Apa itu Segmentasi Citra? 🖼️

Pengertian Segmentasi Citra

Segmentasi citra adalah proses membagi sebuah gambar menjadi bagian-bagian yang lebih bermakna, seperti objek utama dan latar belakang. Proses ini digunakan untuk mempermudah analisis visual dalam aplikasi seperti pengenalan objek, pengawasan medis, dan lain-lain

Contoh hasil segmentasi citra

Gambar 1. Contoh hasil segmentasi citra (diambil dari Medium, Pratiher, 2023).

Tujuan Segmentasi Citra

Tujuan utama segmentasi citra adalah untuk memisahkan bagian penting dari gambar sehingga analisis lebih lanjut menjadi lebih mudah. Hal ini penting untuk:

Metode Segmentasi Citra

Segmentasi citra dapat dilakukan dengan berbagai metode yang dapat dikelompokkan menjadi dua kategori utama:

1. Metode Non-Machine Learning

Pendekatan ini menggunakan algoritma tradisional seperti:

Contoh segmentasi RAG

Gambar 2. Contoh segmentasi dengan metode RAG (Akmal et al., 2019)

2. Metode Berbasis Machine Learning

Mengimplementasikan machine learning dalam segmentasi citra dapat mengatasi keterbatasan metode tradisional yang bergantung pada fitur buatan manusia dan dapat menghasilkan segmentasi yang lebih baik. Salah satu model yang paling representatif di dalamnya adalah dalam arsitektur Convolutional Neural Network (CNN)

Segmentasi dengan deep learning

Gambar 3. Contoh segmentasi menggunakan deep learning (Tiribilli & Bocchi, 2024).

Perbandingan Kelebihan dan Kekurangan Metode Tradisional dan Machine Learning

Setiap pendekatan dalam segmentasi citra memiliki kelebihan dan kekurangannya sendiri. Berikut adalah perbandingan antara metode tradisional dan machine learning:

1. Metode Tradisional (Non-Machine Learning)

  • Kelebihan:
    • Sederhana dan cepat diimplementasikan untuk masalah sederhana.
    • Memerlukan lebih sedikit data dibandingkan dengan metode berbasis machine learning.
    • Dapat diterapkan pada citra dengan kontras yang jelas antara objek dan latar belakang.
  • Kekurangan:
    • Kesulitan dalam menangani citra yang kompleks atau dengan noise yang tinggi.
    • Kurang fleksibel dalam mengenali pola objek yang lebih kompleks.
    • Memerlukan pengaturan parameter yang hati-hati dan mungkin tidak efektif untuk berbagai jenis gambar.

2. Metode Berbasis Machine Learning

  • Kelebihan:
    • Dapat mengenali pola yang lebih kompleks dan menangani citra dengan noise tinggi.
    • Mampu beradaptasi dengan berbagai jenis citra tanpa memerlukan parameter manual.
    • Memiliki akurasi yang lebih tinggi untuk tugas-tugas segmentasi yang lebih rumit.
  • Kekurangan:
    • Memerlukan jumlah data yang besar untuk pelatihan model.
    • Proses pelatihan dapat memakan waktu lama dan membutuhkan sumber daya komputasi yang tinggi.
    • Memerlukan pemahaman yang lebih dalam tentang pemodelan dan arsitektur jaringan.

Segmentasi menggunakan Region Adjacency Graph (RAG)

Region adjacency graph dapat digunakan untuk melakukan segmentasi tradisional berbasis daerah (region-based segmentation). Pengaplikasian segmentasi ini akan menggabungkan metode segmentasi awal yang memecah sebuah gambar menjadi area yang lebih kecil atau biasa disebut superpixels dan menggabungkan kembali setiap area berdasarkan bobot papda tepian antar grafnya.

Skema segmentasi RAG

Gambar 4. Alur segmentasi menggunakan RAG.

Segmentasi menggunakan Transfer Learning

Dalam transfer learning, sebuah ilmu yang sebelumnya telah dipelajari dapat digunakan untuk menyelesaikan masalah serupa menggunakan cara yang efektif dan efisien. Adanya transfer learning memungkinkan sebuah model untuk dilatih dengan menggunakan jumlah data yang sedikit. Dengan menggunakan model yang sudah dilatih pada dataset ImageNet seperti model ResNet dan VGG pelatihan model segmentasi citra dapat meningkat drastis.

Arsitektur U_Net VGG

Gambar 4. Arsitektur U-Net (transfer learning) VGG.

Implementasi Segmentasi Citra Transfer Learning & Region Adjacency Graph

Pada aplikasi web ini, penulis telah mengimplementasikan fitur untuk melakukan segmentasi citra dengan teknik Transfer Learning pada model ResNet (18,34,50,101, dan ResNeXt50) dan VGG (16 dan 19). Selain Transfer Learning, terdapat juga implementasi segmentasi citra dengan menggunakan Region Adjacency Graph dengan menggunakan metode awal SLIC dan Felzenszwalb. Dataset yang digunakan pada segmentasi citra ini merupakan dataset lubang jalan.

Mulai Segmentasi!

Referensi: