Segmentasi Gambar dengan Algoritma Watershed: Panduan Komprehensif

Segmentasi gambar adalah tugas fundamental dalam visi komputer, yang memungkinkan mesin untuk memahami dan menganalisis data visual secara lebih efektif. Tugas ini melibatkan pembagian gambar menjadi beberapa wilayah, di mana setiap wilayah sesuai dengan objek atau bagian objek yang berbeda. Di antara berbagai teknik segmentasi gambar yang tersedia, algoritma watershed menonjol sebagai metode yang kuat dan serbaguna. Panduan komprehensif ini akan menjelajahi prinsip, aplikasi, dan implementasi algoritma watershed, memberikan pemahaman mendalam tentang kemampuan dan keterbatasannya.

Apa itu Algoritma Watershed?

Algoritma watershed adalah teknik segmentasi gambar berbasis wilayah yang terinspirasi oleh geomorfologi. Bayangkan sebuah gambar sebagai lanskap topografi, dengan intensitas piksel yang mewakili ketinggian. Algoritma ini mensimulasikan pembanjiran lanskap ini dengan air. Air akan terakumulasi di titik minimum lokal, membentuk danau-danau terpisah. Saat permukaan air naik, danau yang berasal dari titik minimum yang berbeda pada akhirnya akan bertemu. Untuk mencegah penggabungan, penghalang (watershed) dibangun di titik pertemuan. Hasil akhirnya adalah gambar yang terbagi menjadi wilayah-wilayah yang dipisahkan oleh garis watershed, di mana setiap wilayah mewakili segmen yang berbeda.

Pada intinya, algoritma watershed mengidentifikasi dan membatasi objek berdasarkan batasannya, memperlakukannya sebagai daerah tangkapan air (catchment basin) dalam relief topografi.

Cara Kerja Algoritma Watershed: Penjelasan Langkah-demi-Langkah

Algoritma watershed biasanya melibatkan langkah-langkah berikut:

1. Kalkulasi Gradien: Algoritma sering kali dimulai dengan menghitung besaran gradien dari gambar input. Gradien menyoroti tepi dan batasan, yang sangat penting untuk segmentasi. Operator gradien yang umum digunakan termasuk Sobel, Prewitt, dan Laplacian.
2. Pemilihan Penanda: Ini adalah langkah kritis. Penanda (marker) adalah titik benih yang menunjukkan wilayah yang diinginkan untuk disegmentasi. Ada dua jenis penanda:
• Penanda Latar Depan (Foreground Markers): Mewakili objek yang ingin kita segmentasi.
• Penanda Latar Belakang (Background Markers): Mewakili area latar belakang.

Kualitas penanda secara signifikan memengaruhi hasil segmentasi akhir. Penanda yang baik harus terletak di dalam objek yang diminati dan di latar belakang. Penanda yang tumpang tindih atau penempatan penanda yang buruk dapat menyebabkan segmentasi berlebih atau kurang.

3. Pra-pemrosesan (Operasi Morfologis): Operasi morfologis seperti erosi dan dilasi sering digunakan untuk membersihkan gambar dan meningkatkan pemilihan penanda. Erosi dapat memisahkan objek yang bersentuhan, sementara dilasi dapat mengisi lubang kecil dan menghubungkan wilayah yang berdekatan. Operasi ini membantu menyempurnakan gambar gradien dan menciptakan daerah tangkapan air yang lebih jelas.
4. Transformasi Jarak (Distance Transform): Transformasi jarak menghitung jarak dari setiap piksel ke piksel latar belakang terdekat. Ini menciptakan gambar grayscale di mana intensitas setiap piksel mewakili jaraknya ke latar belakang terdekat. Transformasi jarak sering digunakan bersama dengan algoritma watershed untuk meningkatkan pemisahan objek.
5. Transformasi Watershed: Inti dari algoritma. Transformasi watershed memberi label pada setiap piksel berdasarkan daerah tangkapan air mana ia berada, menggunakan penanda sebagai titik awal. Bayangkan hujan jatuh pada gambar gradien; setiap tetes hujan akan mengalir ke bawah hingga mencapai titik minimum. Semua piksel yang mengalir ke titik minimum yang sama membentuk satu daerah tangkapan air. Batasan antara cekungan-cekungan ini adalah garis watershed.

