SEGMENTASI IRIS MATA MENGGUNAKAN METODE DETEKSI TEPI DAN OPERASI MORFOLOGI Dr. Karmilasari *), Tri Putriyati Permata **) Jurusan Sistem Informasi, Fakultas Ilmu Komputer Universitas Gunadarma Jl. Margonda Raya No. 100 Pondok Cina, Depok 16424, Indonesia Email :
[email protected] *) Dosen Sistem Informasi Universitas Gunadarma **) Mahasiswa Sistem Informasi Universitas Gunadarma
Abstraksi Sistem biometrik sebagai salah satu sistem identifikasi telah berkembang dengan pesat, salah satu yang digunakan adalah iris mata. Secara umum tahapan sistem pengenalan iris mata terdiri dari beberapa tahapan, yaitu akuisisi citra, segmentasi/lokalisasi, ekstraksi dan pengenalan. Pada penelitian ini, penulis mencoba suatu alternatif lokalisasi/segmentasi dengan memanfaatkan ciri pupil yang memiliki intensitas gelap yang homogen dan bentuk lingkaran pupil dan iris dengan menggunakan bahasa pemrograman Matlab 7.0. Pengujian sistem dilakukan dengan mengambil database yang diasumsikan telah dilakukan oleh CASIA (Chinese Academy of Sciences Institute of Automation). Database iris mata ini diambil pada CASIA versi 1.0, citra yang dihasilkan adalah citra keabuan dalam format BMP dengan ukuruan 320 x 280 piksel. Dari hasil uji coba keseluruhan citra yang terdiri dari 756 citra, tingkat keberhasilan segmentasi/lokalisasi pupil dan iris yang berhasil adalah 35.58%, yang hampir berhasil adalah 50.93% dan yang tidak berhasil adalah 13.49%. Sedangkan rata-rata keseluruhan radius pupil dan iris adalah 51.081 dan 102.415, serta rata - rata waktu proses yang didapat dari keseluruhan citra adalah 3.677 detik. Kata kunci : Pengenalan Iris, Segmentasi/Lokalisasi Pupil & Iris, dan Deteksi Tepi. 1.
PENDAHULUAN
Kemajuan teknologi terutama dalam bidang teknologi informasi pada saat ini telah berubah dengan sangat cepat seiring dengan kemajuan zaman. Salah satu contohnya adalah pemanfaatan anggota tubuh secara unik untuk membedakan antara satu orang dengan orang lain, yang biasa disebut biometrik. Biometrik adalah suatu metoda untuk mengenali manusia berdasarkan pada satu atau lebih ciri-ciri fisik atau tingkah laku yang unik. Biometrik merupakan sistem pengenalan individu yang terdiri dari dua macam yaitu secara modern dan tradisional. Sistem pengenalan individu secara modern yaitu berdasarkan ciri fisik dan perilaku individu dan secara tradisional yaitu berdasarkan knowledge base (pengisian password/PIN) dan token base (menggunakan kartu magnetik atau kartu pintar / smart card). Kelemahan menggunakan knowledge base (pengisian password / PIN) yaitu mudah lupa dan dapat ditebak oleh orang, sedangkan kelemahan menggunakan token base (kartu magnetik atau kartu pintar / smart card)
yaitu mudah hilang, dicuri dan digandakan sehingga dapat dipalsukan oleh orang lain. Penggunaan sistem biometrik sebagai salah satu sistem identifikasi dan verifikasi sebenarnya bukanlah suatu hal yang baru. Sistem biometrik menggunakan ciri-ciri fisiologis (physiological) seseorang dan tingkah laku seseorang/perilaku (behavioral) untuk mengenali atau membuktikan identitas seseorang. Yang menggunakan ciri-ciri fisik misalnya wajah (face recognition), sidik jari (fingerprint), iris mata (iris recognition) dan geometri tangan (hand geometry). Sedangkan yang menggunakan perilaku/tingkah laku misalnya tulisan tangan, suara (voice recognition) dan tanda tangan (signature). Salah satu penggunaan sistem biometrik sebagai salah satu sistem identifikasi telah berkembang dengan pesat, salah satu yang digunakan adalah iris mata. Iris mata adalah daerah berbentuk gelang pada mata yang dibatasi oleh pupil dan sclera (bagian putih dari mata). Kelebihan iris mata adalah iris memiliki tingkat penerimaan kesalahan sangat kecil, karena itu iris dapat menjadi alat biometrik
aplikasi identifikasi yang baik, dan iris sangat unik serta sulit untuk digandakan. Secara umum tahapan sistem pengenalan iris mata terdiri dari beberapa tahapan, yaitu akuisisi citra, segmentasi/lokalisasi, ekstraksi dan pengenalan. Pada tahapan segmentasi / lokalisasi cukup penting, karena dapat melokalisasi beberapa bagian citra dari suatu objek. Penelitian-penelitian sistem pengenalan iris terdahulu telah sebelumnya pernah dibuat oleh Daugman dan Wildes. Dimana Daugman dan Wildes, menggunakan beberapa metode dalam sistem pengenalan iris. Menurut Daugman, tahapan segmentasi/lokalisasi dilakukan dengan menggunakan integrasi dan differensiasi untuk menentukan bentuk iris yang berupa lingkaran. Setelah proses segmentasi dilakukan, untuk menentukan ekstraksi ciri suatu citra pada metode Daugman ini
2. 2.1
TINJAUAN PUSTAKA Anatomi dan Fisiologi Mata
Mata adalah suatu struktur sferis berisi cairan yang dibungkus oleh tiga lapisan. Dari luar ke dalam, lapisan–lapisan tersebut adalah dari : (1) sclera/ kornea, (2) koroid/badan siliaris/iris, dan (3) retina. Sebagian besar mata dilapisi oleh jaringan ikat yang protektif dan kuat di sebelah luar, sklera, yang membentuk bagian putih mata. . Struktur mata manusia berfungsi utama untuk memfokuskan cahaya ke retina. Semua komponen–komponen yang dilewati cahaya sebelum sampai ke retina mayoritas berwarna gelap untuk meminimalisir pembentukan bayangan gelap dari cahaya. Kornea dan lensa berguna untuk mengumpulkan cahaya yang akan difokuskan ke retina, cahaya ini akan menyebabkan perubahan kimiawi pada sel fotosensitif di retina. Hal ini akan merangsang impuls–impuls syaraf ini dan menjalarkannya ke otak.
