BAB I
PENDAHULUAN
1.1 Latar Belakang
Pengolahan citra digital merupakan pengolahan dan analisis yang banyak
melibatkan presepsi visual. Citra digital dapat diperoleh secara otomatik dari sistem
penagkapan citra membentuk matrik yang elemen-elemenya menyatakan nilai
intensitas cahaya atau tingkat keabuan suatu piksel ( Fadliansyah, 2007 ).
Pengolahan citra adalah salah satu aplikasi yang dapat mengubah gambar menjadi
suatu informasi ( Marvin Wijaya, 2007 ). Meskipun citra kaya informasi, namun
seringkali citra yang dimiliki mengalami penurunan mutu (degradasi). Seperti
mengandung cacat atau derau (noise), warnanya terlalu kontras, kurang tajam, kabur
(bluring) dan sebagainya. Agar citra yang megalami gangguan mulai diinterpensi
(baik manusia maupun mesin) maka citra tersebut perlu dimanipulasi menjadi citra
lain yang kualitasnya lebih baik. Operasi-operasi pada pengolahan citra diterapkan
pada citra bila :
1. Perbaikan atau modifikasi citra perlu dilakukan untuk menigkatkan
kualitas penampakan atau menonjolkan beberapa aspek informasi
yang terkandung dalam citra.
2. Elemen di dalam citra perlu dikelompokkan dan diukur.
3. Sebagian citra perlu digabung dengan bagian citra yang lain.
Pengolahan citra bertujuan untuk memperbaiki kualitas citra agar
mudah diinterpretasi oleh manusia atau mesin (dalam hal ini
computer). Teknik-teknik pengolahan citra mentransformasikan citra
menjadi citra yang lain. Jadi masukannya adalah citra dan keluaranya
juga citra. Namun citra keluaran mempunyai kualitas lebih baik dari
pada masukan (Rinaldi Munir, 2004).
Perbaikan citra, seringkali menggunakan Deteksi Tepi(Edge Detection) untuk
membantu mengenal sebuah citra. Metode edge detection akan mendeteksi semua
edge atau garis-garis yang membentuk obyek gambar atau image dan akan
memperjelas kembali pada bagian-bagian tersebut. Tujuan pendeteksian ini adalah
bagaimana agar obyek di dalam image dapat dikenali dan disederhanakan bentuknya
dari bentuk sebelumnya. Edge atau tepi merupakan representasi dari batas objek
dalam citra. Hal ini merupakan permasalahan mendasar dan penting dalam
pengolahan citra digital. Yang perlu diingat adalah edge memiliki nilai intensitas yang
sangat kontras dibandingkan dengan piksel di sebelahnya (neighborhood). Deteksi
tepi bisa menjadi sebuah filter untuk menghilangkan informasi yang tidak dibutuhkan,
atau lebih sering disebut sebagai noise atau derau. Dengan deteksi tepi, struktur dari
properti atau objek dalam citra tetap dipertahankan.
Pada proses deteksi tepi, kami menggunakan metode Canny Edge Detection
untuk mendeteksi sebuah citra. Metode Canny adalah metode pendeteksian Edge atau
tepi yang dikembangkan Jhon F.Canny pada tahun 1986, yang merupakan algoritma
bertahap untuk mendeteksi tepi pada citra dengan jangkauan atau cakupan area yang
luas. Metode atau algoritma ini mempunyai beberapa tahap langkah kerja yaitu
pertama dengan mengurangi noise pada citra dengan menggunakan Gaussian Filter,
lalu mencari intensitas gradien pada citra , setelah itu baru menelusuri Edge melalui
citra dan hysteresis thresholding yang dilakukan pada citra.
Ditengah era modern, pengenalan identitas seseorang dapat menggunkan
berbagai cara. Identitas dari seseorang, dapat dikenali dari struktur gigi, bentuk
telinga, iris mata seseorang, hingga sidik jari. Salah satu cara yang sedang
dikembangkan yaitu pengenalaan identitas seseorang dari telapak tangan. Pengenalan
telapak tangan mempunyai bobot atau nilai yang cukup signifikan sehingga dalam
perkembangannya, banyak orang yang ingin untuk mengembangkannya.
Dengan menggunakan metode Canny, kita dapat mengetahui identitas seseorang
melalui telapak tangannya. Metode ini, bekerja dengan mendeteksi tepi dan garis dari
telapak tangan yang telah di masukkan.
