Multiresolution Color Image Segmentation Applied to Background Extraction in Outdoor Images

Multiresolution Color Image Segmentation Applied to Background

Extraction in Outdoor Images

Sébastien Lefèvre, Loïc Mercier, Vincent Tiberghien, Nicole Vincent

Conference on Colour in Graphics, Imaging, and Vision. Vol. 2002. No. 1

Society for Imaging Science and Technology, 2002

LUQMAN ABDUL MUSHAWWIR

Disiapkan Oleh

PENDAHULUAN

Introduction

Pendahuluan

• Tujuan dalam citra adalah menunjukkan suatu objek yang ada dalam lingkungan tertentu

• Pada aplikasi pemahaman video, pelacakan objek sangat banyak digunakan– Pemisahan antara foreground dengan latar– Ekstraksi latar

• Latar yang dapat berubah-ubah sepanjang sekuens video menjadi tantangan tersendiri

• Tujuan dari pemrosesan ini adalah untuk memisahkan antara daerah latar dengan foreground

Pendahuluan

• Beberapa teknik telah diajukan untuk melakukan ekstraksi latar– Untuk kamera statik, metoda paling sering ditemui

berbasis pada perbandingan frame yang berurutan atau membandingkan dengan referensi

– Jika berurusan dengan kamera bergerak, langkah kompensasi gerakan harus dilakukan• Memiliki biaya komputasi yang tinggi

• Maka dilakukan pendekatan seperti yang dilakukan untuk kamera statik

Pendahuluan

• Pada kasus analisis citra diam, model latar tidak dapat diperoleh dari informasi waktu dan gerakan

• Pada paper ini, diajukan metode untuk melakukan ekstraksi latar pada citra berwarna– Menggunakan skema multiresolusi, model latar

pertama diperoleh dari citra resolusi rendah– Kemudian diperbaiki secara iteratif hingga cocok

dengan citra yang diinginkan– Karena berhadapan dengan citra outdoor, kajian

terhadap ruang warna dilakukan, agar hasil analisis robust terhadap pencahayaan

SEGMENTASI CITRA MULTIRESOLUSI

Multiresolution Image Segmentation

Segmentasi Citra Multiresolusi

• Metode segmentasi ini memungkinkan penyesuaian dari ketepatan hasil segmentasi sesuai kebutuhan– Metode yang diajukan dapat membagi citra menjadi

beberapa bagian bergantung kriteria

• Pertama, citra dianalisis pada resolusi rendah untuk memperoleh hasil pendahuluan– Hasil ini kemudian diperbaiki secara iteratif menggunakan

resolusi yang lebih tinggi

• Menggunakan dekomposisi piramidal lebih rendah biaya komputasinya dibandingkan dengan wavelet– Persoalan utama yang terkait adalah penentuan level yang

tepat untuk memulai atau berhenti

Segmentasi Citra Multiresolusi

• Langkah pertama adalah membuat representasi multiresolusi dari citra– Menggunakan model piramida, setiap pixel dari resolusi n+1

dihitung dari rata-rata pixel pada resolusi n– Dari citra asli yang memiliki resolusi 0 sampai n, didapatkan citra

dengan resolusi nmax

• Setelah representasi piramida dihitung, kita dapat menentukan latar yang akan digunakan– Latar dimodelkan berdasarkan citra dengan resolusi terendah

• Dengan asumsi jika kita lihat objek dari jauh, yang terlihat adalah latar

– Keseragaman non-global dapat ditangani dengan proses clustering pada saat resolusi rendah dengan supervisi morfologis dari bentuk-bentuk cluster

Segmentasi Citra Multiresolusi

• Kemudian, segmentasi dapat dilakukan dan ditingkatkan secara iteratif dari resolusi nmax-1 hingga resolusi awal (n = 0)

• Setelah model latar dibuat hingga tingkat k, setiap elemen dilabeli sebagai objek (foreground) dan latar– Model latar dapat ditingkatkan dengan merata-rata elemennya– Segmentasi dapat dirambatkan pada tingkat ke k-1

• Citra level k ekivalen dengan citra awal yang akan dibagi menjadi daerah r^nmax-k dengan r konstan

• Setiap daerah ini kemudian dibandingkan dengan model latar berdasarkan kriteria tertentu– Jika cocok, maka daerah tersebut dilabeli sebagai latar– Jika tidak, maka akan diproses lebih lanjut

Segmentasi Citra Multiresolusi

• Daerah foreground dapat dianalisis lebih jauh untuk mendapatkan kontur objek

– Untuk kebutuhan yang lebih rendah, analisis dapat dilakukan secara kasar saja, yaitu ketika resolusi nfinal dengan nmax > nfinal >= 0

