ANALISIS DETEKSI TEPI UNTUK MENGIDENTIFIKASI POLA WAJAH REVIUW (IMAGE EDGE DETECTION BASED DAN MORPHOLOGY) Dian Parikesit Magister Komputer Universitas Budi Luhur Jakarta
[email protected] Dalam kehidupan kita, kita sering melihat wajah manusia dengan berbagai fitur karakter gambar. Variasi wajah mannusia muncul dari bentuk muka seperti oval, hidung, telinga, mata dll Seiring dengan kemajuan informasi dan teknologi, maka memungkinkan untuk mengembangkan aplikasi yang dapat membantu manusia untuk mengenali jenisjenis wajah. Pengolahan citra digital adalah bidang yang berkembang dari teknologi digital dengan aplikasi wajah dalam sains dan teknik. Salah satu daerah wajah yang terkait dengan pengolahan citra adalah pengenalan pola. Tugas akhir ini dilakukan untuk membangun sistem yang dapat mengidentifikasi dan mengenali objek pola wajah. Identifikasi wajah dimulai dengan akuisisi data citra, pengolahan citra, deteksi tepi citra, citra menipis, dan proses identifikasi dengan menggunakan metode template matching. Deteksi tepi menggunakan 3 metode, ada Sobel tepi deteksi, deteksi tepi Roberts, dan deteksi tepi Prewitt. Pengenalan pola akan mendeteksi gambar sebagai masukan, membandingkan dengan gambar yang lain dalam database yang disebut template. Percobaan dilakukan dalam dua tahap yaitu identifikasi wajah bentuk dan identifikasi wajah tepi. Penelitian ini menggunakan 7 gambar bentuk wajah yang membentuk masing-masing memiliki citra uji 10 dan 5 gambar tepi wajah yang ujung masing-masing memiliki 10 gambar tes. Selain itu, dalam percobaan identifikasi tepi wajah, metode Sobel mencapai 90% untuk tingkat pengakuan, Roberts dan Prewitt hanya mencapai 84%. Keywords: leaf, image processing, edge detection, pattern recognition I. Pendahuluan 1.1 Latar Belakang Perkembangan teknologi, terutama di bidang dunia digital, membawa perubahan cukup besar. Salah satunya dengan adanya digitalisasi data citra. Selain di bidang teknologi, pengolahan citra juga dimanfaatkan sebagai pengenalan pola. Pola dari citra yang diolah adalah bentuk daun dan tepi daun. Perbedaan pola dari sebuah daun tersebut bisa digunakan sebagai pengidentifikasi. 1 .2 Tujua n Penelitian ini bertujuan untuk: 1. Menemukan ciri-ciri dengan mendeteksi tepi citra wajah. 2. Membuat perangkat lunak yang mampu mengidentifikasi jenis bentuk dan jenis tepi citra daun. 3. Mengetahui metode deteksi tepi yang paling optimal untuk mengidentifikasi citra wajah. 1.3 Pembatasan Masalah Pada tugas akhir ini masalah yang dibahas akan dibatasi pada : 1. Citra yang dibahas adalah citra hasil pemotretan wajah yang sudah diubah dalam bentuk citra digital. 2. Pembahasan hanya pada identifikasi jenis bentuk dan tepi wajah. 3. wajah yang dideteksi adalah wajah penulis hasil pemotretan dari depan kamera (tampak depan).
II. Dasar Teori Citra merupakan istilah lain dari gambar yang merupakan komponen multimedia yang memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh data teks, yaitu kaya akan informasi. Citra digital adalah citra hasil digitalisasi citra kontinu (analog). Tujuan dibuatnya citra digital adalah agar citra tersebut dapat diolah menggunakan komputer atau perangkat digital. 2.1 Peningkatan Mutu Citra Peningkatan mutu citra dilakukan untuk memperoleh keindahan citra yang akan digunakan untuk kepentingan analisis citra. 2.2 Deteksi Tepi Tepi (edge) adalah perubahan nilai intensitas derajat keabuan yang mendadak besar dalam jarak yang dekat. Suatu titik (x,y) dikatakan sebagai tepi bila titik tersebut mempunyai perbedaan nilai piksel yang tinggi dengan nilai piksel tetangganya. Gambar 1 menunjukkan salah satu model tepi untuk satu dimensi. jarak
a
Perubahan intensitas
a
=Arah tepi
Gambar 1. Model tepi satu dimensi
2.2.1 Operator Sobel Misal, suatu pengaturan piksel di sekitar piksel (x,y):
2 Operator Sobel adalah magnitude dari gradien yang dihitung dengan:
M=
Sx2 + S y2................................................................ (2.1)
Turunan Parsial dihitung dengan :
Dengan konstanta c adalah 2, dalam bentuk (mask), Sx dan Sy dapat dinyatakan sebagai:
2.3 Penipisan Citra (image thinning) Proses penipisan digunakan untuk mengekstraksi ciri dari suatu objek, dengan mengambil rangka setebal satu piksel dari citra, dengan cara membuang titik-titik atau lapisan terluar dari citra sampai semua garis atau kurva hanya setebal satu piksel. 2.4 Pengenalan Pola (pattern recognition) dihitung dengan:Pengenalan pola merupakan proses pengenalan suatu objek dengan menggunakan berbagai metode. Teknik pencocokan pola adalah salah satu teknik dalam pengolahan citra digital yang berfungsi untuk mencocokkan tiap-tiap bagian dari suatu citra dengan citra yang menjadi acuan (template). Metode pencocokan pola adalah salah satu metode terapan dari teknik konvolusi. Teknik konvolusi pada penelitian ini dilakukan dengan mengkombinasikan citra wajah masukan dengan citra wajah sumber acuan, hingga akan didapatkan nilai koefisien korelasi yang besarnya antara -1 dan +1. Saat nilai koefisien korelasi semakin mendekati +1, bisa dikatakan citra masukan semakin sama (mirip) dengan citra acuannya. Rumus yang digunakan adalah:
Arah tepi dihitung dengan persamaan:
2.2.2 Operator Roberts Operator Roberts sering disebut juga operator Silang. Gradien Roberts dalam arah-x dan arah-y dihitung dengan persamaan berikut dan ditunjukkan pada gambar 2: R+ ( x y ) f ( x y ) f ( x y) ............................. (2.3) R- ( x y ) f ( x y ) f ( x y) ............................... (2.4) Wajah adalah organ tubuh manusia yang berbentuk muka oval dan memiliki fungsi pancaindera. Bentuk wajah sangat bervariasi, namun pada umumnya terdiri dari seperti hidung, mata, rambut, telinga, mulut, alismata dan pipi.
Gambar 2. Operator Roberts (operator silang)
2.2.3 Operator Prewitt Persamaan gradien pada operator Prewitt sama seperti operator Sobel, tetapi menggunakan nilai konstanta c = 1
III. PERANCANGAN PROGRAM Program dibagi menjadi 2 proses, yaitu proses pelatihan dan proses identifikasi. Diagram alir sistem adalah sebagai berikut.
biner. Penipisan pola menggunakan perintah bwmorph. thinning=bwmorph(edge,'skel',Inf); 3.4 Pengenalan Pola Pengenalan terdiri dari 2 tahap, yaitu pengenalan jenis bentuk dan jenis tepi daun. Untuk menghitung nilai koefisien korelasi antara citra masukan dengan citra acuan di dalam basisdata digunakan perintah corr2. re=imread('mask_sobel.jpg'); citra1=imread('bentuk_1.jpg'); y01=corr2(citra1,re); re adalah citra masukan, sedangkan citra1 adalah citra acuan di dalam basisdata. IV. HASIL PENGUJIAN DAN ANALISIS 4.1 Hasil Pengujian 4.1.1 Konversi Citra Aras Keabuan Pengubahan citra warna menjadi citra aras keabuan ditunjukkan pada Gambar 8.
3.1
Peningkatan Mutu Citra
Peningkatan mutu citra dilakukan untuk, salah satunya, menghapus gangguan citra 3.1.1 Konversi Citra Aras Keabuan Citra yang dibaca adalah citra warna (RGB) sehingga citra perlu diubah ke dalam citra aras keabuan. Pengubahan citra asli (citra warna) menjadi citra aras keabuan menggunakan perintah: citra_keabuan = rgb2gray(citra); 3.1.2 Pengubahan Ukuran Citra Pengubahan ukuran citra menggunakan perintah imresize, yaitu: ukuran=imresize (keabuan,[256 256]); 3.1.3 Pelembutan Citra Pelembutan citra meliputi pengaturan intensitas citra dan penapisan citra. Penapisan menggunakan metode penapisan median dan penapisan wiener. Perintah untuk proses pelembutan citra adalah: median=medfilt2 (adjust,[3 3]); wiener=wiener2 (median, [5 5]); 3.1.4 Pengambangan (thresholding) Perintah operasi pengambangan adalah sebagai berikut. [m n]=size(equal); for i=1:m, for j=1:n, if(equal(i,j)<128) biner(i,j)=0; biner (i,j)=255; end end end 3.2 Deteksi Tepi Citra Perintah yang digunakan untuk mendeteksi tepi yaitu: edge_sobel = edge(biner,'sobel'); 3.3
Penipisan Pola Penipisan pola hanya bisa dilakukan pada citra
4.1.2 Pengambangan (thresholding) Proses pengambangan akan menghasilkan citra biner, yang ditunjukkan pada Gambar 9.
Gambar 9. Citra biner 4.1.3 Deteksi Tepi Citra Hasil dari proses deteksi tepi citra ditunjukkan pada Gambar 10.
Gambar 10. Hasil proses deteksi tepi citra
Perintah scriptnya adalah : >> i = imread('E:/foto/gayadian.png'); I = rgb2gray(i); BW1 = edge(I,'prewitt'); BW2= edge(I,'sobel'); BW3= edge(I,'roberts');
subplot (2,2,1); imshow(I); title('original'); subplot(2,2,2); imshow(BW1); title('Prewitt'); subplot(2,2,3); imshow(BW2); title('Sobel'); subplot(2,2,4); imshow(BW3); title('Roberts'); >> BW = tepi (I) mengambil grayscale atau gambar biner I sebagai input, dan mengembalikan biner BW gambar dengan ukuran yang sama seperti saya, dengan 1 situlah fungsi menemukan tepi dalam I dan 0 di tempat lain. Secara default, tepi menggunakan metode Sobel untuk mendeteksi tepi tapi berikut ini memberikan daftar lengkap dari semua tepi-temuan metode didukung oleh fungsi ini: Metode Sobel menemukan tepi menggunakan pendekatan Sobel untuk derivatif. Ia mengembalikan tepi pada titik-titik di mana gradien I adalah maksimal. Metode Prewitt menemukan tepi menggunakan pendekatan Prewitt untuk derivatif. Ia mengembalikan tepi pada titik-titik di mana gradien I adalah maksimal. Metode Roberts menemukan tepi menggunakan pendekatan Roberts untuk derivatif. Ia mengembalikan tepi pada titik-titik di mana gradien I adalah maksimal. The Laplacian metode Gaussian menemukan tepi dengan mencari nol penyeberangan setelah penyaringan I dengan Laplacian of Gaussian filter. Metode zero-lintas menemukan tepi dengan mencari nol penyeberangan setelah penyaringan I dengan filter yang Anda tentukan. Metode Canny menemukan tepi dengan mencari local maxima dari gradien I. gradien dihitung menggunakan turunan dari filter Gaussian. Metode ini menggunakan dua ambang batas, untuk mendeteksi tepi yang kuat dan lemah, dan termasuk tepi lemah dalam output hanya jika mereka terhubung ke tepi yang kuat. Metode ini karena itu kurang mungkin dibandingkan orang lain untuk tertipu oleh kebisingan, dan lebih mungkin untuk mendeteksi tepi yang lemah benar. Parameter yang Anda dapat menyediakan berbeda tergantung pada metode yang Anda tentukan. Jika Anda tidak menentukan metode, tepi menggunakan metode Sobel. 