3. Outline
Regional Descriptors
Simple Descriptors
Topological Descriptors
Texture
Moment Invariants
Use of Principal Components for Description
Relational Descriptors
4. Pendahuluan
Setelah citra disegementasi, biasanya direpresentasikan dan dideskripsikan
dalam bentuk yang sesuai untuk diproses oleh komputer
Region atau wilayah dapat direpresentasikan dengan karakteristik eksternal
(boundary) atau internal (piksel)
Suatu wilayah dapat direpresentasikan dengan boundary dan dideskripsikan
dengan panjangnya.
Representasi eksternal focus pada bentuk karakteristik
Representasi internal focus pada property regional seperti warna dan tekstur
6. Boundary Following
Asumsi bahwa:
Citra adalah biner dimana foreground = 1 dan background = 0
Citra diisi oleh border yang tuliskan dalam 0 agar image tidak dapat bergabung
dengan border
7. Boundary Following
Moore Boundary Tracking Algorithm:
1. Start with the uppermost, leftmost foreground point b0 in the image. Let c0 be
thewest neighbor of b0. Going clockwise from c0 identify the first non-zero neighbor
b1 ofb0. Let c1 be the background point immediately preceding b1 in the sequence.
2. 2. Let b=b1 and c=c1.
3. 3. Let the 8-neighbors of b starting at c and proceeding clockwise be denoted as n1, n2,
...,n8. Find the first nk which is foreground (i.e., a “1”).
4. 4. Let b=nk and c=nk-1.
5. 5. Repeat steps 3 and 4 until b=b0 and the next boundary point found is b1.The
sequence of b points found when the algorithm stops is the set of ordered
boundarypoints.
9. Chain Codes
Merepresentasikan boundary dengan sekuens yang terhubung oleh garis lurus
dengan panjang dan arah tertentu
Representasi berdasarkan 4- atau 8-connectivity
Metode ini tidak berlaku apabila:
Hasil chain code terlalu panjang
Gangguan kecil pada boundary seperti noise yang tidak terkait terhadap bentuk
shape
11. Chain Codes
Kode dapat dinormalisasi dengan mencari perbedaan pertama
Perbedaan dihitung dari jumlah perubahan arah (counterclockwise)
Contoh: perbedaan pertama dari kode 4-arah 10103322 adalah 3133030
15. Polygonal Approximation using MMP
a = (x1, y1), b = (x2, y2), dan c = (x3, y3)
sgn(a,b,c) = det(A)
Terdapat dua titik crawler: white crawler (Wc) dan black crawler (Bc)
18. Signatures
Representasi 1-D dari suatu boundary dan dapat dihasilkan dengan berbagai cara
Salah satu cara yang paling sederhana adalah menghitung jarak dari centroid
menuju boundary sebagai fungsi sudut
19. Signatures
Metode dalam memilih titik awal dapat membuat signature tidak bergantung
pada rotasi
Pilih titik paling jauh dari centroid
Pilih titik paling jauh dari centroid sepanjang eigenaxis
Gunakan chain code
20. Boundary Segments
Dekomposisi boundary menjadi segmen dapat mengurangi kompleksitas
boundary dan menyederhanakan proses deskripsi
Convex hull (H): kumpulan convex terkecil yang berisikan S
Convex deficiency (D): selisih dari kumpulan sehingga D = H - S
21. Skeletons
Bentuk structural suatu region dapat direduksi menjadi grafik
Reduksi dilakukan dengan mendapatkan skeleton dari region menggunakan
algoritma thinning
22. Skeletons: Medial Axis Transformation
Terdapat suatu region R dan border B
Untuk setiap titik p dalam R, temukan tetangga terdekat dalam B. Jika p memiliki
lebih dari satu tetangga, maka tergolong pada medial axis (skeleton dari R)
23. Skeletons: Thinning Algorithm
Asumsi titik region bernilai 1 dan titik background bernilai 0
Suatu titik kontur adalah piksel apapun dengan nilai 1 dan memiliki paling sedikit
8-neighbor yang bernilai 0
Metode terdiri dari dua Langkah yang diterapkan pada titik kontur
24. Skeletons: Thinning Algorithm
Langkah pertama
Tandai suatu titik p untuk dihilangkan jika memenuhi kondisi berikut:
2 ≤ N(p1) ≤ 6, dimana N(p1) = 𝑖=2
9
𝑝𝑖
T(p1) = 1, dimana T(p1) adalah transisi 0 ke 1 dalam urutan p2, p3, …, p8, p9
p2 ∙ p4 ∙ p6 = 0
p4 ∙ p6 ∙ p8 = 0
25. Skeletons: Thinning Algorithm
Langkah kedua
Tandai suatu titik p untuk dihilangkan jika memenuhi kondisi berikut:
2 ≤ N(p1) ≤ 6, dimana N(p1) = 𝑖=2
9
𝑝𝑖
T(p1) = 1, dimana T(p1) adalah transisi 0 ke 1 dalam urutan p2, p3, …, p8, p9
p2 ∙ p4 ∙ p8 = 0
p6 ∙ p6 ∙ p8 = 0
26. Skeletons: Thinning Algorithm
Seluruh prosedur untuk satu iterasi:
Lakukan langkah pertama untuk menandai titik untuk dihilangkan
Hapus titik yang ditandai
Lakukan langkah kedua untuk menandai titik untuk dihapus
Hapus titik yang ditandai
Prosedur tersebut diulang hingga tidak ada titik yang dihilangkan
28. Simple Descriptors
Diameter suatu boundary B:
Diam(B) = max[D(pi, pj)]
D adalah pengukuran jarak
pi dan pj adalah titik pada boundary
Major axis adalah garis yang panjangnya sama dengan diameter dan
menghubungkan dua titik pada boundary
Minor axis adalah garis tegak lurus terhadap major axis
Eccentricity adalah rasio dari major ke minor axis
37. Simple Descriptors
Area suatu region adalah jumlah piksel dalam region tersebut
Perimeter suatu region adalah panjang dari boundary
Compactness =
(𝑝𝑒𝑟𝑖𝑚𝑒𝑡𝑒𝑟)2
𝑎𝑟𝑒𝑎
Circularity adalah rasio area terhadap area dari lingkaran denga perimeter yang
sama
Metode lain: mean, median, minimum, maximum, rasio piksel dari tingkat
intensitas
39. Topological Descriptors
Topologi merupakan property yang tidak terpengaruh oleh deformasi
Pada gambar topological descriptor ditunjukkan pada banyaknya lubang dalam
region, sehingga tidak terpengaruh oleh transformasi peregangan atau rotasi
Properti lain yang berguna adalah komponen yang terhubung
Banyaknya lubang H dan komponen yang terhubung C dapat digunakan untuk
menentukan nilai Euler E: E = C – H
41. Topological Descriptors
Region yang direpresentasikan oleh garis lurus (polygon) juga memiliki
interpretasi sederhana dengan nilai Euler
Klasifikasi region dengan permukaan dan lubang
Banyaknya sudut V, banyaknya sisi Q, dan banyaknya permukaan F menghasilkan
nilai Euler sebagai berikut:
V – Q + F = C – H = E
43. • Simple descriptors
– Geometric descriptors mirip dengan kasus boundary dan
descriptors termasuk intensitas piksel
• Topological descriptors
• Texture descriptors
– Statistical approaches
– Structural approaches
– Spectral approaches
• Moment invariants
Regional Descriptors
44. Area dari region S:
(S) f (x, y)
x y
f (x,y)=1 pada piksel yang bergantung pada region dan nilai 0. Perimeter
dari region S:
Dimana (xi,yi) adalah koordinal i-th pixel dari boundary sebuah region.
Simple Regional Descriptors
45. • Compactness dari region S:
• Penyebut adalah area lingkaran yang perimeternya
adalah P (S).
• Ini mengukur rasio luas bentuk dan lingkaran yang dapat
dilacak dengan perimeter yang sama.
• Untuk daerah lingkaran sempurna A (S) = 1.
Simple Regional Descriptors
46. • Dispersion odari region S:
• Ini mengukur rasio panjang akord utama terhadap area.
• Pembilang menentukan area lingkaran maksimum yang
melingkupi wilayah tersebut.
Simple Regional Descriptors
47. • Regional descriptors lainnya menyangkut statistic include
statistics dari intensify levels of pixel dari sebuah region
– mean
– median
– minimum
– Maximum
– Jumlah pixels dengan values diatas atau dibawah mean
Simple Regional Descriptors
48. • Topologi adalah studi tentang sifat-sifat yang tidak
terpengaruh oleh deformasi apa pun.
• Rubber-sheet distortions.
• Tidak ada tearing atau sambungan dari wilayah tersebut.
• Properti ini tidak tergantung pada gagasan jarak atau ukuran
jarak.
• Jumlah komponen yang terhubung C.
• Jumlah lubang H.
