SEGMENTASI IRIS MATA BERBASIS TRANSFORMASI NON-SEPARABLE WAVELET DAN TRANSFORMASI RANDOMIZED HOUGH * I Putu Putra Astawa, Agus Zainal Arifin, Bilqis Amaliah Program Magister Teknik Informatika, Institut Teknologi Sepuluh Nopember (ITS) - Surabaya Kampus ITS, Jl Raya ITS, Sukolilo, Surabaya,60111 email:
[email protected]
ABSTRAK Pada sistem biometrik berbasis iris mata, salah satu tahap yang paling kritis dan mendasar adalah tahap segmentasi untuk menentukan lokasi batas luar dan dalam, dari pola iris mata. Segmentasi yang akurat menjadi salah satu faktor untuk meningkatkan kehandalan sistem, dalam berbagai lingkungan yang mengandung noise. Meningkatkan akurasi segmentasi iris mata dilakukan dengan cara melokalisasi posisi iris mata dengan metode berbasis transformasi non-separable wavelet dan transformasi randomized hough, kemudian menghilangkan noise. Transformasi non-separable wavelet memiliki kelebihan dalam pemetaan tepi objek lingkaran dan transformasi randomized hough merupakan pengembangan dari transformasi hough dalam proses komputasi. Pada penelitian ini langkah – langkah yang dilakukan adalah pengambilan sampel citra mata, pemetaan tepi citra, mendeteksi batas luar dan dalam iris mata, kemudian menghapus noise dan terakhir mengukur kinerja algoritma dengan mengukur tingkat akurasi. Dalam proses uji coba mengukur tingkat akurasi segmentasi iris mata digunakan dataset CASIA-IrisV3 Hasil uji coba pada 40 citra mata menunjukkan bahwa segmentasi iris mata berbasis transformasi non-separable wavelet dan transformasi randomized hough, mampu mencapai akurasi rata – rata 98.4 %. Kata kunci : Segmentation, iris, noise, transformasi non-separable wavelet, transformasi randomized hough. 1. Pendahuluan Sistem biometrik berkembang pesat di berbagai bidang aplikasi komersial seperti sistem keamanan. Hal ini mempengaruhi penelitian-penelitian yang mengarah pada peningkatan kemampuan metode yang dikembangkan, untuk menjamin tingkat akurasi dan kehandalan dalam berbagai kesulitan pada lingkungan yang mengandung noise (Jang. dkk, 2003). Salah satu tahap yang paling kritis dan mendasar dalam sistem pengenalan iris mata adalah lokalisasi atau batasan luar dan dalam dari pola iris mata di dalam citra input, sehubungan dengan berbagai varian yang mungkin terjadi saat pengambilan citra. Varian yang dimaksud seperti posisi iris mata, posisi mata dalam citra, noise yang meliputi pemakaian kacamata, bulu mata, kelopak mata, pengaruh blurring dan variasi ukuran iris mata. Beberapa penelitian dilakukan untuk mengatasi masalah diatas seperti (Xu. dkk, 2006) menentukan batas luar dan dalam dari iris mata berdasarkan estimasi. (Li dan Liu, 2008). Peningkatan akurasi segmentasi iris mata dengan mentukan pusat lingkaran