1.2 Rumusan Masalah
Dari latar belakang yang telah dijelaskan sebelumnya, rumusan masalah yang
dapat diambil adalah
Mengenalkan metode Canny
Bagaimana cara mengidentifikasi seseorang dari telapak tangannya dengan
menggunakan metode Canny
1.3 Batasan Masalah
Sejumlah permasalahan yang dibahas dalam makalah ini akan dibatasi ruang
lingkup pembahasannya yaitu:
Makalah ini lebih mengfokuskan pada perumusan dan penganalisaan metode
Canny dalam melakukan pengenalan telapak tangan seseorang pada program
yang dibuat.
1.4 Tujuan
Tujuan dari makalah ini adalah mengidentifikasi telapak tangan seseorang
dengan metode Canny Edge Detection.
BAB II
LANDASAN TEORI
2.1 Perbaikan Citra
2.1.1Grayscale
Dengan menggunakan tiga buah reseptor manusia dapat membedakan
banyak warna.Warna tricromatic RGB dalam sistem grafis umumnya
menggunakan 3 byte (28)3,atau sekitar 16 juta kode warna. Dikatakan kode
warna dan bukan warna karena manusia tidak dapat membedakan warna
sebanyak itu. Mesin dapat membedakan antara berbagai kode warna, namun
perbedaan tersebut belum tentu dapat menunjukan perbedaan yang dapat
ditangkap oleh mata manusia. Tiap 3 byte pada pixel RGB mencangkup 1
byte pixel untuk tiap warna Red (merah), Green (hijau), Blue (biru)
(Saphiro &Stockman, 2001).
Gambar direpresentasikan sebagai matrik dengan elemen integer
atau pixel. Biasanya pixel tidak disimpan dalam bentuk matrik sederhana,
namun menggunakan data yang lebih rumit. Dan terkadang memudahkan
secara matematis jika kita beranggapan gambar berwarna sebagai matrik
dari vektor tiga dimensi (Pavlidis, 1982).
Bila dibandingkan dengan gambar biasa, gambar grayscale memilki
akurasi yang kurang, hal ini terutama dikarenakan warna dapat membantu
kita dalam membedakan objek dengan lebih baik. Namun untuk beberapa
aplikasi penggunan warna akan meningkatkan pengeluaran, sehingga tidak
diusulkan. Hal ini dikarenakan, tidak hanya karena kamera berwarna yang
harganya lebih mahal, juga disebabkan karena dengan menggunakan warna
maka diperlukan tiga buah digitizer, dan tiga buah frame untuk memasukkan
gambar tersebut. Dan karena dengan menggunakan gambar berwarna maka
diperlukan Pemrosesan yang lebih banyak dalam menginterpretasikan
gambar berwarna dengan sepenuhnya (Davies, 1990).
Sedangkan pada grayscale, tiap warna direpresentasikan oleh 1 bit
Y=(0,11)R + (0,59)G + (0,3)B
Rumus perubahan nilai pixel RGB menjadi grayscale pada OpenCV
pixel, dimana tiap bit dari pixel yang merepresentasikan gambar grayscale
adalah suatu nilai yang menunjukkan nilai intensitas dari gambar yang berada
pada posisi tersebut. Sehingga dapat diproses sebagai entitas tunggal pada
komputer. Tidak seperti gambar RGB, yang merupakan suatu set yang berisi
tiga bit data, maka diperlukan tiga buah angka untuk merepresentasikan
informasi yang ada didalamnya. Sehingga pada gambar grayscale diperlukan
proses komputasi yang lebih sedikit bila bandingkan dengan gambar
berwarna.
Dalam komputasi, suatu citra digital grayscale atau greyscale adalah
suatu citra dimana nilai dari setiap pixel merupakan sample tunggal. Citra
yang ditampilkan dari citra jenis ini terdiri atas warna abu-abu, bervariasi pada
warna hitam pada bagian yang intensitas terlemah dan warna putih pada
intensitas terkuat. Citra grayscale berbeda dengan citra ”hitam-putih”, dimana
pada konteks komputer, citra hitam putih hanya terdiri atas 2 warna saja yaitu
”hitam” dan ”putih” saja.
Pada citra grayscale warna bervariasi antara hitam dan putih, tetapi
variasi warna diantaranya sangat banyak. Citra grayscale seringkali
merupakan perhitungan dari intensitas cahaya pada setiap pixel pada spektrum
elektromagnetik single band .