Gambar 2.1 Struktur Anatomi Mata
Cahaya masuk ke mata dari media ekstenal seperti, udara, air, melewati kornea dan masuk ke dalam aqueous humor. Iris yang berada antara lensa dan aqueous humor, merupakan cincin berwarna dari serabut otot.
menggunakan Metode Filter Gabor 2-D dan pada tahapan pencocokan ciri suatu citra menggunakan jarak Hamming (Hamming Distance). Sedangkan menurut Wildes, tahapan pada segmentasi/lokalisasi dapat dilakukan dengan Filter Gaussian Low pass. Sedangkan pada tahap ekstraksi ciri menggunakan metode Transformasi Hough, karena dapat menentukan parameter-parameter lingkaran dari pupil dan pada tahap pencocokan ciri iris dapat dilakukan dengan menggunakan Laplacian Filter Gaussian. Pada penelitian ini, penulis mencoba suatu alternatif lokalisasi/ segmentasi dengan memanfaatkan ciri pupil yang memiliki intensitas gelap yang homogen dan bentuk lingkaran pupil dan iris dengan menggunakan bahasa pemrograman Matlab 7.0. Cahaya pertama kali harus melewati pusat dari iris yaitu pupil. Adapun karakteristik iris adalah : • Mempunyai warna yang beraneka ragam yaitu hitam, coklat, emas, biru tua, hijau, biru muda, dan abu-abu. Kesemuanya itu dapat dibagi dalam tiga bagian yaitu biru, coklat, dan campuran. • Memiliki guratan-guratan yang tidak sama/heterogen. • Memiliki lingkaran tidak sempurna, karena tertutup oleh sebagian kelopak mata bagian atas/bawah atau bulu mata. Ukuran pupil itu secara aktif dikendalikan oleh otot radial dan sirkular untuk mempertahankan level yang tetap secara relatif dari cahaya yang masuk ke mata. Adapun karakteristik pupil adalah: • Mempunyai warna yang lebih gelap dibandingkan dengan yang lain. • Berbentuk lingkaran.
2.2
Pengenalan Iris (Iris Recognition)
Pengenalan iris adalah suatu proses untuk mengenal seseorang dengan menganalisa pola acak dari iris. Dimana pengenalan iris bertujuan untuk mengenali suatu objek dengan cara mengekstraksi informasi yang terdapat dalam suatu citra tersebut. Iris merupakan suatu otot didalam mata yang mengatur ukuran dari pupil, mengendalikan jumlah cahaya yang masuk ke mata. Iris juga adalah bagian yang diwarnai dengan pewarna mata berdasarkan jumlah pigmen melatonin didalam otot mata.
Gambar 2.2 Struktur Iris
Meskipun pewarnaan dan struktur iris adalah terhubung genetik, dan rincian pola tidak. Tetapi iris yang berkembang selama pertumbuhan sebelum melahirkan melalui suatu proses dari pembentukan lipat yang ketat dari jaringan selaput. Sebelum kelahiran, degenerasi terjadi sehingga menghasilkan pembukaan pupil dan acak, serta pola-pola unik dari iris. Walaupun genetik serupa, seseorang yang memiliki struktur iris yang unik dan berbeda, dapat memungkinkan untuk digunakan untuk tujuan pengenalan.