Segmentasi Watershed Terkontrol Penanda

Algoritma watershed standar rentan terhadap segmentasi berlebih (over-segmentation), terutama pada gambar dengan tekstur atau derau (noise) yang kompleks. Hal ini terjadi karena variasi kecil dalam intensitas piksel dapat diinterpretasikan sebagai titik minimum lokal, yang mengarah pada terciptanya banyak wilayah kecil. Untuk mengatasi masalah ini, pendekatan watershed terkontrol penanda umum digunakan.

Watershed terkontrol penanda memanfaatkan pengetahuan sebelumnya tentang gambar untuk memandu proses segmentasi. Dengan menyediakan penanda yang mewakili wilayah latar depan (objek yang diminati) dan latar belakang, algoritma dapat secara efektif membatasi transformasi watershed dan mencegah segmentasi berlebih.

Prosesnya melibatkan:

1. Mengidentifikasi penanda latar depan dan latar belakang (seperti yang dijelaskan di atas).
2. Menerapkan transformasi watershed menggunakan penanda ini. Algoritma kemudian hanya akan membuat watershed di antara wilayah yang ditentukan oleh penanda.

Aplikasi Algoritma Watershed

Algoritma watershed dapat diterapkan di berbagai bidang, termasuk:

• Pencitraan Biomedis: Segmentasi sel, segmentasi organ, dan analisis jaringan adalah aplikasi umum dalam analisis citra medis. Misalnya, algoritma ini dapat digunakan untuk menghitung jumlah sel dalam gambar mikroskopis atau untuk membatasi tumor dalam pemindaian CT. Algoritma ini membantu mengotomatiskan tugas manual yang membosankan dalam mengidentifikasi dan menghitung sel. Pertimbangkan aplikasi untuk mengidentifikasi nukleus individu dalam gambar histologis yang diwarnai dengan hematoxylin dan eosin (H&E). Setelah pra-pemrosesan dan pemilihan penanda yang tepat, algoritma watershed dapat secara efektif memisahkan nukleus yang tumpang tindih, memberikan hitungan dan informasi morfologis yang akurat.
• Penginderaan Jauh: Deteksi objek dalam citra satelit, seperti mengidentifikasi bangunan, jalan, dan lahan pertanian. Dalam pemantauan pertanian, algoritma ini dapat digunakan untuk membatasi lahan tanaman individu dari citra satelit, memungkinkan estimasi luas dan hasil panen yang akurat. Pita spektral yang berbeda dapat digabungkan untuk membuat gambar gradien yang menyoroti batas antara berbagai jenis tutupan lahan. Misalnya, menganalisis citra satelit hutan hujan Amazon untuk mendeteksi deforestasi dengan mensegmentasi area hutan dan lahan yang telah ditebangi.
• Inspeksi Industri: Deteksi cacat dan pengenalan objek dalam proses manufaktur. Bayangkan memeriksa komponen elektronik untuk mencari cacat. Algoritma watershed dapat mensegmentasi komponen individu, memungkinkan inspeksi otomatis untuk bagian yang hilang atau rusak. Algoritma ini juga dapat diterapkan untuk mengidentifikasi cacat permukaan pada barang manufaktur, memastikan kontrol kualitas.
• Mengemudi Otonom: Deteksi jalur dan segmentasi rintangan untuk mobil self-driving. Misalnya, mensegmentasi pejalan kaki dan kendaraan dari latar belakang secara real-time untuk memungkinkan navigasi yang aman. Informasi gradien dapat diperoleh dari data LiDAR selain dari gambar kamera untuk segmentasi yang lebih kuat.
• Ilmu Material: Deteksi batas butir dalam gambar mikroskopis material. Menganalisis struktur mikro logam dan paduan menggunakan mikroskop elektron untuk menentukan ukuran dan distribusi butir. Informasi ini sangat penting untuk memahami sifat mekanik material.