4.1.3 Histogram Citra Histogram adalah grafik balok yang memperlihatkan satu macam pengukuran dari suatu proses atau kejadian. Grafik ini sangat cocok untuk data yang dikelompokkan.Tujuan dibuatnya histogram adalah : • Mengetahui dengan mudah penyebaran data yang ada. • Mempermudah melihat dan menginterpretasikan data. • Sebagai alat pengendalian proses, sehingga dapat mencegah timbulnya masalahkita mengambil file dan kemudian memampatkan file menerapkan DCT dan FFT pada gambar. Kompresi dilakukan 1. 70% 2. 50%
3. 30% 4. 10%
Scrip pada Histogram adalah : % MORPHOLOGY % histogram equalisation filename= 'far.jpg'; % the filename to be read im=imread(filename); im=imresize(im,[256,256]); im=rgb2gray(im); figure(1); subplot(1,2,1); imshow(im); subplot(1,2,2); Imagesc(im); % display axis('square'); colormap('gray'); imhist(im); im_histeq=histeq(im); figure(2); subplot(1,2,1); imshow(im_histeq); % display %axis('square'); colormap('gray'); subplot(1,2,2); imhist(im_histeq);
didapatkan tingkat pengenalan rata-rata 90%. Pengujian dengan menggunakan metode deteksi tepi Roberts dan Prewitt menghasilkan 84%, sehingga dapat dikatakan bahwa metode deteksi tepi Sobel memiliki tingkat keberhasilan lebih tinggi dalam sistem. Di sini kita mengambil file dan kemudian memampatkan file menerapkan DCT dan FFT pada gambar. Kompresi dilakukan 1. 70% 2. 50% 3. 30% 4. 10%
Spatial Filtering Edge detection merupakan teknik filtering yang menggunakan spatial filtering. Teknik filtering yang menggunakan spatial filtering, umumnya titik yang akan diproses beserta titik-titik di sekitarnya dimasukkan ke dalam sebuah matrix 2 dimensi yang berukuran N x N. Matrix ini dinamakan matrix neighbor. Di mana N ini
besarnya tergantung dari kebutuhan, tetapi umumnya N ini selalu kelipatan ganjil karena titik yang akan diproses diletakkan di tengah dari matrix.
Citra gambar ke filter Image Dalam tahap ini merupakan tahap pemecahan image kedalam obyek-obyek yang terkandung didalamnya yang dapat menjadi sarana untuk automated image analysis, misal untuk pengenalan obyek-obyek dalam image. Segmentasi dapat dilakukan berdasar pada kemiripan (similarity), dimana image dibagi berdasar kemiripan gray level. Teknik yang termasuk dalam kelompok ini adalah thresholding, region growing, region splitting, region merging. Contoh matrix ini dapat digambarkan sebagai berikut : 1
2
3
1
2
3
4
5
4
T
5
6
7
8
9
6
7
8
1 1 1 5 2 0
1
T
1 0 1 4 1 9 2 4
1 3 (a) 1 1 1 2 6 7 8 2 2 2 1 (b) 2 3 Gambar 2.3 (a) adalah contoh matrix neighbor
Segmentasi atau contouring dapat juga diperoleh dengan menggunakan operasi morfologi. Segmentasi membagi gambar ke daerah konstituen atau benda. Tingkat yang subdivisi dilakukan tergantung pada masalah yang dipecahkan. Artinya, segmentasi harus berhenti ketika obyek yang menarik dalam aplikasi telah diisolasi. Sebagai contoh, dalam pemeriksaan otomatis rakitan elektronik, gambar terletak dalam menganalisis gambar dari produk dengan tujuan untuk menentukan ada atau tidak adanya anomali tertentu, seperti komponen hilang atau jalur-jalur penghubung rusak. Tidak ada gunanya dalam menjalankan segmentasi melewati tingkat detail yang diperlukan untuk mengidentifikasi elemen-elemen. Penataan Elemen: Unsur penataan terdiri dari pola ditetapkan sebagai koordinat sejumlah titik diskrit relatif terhadap asal beberapa. Asal ditandai dengan sebuah cincin di sekeliling titik itu.
