Segmentasi Thresholding Otsu pada citra spektrogram untuk memisahkan segmen suara dari latar

Info proyek

• Bidang studiAkustik dan Audio
• JenjangSkripsi (S1)
• Jenis metodePengolahan Citra
• Perkiraan pengerjaan± 3 hari kerja
• Perangkatgraythresh, imbinarize, bwlabel, regionprops (Image Processing Toolbox)
• HargaRp 350.000 - Rp 2.100.000

Tujuan analisis

Memisahkan objek dari latar pada citra spektrogram untuk memisahkan segmen suara dari latar dengan ambang Otsu dan menilai kualitas segmentasi.

Variabel

Contoh hasil

• 0.455Otsu threshold
• 0.859Effectiveness metric
• 0.991Dice coefficient
• 0.998Pixel accuracy
• 11.154Foreground (%)
• 7Connected objects

Ambang Otsu 0.455 memisahkan objek dari latar pada Spectrogram image dengan koefisien Dice 0.991 dan akurasi piksel 0.998; foreground menempati 11.2% citra dan terdeteksi 7 komponen.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang Thresholding Otsu dan Segmentasi

Thresholding Otsu memilih ambang intensitas otomatis yang memisahkan objek dan latar dengan meminimalkan varians dalam kelas. Dipakai sebagai langkah awal segmentasi citra, lalu dilanjutkan pembersihan dan pelabelan objek.

Langkah pengerjaan

1. 1Baca citra abu-abu dan periksa histogram
2. 2Hitung ambang dengan graythresh
3. 3Binarisasi dengan imbinarize
4. 4Bersihkan hasil (bwareaopen, imfill)
5. 5Beri label objek dengan bwlabel dan ukur dengan regionprops
6. 6Evaluasi segmentasi dengan koefisien Dice bila ada acuan

Asumsi yang perlu diperiksa

• Histogram citra mendekati dua puncak (objek dan latar)
• Pencahayaan seragam; bila tidak, gunakan ambang adaptif
• Objek cukup besar dibanding derau

Membaca dan melaporkan hasil

Laporkan nilai ambang, jumlah objek, dan ukuran objek hasil segmentasi serta ukuran kualitas seperti Dice. Jelaskan batasan metode pada pencahayaan tidak merata.

Contoh kode MATLAB

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

rng(2);
[xx, yy] = meshgrid(1:256);
truth = ((xx-60).^2 + (yy-70).^2 < 25^2) | ((xx-150).^2 + (yy-80).^2 < 30^2) | ((xx-110).^2 + (yy-190).^2 < 35^2);
otsu_intensity_threshold = 0.3 * xx / 256;                                          % uneven background gradient
spectrogram_image = mat2gray(0.25 + 0.4*truth + otsu_intensity_threshold + 0.06*randn(256));

level = graythresh(spectrogram_image);
bw = imbinarize(spectrogram_image, level);
bw = bwareaopen(bw, 100);
bw = imfill(bw, 'holes');
bwa = imbinarize(spectrogram_image, adaptthresh(spectrogram_image, 0.4));                  % adaptive threshold for comparison

dice = @(a, b) 2*nnz(a & b) / (nnz(a) + nnz(b));
fprintf('Otsu level = %.3f\n', level);
fprintf('Dice (Otsu) = %.3f, Dice (adaptive) = %.3f\n', dice(bw, truth), dice(bwa, truth));
L = bwlabel(bw);
stats = regionprops(L, 'Area', 'Centroid');
fprintf('Objects found: %d, areas: %s\n', numel(stats), mat2str([stats.Area]));

figure;
subplot(1,3,1); imshow(spectrogram_image); title('Image');
subplot(1,3,2); imshow(bw); title('Otsu + cleaning');
subplot(1,3,3); imhist(spectrogram_image); hold on; xline(level, 'r', 'LineWidth', 1.5);

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum