You are on page 1of 13

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. 3. Elemen di dalam citra perlu dikelompokkan dan diukur. 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

Ditengah era modern.2 Rumusan Masalah Dari latar belakang yang telah dijelaskan sebelumnya. kami menggunakan metode Canny Edge Detection untuk mendeteksi sebuah citra. bentuk telinga. hingga sidik jari. Yang perlu diingat adalah edge memiliki nilai intensitas yang sangat kontras dibandingkan dengan piksel di sebelahnya (neighborhood). Identitas dari seseorang. 1. rumusan masalah yang dapat diambil adalah − Mengenalkan metode Canny − Bagaimana cara mengidentifikasi seseorang dari telapak tangannya dengan menggunakan metode Canny . setelah itu baru menelusuri Edge melalui citra dan hysteresis thresholding yang dilakukan pada citra. Hal ini merupakan permasalahan mendasar dan penting dalam pengolahan citra digital. Metode Canny adalah metode pendeteksian Edge atau tepi yang dikembangkan Jhon F. banyak orang yang ingin untuk mengembangkannya. atau lebih sering disebut sebagai noise atau derau. Pada proses deteksi tepi. Edge atau tepi merupakan representasi dari batas objek dalam citra. lalu mencari intensitas gradien pada citra . kita dapat mengetahui identitas seseorang melalui telapak tangannya. Pengenalan telapak tangan mempunyai bobot atau nilai yang cukup signifikan sehingga dalam perkembangannya. bekerja dengan mendeteksi tepi dan garis dari telapak tangan yang telah di masukkan. Deteksi tepi bisa menjadi sebuah filter untuk menghilangkan informasi yang tidak dibutuhkan.dari bentuk sebelumnya. dapat dikenali dari struktur gigi. Salah satu cara yang sedang dikembangkan yaitu pengenalaan identitas seseorang dari telapak tangan. iris mata seseorang. pengenalan identitas seseorang dapat menggunkan berbagai cara. Dengan deteksi tepi. struktur dari properti atau objek dalam citra tetap dipertahankan.Canny pada tahun 1986. Metode atau algoritma ini mempunyai beberapa tahap langkah kerja yaitu pertama dengan mengurangi noise pada citra dengan menggunakan Gaussian Filter. Metode ini. yang merupakan algoritma bertahap untuk mendeteksi tepi pada citra dengan jangkauan atau cakupan area yang luas. Dengan menggunakan metode Canny.

1.1.4 Tujuan Tujuan dari makalah ini adalah mengidentifikasi telapak tangan seseorang dengan metode Canny Edge Detection. .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.

Green (hijau). dan tiga buah frame untuk memasukkan gambar tersebut. Hal ini dikarenakan. Y=(0. 2001).BAB II LANDASAN TEORI 2. Mesin dapat membedakan antara berbagai kode warna. Dan karena dengan menggunakan gambar berwarna maka diperlukan Pemrosesan yang lebih banyak dalam menginterpretasikan . hal ini terutama dikarenakan warna dapat membantu kita dalam membedakan objek dengan lebih baik. 1982).11)R + (0.Warna tricromatic RGB dalam sistem grafis umumnya 83 menggunakan 3 byte (2 ) . namun menggunakan data yang lebih rumit.atau sekitar 16 juta kode warna. gambar grayscale memilki akurasi yang kurang.3)B Rumus perubahan nilai pixel RGB menjadi grayscale pada OpenCV Bila dibandingkan dengan gambar biasa. Blue (biru) (Saphiro &Stockman. Namun untuk beberapa aplikasi penggunan warna akan meningkatkan pengeluaran.1. Dikatakan kode warna dan bukan warna karena manusia tidak dapat membedakan warna sebanyak itu. tidak hanya karena kamera berwarna yang harganya lebih mahal. namun perbedaan tersebut belum tentu dapat menunjukan perbedaan yang dapat ditangkap oleh mata manusia.1Grayscale Dengan menggunakan tiga buah reseptor manusia dapat membedakan banyak warna. Dan terkadang memudahkan secara matematis jika kita beranggapan gambar berwarna sebagai matrik dari vektor tiga dimensi (Pavlidis. Gambar direpresentasikan sebagai matrik dengan elemen integer atau pixel. juga disebabkan karena dengan menggunakan warna maka diperlukan tiga buah digitizer.59)G + (0. sehingga tidak diusulkan. Tiap 3 byte pada pixel RGB mencangkup 1 byte pixel untuk tiap warna Red (merah). Biasanya pixel tidak disimpan dalam bentuk matrik sederhana.1 Perbaikan Citra 2.