Citra grayscale disimpan dalam format 8 bit untuk setiap sample pixel,
yang memungkinkan sebanyak 256 intensitas. Format ini sangat membantu
dalam pemrograman karena manupulasi bit yang tidak terlalu banyak. Pada
aplikasi lain seperti pada aplikasi medical imaging dan remote sensing biasa
juga digunakan format 10,12 maupun 16 bit.
Citra grayscale mempunyai kemungkinan warna hitam untuk nilai
minimal dan warna putih untuk nilai maksimal. Banyaknya warna tergantung
pada jumlah bit yang disediakan di memori untuk menampung kebutuhan
warna tersebut. Semakin besar jumlah bit warna yang disediakan di memori,
maka semakin halus gradasi warna yang terbentuk. Contoh:
skala keabuan 2 bit… jumlah kemungkinan 22 = 4 warna
Jadi,, kemungkinan warna 0 (minimal) sampai 4 (maksimal).
2.2.1 Contrans Streching
Contrast stretching ini adalah teknik yang digunakan untuk
mendapatkan citra baru dengan kontrast lebih baik daripada kontrast dari citra
asalnya. Proses contrast stretching termasuk proses perbaikan citra yang
bersifat point processing, yang artinya proses ini hanya tergantung dari nilai
itensitas (gray level) satu pixel, tidak tergantung dari pixel lain yang ada di
sekitarnya. Sesuai kutipan dari Setyo Nugroho yang mendefinisikan constrast
stretching sebagai berikut [2];
“Contrast stretching ini adalah teknik yang digunakan untuk mendapatkan
citra baru dengan kontras yang lebih baik daripada kontras dari citra
asalnya. Proses contrast stretching termasuk proses perbaikan citra yang
bersifat point processing, yang artinya proses ini hanya tergantung dari nilai
intensitas (gray level) satu pixel, tidak tergantung dari pixel lain yang ada di
sekitarnya.Disini diasumsikan bahwa citra memiliki range gray level dari 0
sampai 255.”
Jika sebuah citra yang mempunyai nilai keabuan yang tidak terlalu berbeda
untuk semua titik, dimana titik tergelap dalam citra tidak mencapai hitam
pekat dan titik paling terang dalam citra tidak berwarna putih cemerlang.
Peningkatan kontras maka titik yang cenderung gelap menjadi lebih gelap dan
yang cenderung terang menjadi lebih cemerlang.
Algoritma
x= p[2];
pixel = x/255;
pixel - = 0.5;
pixel *= contrast;
pixel + = 0.5;
pixel * = 255;
if (pixel < 0) pixel = 0;
if (pixel > 255) pixel = 255;
p [2] = (byte) pixel;
Dimana : con = Koefisien penguatan kontras
x = Nilai skala R/G/B yang dipakai sebagai pusat pengontrasan
2.3.1 Metode Canny Edge Detection
Canny merupakan salah satu algoritma deteksi tepi modern. Pada tahun
1986 John Canny mengusulkan tiga kriteria yang menjadi basis pengembangan
filter untuk mengoptimalkan pendeteksian tepi pada citra bernoise (Febriani,
2008). Algoritma deteksi tepi Canny dikenal sebagai algoritma yang optimal
dalam melakukan pendeteksian tepi. Untuk meningkatkan metode-metode yang
telah ada dalam pendeteksian tepi, algoritma deteksi tepi Canny mengikuti
beberapa kriteria (Canny, 1986) sebagai berikut:
a. Good detection. Kriteria ini bertujuan memaksimalkan nilai signal to noise
ratio (SNR) sehingga semua tepi dapat terdeteksi dengan baik atau tidak ada
yang hilang.
b. Good localization. tepi yang terdeteksi berada pada posisi yang sebenarnya,
atau dengan kata lain bahwa jarak antara posisi sebenarnya adalah
seminimum mungkin (idealnya adalah 0).
c. Only one response to a single edge (hanya satu respon untuk sebuah tepi).
Artinya detektor tidak memberikan tepi yang bukan tepi sebenarnya.
Berdasarkan pada kriteria ini Canny berhasil melakukan optimalisasi dari ke 3
kriteria tersebut dan menghasilkan persamaan:
Namun persamaan ini cukup sulit untuk diimplementasikan. Sehingga pada
implementasinya, Canny tetap menggunakan filter Gaussian untuk mereduksi
noise. Fungsi Gaussian dalam satu dimensi dapat direpresentasikan sebagai
berikut:
Proses selanjutnya adalah penghitungan besar gradient dan sudut citra. Gradien dari
suatu citra f (x,y) pada lokasi (x,y) adalah vektor
Biasanya nilai 1=Δ=Δyx, sehingga persamaan di atas menjadi :
Hasil pendeteksian tepi adalah citra tepi g(x,y) yang nilai setiap pixelnya adalah
g(x,y) = G[f (x,y)], sehingga diperoleh:
Untuk menyatakan apakah sebuah citra g(x,y) merupakan citra tepi atau bukan maka
dilakukan dengan pengambangan (thresholding) yang disimbolkan dengan T.