2.3 Teori-teori Sistem Pengenalan Iris 2.3.1 Metode Daugman Menurut Daugman, pengambilan data dapat dilakukan dengan sebuah kamera video, lensa, framegrabber, dan sebuah monitor tampilan yang dihubungkan ke sebuah komputer workstation. Dalam penelitian ini, pengambilan database telah diasumsikan tersedia di Opthalmology Assosiates of Connecticut. Jumlah citra mata yang diambil sebanyak 592 iris yang berasal dari 323 orang yang berbeda (masingmasing orang sekitar 3 citra iris) dengan ukuran 480x640 monokrom 8 bits/pixel. Pada proses segmentasi ini, metode Daugman melakukan beberapa tahapan yaitu proses pengenalan citra, proses deteksi tepi, dan proses pendeteksian batas radius pupil dan iris. Proses pengenalan citra yang digunakan adalah pengenalan batas lingkar iris yang memisahkan iris dengan white sclera (bagian putih dari mata). Proses ini dilakukan oleh edge detector dan tidak akan berhasil (batas lingkar tidak terdeteksi) jika mata tertutup dan/atau tidak ada mata di depan kamera. Bentuk iris yang berupa lingkaran, untuk menentukan lokasinya dibutuhkan rumus integrasi dan differensiasi. Proses ini dilakukan dengan memperbesar rekayasa pengaburan gambar parsial, dan menambahkan batas radius r, dari integral kontur gambar yang dinormalisasi sepanjang busur radius dan pusat iris. Berikut ini rumus dari integrasi dan diferensiasi adalah :
(1) Dimana * menandakan perkalian dan Gσ (r) adalah fungsi smoothing (penghalusan) seperti gaussian skala σ. Lengkap operator behaves berlaku sebagai ujung detektor circular, kabur pada skala σ yang telah ditetapkan oleh intensitas pencarian untuk maksimum garis integral turunan dengan peningkatan berturutturut di radius halus skala analisis melalui tiga parameter ruang pusat dan radius koordinat (x0,
y0, r) mendefinisikan jalan garis integrasi. Implementasi discrete untuk rumus di atas dapat menggunakan integro-differential operator, karena lebih efisien untuk mengubah susunan lilitan dan perbedaan dan untuk menyatukan, sebelum komputer yang mempunyai ciri-ciri rangkaian undersampled sums dari piksel sepanjang kontur circular untuk meningkatkan radius menggunakan terbatas perbedaan perkiraan ke turunan yang berlainan dalam seri n,
(2)
Dimana ∆r merupakan kenaikan kecil dalam radius, dan mengganti lilitan dengan kontur integrals sums, dapat memperoleh melalui manipulasi discrete operator yang efisien untuk menemukan lingkaran dalam dan luar batas-batas iris, dimana ∆θ adalah angular sampling interval yang tajam sepanjang circular arcs, dimana I (x, y) merupakan intensitas piksel yang mewakili garis kontur integral. Setelah proses segmentasi dilakukan, untuk menentukan ekstraksi ciri suatu citra iris digunakan metode filter Gabor 2-D. Dimana Daugman memperkenalkan filter ini pada tahun 1980. Property matematis yang digunakan memiliki kemampuan menyediakan informasi resolusi tinggi tentang orientasi dan isi frekuensi spasial dari struktur gambar. Dengan memperoleh koefisien yang dibutuhkan untuk fungsi kompleks ini akan menghasilkan informasi yang dibutuhkan untuk merepresentasikan iris dengan transformasi Gabor. Rumus Filter Gabor 2-D yaitu :
(3) Dimana (x0,y0) merupakan posisi dari gambar, (α, β) merupakan panjang dan lebar gambar, dan (u0, v0) nilai modulasi. Kode akhir dari iris (256 byte) dihitung per bit dengan memproyeksikan area iris tertentu pada filter Gabor. Jumlah byte dipilih berdasarkan kapasitas tiga channel yang ada pada pita magnetik yang menjadi standar kartu kredit. Perlu diketahui bahwa nilai ini adalah batas atas kapasitas untuk merepresentasikan iris. Pencocokan ciri iris menurut Daugman, dapat dilakukan dengan jarak Hamming (Hamming Distance) yang cocok untuk pencocokan vektor biner. Hasil pencocokan ini adalah skor yang akan menentukan hasil pengenalan citra. Dengan
menggunakan opersai XOR sederhana antara pasangan kode akan menghasilkan Hamming Distance-nya. Berikut ini rumus untuk mencari Hamming Distance (jarak Hamming) yaitu : (4)
Dimana A adalah citra metriks yang pertama dan B adalah citra metriks yang kedua. Proses ini dilakukan dengan mengetahui bahwa iris memiliki kira-kira 400 derajat kebebasan (DOF). Transformasi Fourier dari fitur ini dapat direpresentasikan dalam berbagai oktaf dan pada skala analisis yang berbeda. Lebih jauh lagi, korelasi dihasilkan oleh property bandpass dari filter Gabor.