yang berukuran 3 x 3 dan gambar 2.3 (b) berukuran 5 x 5. Sedangkan T adalah titik yang akan diproses. Selain digunakannya matrix neighbor, teknik spatial filtering menggunakan sebuah matrix lagi yang dinamakan mask. Erosi : Erosi dari A dengan B didefinisikan sebagai: Dimana A adalah gambar dan B adalah elemen struktural. Satu aplikasi sederhana menghilangkan detil yang tidak relevan dari gambar biner.
Penataan Elemen
Erosion Penebalan Penebalan adalah operasi morfologi yang digunakan untuk tumbuh daerah yang dipilih dari piksel latar depan dalam gambar biner, agak seperti pelebaran atau penutupan: Dengan demikian citra menebal terdiri dari gambar asli ditambah piksel foreground tambahan diaktifkan oleh hitand-miss transform Penataan elemen untuk menentukan convex hull menggunakan penebalan. Pada setiap iterasi dari penebalan tersebut, setiap elemen harus digunakan secara bergantian, dan kemudian di setiap 90 ° rotasi mereka, memberikan 8 elemen penataan yang efektif secara total.
Thresh=120; % threshold filename= 'E:/foto/gayadian.png'; % the file to be read im=imread(filename); im=imresize(im, [256 256]); figure(1); Imagesc(im); % display axis('square'); colormap('gray'); im1=uint8(im); LEVEL=Thresh/255.0; BW = IM2BW(im1,LEVEL); %converts the intensity image I to black and white. % dilation K3=ones(3); K5=ones(5); K7=ones(7); K9=ones(9); B3=imdilate(BW,K3); B5=imdilate(BW,K5); B7=imdilate(BW,K7); B9=imdilate(BW,K9);
figure(2); Imagesc(B3); % display axis('square'); colormap('gray'); figure(3); Imagesc(B5); % display axis('square'); colormap('gray'); figure(4); Imagesc(B7); axis('square'); colormap('gray'); figure(5); Imagesc(B9); axis('square'); colormap('gray'); im1=uint8(im); BW = IM2BW(im1,LEVEL); % erosion K3=ones(3); K5=ones(5); K7=ones(7); K9=ones(9); B3=imerode(BW,K3); B5=imerode(BW,K5); B7=imerode(BW,K7); B9=imerode(BW,K9);
figure(13); Imagesc(op); axis('square'); colormap('gray');
figure(6); Imagesc(B3); axis('square'); colormap('gray');
im1=uint8(im); BW = IM2BW(im1,LEVEL);
figure(7); Imagesc(B5); axis('square'); colormap('gray');
% thickening op=bwmorph(BW,'thick'); figure(14); Imagesc(op); axis('square'); colormap('gray');
figure(8); Imagesc(B7); axis('square'); colormap('gray');
4.1.4 Identifikasi Citra Dari hasil pengujian identifikasi jenis bentuk daun didapatkan tingkat pengenalan rata-rata 74% untuk metode deteksi tepi Sobel. Pengujian dengan menggunakan metode deteksi tepi Roberts menghasilkan 75%, dan pengujian dengan menggunakan metode deteksi tepi Prewitt menghasilkan 75%, sehingga dapat dikatakan bahwa metode deteksi tepi Roberts dan Prewitt memiliki tingkat keberhasilan lebih tinggi dalam sistem. Sedangkan dari hasil pengujian identifikasi jenis tepi wajah, untuk metode deteksi tepi Sobel
figure(9); Imagesc(B9); axis('square'); colormap('gray'); im1=uint8(im); BW = IM2BW(im1,LEVEL); figure(10); Imagesc(BW); axis('square'); colormap('gray');
4.2.