– Hasil yang diperoleh sangat bergantung pada bagaimana pemodelan dilakukan dan kriteria pelabelan yang ditetapkan

Segmentasi Citra Multiresolusi

KRITERIA KEPUTUSAN

Decision criterion

Kriteria Keputusan

• Untuk membandingkan dan mencocokkan sebuah daerah pada tingkat resolusi n dengan model latar, harus ditentukan suatu kriteria– Harus robust terhadap perubahan pencahayaan

– Karena berhadapan dengan citra berwarna, maka kriteria yang ditentukan berhubungan dengan warna

– Studi pembandingan mengenai ruang warna akan dibahas dalam bagian setelah ini

• Digunakan hanya satu komponen warna untuk melakukan segmentasi citra

Kriteria Keputusan

• Untuk mendefinisikan model latar, untuk setiap daerah dihitung rata-rata dari nilai komponen warna yang dipilih, sehingga cukup menyimpan satu nilai Cmean per daerah– Dapat menggunakan pengukuran statistik lain, tetapi

biasanya lebih membutuhkan sumberdaya komputasi

• Model latar terbatas hanya satu nilai– Setiap daerah pembanding harus direpresentasikan

dengan cara yang sama– Setiap daerah diasiosasikan dengan nilai rata-rata

(mean) dari atribut warna yang dipilih

Kriteria Keputusan

• Kondisi pencocokan antara sebuah daerah dengan model latarnya dibandingkan dengan sebuah nilai batas (threshold [T]) ditentukan dengan persamaan berikut:

– Dengan d adalah jarak (distance) dan Cmean(Ibg)dan Cmean(Ir) berturut-turut adalah nilai mean dari model latar dan daerah yang dihitung

STUDI PERBANDINGAN RUANG WARNA

Comparative study of color spaces

Studi Perbandingan Ruang Warna

• Studi perbandingan dilakukan terhadap ruang warna RGB, rgb (ternormalisasi), CMY, XYZ, YUV, HSV, dan HSI

• Harus diperhatikan pencahayaan pada citra outdoor mudah sekali berubah– Komponen warna harus yang robust terhadap perubahan cahaya– Pemilihan ini dibuat dengan pertimbangan teoretik atau eksperimen

• Dalam sudut pandang teoretik, beberapa komponen warna tidak sensitif terhadap perubahan warna, sedangkan yang lainnya tidak robust sama sekali– Y dalam YUV, V dan I dalam HSV dan HSI merepresentasikan kondisi

pencahayaan dan sangat sensitif– Ada juga yang tidak independen dari kondisi cahaya, seperti RGB dan

CMY, sehingga tidak bisa dipilih

Studi Perbandingan Ruang Warna

• Sebuah pengukuran yang robust terhadap pemrosesan multiresolusi harus dipilih– Pengukuran rata-rata berurutan harus dihitung– Beberapa komponen warna kurang robust pada perhitungan ini– S pada HSV memiliki jangkauan (range) yang kecil, sehingga efek rerata

lebih besar

• Dari pendekatan eksperimental dan teoretik, dipilihlah komponen warna H (Hue) dari HSV untuk digunakan dalam kriteria keputusan– Robust terhadap pencahayaan, tidak seperti V– Lebih baik dalam pengukuran rata-rata daripada S

• Dengan pilihan tersebut, maka fungsi (1) menjadi:

– Dengan menghitung d sebagai berikut:

HASIL EKSPERIMEN

Results

Hasil Eksperimen

• Metode yang telah dibentuk dicoba untuk citra outdoor (dengan data sekuens video dari permainan sepak bola)

– Ukuran citra input adalah 128x128 pixel

– Rumput dilabeli sebagai latar

– Foreground berada pada tempat pemain

Hasil Eksperimen

• Parameter yang digunakan:

Hasil Eskperimen

• Untuk nilai nfinal sangat berpengaruh terhadap presisi hasil segmentasi citra

SIMPULAN

Conclusions

Simpulan

• Teknik segmentasi citra multiresolusi adaptif menggunakan informasi warna telah diajukan dalam paper ini– Menggunakan komponen Hue dalam HSV, sehingga lebih robust

terhadap perubahan cahaya

• Metoda ini digunakan untuk pemisahan latar dan objek pada citra outdoor, dengan eksperimen pada video permainan sepak bola

• Dapat digunakan sebagai langkah preprocessing dalam aplikasi pelacakan objek– karena biaya komputasi yang rendah

• Harus dicoba pada citra dengan latar tidak seragam, yang biasanya termasuk langit

• Informasi tekstur dapat dimasukkan untuk meningkatkan segmentasi