dalam iris dan mengestimasi secara kasar radius lingkaran luar sepanjang dua segmen garis horizontal tetapi tidak akurat pada citra mengandung noise dan kualitas citra rendah karena pengaruh iluminasi. (Labati dan Scotti, 2009) berbasis intro-diferrential untuk melokalisasi batasan iris dengan melakukan proses pencarian pada region of interest tetapi tidak menghasilkan segmentasi yang akurat. Pada penelitian ini diusulkan meningkatkan akurasi segmentasi iris mata yang mengandung noise, dengan cara melokasisasi posisi iris mata menggunakan metode berbasis transformasi non-separable wavelet dan transformasi randomized hough. Transformasi non-separable wavelet yang diusulkan memiliki kelebilan dalam pemetaan citra iris dengan berbagai varian dan transformasi randomized hough merupakan metode pengembangan dari transformasi hough yang menekankan pada kecepatan komputasi dalam proses deteksi batasan iris. 2. Metode Metode yang dikembangkan dalam penelitian ini dibagi dalam tiga tahap. Tahap pertama pemetaan tepi citra bertujuan untuk menghasilkan citra tepi. Proses pemetaan mulai dari input citra, mencari titik pusat pupil dan menghitung koefisien modulus nonseparable wavelet. Tahap kedua adalah melakukan proses segmentasi dengan mendeteksi batas luar dan dalam iris mata berbasis transformasi hough, output berupa lokasi iris mata. Tahap terakhir adalah mengukur kinerja algoritma segmentasi menggunakan metode ground truth, dimana dihitung tingkat akurasi dengan cara membadingkan citra ground truth yang di segmen secara manual oleh user dengan citra hasil segmentasi sistem. 2.1 Iris mata Iris mata (selaput pelangi) merupakan daerah berbentuk gelang pada mata yang dibatasi oleh pupil dan sclera(bagian putih dari mata). Struktur permukaan mata disajikan pada Gambar 2.1. Tektur visual dari iris terbentuk dari proses “chaotic morphogenetic” selama proses perkembangan embrio(Matnoni D., 2003). Iris mata berfungsi untuk mengendalikan cahaya yang masuk melalui pupil.Ukuran rata -rata diameter iris mata adalah 12 mm dan ukuran pupil bisa bervariasi dari 10% sampai 80% diameter iris mata (Daugman.,J. 2002). Iris berbeda dan unik setiap orang, termasuk yang kembar identik (Matnoni D., 2003). Salah satu fitur iris yang penting adalah iris mata terletak dibelakang konea mata sehingga sangat sulit untuk dimodifikasi atau dipalsukan karena beresiko merusak organ mata.
(a) (b) Gambar 2.1 Struktur permukaan mata. (a) citra mata dari atas, (b) citra mata dari samping.
2.2 Menentukan Titik Pusat Pupil Dalam menentukan titik pusat pupil metode yang digunakan adalah moment (µ). Metode ini dilakukan dengan cara menghitung luas pupil, kemudian dengan menggunakan rumus moment ( ).seperti dibawah. ,
( 2.1 )
dimana x dan y adalah koordinat titik, axy menyatakan intensitas titik dan (x’, y’) merupakan titik pusat objek.
2.3 Menghitung Modulus Koefisien Non-Separable Wavelet Non-separable wavelet transform direkonstruksi menggunakan symetric matric terpusat. Dengan symetric pusat 4 x 4 dan matrik ortogonal U(α,β) yang didefinisikan sebagai berikut (Zhenyu He. dkk , 2009) dan (Jie W. dkk, 2008):
, (2.2) dimana α dan β berupa atribut bilangan real. Dari symetric matric terpusat sebelumnya, diperoleh class pada non-separable yang menghasilkan filter wavelet sebagai berikut low-pass filter mo(z1, z2) didefinisikan sebagai berikut:
,
(2.3)
dimana D={ z :|z| ≤ 1} dan ∂D={ z :|z| =1}. Dan tiga high-pass filter mj( dengan berdasarkan low-pass filter diatas, mo( ) menjadi.
