 103 130 132 135 101 103 105 104 103 130 132 132 ΔT = 10 129 127 129 130 126 129 152 148 153 159 149 142 151 159 150 155 152 135 136 131 134 137 130 134 135 139 137 130 132 135 130 132 132 100 98 101 107 104 101 103 105 104 103 101 103 105 104 103

8. Contoh Region Growing 129 127 152 148 153 159 135 136 129 130 149 142 151 159 131 134 126 129 150 155 152 137 130 134 100 98 101 107 104 135 139 137 101 103 105 104 103 130 132 135 101 103 105 104 103 130 132 132 ΔT = 25 129 127 152 148 153 159 135 136 129 130 149 142 151 159 131 134 126 129 150 155 152 137 130 134 135 139 137 130 132 135 130 132 132 Background and object only 100 98 101 107 104 101 103 105 104 103 101 103 105 104 103

9. Region Splitting and Merging (Top down method) • Pilih area of interest dan check apakah seluruh piksel dalam region memenuhi kriteria kesamaan • Bila TRUE maka area of interest menjadi bagian dari suatu region dalam citra • Bila FALSE split area of interest (biasanya dibagi menjadi 4 bagian yang sama, quadtree) dan pilih salah satu dari sub-area tersebut menjadi area of interest • Proses dilanjutkan sampai tidak terjadi lagi pembagian (split) area of interest.

10. I1 I2 I I3 I4 Whole image First split I1 I2 I1 I2 I41 I42 I41 I42 I3 I3 I43 I44 I43 Merge Second split

11. B A 153 159 135 136 151 159 131 134 152 137 130 134 129 127 152 148 129 130 149 142 126 129 150 155 Mean 142.58 Dev 10.18 Mean 138.8 Dev 10.5 C D 100 98 101 107 101 103 105 104 101 103 105 104 104 135 139 137 103 130 132 135 103 130 132 132 Mean 102.7 Dev 2.1 Mean 126.0 Dev 11.3 Measure of homogenity = Deviasi <=10

12. G H E F 153 159 151 159 152 137 135 136 131 134 130 134 129 127 129 130 126 129 152 148 149 142 150 155 J C I 139 137 132 135 132 132 104 135 103 130 103 130 100 98 101 107 101 103 105 104 101 103 105 104 Deviation > 10

13. C = 102.7 E = 128.3 F = 149.3 G = 151.83 H = 133.3 J = 134.5 K = 103.3 L = 131.7 F & G 135 136 131 134 130 134 135 139 137 130 132 135 130 132 132 152 148 153 159 149 142 151 159 150 155 152 137 129 127 129 130 126 129 E 100 98 101 107 104 101 103 105 104 103 101 103 105 104 103 C & K H, J & L

14. Statistical Region Description • Fitur yang diperoleh dalam segmentasi sejauh ini berbasis pada informasi geometri atau gradient intensitas • Cara lain, fitur dapat diperoleh dengan menggunakan ukuran-ukuran statistik yang direpresentasikan dengan harga tunggal (single value) • Deskripsi statistik terbagi dalam 2 kelas berbeda yaitu : • Deskripsi geometrik : luas, panjang, elongasi, compactness, momen inersia • Deskripsi topologi : konektivitas dan bilangan Euler

15. Statistical Region Description (cont’d) • Elongasi: ratio antara panjang dan lebar chord • Compactness : ratio antara perimeter kuadrat dan luas region • Konektivitas : jumlah fitur tetangga yang berhubungan dengan region • Bilangan Euler : Jumlah region – jumlah holes

16. Connectedness pada Citra Biner • 2 jenis neighbourhoods • 4-connected dan • 8-connected • Secara umum diadopsi 8-connected convention

17. Blob Representation • Coordinates of points • Di dalam obyek • Pada garis batas • Boundary List • Chord List

18. Boundary List Origin { (X0 , Y0 ) (X1 , Y1 ) (X2 , Y2 ) (X3 , Y3 )……. (X0 , Y0 ) }

19. Vector List • Lebih compact dari boundary list • Freeman chain code • vectors 0…7 to represent 8-connected neighbours • Trace clockwise round the outside

20. Chord List • Run-length encoding • Compact description • Horizontal chord in ascending y coordinate • n chords, x0 , y0 • yinc , xinc , length • yinc = 0 or 1

21. Blob Measurements • Dari chord list : area • Dari boundary coordinates / vector list • Centroid • Perimeter length • length of longest chord • Orientation • Projected width

22. Contoh : Chain Encoding Procedure • 2 unit pixel 1 unit pixel Encoding start point y x

23. 2 3 1 4 P P Direction 0 5 7 6 Start 1 1 0 0 0 0 6 0 6 6 6 4 6 4 4 4 4 3 3 2 Perimeter P = SE + V2 SO units = 16 + 4 V2 = 21.66 units

24. y y Direction 0 Additive component = 1 x y Direction 5 Subtractive component = (1 x y) – 0.5 y Direction 2 dan 6 Zero component (neutral) Direction 1 Subtractive component = (1 x y) + 0.5

25. 2 3 1 4 0 Subtractive P Additive 5 7 y-coordinate 6 7 6 6 Start 5 5 1 1 0 0 0 0 6 0 6 6 6 4 6 4 4 4 4 3 3 2 4 4 3 3 2 Area = 5.5 + 6.5 + 7 + 7 + 7 + 7 + 0 + 6 + 0 + 0 + 0 – 3 + 0 – 2 – 2 – 2 – 2 – 2.5 – 3.5 + 0 = 29 square units

26. Contribution to horizontal width +1 +1 +1 +1 0 0 0 -1 -1 -1 Start -1 1 1 0 0 0 0 6 0 6 6 6 4 6 4 4 4 4 3 3 2 Object Width = S high – S low = 7 – 0 = 7 units