Implementasi dengan OpenCV (Contoh Python)

OpenCV adalah pustaka sumber terbuka yang populer untuk tugas visi komputer. Pustaka ini menyediakan implementasi algoritma watershed yang mudah digunakan. Berikut adalah contoh Python yang menunjukkan cara menggunakan algoritma watershed dengan OpenCV:

            
import cv2
import numpy as np

# Load the image
img = cv2.imread('image.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Thresholding to create initial markers
ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

# Noise removal
kernel = np.ones((3, 3), np.uint8)
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=2)

# Sure background area
sure_bg = cv2.dilate(opening, kernel, iterations=3)

# Finding sure foreground area
dist_transform = cv2.distanceTransform(opening, cv2.DIST_L2, 5)
ret, sure_fg = cv2.threshold(dist_transform, 0.7 * dist_transform.max(), 255, 0)

# Converting sure_fg to proper datatype
sure_fg = np.uint8(sure_fg)

# Finding unknown region
unknown = cv2.subtract(sure_bg, sure_fg)

# Marker labelling
ret, markers = cv2.connectedComponents(sure_fg)

# Add 1 to all labels so that sure background is not 0, but 1
markers = markers + 1

# Now, mark the region of unknown with zero
markers[unknown == 255] = 0

# Apply the watershed algorithm
markers = cv2.watershed(img, markers)
img[markers == -1] = [255, 0, 0]  # Mark watershed lines in red

# Display the result
cv2.imshow('Watershed Result', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

            

              
                Copy
              
            
          

Penjelasan:

• Kode pertama-tama memuat gambar dan mengubahnya menjadi grayscale.
• Kemudian menerapkan ambang batas (thresholding) untuk membuat gambar biner awal.
• Operasi morfologis (opening dan dilation) digunakan untuk menghilangkan derau dan menyempurnakan gambar biner.
• Transformasi jarak dihitung untuk menemukan penanda latar depan.
• Komponen yang terhubung diberi label untuk membuat penanda bagi algoritma watershed.
• Terakhir, fungsi cv2.watershed() dipanggil untuk melakukan transformasi watershed. Batasan watershed kemudian diwarnai merah.

Pertimbangan Penting:

• Penyesuaian Parameter: Parameter untuk ambang batas, operasi morfologis, dan transformasi jarak mungkin perlu disesuaikan tergantung pada gambar spesifik.
• Pemilihan Penanda: Kualitas penanda sangat penting untuk keberhasilan algoritma watershed. Pemilihan penanda yang cermat sangat penting untuk menghindari segmentasi berlebih atau kurang.
• Pra-pemrosesan: Langkah-langkah pra-pemrosesan seperti pengurangan derau dan peningkatan kontras dapat secara signifikan meningkatkan kinerja algoritma watershed.

Kelebihan dan Kekurangan

Kelebihan:

• Sederhana dan intuitif: Konsep dasarnya relatif mudah dipahami.
• Efektif untuk memisahkan objek yang bersentuhan: Algoritma watershed sangat berguna untuk mensegmentasi objek yang saling bersentuhan atau tumpang tindih.
• Dapat digabungkan dengan teknik lain: Algoritma watershed dapat digunakan sebagai langkah pra-pemrosesan untuk metode segmentasi lainnya.
• Tersedia secara luas di pustaka pengolahan citra: Implementasinya mudah diakses di pustaka seperti OpenCV.