Euler number:
E = C - H
Topological Descriptors
49. E = C - H = 1 - 2 = -1
Topological Descriptors
50. • Basic texture representation
– Statistical approaches
• Histogram
• Co-occurrence matrices.
– Structural approaches
• relational descriptors based on rules (we will look at
them at the end of the section)
– Spectral methods.
Texture
51. • Statistical moments dari sebuah histogram region.
– p(z) adalah histogram dari sebuah gambar region
dengan L possible gray levels zi, i=1,…L.
– nth moment:
zi p(zi ),
n
n i i
L1 L1
(z) (z m) p(z ), m
Histogram Approaches
54. • Q menjadi operator yang mendefinisikan posisi dua
piksel relatif satu sama lain.Gambar f, dengan L
possible gray levels.
• G adalah matrix yange element gij merupakan jumlah umber
pixksel berpasangan dengan intensities zi and zj yang muncul
pada f dengan posisi dispesifikasin oleh Q.
• G disebut sebagai co-occurrence matrix.
Co-occurrence Matrices
55. • Quantization of intensities bergantung pada computational load.
Banyak matrices per region. L=8 gray levels.
Co-occurrence Matrices
56. ij
ij
i, j
gij
p
g
K
P(i) pij
j1
K
mr iP(i)
i1
2
r
2
K
i1
r
(i m ) P(i)
Co-occurrence Matrices
57. Random noise
Periodic texture (sine)
Mixed Texture
256x256 co-occurence matrices
”satu posisi berubah ke kanan”
Co-occurrence Matrices
59. • Apakah ada bagian gambar yang mengandung tekstur tertentu
(pola berulang)?
• Sequences of co-occurrence matrices digunakan.
• Correlation descriptoruntuk berbagai offset horizontal piksel yang
berdekatan dapat dihitung
• Dalam percobaan berikutnya, akan dilakukan co-occurence
matrices yang dihitung untuk offset horizontal dari 1 hingga 50
piksel.
Co-occurrence Matrices
60. Noise image Sine image Circuit image
Kekurangan: co-occurrence matrices tidak
efisien untuk deskripsi tekstur kasar.
Co-occurrence Matrices
61. • Aturan yang menunjukkan simbol S mungkin itulis
sebagai aS: S aS
• Tiga pengulangan aturan menghasilkan string aaaS.
• Jika a mewakili lingkaran dan arti "lingkaran ke kanan" di-
assigned ke stringdengan bentuk aaa… maka aturan
tersebut memungkinkan pembuatan pola:
a aaa…
Structural approaches
62. • Tambahkan aturan baru, misalnya
• S bA, A cA, A c, A bS, S a
• b artinya “circle down”.
• c artinya “circle to the left”.
• aaabccbaa sesuai dengan matriks lingkaran 3x3.
• Pola tekstur yang lebih besar dapat dihasilkan.
Structural approaches
63. • Transformasi Fourier (FT) berguna untuk deskripsi directionality
struktur periodik atau almost periodic structures.
• Puncak di FT memberikan arah utama pola.
• Lokasi puncak memberikan periode dasar pola.
• FT simetris di sekitar titik asal dan hanya setengah dari
bidang frekuensi yang perlu dipertimbangkan.
Spectral Approaches
64. • Spektrum diekspresikan dalam koordinat polar
S(r,θ) untuk simplikasi
– Definisikan Sr(θ) yang merupakan fungsi 1D untuk r dan Sθ(r)
yang merupakan fungsi 1D untuk θ.
– Analisa Sθ(r) untuk nilai tetap θ yang menghasilkan behavior
spektrum sepanjang arah radial da originnya.
– Analisa Sr(θ) untuk nilai tetap r yang menghasilkan behavior
spektrum sepanjang lingkaran radius r yang terpusat dari
origin nya.
Spectral Approaches
65. • Deskripsi yang lebih global diperoleh dengan
mengintegrasikan fungsi-fungsi ini:
• Dengan R0 menjadi jari-jari lingkaran yang berpusat pada
titik asal.
• Hasilnya merupakan sepasang nilai nominal [S(r), S(θ)] untuk setiap
pasangan koordinat(r,θ).
Spectral Approaches
66. Images and FT
The periodic bursts memanjang dalam
2D di kedua spektrum disebabkan oleh
tekstur periodik bahan latar belakang
kasar.
Komponen dominan lainnya di sebelah
kiri adalah karena orientasi acak tepi
benda.
Dalam gambar yang tepat, energi yang
tidak terkait dengan latar belakang
berada di sepanjang sumbu horizontal.