2.3.2 Metode Wildes Sistem Wildes ini, pengambilan gambar mata dengan kualitas dan resolusi yang tinggi, digunakan kamera putih (Silicon Intensified SIT) dengan tingkat pencahayaan rendah digabungkan dengan penangkap frame standar (DASMFGM Analog) dengan resolusi 512 x 480 piksel. Diameter iris sebenarnya menjadi 256 piksel pada array sensor pada penangkapan gambar 20 cm dari mata. Proses pencahayaan yang merata tanpa mengurangi kenyamanan pengguna, digunakan sebuah array cahaya (8.5 watt lampu quartzhalogen) diarahkan pada iris. Pencahayaan merata dapat dicapai dengan meletakkan filter (panel difusi) antara iris dengan kamera. Panel ini juga membantu mendistribusikan intensitas cahaya. Lensa kamera berada pada posisi tengah dari panel difusi ini. Proses peletakan posisi mata menggunakan proses otomatis yang diarahkan oleh self positioning operator. Tujuannya adalah memberikan batasan pada tiga derajat kebebasan mata yang akan digambarkan dengan menempatkan mata di tengah array sensor pada fokus lensa. Dalam metode Wildes terdapat 2 langkah yang dapat dilakukan dalam segmentasi. Langkah pertama adalah informasi intensitas gambar dikonvert menjadi biner edge-map, kedua adalah edge point untuk memberikan nilainilai parameter garis tertentu. Berikut ini adalah rumus untuk mencari nilai intensitas threshold magnitude gambar yang terdapat pada metode Wildes yaitu : (5) Dimana,
sehingga :
(6)
Rumus diatas adalah dua dimensi Gaussian dengan pusat (x0,y0) dan standar deviasi σ yang digunakan untuk menghaluskan gambar untuk memilih ruang skala tepi gambar. Proses segmentasi ini dilakukan dengan menggunakan filter sederhana dan operasi histogram. Tujuannya adalah mengisolasi iris dari area sekitarnya. Efisiensi komputasi dicari dengan filter Gaussian lowpass diikuti dengan subsampling sebagian. Hal ini juga membantu menghilangkan noise frekuensi tinggi. Menurut Wildes, untuk ekstraksi ciri dari citra iris dapat menggunakan metode Transformasi Hough. Dengan melakukan segmentasi kita dapat menentukan lokasi iris melalui lokasi komponenya atau dengan batas luar dan dalam iris (limbic, papillary, dan kelopak mata). Dengan Tranformasi Hough, kita dapat menentukan parameter-parameter lingkaran dari pupil. Berikut ini adalah rumus persamaan untuk mencari Transformasi Hough didefinisikan sebagai berikut : (7) Dimana, 1, if g(xj, yj, xc, yc, r) = 0 0, otherwise
(8)
Dengan, (9) Untuk setiap tepi (xj,yj), g(xj,yj,xc,yc,r) = 0 dan untuk setiap parameter triple (xc,yc,r) yang merupakan point dari lingkaran tersebut. Sehingga, parameter tripel yang umum adalah untuk memaksimalkan besar jumlah edge poin yang wajar dan merupakan pilihan untuk mewakili garis yang penting. Sehingga dengan transformasi Hough kita dapat menentukan parameter lingkaran pupil dengan menggunakan deteksi tepi. Pencocokan ciri iris dapat dilakukan dengan menggunakan bandpass decomposition yang berasal dari Laplacian Filter Gaussian. Berikut ini adalah rumus untuk filter tersebut :
(10) . Dimana, σ merupakan standar deviasi Gaussian dan ρ merupakan jarak radius dari pusat filter. Untuk menghasilkan pengenalan, dilakukan formulasi 3 bagian yaitu untuk memilih representasi iris, menetapkan korespodensi antara model dengan gambar percobaan dan melakukan evaluasi
kemiripannya. Untuk memanfaatkan karakteristik ini digunakan proses dekomposisi 2-D bandbass.
2.4
Rumus Perhitungan Lingkaran
Rumus perhitungan lingkaran digunakan untuk menghitung jari-jari pupil dan jari-jari iris mata.
Dengan Canny dimungkinkan dihasilkannya jarak yang minimum antara tepi yang dideteksi dengan tepi yang asli. 3. Respon yang jelas (kriteria respon) Hanya ada satu respon untuk tiap tepi. Sehingga mudah dideteksi dan tidak menimbulkan kerancuan pada pengolahan citra selanjutnya. Sedangkan operasi morfologi adalah teknik pengolahan citra yang didasarkan pada bentuk segmen atau region dalam citra. Ada beberapa operasi morfologi yang dapat dilakukan antara lain, yaitu dilasi, erosi, opening (pembukaan), closing (penutupan), dan filling (pengisian) :
1. Gambar 2.3 Bentuk Lingkaran yang menggambarkan Pupil dan Iris Dari persamaan lingkaran : r² = (x – a)² + (y – b)² .....................(11) dimana, r = Jari-jari lingkaran (belum diketahui) (a,b) = Titik pusat lingkaran (belum diketahui) (x,y) = Koordinat titik sepanjang lingkaran (tepi pupil pada 8 arah sudut)
2.5
Deteksi Tepi dan Operasi Morfologi
Deteksi tepi (Edge Detection) pada suatu citra adalah suatu proses yang menghasilkan tepi-tepi dari obyek-obyek citra, , tujuannya adalah : • Untuk menandai bagian yang menjadi detail citra. • Untuk memperbaiki detail dari citra yang kabur, yang terjadi karena error atau adanya efek dari proses akuisisi citra. Deteksi tepi berfungsi untuk mengidentifikasi garis batas (boundary) dari suatu objek yang terdapat pada citra. Dimana pada penelitian ini, menggunakan Metode Canny. Ada beberapa kriteria pendeteksi tepian paling optimum yang dapat dipenuhi oleh algoritma Canny : 1. Mendeteksi dengan baik (kriteria deteksi) Kemampuan untuk meletakkan dan menandai semua tepi yang ada sesuai dengan pemilihan parameter-parameter konvolusi yang dilakukan. Sekaligus juga memberikan fleksibilitas yang sangat tinggi dalam hal menentukan tingkat deteksi ketebalan tepi sesuai yang diinginkan. 2. Melokalisasi dengan baik (kriteria lokalisasi)
Dilasi
Adalah suatu proses menambahkan piksel pada batasan dari objek dalam suatu gambar sehingga nantinya apabila dilakukan operasi ini maka gambar hasilnya lebih besar ukurannya dibandingkan dengan gambar aslinya. Operasi dilasi dilakukan untuk memperbesar ukuran segmen objek dengan menambah lapisan di sekeliling objek.
2.
