Pada masa kini, teknologi imej komputer sedang berkembang dengan kadar yang sangat
cepat. Dengan ini, ahli-ahli sains komputer telah pun memberi tumpuan kepada pengembangan
algorima-algorima pemprosesan imej. Untuk merealisasikan algorima yang boleh mengesan ciri
dan mengumpul maklumat secara automatik, bidang peruasan imej selalunya menjadi kajian
kegemaran penyelidik. Sungguhpun pelbagai teknik peruasan imej diperkenalkan, namun
ketepatan dan keberkesanan teknik-teknik ini masih jauh daripada pengesanan yang dibuat oleh
manusia, terutamanya apabila imej tersebut mengalamai variasi pencahayaan seperti
pencahayaan tidak sekata, pantulan cahaya dan sebagainya. Jadi, objektif utama projek ini
adalah untuk meningkatkan keteguhan algorima peruasan imej terhadap pelbagai variasi
pencahayaan. Peningkatan algorima peruasan imej yang dibentangkan di sini melibatkan
penggunaan algorima Pengelompokan Purata K sebagai pre-peruasan, dan hasilnya akan
diproses dengan Transformasi Tadahan Air (Watershed Transform) sebelum gabungan pokok
bahagian binari (Binary Partition Tree, BPT) dilaksanakan. Pengelompokan Purata K dijalankan
untuk mengurangkan variasi pencahayaan, dan hasilnya akan mengalami Transformasi Tadahan
Air. Bahagian-bahagian yang dihasilkan semasa Transformasi Tadahan Air akan dijadikan nod
dedaun dalam BPT. Dengan berpandukan kriteria-kriteria gabungan yang telah ditentukan,
bahagian-bahagian tersebut akan bergabung dua dengan dua sehingga ia sampai ke punca pokok
iaitu seluruh imej tersebut. Untuk menilai prestasi algorima yang dicadangkan tersebut, imej
dan hasil peruasan asas di dalam pangkalan data peruasan Sharon Alpert telah digunakan untuk
mengkaji kesan pampasan pencahayaan. Berdasarkan keputusan yang diperoleh, kita boleh
mengatakan bahawa dengan adanya implimentasi algorima Pengelompokan Purata K, proses
peruasan ini akan menjadi lebih teguh ke atas variasi pencahayaan.
_______________________________________________________________________________________________________
Nowadays, computer vision technology had grown at a supreme speed. Along with the
advancement of computer vision technology, many computer scientists had focused in the
development of image processing algorithm. With the aim to construct automated feature
detection and information extraction image processing algorithm, the image segmentation is
being explored by many researchers. Although many types of image segmentation technique
had been proposed, their accuracy and efficiency are still far away from detection done by
human, especially when the image experiences some illumination variations (Uneven lighting,
light reflection, etc.). Thus, the main objective of this project is to improve the robustness of an
image segmentation algorithm against various illumination conditions. The improved image
segmentation algorithm presented here is the use of K-Means Clustering algorithm as presegmentation,
and its output will undergo Watershed Transform before Binary Partitioning Tree
(BPT) merging process takes place. K-Means Clustering is implemented to reduce illumination
changes, and its output image undergoes Watershed Transform. The resultant regions obtained
from Watershed Transform are then used as the leaves node in BPT. Based on merging criteria,
these regions will be merged two by two until it reaches the root of the tree (the entire image).
To evaluate the performance of the proposed algorithm, images and ground truth result in
Sharon Alpert’s segmentation database are used to evaluate the illumination compensation
effect. From the result obtained we can say that by adding K-Means Clustering algorithm, the
segmentation process is now more robust against illumination variation.