Thresholding digunakan untuk mengubah citra dengan format skala keabuan, yang
mempunyai kemungkinan nilai lebih dari 2 ke citra biner yang memiliki 2 buah nilai
(yaitu 0 dan 1), seperti berikut:
Pengambangan (thresholding) terbagi atas dua jenis, yaitu:
a. Pengambangan Tunggal
Pengambangan tunggal merupakan proses pengambangan yang hanya memiliki
sebuah nilai batas ambang. Fungsi yang digunakan adalah fungsi transformasi
skala keabuan (gray scale transformation/GST). Fungsi GST adalah fungsi yang
memetakan tingkat keabuan input (Ki) ke citra keabuan citra output (Ko).
Fungsi GST untuk pengambangan tunggal yaitu:
atau:
Gambar 2.10 menunjukkan sebuah citra yang telah mengalami pengambangan
tunggal.
Gambar Citra dengan pengambang tunggal
b. Pengambangan Ganda
Memiliki ambang bawah dan ambang atas. Dilakukan untuk menampilkan titik-
titik yang mempunyai rentang nilai skala keabuan tertentu.
Dengan fungsi GST:
Atau
Citra yang telah mengalami pengambangan ganda.
Metode Canny menggunakan pengambangan (thresholding) ganda yang mana terdiri
atas threshold batas bawah (tlow) dan threshold batas atas (thigh).
Dapat disimpulkan bahwa metode deteksi tepi Canny dilakukan dengan langkah-
langkah sebagai berikut:
a. Menghaluskan citra masukan dengan filter Gaussian
b. Mengkalkulasi besar gradien dan sudut citra
c. Mengaplikasikan suppresi nonmaksima pada besaran gradien citra
d. Menggunakan nilai ambang ganda dan analisa keterhubungan untuk mendeteksi
dan menghubungkan antar tepi.
Berikut adalah blok diagram dari algoritma deteksi tepi Canny :
Metode Canny ini terdiri dari beberapa langkah khusus, Metode Canny lebih utama
dalam mendeteksi tepian yang kurang jelas, yang tidak dapat diperoleh dengan
menggunakan metode lain.
2.2 Ektrasi Ciri
Pendekatan statistik mempertimbangkan parameter tekstur, distribusi intensitas pada
piksel-piksel, serta hubungan antar piksel bertetangga. Contoh metode statistik adalah fungsi
autokorelasi, GLCM, Run Length Matrices, dan metode Law.
Dalam mendeteksi citra telapak tangan seseorang, kita menggunakan teknik
GLCM.GLCM adalah matriks yang menggambarkan frekuensi munculnya pasangan dua
piksel dengan intensitas tertentu dalam jarak d dan orientasi arah dengan sudut θ tertentu
dalam citra. Jarak dinyatakan dalam piksel, biasanya 1,2,3 dan seterusnya. Orientasi sudut
dinyatakan dalam derajat, standarnya 0, 45, 90 dan 135.
Definisi GLCM adalah tabulasi dari seberapa sering kombinasi yang berbeda dari nilai
kecerahan piksel (tingkat warna abu-abu) yang terjadi pada sebuah citra.
Berikut adalah contoh citra abu-abu yang akan digunakan sebagai contoh dalam
penghitungan matriks Grey Level Co-occurrence.
Ciri atau fitur statistik GLCM antara lain:
1. Kontras
Perhitungan kontras berkaitan dengan jumlah keberagaman intensitas keabuan dalam citra.
2. Homogenitas
Secara matematis, homogenitas GLCM adalah invers dari kontras GLCM, yaitu keseragaman
intensitas keabuan pada citra.
3. Energi
Energi menyatakan ukuran konsentrasi pasangan dengan intensitas keabuan tertentu
pada matriks.
4. Entropi
Entropi digunakan untuk mengukur keteracakan dari distribusi intensitas.
5. Mean(Rerata)
Mean adalah rata-rata dari suatu sebaran nilai intensitas citra keabuan.
2.1