j=1,2,3, dimana Vo= (1,1,1,1)T,
), j=1, 2, 3
(2.4) V1= (1,-1,1,-1)T, V2= (1,1,-1,-1)T,
V3= (1,-1,-1,1)T,
U(αk,βk) adalah symmetric terpusat, matrik orthogonal yang didefinisikan pada persamaan (2.4) dan D( ) adalah matrik pada polinomial trigonometri dibawah ini
(2.5) cara menghitung modulus dari transformasi wavelet. Diasumsikan I(x,y) adalah sebuah citra iris mata yang diperoleh pada ukuran M x N piksel. Pada setiap sekala j
dengan j > 0 dan = I(x,y), non-separable wavelet transform memisahkan citra ke dalam low pas bands Dan tiga high pass bands , ,karena bands dari wavelet transform digunakan untuk menemukan tepi, maka pemisalah wavelet adalah non-sub sample wavelet. Oleh karena itu empat sub bands , pada sekala j adalah ukuran M x N piksel, yang mana sama dengan gambar citra aslinya. Karena m1 dan m2 adalah filter anti-symmetric dan filter anti-symmetric cocok untuk mendeteksi nilai lokal ekstrim sebagai titik tepi, modulus dari transformasi nonseparable wavelet dihitung dengan . .
(2.6)
Gambar 2.2 Pemisahan Wavelet (Komponen High Frequency Dikuantisasi Dalam Citra Biner) non-Separable Wavelet. 2.4 Deteksi Batasan Dalam dan Luar Iris Mata. Dalam mendeteksi batasan luar dan dalam iris mata menggunakan randomized hough transform. Transformasi hough digunakan untuk mendeteksi bentuk yang spesifik. Dalam hal ini adalah bentuk melingkar iris mata. Tahapan yang dilakukan untuk mendeteksi iris mata adalah sebagai berikut: memilih n piksel secara random dari sebuah citra, menentukan kurva paremeter secara fit, piksel yang fit dimasukkan ke akumulator dan ditambahkan skor, diseleksi nilai maksimum dari sekumpulan piksel pada akumulator ,paramenter ini dijadikan representasi bentuk melingkar dari iris mata. 3. Hasil Eksperiment Data uji coba yang digunakan pada penelitian ini menggunakan data database CASIA-IrisV3 yang dapat di akses pada http://www.cbsr.ia.ac.cn/IrisDatabase.htm. Database ini disediakan oleh Chinese Academy of Sciences. Jumlah citra lebih dari 1500. Semua citra iris mata adalah graylevel dengan jenis file JPEG, dengan resolusi 320 x 280 piksel Dalam uji coba mendeteksi titik pusat pupil dilakukan dengan mengubah input kedalam citra biner kemudian, menggunakan operasi morphology untuk menghitung luas pupil, selanjutnya menggunakan metode moment untuk menentukkan koordinat titik pusat pupil. Hasil uji coba menentukan titik pusat pupil ditunjukkan pada Gambar 3.1. Tahap selanjutnya adalah memetakan tepi citra menggunakan transformasi nonseparable wavelet, selanjutnya hasil transformasi dilakukan proses “hysterisis thresholding “ menggunakan dua nilai threshold T1 dan T2 untuk menghasilkan tepi citra yang diinginkan. Hasil pementaan tepi citra iris mata ditujukkan pada Gambar 3.2.
(a)
(b)
Gambar 3.1 Citra hasil penentuan titik pusat pupil. (a) mata kiri, (b) mata kanan
Tabel. 3.1 Uji Coba Deteksi titik pusat Pupil Mata. Luas Pupil
Titik pusat
(Piksel)
(Xc , Yc)
116
10241
(156, 116)
160
130
8121
(160, 130)
3
130
140
9704
(130, 140)
4
177
146
8945
(177, 146)
5
160
147
8910
(156, 147)
6
165
152
10598
(165, 152)
No Sampel
Koordinat X
Koordinat Y
1
156
2
Gambar 3.2 citra hasil pemetaan tepi dengan objek iris mata kanan dan kiri Hasil citra segmentasi dengan mendeteksi batasan luar dan dalam dari iris mata, seperti pada gambar 3.3.
Gambar 3.3 Citra hasil segmentasi.