Analisis Berdasarkan pengujian yang telah dilakukan, kinerja sistem mencapai kondisi tingkat keberhasilan sampai 90%, berdasarkan hasil analisis, kondisi ini bisa jadi dipengaruhi oleh beberapa faktor sebagai berikut. 1. Adanya kemiripan tekstur wajah. Kesalahan identifikasi dapat terjadi apabila terdapat tekstur pada basisdata yang memiliki ciri-ciri atau pola informasi yang sangat dekat atau hampir sama (mirip). 2. Adanya kecacatan pada objek wajah Meskipun secara visual tidak mirip, namun kedekatan ciri-ciri atau pola informasi biasa terjadi karena adanya cacat pada tekstur. 3. Proses pengambilan objek wajah. Citra wajah yang diperoleh sangat dipengaruhi oleh proses pengambilannya, dimana sudut pemotretan dan tingkat kecerahan cahaya akan menentukan terbentuknya sebuah bayangan di belakang objek yang juga akan berpengaruh. 4. Ciri-ciri atas wajah yang diekstraksi lebih jauh. Dalam penelitian ini digunakan ciri tepi dan bentuk. Padahal ada beberapa ciri wajah yang tidak termasuk dua ciri di atas, misalnya: ukuran, warna, kekasaran muka wajah, dan sebagainya.
% opening op=bwmorph(BW,'open'); figure(11); Imagesc(op); axis('square'); colormap('gray'); im1=uint8(im); BW = IM2BW(im1,LEVEL); % closing op=bwmorph(BW,'close'); figure(12); Imagesc(op); axis('square'); colormap('gray'); im1=uint8(im); BW = IM2BW(im1,LEVEL); % thinning op=bwmorph(BW,'thin');
5
[8]
V. PENUTUP 5.1 Kesimpulan Dari hasil pengujian yang diperoleh dan analisis yang telah dilakukan, maka diambil kesimpulan sebagai berikut. 1. Metode deteksi tepi dengan pencocokan pola dapat diimplementasikan sebagai sistem pengenalan pola wajah. 2. Pada pengujian pengenalan jenis bentuk wajah, metode deteksi tepi yang mempunyai tingkat keberhasilan pengenalan paling tinggi adalah metode deteksi tepi Roberts dan Prewitt, yaitu sebesar 75%. Sedangkan metode deteksi tepi Sobel memiliki tingkat keberhasilan pengenalan sebesar 74%. 3. Pada pengujian pengenalan jenis tepi wajah, metode deteksi tepi yang mempunyai tingkat keberhasilan pengenalan paling tinggi adalah metode deteksi tepi Sobel, yaitu sebesar 90%. Sedangkan metode deteksi tepi Roberts dan Prewitt memiliki tingkat keberhasilan pengenalan sebesar 84%. 4. Adanya kesalahan identifikasi bisa disebabkan oleh adanya citra daun yang memiliki kedekatan ciri-ciri atau pola informasi yang hampir sama (mirip).
[9] [10]
DAFTAR PUSTAKA
[1] [2]
[3]
[4]
[5]
[6]
[7]
Ahmad, U., Pengolahan Citra Digital & Teknik Pemrogramannya, Graha Ilmu , 2005. Gonzales, R.C. dan R. E. Woods, Digital Image Processing, Addison-Wesley Publishing Company, 1992. Indira, Merly, dkk., Perbandingan Metode Pendeteksi Tepi Studi Kasus: Citra USG Janin, Kommit 2008, Depok, 2008. Marvin, W. dan A. Prijono, Pengolahan Citra Digital Menggunakan Matlab, Informatika, Bandung, 2007. Munir, R., Pengolahan Citra Digital dengan Pendekatan Algoritmik. Informatika Bandung, 2004. Murni, A. dan S. Setiawan, Pengantar Pengolahan Citra, Elex Media Komputindo, Jakarta,1992. Wardhana, A. W. dan Y. Prayudi, Penggunaan Metode Template Matching Untuk Identifikasi Kecacatan Pada PCB, SNATI Jogjakarta, 2008.
6
Wu, Stephen Gang, dkk., A Leaf Recognition Algorithm for Plant classification Using Probabilistic Neural Network, Egypt, 2007. ---, htttp://www.mathworks.com, Oktober 2008. ---, http://www.wikipedia.org, Februari 2010.