Erosi
Operasi erosi adalah kebalikan dari operasi dilasi. Pada operasi ini, ukuran objek diperkecil dengan mengikis sekeliling objek.
3.
Opening (Pembukaan)
Operasi pembukaan juga merupakan kombinasi antara operasi erosi dan dilasi yang dilakukan secara berurutan, tetapi citra asli dierosi terlebih dahulu baru kemudian hasilnya didilasi. Operasi ini digunakan untuk memutus bagian-bagian dari objek yang hanya terhubung dengan 1 atau 2 buah titik saja.
4.
Closing (Penutupan)
Operasi penutupan adalah kombinasi antara operasi dilasi dan erosi yang dilakukan secara berurutan. Citra asli didilasi terlebih dahulu, kemudian hasilnya dierosi. Operasi ini digunakan untuk menutup atau menghilangkan lubanglubang kecil yang ada dalam segmen objek. Operasi penutupan juga digunakan untuk menggabungkan 2 segmen objek yang saling berdekatan (menutup sela antara 2 objek yang sangat berdekatan).
5.
Filling (Pengisian)
Operasi pengisian merupakan kebalikan dari operasi pencarian batas citra. Pada operasi ini, citra masukan adalah citra batas/kontur, kemudian dilakukan pengisian sehingga diperoleh segmen objek yang solid. Prosesnya dimulai dengan menentukan titik awal pengisian yang terletak di dalam objek, kemudian bergerak ke arah titik-titik tetangganya.
3.
ANALISIS DAN PERANCANGAN
Ada beberapa tahapan yang harus dilakukan dalam sistem pengenalan iris mata. Tahapan ini dapat dilihat dalam langkah – langkah sebagai berikut :
pupil mengecil jika cahaya terang atau untuk penglihatan dekat. Dalam lokalisasi pupil ini, terdapat beberapa tahapan yang dapat dilakukan seperti di bawah ini :
Gambar 3.1 Model Sistem Pengenalan Citra Tahapan-tahapan perancangan untuk setiap bagian dari proses pengenalan iris mata dijelaskan lebih lengkap pada tahapan berikut ini:
3.1.1
Akuisisi Citra
Di dalam suatu pengambilan data dapat dilakukan dengan menggunakan berbagai media, seperti kamera digital, handycam, scanner atau suatu kamera khusus yang didesain untuk akuisisi citra mata. Dengan memperhitungkan jarak dan pencahayaan. Dalam penelitian ini, proses akuisisi citra diasumsikan telah dilakukan yaitu oleh Chinese Academy of Sciences Institute of Automation (CASIA), sehingga penulis mengambil data iris mata dari database CASIA tersebut. Database iris mata ini diambil pada CASIA versi 1.0. Citra yang dihasilkan adalah citra keabuan dalam format BMP, dengan ukuruan 320 x 280 piksel. Database tersebut terdiri dari 756 citra yang diambil dari 108 objek, dari tiap objek diambil untuk mata kanan dan kiri.
3.1.2
Segmentasi/Lokalisasi Pupil dan Iris
Segmentasi bertujuan untuk melokalisasi beberapa bagian citra dari suatu objek. Dalam penelitian pengenalan iris mata, segmentasi / lokalisasi terdiri dari lokalisasi pupil, lokalisasi iris, lokalisasi kelopak mata, dan sclera.
Gambar 3.2 Tahapan Lokalisasi Pupil Untuk melokalisasi bagian langkah pertama yang dilakukan adalah :
1.
pupil,
Deteksi Tepi Canny
Untuk melihat batas-batas dari tepi yang ada pada citra mata yaitu dilakukan proses deteksi tepi dengan menggunakan deteksi tepi Canny. Deteksi tepi Canny dipilih karena dapat mendeteksi dengan baik sehingga dapat melakukan pemilihan parameter-parameter untuk menandai semua tepi, melokalisasi dengan baik sehingga dapat menghasilkan jarak yang minimum antara tepi yang dideteksi dengan tepi yang asli, dan respon yang jelas sehingga mudah dideteksi dan tidak menimbulkan kerancuan pada pengolahan citra selanjutnya. Dalam MATLAB dapat digunakan fungsi berikut ini : img=edge(handles.data1,'canny',.28); %Metode Canny edge detection
Dari program di atas, nilai ambang (threshold) yang dipilih untuk menentukan deteksi tepian adalah 0.28. Karena dengan nilai ambang kecil akan menghasilkan tepian yang semakin baik, sehingga tepian yang ada pada citra dapat terlihat dengan jelas. Berikut ini adalah hasil citra yang telah di deteksi tepi pada program di atas:
3.1.2.1 Lokalisasi Pupil Proses pertama setelah database CASIA kita peroleh adalah melakukan lokalisasi pupil. Pupil adalah ruangan di tengah – tengah iris, ukuran pupil bervariasi dalam merespon intensitas cahaya dan memfokuskan objek (akomodasi) untuk memperjelas penglihatan,
Gambar 3.3 Citra Hasil Deteksi Tepi dengan Deteksi Tepi Canny
2.