Spectral Approaches
68. • 2D moment dari urutan (p+q) yang terdapat pada MxN
didefinisikan sebagai:
• Ini dapat digunakan pada gambar skala abu-abu maupun
pada bentuk. Untuk bentuk boundary, kita dapat
mendefinisikan sebagai f (x,y)=1 pada boundary dan 0
sebaliknya
Moments Invariants
69. • Momen corresponding central dari (p+q) dapat didefiniskan sebagia:
• Momen sentral yang dinormalisasi didefinisikan sebagai:
Moments Invariants
73. • Sgn(φi)log10(|φi|) is shown to reduce the dynamic range.
• The values of the moments are very close.
• The sign of φ7 is different for the mirrored image.
Moments Invariants
74. Kita ingin membuat sebuah low-dimensional linear subspace yang dapat
menjelaskan variasi komponen dari gambar multidimensional
x1
x
2
x
x
n
• n=3 untuk gambar RGB atau n=6 untuk gambar LANSAT.
Principal Component Analysis (PCA)
75. Principal Component Analysis (PCA)
• PCA adalah cara mudah
untuk menormalisasi batas 2D
sehubungan dengan rotasi
dan translasi.
• Menggeser (y1min, y2min)
membuat coordinate non
negatives.
• Divisi lebih lanjut dari λ1dan λ2
menormalisasi skala
77. Principal Component Analysis (PCA)
• Gambar multispektral dalam visible blue, visible green, visible red,
near infrared, middle infrared dan thermal infrared bands.
79. Principal Component Analysis (PCA)
• Goal: temukan representasi dimensi rendah untuk vektor-
vektor yang:
• meminimalkan kesalahan proyeksi (jarak antara vektor
awal dan proyeksinya)
• atau setara dengan memaksimalkan varians dari data yang
diproyeksikan.
81. Principal Component Analysis (PCA)
subject to: uT
u ||u ||2
1
• Kita sekarang bisa mengestimasikan vector u dalam
memaksimalkan varian
uT
Σu
Karena perkalian apapun dari nilau u dapat
memaksimalkan objective fungsi.
• Fungsi Lagrangian :
solusi:
J(u;) uT
Σu (1uT
u)
Σu u
Yang merupakan eigenvector dari Σ, yang memaksimalkan J
yang terhunbung ke nilai eigenvalue terbesar dari Σ.
82. Principal Component Analysis (PCA)
• Arah yang menangkap varians maksimum data adalah
vektor eigen yang sesuai dengan nilai eigen terbesar dari
matriks kovarian data.
• Arah k ortogonal atas yang menangkap varian data paling
banyak adalah vektor eigen yang sesuai dengan nilai eigen k
terbesar.
83. Principal Component Analysis (PCA)
• Arah yang menangkap varians maksimum data adalah
vektor eigen yang sesuai dengan nilai eigen terbesar dari
matriks kovarian data.
• Arah k ortogonal atas yang menangkap varian data paling
banyak adalah vektor eigen yang sesuai dengan nilai eigen k
terbesar.
84. Principal Component Analysis (PCA)
• Transformasi yang memetakan x ke subruang k-dimensional (k <d)
baru (menggunakan vektor eigen k pertama) adalah
85. Principal Component Analysis (PCA)
• Dalam contoh ini, nilai eigen dari covariance matrix piksel 6
dimensi adalah:
λ1 = 10344
λ2 = 2966
λ3 = 1401
λ4 = 203
λ5 =94
λ6 =31
86. Principal Component Analysis (PCA)
• Rekonstruksi gambar menggunakan dua principal pertama
komponen
2 x
x
ˆ AT
y m
89. Relational descriptors
• Aturan penulisan ulang yang menangkap pola berulang
dasar.
• Ini berlaku untuk batas dan wilayah.
• Contoh: struktur tangga telah diekstraksi dari gambar dan
kami ingin menggambarkannya.
90. Relational descriptors
• S dan A adalah variabel a dan b adalah konstanta
• Aturan 1 1 menunjukkan bahwa simbol awal S
dapat digantikan oleh a dan variabel A.
• Aturan 2 dan 3 menunjukkan bahwa variabel A pada
gilirannya dapat diganti dengan b dan S atau b.
• Mengganti A dengan bS mengarah ke aturan
pertama dan prosedur mungkindiulangi.
• Mengganti A dengan b mengakhiri proses karena
tidak ada lagi variabel
91. Relational descriptors
• Contoh derivasi dari aturan.
• Hubungan antara a dan b dipertahankan ketika aturan
memaksa a untuk diikuti oleh a.