tetapi variasi warna diantaranya sangat banyak. dimana tiap bit dari pixel yang merepresentasikan gambar grayscale adalah suatu nilai yang menunjukkan nilai intensitas dari gambar yang berada pada posisi tersebut. tiap warna direpresentasikan oleh 1 bit pixel. Citra grayscale berbeda dengan citra ”hitam-putih”.12 maupun 16 bit. Contoh: . Citra grayscale mempunyai kemungkinan warna hitam untuk nilai minimal dan warna putih untuk nilai maksimal. Sedangkan pada grayscale. yang merupakan suatu set yang berisi tiga bit data. 1990). Citra yang ditampilkan dari citra jenis ini terdiri atas warna abu-abu. Semakin besar jumlah bit warna yang disediakan di memori. bervariasi pada warna hitam pada bagian yang intensitas terlemah dan warna putih pada intensitas terkuat. Sehingga dapat diproses sebagai entitas tunggal pada komputer. maka diperlukan tiga buah angka untuk merepresentasikan informasi yang ada didalamnya.gambar berwarna dengan sepenuhnya (Davies. Citra grayscale disimpan dalam format 8 bit untuk setiap sample pixel. yang memungkinkan sebanyak 256 intensitas. suatu citra digital grayscale atau greyscale adalah suatu citra dimana nilai dari setiap pixel merupakan sample tunggal. Pada aplikasi lain seperti pada aplikasi medical imaging dan remote sensing biasa juga digunakan format 10. Dalam komputasi. Sehingga pada gambar grayscale diperlukan proses komputasi yang lebih sedikit bila bandingkan dengan gambar berwarna. maka semakin halus gradasi warna yang terbentuk. Citra grayscale seringkali merupakan perhitungan dari intensitas cahaya pada setiap pixel pada spektrum elektromagnetik single band . Tidak seperti gambar RGB. Pada citra grayscale warna bervariasi antara hitam dan putih. Format ini sangat membantu dalam pemrograman karena manupulasi bit yang tidak terlalu banyak. dimana pada konteks komputer. Banyaknya warna tergantung pada jumlah bit yang disediakan di memori untuk menampung kebutuhan warna tersebut. citra hitam putih hanya terdiri atas 2 warna saja yaitu ”hitam” dan ”putih” saja.

Peningkatan kontras maka titik yang cenderung gelap menjadi lebih gelap dan yang cenderung terang menjadi lebih cemerlang. kemungkinan warna 0 (minimal) sampai 4 (maksimal). pixel . if (pixel > 255) pixel = 255. pixel *= contrast. “Contrast stretching ini adalah teknik yang digunakan untuk mendapatkan citra baru dengan kontras yang lebih baik daripada kontras dari citra asalnya. pixel = x/255..5. yang artinya proses ini hanya tergantung dari nilai itensitas (gray level) satu pixel.= 0. tidak tergantung dari pixel lain yang ada di sekitarnya. yang artinya proses ini hanya tergantung dari nilai intensitas (gray level) satu pixel. Proses contrast stretching termasuk proses perbaikan citra yang bersifat point processing. pixel * = 255. dimana titik tergelap dalam citra tidak mencapai hitam pekat dan titik paling terang dalam citra tidak berwarna putih cemerlang.” Jika sebuah citra yang mempunyai nilai keabuan yang tidak terlalu berbeda untuk semua titik.1 Contrans Streching Contrast stretching ini adalah teknik yang digunakan untuk mendapatkan citra baru dengan kontrast lebih baik daripada kontrast dari citra asalnya. 2. Algoritma x= p[2]. .2. Sesuai kutipan dari Setyo Nugroho yang mendefinisikan constrast stretching sebagai berikut [2].Disini diasumsikan bahwa citra memiliki range gray level dari 0 sampai 255.5.skala keabuan 2 bit… jumlah kemungkinan 22 = 4 warna Jadi. p [2] = (byte) pixel. pixel + = 0. if (pixel < 0) pixel = 0. Proses contrast stretching termasuk proses perbaikan citra yang bersifat point processing. tidak tergantung dari pixel lain yang ada di sekitarnya.

Berdasarkan pada kriteria ini Canny berhasil melakukan optimalisasi dari ke 3 kriteria tersebut dan menghasilkan persamaan: Namun persamaan ini cukup sulit untuk diimplementasikan. algoritma deteksi tepi Canny mengikuti beberapa kriteria (Canny. Good detection.Dimana : con = Koefisien penguatan kontras x = Nilai skala R/G/B yang dipakai sebagai pusat pengontrasan 2. Pada tahun 1986 John Canny mengusulkan tiga kriteria yang menjadi basis pengembangan filter untuk mengoptimalkan pendeteksian tepi pada citra bernoise (Febriani. 2008).3. Fungsi Gaussian dalam satu dimensi dapat direpresentasikan sebagai berikut: . Algoritma deteksi tepi Canny dikenal sebagai algoritma yang optimal dalam melakukan pendeteksian tepi. Only one response to a single edge (hanya satu respon untuk sebuah tepi). Good localization. Canny tetap menggunakan filter Gaussian untuk mereduksi noise. Kriteria ini bertujuan memaksimalkan nilai signal to noise ratio (SNR) sehingga semua tepi dapat terdeteksi dengan baik atau tidak ada yang hilang. Untuk meningkatkan metode-metode yang telah ada dalam pendeteksian tepi. 1986) sebagai berikut: a.1 Metode Canny Edge Detection Canny merupakan salah satu algoritma deteksi tepi modern. b. tepi yang terdeteksi berada pada posisi yang sebenarnya. atau dengan kata lain bahwa jarak antara posisi sebenarnya adalah seminimum mungkin (idealnya adalah 0). Artinya detektor tidak memberikan tepi yang bukan tepi sebenarnya. Sehingga pada implementasinya. c.