Operasi Morfologi (Dilasi dan Fill)
Setelah proses deteksi tepi selesai, maka akan dilakukan operasi morfologi. Dimana, dalam operasi morfologi citra mata tersebut terdiri dari operasi dilasi dan fill. Dilasi adalah suatu proses menambahkan piksel pada batasan dari objek dalam suatu citra sehingga nantinya apabila dilakukan operasi ini maka citra hasilnya lebih besar ukurannya dibandingkan dengan citra aslinya. Dalam MATLAB dapat digunakan fungsi berikut ini : se=strel('line',11,90);%se adalah komponen morphologi BWdil=imdilate(img,[se]);%Dilasi Citra
Kemudian setelah proses dilasi selesai, akan dilakukan operasi morfologi berikutnya yaitu fill (pengisian). Fill adalah proses untuk menentukan titik awal pengisian yang terletak di dalam objek, kemudian bergerak ke arah titiktitik tetangganya. Program yang dapat digunakan adalah sebagai berikut : BWfil = imfill(BWdil,'holes');
Berikut ini adalah hasil citra yang telah di dilasi dan di fill (pengisian) pada program di atas:
(a)
Euclidean Highlight
Tahapan berikutnya untuk melokalisasi pupil yaitu Euclidean highlight. Dimana setelah dilakukan operasi morfologi dengan menggunakan dilasi dan fill, kita akan melakukan proses Euclidean Highlight, sehingga akan menghasilkan gambar yang berupa kilatan atau cahaya disekitar area pupil. Program yang dapat digunakan adalah sebagai berikut : BWdis=bwdist(~BWfil); Highlight
4.
Penentuan Titik Radius Dari Pupil
Pada bagian ini, batas pupil dideteksi dengan menggunakan deteksi titik batas dalam dan batas luar dari sebuah citra, secara umum dapat direpresentasikan sebuah lingkaran yang kosentris satu sama lain.
•
Pencarian Titik Lingkaran Pupil
%Euclidean
Berikut ini adalah hasil citra yang telah di Euclidean highlight pada program di atas:
Koordinat
Titik pusat sebagai referensi dapat dicari dari tepian yang telah terdeteksi pada proses pendeteksian tepi dengan deteksi tepi Canny. Dari titik piksel pembentukan tepian pupil dapat diambil 8 buah titik pada arah keluar dari atau titik estimasi (perkiraan) yang terletak di tengahtengah citra.
(b)
Gambar 3.4 Hasil Morfologi Citra (a) Hasil Dilasi Citra (b) Hasil Fill Citra
3.
Gambar 3.5 Citra Hasil Euclidean Highlight
Gambar 3.6 Deteksi Titik Arah pencarian titik-titik tersebut masingmasing mempunyai sudut 45 derajat satu sama lain, yaitu pada arah vertikal, horizontal, dan diagonal titik pusat citra. Berikut ini adalah tabel untuk pencarian titik pusat citra : Table 3.1 Arah 8 Titik No. Arah Sumbu X Sumbu Y 1 2
0° 135°
x=x+1 x=x-1
y y=y-1
3
225°
x=x-1
y=y+1
4
315°
x=x-1
y=y-1
5
45°
x=x+1
y=y-1
6
270°
x
y=y+1
7
180°
x=x-1
y
8
90°
x
y=y–1
•
Penentuan Titik Pusat Pupil
Telah dibahas sebelumnya pada tinjauan pustaka, tentang perhitungan lingkaran. Dalam persamaan tersebut koordinat dari titik pusat (a,b) dimana a adalah koordinat pusat pada sumbu horizontal (sumbu x) dan b adalah koordinat pusat pada sumbu vertikal (sumbu y). Dimana, kedelapan koordinat titik kemudian akan digunakan untuk mencari 6 buah titik pusat yang kemudian dijumlahkan dan diambil nilai rata-ratanya untuk digunakan sebagai titik pusat lingkaran. Dengan menggunakan rumus yang ada, koordinat titik pusat pupil dapat dihitung dengan persamaan sebagai berikut : %menghitung pusat pupil 4 langkah for n = 1 : 6 i = n; j = n+1; k = n+2; C(n) = (x(i)^2 + y(i)^2) - (x(j)^2 + y(j)^2); D(n) = 2*(x(i) - x(j)); E(n) = 2*(y(i) - y(j)); F(n) = (x(j)^2 + y(j)^2) - (x(k)^2 + y(k)^2); G(n) = 2*(x(j) - x(k)); H(n) = 2*(y(j) - y(k));
Untuk melokalisasi iris, pertama yang dilakukan adalah :
1.
langkah
Filter Median
Untuk mengurangi noise, dapat dilakukan penapisan pada citra iris mata menggunakan matriks konvolusi yang sesuai. Karena dengan mengurangi noise (derau), maka mengurangi bagian tidak penting yang terdapat pada iris mata. Dalam program Matlab ini, untuk mengurangi noise menggunakan Filter Median. Karena dengan filter median lebih efektif menghilangkan noise (derau) yang berfrekuensi tinggi pada citra mata. Berikut ini pemakaian filter median dengan kernel 8x8 dapat dilakukan pada program dibawah ini : im2=filter2(fspecial('average',8),ha ndles.data1)/255; im2=medfilt2(im2,[8,8]);
Berikut ini adalah hasil citra yang telah di Filter pada program di atas:
center_y(n) = (C(n)*G(n)-(D(n)*F(n)))/(E(n)*G(n)(D(n)*H(n))) center_x(n) = (C(n)-(E(n)*center_y(n)))/D(n) end center_y; center_x; centerin_x = round(sum(center_x)/6) centerin_y = round(sum(center_y)/6)
Gambar 3.7 Pemrograman Matlab untuk Penentuan Titik Pusat Pupil
3.1.2.2 Lokalisasi Iris Iris adalah daerah berbentuk gelang pada mata yang dibatasi oleh pupil dan sclera (bagian putih dari mata). Iris merupakan suatu otot didalam mata yang mengatur ukuran dari pupil, mengendalikan jumlah cahaya yang masuk ke mata. Dalam lokalisasi iris ini, terdapat beberapa tahapan yang dapat dilakukan seperti skema berikut ini :
Gambar 3.9 Citra Hasil Filter Median
2.