Kekurangan:

• Sensitif terhadap derau: Derau dapat menyebabkan segmentasi berlebih.
• Memerlukan pemilihan penanda yang cermat: Kualitas penanda secara signifikan mempengaruhi hasil.
• Bisa jadi mahal secara komputasi: Terutama untuk gambar berukuran besar.
• Segmentasi berlebih: Rentan terhadap segmentasi berlebih jika penanda tidak dipilih dengan cermat atau jika gambar mengandung banyak derau. Memerlukan pra-pemrosesan dan pemilihan penanda yang cermat untuk mengatasi masalah ini.

Tips dan Praktik Terbaik

• Pra-pemrosesan adalah Kunci: Terapkan teknik pra-pemrosesan yang sesuai untuk mengurangi derau dan meningkatkan kontras sebelum menerapkan algoritma watershed. Ini bisa termasuk Gaussian blur, median filtering, atau ekualisasi histogram.
• Bereksperimen dengan Penanda: Coba berbagai metode pemilihan penanda untuk menemukan pendekatan terbaik untuk aplikasi spesifik Anda. Pertimbangkan untuk menggunakan teknik seperti transformasi jarak, operasi morfologis, atau machine learning untuk menghasilkan penanda secara otomatis.
• Gunakan Watershed Terkontrol Penanda: Sebisa mungkin, gunakan pendekatan watershed terkontrol penanda untuk mencegah segmentasi berlebih.
• Pasca-pemrosesan: Terapkan teknik pasca-pemrosesan untuk menyempurnakan hasil segmentasi. Ini bisa termasuk menghapus wilayah kecil, menghaluskan batasan, atau menggabungkan wilayah yang berdekatan berdasarkan kriteria kesamaan.
• Optimisasi Parameter: Sesuaikan dengan cermat parameter algoritma watershed dan setiap langkah pra-pemrosesan atau pasca-pemrosesan. Bereksperimenlah dengan nilai parameter yang berbeda untuk menemukan pengaturan optimal untuk aplikasi spesifik Anda.

Teknik dan Variasi Lanjutan

• Watershed Hirarkis: Teknik ini melibatkan penerapan algoritma watershed pada beberapa skala untuk membuat representasi hirarkis dari gambar. Ini memungkinkan segmentasi objek pada berbagai tingkat detail.
• Watershed dengan Informasi Bentuk Awal: Menggabungkan informasi bentuk awal ke dalam algoritma watershed dapat meningkatkan akurasi segmentasi, terutama saat berhadapan dengan gambar yang kompleks atau banyak derau.
• Pemilihan Penanda Berbasis Machine Learning: Teknik machine learning dapat digunakan untuk secara otomatis mempelajari penanda optimal untuk algoritma watershed. Ini dapat secara signifikan mengurangi kebutuhan intervensi manual dan meningkatkan ketahanan proses segmentasi. Convolutional Neural Networks (CNN) dapat dilatih untuk memprediksi probabilitas latar depan dan latar belakang, yang kemudian dapat digunakan untuk menghasilkan penanda.

Kesimpulan

Algoritma watershed adalah teknik segmentasi gambar yang kuat dan serbaguna dengan berbagai aplikasi. Dengan memahami prinsip, kelebihan, dan keterbatasannya, Anda dapat memanfaatkannya secara efektif untuk berbagai tugas analisis gambar. Meskipun bisa sensitif terhadap derau dan memerlukan pemilihan penanda yang cermat, pendekatan watershed terkontrol penanda dan teknik pra-pemrosesan yang tepat dapat secara signifikan meningkatkan kinerjanya. Dengan implementasi yang tersedia di pustaka seperti OpenCV, algoritma watershed tetap menjadi alat yang berharga bagi para praktisi visi komputer.

Seiring dengan terus berkembangnya visi komputer, algoritma watershed kemungkinan akan tetap menjadi teknik fundamental, terutama ketika digabungkan dengan metode yang lebih canggih seperti machine learning. Dengan menguasai prinsip-prinsipnya dan menjelajahi variasinya, Anda dapat membuka kemungkinan baru untuk analisis gambar dan pemecahan masalah di berbagai domain.