y) adalah vektor Biasanya nilai 1=Δ=Δyx. sehingga persamaan di atas menjadi : . Gradien dari suatu citra f (x.Proses selanjutnya adalah penghitungan besar gradient dan sudut citra.y) pada lokasi (x.

y) yang nilai setiap pixelnya adalah g(x.y) = G[f (x.y)]. Thresholding digunakan untuk mengubah citra dengan format skala keabuan. yaitu: a.Hasil pendeteksian tepi adalah citra tepi g(x. Fungsi yang digunakan adalah fungsi transformasi skala keabuan (gray scale transformation/GST). sehingga diperoleh: Untuk menyatakan apakah sebuah citra g(x.y) merupakan citra tepi atau bukan maka dilakukan dengan pengambangan (thresholding) yang disimbolkan dengan T. yang mempunyai kemungkinan nilai lebih dari 2 ke citra biner yang memiliki 2 buah nilai (yaitu 0 dan 1). Fungsi GST adalah fungsi yang memetakan tingkat keabuan input (Ki) ke citra keabuan citra output (Ko). Pengambangan Tunggal Pengambangan tunggal merupakan proses pengambangan yang hanya memiliki sebuah nilai batas ambang. Fungsi GST untuk pengambangan tunggal yaitu: atau: . seperti berikut: Pengambangan (thresholding) terbagi atas dua jenis.

10 menunjukkan sebuah citra yang telah mengalami pengambangan tunggal. Gambar Citra dengan pengambang tunggal b. Dilakukan untuk menampilkan titiktitik yang mempunyai rentang nilai skala keabuan tertentu.Gambar 2. Dengan fungsi GST: Atau . Pengambangan Ganda Memiliki ambang bawah dan ambang atas.

Metode Canny lebih utama dalam mendeteksi tepian yang kurang jelas. Mengkalkulasi besar gradien dan sudut citra c. Menggunakan nilai ambang ganda dan analisa keterhubungan untuk mendeteksi dan menghubungkan antar tepi. Dapat disimpulkan bahwa metode deteksi tepi Canny dilakukan dengan langkahlangkah sebagai berikut: a. Berikut adalah blok diagram dari algoritma deteksi tepi Canny : Metode Canny ini terdiri dari beberapa langkah khusus. yang tidak dapat diperoleh dengan menggunakan metode lain. Menghaluskan citra masukan dengan filter Gaussian b. . Metode Canny menggunakan pengambangan (thresholding) ganda yang mana terdiri atas threshold batas bawah (tlow) dan threshold batas atas (thigh).Citra yang telah mengalami pengambangan ganda. Mengaplikasikan suppresi nonmaksima pada besaran gradien citra d.

2 Ektrasi Ciri Pendekatan statistik mempertimbangkan parameter tekstur. Run Length Matrices. GLCM. Ciri atau fitur statistik GLCM antara lain: 1. Jarak dinyatakan dalam piksel.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. Energi Energi menyatakan ukuran konsentrasi pasangan dengan intensitas keabuan tertentu pada matriks. 3. kita menggunakan teknik GLCM. 4. Dalam mendeteksi citra telapak tangan seseorang. 90 dan 135. Contoh metode statistik adalah fungsi autokorelasi. Definisi GLCM adalah tabulasi dari seberapa sering kombinasi yang berbeda dari nilai kecerahan piksel (tingkat warna abu-abu) yang terjadi pada sebuah citra. standarnya 0. Berikut adalah contoh citra abu-abu yang akan digunakan sebagai contoh dalam penghitungan matriks Grey Level Co-occurrence. biasanya 1.3 dan seterusnya.2. 45. Entropi .2. serta hubungan antar piksel bertetangga. Kontras Perhitungan kontras berkaitan dengan jumlah keberagaman intensitas keabuan dalam citra. 2. dan metode Law. distribusi intensitas pada piksel-piksel. yaitu keseragaman intensitas keabuan pada citra. Orientasi sudut dinyatakan dalam derajat. homogenitas GLCM adalah invers dari kontras GLCM. Homogenitas Secara matematis.

Mean(Rerata) Mean adalah rata-rata dari suatu sebaran nilai intensitas citra keabuan. 2.Entropi digunakan untuk mengukur keteracakan dari distribusi intensitas. 5.1 .