Deteksi Tepi Canny
Setelah proses filter median selesai, maka kita akan mendeteksi garis tepian citra iris mata dengan menggunakan metode deteksi tepi Canny. Dalam MATLAB dapat digunakan fungsi berikut ini : BW=edge(im2,'canny',.02);
Dari program di atas, nilai ambangnya (threshold) yang dipilih untuk menentukan deteksi tepian adalah 0.02. Karena dengan nilai ambang kecil akan menghasilkan tepian yang semakin baik, sehingga tepian yang ada pada citra dapat terlihat dengan jelas. Berikut ini adalah hasil citra yang telah di deteksi tepi pada program di atas:
Gambar 3.8 Tahapan Lokalisasi Iris
Gambar 3.10 Citra Hasil Deteksi Tepi Canny
3.
Operasi Morfologi (Dilasi Citra)
Pada tahapan ini berbeda dengan lokalisasi pupil, di lokalisasi iris ini hanya menggunakan operasi dilasi saja. Karena hanya akan menentukan parameter iris mata, sehingga tidak diperlukan operasi fill (pengisian). Pada operasi dilasi ini program yang digunakan untuk lokalisasi iris mata adalah : se=strel('line',11,90); %se adalah komponen morphologi BWfinal=imdilate(BW,[se]); %Dilasi Citra
Berikut ini adalah hasil citra yang telah di deteksi tepi pada program di atas:
Gambar 3.11 Citra Hasil Dilasi
4.
Penentuan Titik Koordinat Iris
Berbeda dengan pupil, pencarian piksel demi piksel untuk lingkaran iris bergerak dari batas citra mata menuju titik tengah. Hal ini dilakukan dengan pertimbangan pencarian akan bertemu titik/garis tekstur iris hasil dari deteksi tepi yang telah dideteksi. Langkah ini diharapkan memiliki keberhasilan yang lebih besar. Hal ini yang harus diperhatikan adalah citra iris mata tidak hanya iris saja, namun termasuk juga area selain iris seperti kelopak mata dan sclera. Berikut ini adalah gambar deteksi titik untuk deteksi titik iris :
digunakan untuk menghitung titik pusat dan jarijari iris, perhitungannya sama dengan perhitungan parameter pupil.
4.
PENGUJIAN DAN HASIL
Dari hasil proses uji coba yang dilakukan pada beberapa citra mata yang digunakan sebagai objek ternyata tidak semua citra dapat ditemukan titik radius pupil dan titik radius iris. Karena setiap citra mata memiliki tingkat nilai ambangya berbeda dengan citra mata lainnya, sehingga ada beberapa citra mata tidak terdeteksi oleh program tersebut. Berikut adalah citra mata yang digunakan sebagai objek dalam proses lokalisasi pupil dan lokalisasi iris : 1. Citra mata asli yang diperoleh dari database CASIA, akan diambil beberapa sampel citra untuk mendeteksi lokalisasi pupil dan lokalisasi iris. Dari beberapa sampel data dapat berhasil dideteksi lokalisasi pupil dan lokalisasi iris. Hasil uji coba dikatagorikan menjadi 3 macam, yaitu berhasil bila hasil deteksi membentuk lingkaran tepat pada tepi pupil dan iris, sedangkan hampir berhasil bila deteksi lingkaran mendekati tepi pupil dan iris, dan tidak berhasil bila deteksi lingkaran menjauhi tepi pupil dan iris. Berikut ini salah satu gambar yang berhasil membentuk lingkaran pupil dengan sempurna dengan yang hampir mendekati tepi pupil. Gambar 4.1b adalah hasil citra mata uji coba yang berhasil ditepi tengah pupil, sedangkan gambar 4.1c adalah hasil citra mata uji coba yang hampir berhasil berada di titik tengah pupil.
Gambar 4.1a Citra Mata Asli Gambar 3.12 Deteksi Lingkaran Iris Catatan : yang salah.
adalah deteksi batasan iris
Tanda silang pada gambar di atas menunjukkan posisi salah yang mungkin terdeteksi sebagai bagian dari lingkaran iris. Oleh sebab itu, pencarian titik berkebalikan dengan langkah yang digunakan pada titik pupil. Delapan titik koordinat pada lingkaran iris
Gambar 4.1b Hasil Citra Mata Uji Coba dengan Kategori Berhasil ditepi tengah pupil.
Tabel 4.1 Hasil Segmentasi/Lokalisasi Keseluruhan Citra
Gambar 4.1c Hasil Citra Mata Uji Coba dengan Kategori Hampir Berhasil berada di titik tengah pupil. 2.
Berikut ini salah satu citra untuk mendeteksi lokalisasi iris. Gambar 4.2b adalah hasil citra mata uji coba yang berhasil membentuk lingkaran pupil dan iris, sedangkan gambar 4.2c adalah hasil citra mata yang hampir berhasil membentuk lingkaran pupil dan iris.