Tabel 3.2. Hasil Pengujian Akurasi Segmentasi Iris Mata. Nomor sampel
Akurasi Hasil Segmentasi (%)
1
98.92
2
98.79
3
98.79
4
98.80
5
98.72
6
98.70
7
98.80
8
98.81
9
98.95
10
98.83
4. Diskusi Dalam proses segmentasi iris mata, menentukan radius iris mata yang optimal untuk pengembangan penelitian. Juga diperlukan metode yang handal untuk mengatasi pengaruh noise seperti pemakaian kacamata, blurring dan pengambilan sampel citra dalam ukuran yang berbeda. 5. Kesimpulan Tingkat akurasi segmentasi iris mata sangat dipengaruhi oleh ketepatan sistem dalam menentukan titik pusat pupil. Semakin tepat posisi titik pusat hasil segmentasi semakin akurat. Dari hasil uji coba hasil segmentasi akurasi untuk seluruh sampel menghasilkan rata – rata akurasi 98.4 % dengan rata – rata kesalahan 1.6 % Daftar Pustaka Chen.Y., Adjouadi. M., Han.C., Wang.J., Barreto.A., Rishe. N., dan Andrian.J, (2009), ‘A Highly Accurate And Computationally Efficient Approach For Unconstrained Iris Segmentation’, Image And Vision Computing, (Inpress). Daugman., J.( 2002),” How iris recognition works”. IEEE Transactions On Circuits And Systems For Video Technology, Vol. 14, No. 1. Darma Putra IKG,(2009), “Sistem Biometrika Konsep Dasar, Teknik Analisa Citra, dan Tahapan Membangun Aplikasi Sistem Biometrika”, Andi Offset. Gonzalez, R.C., Woods, R.E(2008), “Digital Image Processing”, Third Edition, Prentice Hall, New Jersey Jang.J., Kim. K., Lee. Y., (2003), “ Efficient Algorithm of Eye Image Check for Robust Iris Recognition System”, in: Lecture Notes in Computer Science v2756, Springer, Berlin, Heidelberg, pp. 301–308. Jie W., Xinge Y., Yuan Y., Yiu-ming C.,(2008), ” Palmprint Identification Based on Non-separable Wavelet Filter Banks”, 978-1-4244-2175-6 , IEEE
Jing .H., Xinge.Y., YuanY.T., LiangDu, Yuan Y.,(2009),” A novel iris segmentation using radial-suppression edge detection”, Signal Processing 2630–2643 Labati, R.D., Scotti, F., (2009), “Noisy Iris Segmentation With Boundary Regularization And Reflections Removal”, Image And Vision Computing, (Inpress). Li,P., Liu,X., Xiao.L., dan Song.Q, (2009), “Robust And Accurate Iris Segmentation In Very Noisy Iris Images”, Image And Vision Computing, (inpress). Li.P., Liu.X,(2008),’ An Incremental Method for Accurate Iris Segmentation’ School of Computer Science and Technology,China Libor Masek (2003) ,”Biometric Identification System Based on Iris Patterns”. The School of Computer Science and Software Engineering, The University of Western Australia. Matnoni D., Maio D., Jain A.K., Prabhakar S.,( 2003) ,”Handbook of fingerprint recognition”, Springer-verlag W. Kong, D. Zhang (2001). Accurate iris segmentation based on novel reflection and eyelash detection model. Proceedings of 2001 International Symposium on Intelligent Multimedia, Video and Speech Processing, Hong Kong Xu, G.Z., Zhang ,Z.F., Ma, Y.D. (2006) ,”Automatic Iris Segmentation Based On Local Areas”, in: 18th International Conference on Pattern Recognition, vol. 4, pp. 505–508. Yang, J., You, X., Tang, Y.Y., Fang, B. (2005), “A Watermarking Scheme Based On Discrete Non-Separable Wavelet Transform”, Pattern Recognition and Image Analysis 427–434. Zhenyu He., Xinge Y., YuanY.,(2009),” Texture image retrieval based on non-tensor product wavelet filter banks ”, Signal Processing 89, 1501–1510