Seri Segmentasi Citra : Simple Thressholding dengan Analisa Histogram (Bagian 3)

Pada Metode Simple Thressholding yang sudah dibahas sebelumnya, nilai ambang batas ditentukan secara langsung yaitu nilai tengah dari skala keabuan. Misal untuk citra grayscale dengan skala 0-255, maka diambil nilai ambang batas 128. Nilai ambang batas ini belum tentu (seringkali) kurang optimal, karena citra biasanya memiliki kecenderungan, lebih gelap (lebih dekat ke nilai 0) atau lebih terang (lebih dekat ke nilai 255). Sehingga, nilai ambang tengah yang diambil biasanya kurang bisa mewakili.

Untuk itulah perlu dicari nilai ambang yang lebih tepat. Caranya adalah dengan membuat histogram citra terlebih dahulu. Apa itu histogram? Histogram adalah grafik yang menggambarkan penyebaran nilai-nilai intensitas pixel dari suatu citra atau bagian tertentu di dalam citra. Contohnya adalah sebagai berikut :

Dari histogram di atas dapat diketahui bahwa nilai citra tersebar merata. Sekarang coba perhatikan gambar histogram berikut.

Pada gambar ini terdapat dua jenis histogram. Histogram pertama disebut bersifat bimodal, karena terdapat dua puncak dan satu lembah. Pada histogram seperti ini, maka nilai ambang (T) adalah nilai lembah terdalam. Sedangkan histogram kedua disebut multimodal, karena terdapat lebih dari dua puncak, sehingga terdapat lebih dari satu lembah. Pada kasus seperti ini, maka nilai ambang dipilih salah satu.

Perhatikan citra berikut. 

Pada citra daun berikut dibuatlah histogram. Dari histogram yang dihasilkan bisa dilihat bahwa histogram bersifat multimodal. Akan tetapi terdapat dua bukit yang cukup signifikan, sehingga kita abaikan saja bukit paling kanan. Maka nilai ambang (T) adalah nilai terendah lembah, yang dalam hal ini adalah 100. Maka nilai  ambang untuk citra daun ini adalah 100. Selanjutnya, gunakan coding sebelumnya dengan mengganti nilai ambang dari 128 menjadi 100.

Perhatikan pula citra berikut. Pada citra ini histogram juga bersifat multimoda. Disini terdapat pula beberapa lembah, maka perlu dipilih nilai ambang yang paling tepat. Dalam hal ini, kami memilih nilai ambang di angka 65. Maka hasilnya adalah sebagai berikut.

Penentuan nilai ambang seperti ini dinilai menghasilkan output yang lebih baik dibandingkan dengan penentuan nilai ambang tetap 128. Masalahnya adalah akan sangat merepotkan jika setiap ingin melakukan segmentasi harus membuat histogram dahulu, dan menentukan nilai ambang secara manual. Nah, mengatasi hal ini, maka terdapat metode Otsu Thressholding, dimana metode ini mampu menentukan nilai ambang secara otomatis, tanpa perlu menganalisa histogram secara manual. Pembahasan mengenai Otsu Thressholding akan kita sampaikan pada posting berikutnya. Selamat mencoba!

-----------------------------------------------------------------------------

Berikut contoh code untuk membuat histogram :