Seri Segmentasi Citra : Definisi dan Metode Segmentasi Citra (Bagian 1)

Segmentasi citra adalah proses membagi atau memisahkan citra menjadi beberapa bagian atau segmen yang memiliki karakteristik yang serupa. Tujuan dari segmentasi citra adalah untuk mengidentifikasi objek, batas, atau fitur tertentu dalam citra yang dapat digunakan untuk analisis lebih lanjut dalam pengolahan citra.

Sebagai contoh, mari kita bayangkan sebuah citra pemandangan alam yang luas dan indah. Pada awalnya, citra tersebut merupakan gabungan berbagai objek seperti langit biru, gunung, hutan, dan danau. Namun, dengan menggunakan teknik segmentasi citra, kita dapat memisahkan setiap objek ini menjadi segmen yang terpisah.

Proses segmentasi dimulai dengan mengidentifikasi piksel-piksel yang memiliki karakteristik yang serupa. Misalnya, dengan menganalisis intensitas warna, tekstur, atau bentuk piksel-piksel tersebut. Dalam citra pemandangan alam ini, algoritma segmentasi citra akan memisahkan langit biru menjadi segmen yang satu, gunung menjadi segmen yang lain, hutan menjadi segmen lainnya, dan danau menjadi segmen terpisah pula.

(Ilustrasi segmentasi citra)

Dengan segmentasi citra, kita dapat menganalisis setiap segmen secara terpisah. Misalnya, kita dapat mengukur luas dan tinggi gunung, mengidentifikasi jenis pohon yang ada di dalam hutan, atau menganalisis kecerahan dan kedalaman danau. Informasi ini dapat digunakan untuk berbagai tujuan, seperti pemetaan, deteksi objek, pengenalan pola, atau pengolahan citra yang lebih lanjut.

Segmentasi citra juga penting dalam berbagai aplikasi di kehidupan sehari-hari. Misalnya, dalam pengenalan wajah, segmentasi citra dapat digunakan untuk memisahkan wajah dari latar belakang, sehingga memungkinkan sistem pengenalan wajah untuk bekerja dengan lebih efektif. Dalam bidang kedokteran, segmentasi citra dapat membantu dalam identifikasi tumor atau penyakit lainnya dalam citra medis, sehingga memudahkan proses diagnosis dan perawatan.

Terdapat beberapa pendekatan/metode untuk melakukan segmentasi citra, diantaranya adalah :

1. Segmentasi Berdasarkan Ambang (Thresholding)

Metode ini terbilang sederhana, dimana pemisahan citra dilakukan dengan menetapkan nilai ambang tertentu (thresshold) dan membagi citra ke dalam kelompok yang dipisahkan oleh nilai ambang tersebut. Piksel dengan intensitas di atas ambang akan dianggap sebagai satu segmen, sedangkan piksel dengan intensitas di bawah ambang akan dianggap sebagai segmen lainnya. Metode ini terbilang sederhana namun efektif dalam kasus citra biner atau ketika objek yang ingin diidentifikasi memiliki perbedaan intensitas yang jelas dengan latar belakangnya.

Salah satu contoh algoritma dan penerapan metode ini sudah pernah kami bahas pada alamat link berikut : Review Jurnal : Perbaikan Citra Tanda Tangan Menggunakan Metode Otsu Thressholding dan Sauvola 

(Memisahkan obyek tanda tangan dengan latar belakangnya
menggunakan metode Otsu dan Sauvola)

2. Segmentasi Berbasis Kluster

Metode ini menggunakan algoritma kluster, seperti K-means atau Fuzzy C-means, untuk mengelompokkan piksel-piksel dalam citra berdasarkan kesamaan atribut, seperti intensitas warna atau tekstur. Algoritma kluster mengelompokkan piksel-piksel ke dalam kelompok-kelompok yang memiliki kemiripan dalam ruang fitur. Setiap kelompok akan membentuk segmen yang terpisah.

3. Segmentasi Berbasis Tepi (Edge-based Segmentation)

Metode ini akan mengidentifikasi tepi atau kontur objek dalam citra. Tepi sering kali menunjukkan perubahan yang tajam dalam intensitas citra, sehingga dapat digunakan untuk memisahkan satu obyek dengan obyek lainnya/latar belakang. 

(Segmentasi citra menggunakan Metode Edge Detection - Prewitt)

4. Segmentasi Berbasis Region

Metode ini melibatkan penggabungan piksel-piksel yang saling berdekatan dan memiliki kesamaan atribut untuk membentuk wilayah atau segmen yang lebih besar. Metode ini efektif untuk citra kompleks dengan objek yang saling tumpang tindih atau memiliki perbedaan intensitas yang halus.

5. Segmentasi Berbasis Tekstur

Metode ini fokus pada analisis tekstur citra untuk memisahkan segmen berdasarkan pola tekstur yang berbeda. Algoritma seperti gray-level co-occurrence matrix (GLCM), local binary patterns (LBP), atau filter Gabor dapat digunakan untuk menggambarkan tekstur dan memisahkan segmen berdasarkan pola tekstur yang serupa.

Segmentasi citra biasanya masuk ke dalam proses persiapan (preparation) sebelum citra diolah lebih lanjut lagi. Nah, beberapa postingan ke depan kita akan bahas beberapa metode dalam segmentasi citra. 

Referensi :
diambil dan diolah dari berbagai sumber.