Gambar 4.2a Citra Asli Mata.
Kategori Segmentasi
Tepi Pupil
Tepi Iris
Berhasil
277 (36.64%) 385 (50.93%) 94 (12.43%)
441 (58.33%) 219 (28.97%) 96 (12.70%)
Hampir berhasil Tidak berhasil
Gambar 4.2c Hasil Citra Mata Uji Coba dengan Kategori Hampir Berhasil. Dari hasil uji coba secara keseluruhan citra, dapat dilihat pada tabel 4.1 persentase tingkat keberhasilan segmentasi/lokalisasi pupil dan iris. Di bawah ini adalah tabel 4.1 :
385 (50.93%) 102 (13.49%)
Secara keseluruhan segmentasi / lokalisasi pupil dan iris dari 108 objek yang terdiri dari 756 citra adalah tingkat keberhasilan tepi pupil dan iris yang berhasil adalah 35.58% atau sekitar 269 citra mata, sedangkan tingkat keberhasilan tepi pupil dan iris yang hampir berhasil adalah 50.93% atau sekitar 385 citra mata, dan tingkat keberhasilan tepi pupil dan iris yang tidak berhasil adalah 13.49% atau sekitar 102 citra mata yang terdeteksi. Sedangkan rata-rata keseluruhan radius pupil dari 756 citra mata adalah 51.081, rata-rata radius iris adalah 102.415, dan rata-rata waktu proses yang didapat dari keseluruhan citra adalah 3.677 detik. Sehingga dari analisa di atas, dapat disimpulkan bahwa segmentasi / lokalisasi iris lebih besar keberhasilannya dibandingkan dengan pupil.
5.
Gambar 4.2b Hasil Citra Mata Uji Coba dengan Kategori Berhasil.
Tingkat Keberhasilan Pupil & Iris 269 (35.58%)
KESIMPULAN DAN SARAN
Kesimpulan yang dapat diambil dalam penulisan ini adalah penelitian ini telah berhasil membangun aplikasi segmentasi iris mata menggunakan metode deteksi tepi dan operasi morfologi untuk lokasisasi pupil dan lokalisasi iris. Dari hasil uji coba keseluruhan citra yang terdiri dari 756 citra mata, segmentasi/lokalisasi pupil dan iris yang berhasil adalah 35.58% atau sekitar 269 citra mata, sedangkan tingkat keberhasilan tepi pupil dan iris yang hampir berhasil adalah 50.93% atau sekitar 385 citra mata, dan tingkat keberhasilan tepi pupil dan iris yang tidak berhasil adalah 13.49% atau sekitar 102 citra mata yang terdeteksi. Sedangkan ratarata keseluruhan radius pupil dan iris adalah 51.081 dan 102.415, dan rata-rata waktu proses yang didapat dari keseluruhan citra adalah 3.677 detik. Dan analisa hasil uji coba yang telah dilakukan, dapat disimpulkan bahwa segmentasi / lokalisasi iris lebih besar keberhasilannya dibandingkan dengan pupil. Saran untuk pengembangan lebih lanjut dari penulisan ini adalah perlu adanya perbaikan pengujian segmentasi / lokalisasi pupil dan iris,
karena masih ada beberapa citra mata yang tidak dapat disegmentasi/lokalisasi pupil dan irisnya.
[8] Gonzales, Rafael C., Digital Image Processing, Addison-Waley Publishing, 1997.
DAFTAR PUSTAKA [1] Aris Sugiharto, Pemrograman GUI dengan MATLAB, Penerbit Andi, Yogyakarta, 2006.
[9] Karmilasari, Sistem Pengenalan Iris Mata Dengan Metode Morfologi Citra dan Pengkodean Potongan Pola Iris, Universitas Gunadarma, Disertasi, 2008.
[2] Boles, W., B. Boashash, A human identification technique using images of the iris and wavelet transform, IEEE Transactions on Signal Processing vol. 46, 1998.
[10] Lim, Resmana and M.J.T, Reinder. Facial Landmark detection using a Gabor Filter Representation and a Genetic Search Algorith. Proceeding of ASCI 2000 conference, Lommel Belgium, 2000.
[3] Chen, C.F. and Hsiao C.H., Wavelet approach to optimizing dynamic systems, IEE Proc. Control Theory Appl. Vol 146, 1999, pp. 213-219.
[11] Marvin Ch. Wijaya dan Agus Prijono, Pengolahan Citra Digital Menggunakan Matlab, Penerbit Informatika, Bandung, 2007.
[4] Daugman, J., High confidence visual recognition of persons by a test of statistical independence, IEEE Transactions on Pattern Analysis and Machine Intelligence, v. 15, n. 11,Nov. 1993.
[12] Rinaldi Munir, Pengolahan Citra Digital dengan Pendekatan Algoritmik, Penerbit Informatika, Bandung, 2004. [13] Smith, Kelly, Iris Patent Question, Email to Jim Cambier, 9 June 2005.
[5] Darma Putra, Sistem Biometrika : Konsep Dasar, Teknik Analisis Citra, dan Tahapan Membangun Aplikasi Sistem Biometrika, Penerbit Andi, Yogyakarta, 2003.
[14] Wildes, R., Iris recognition: an emerging biometric technology, Proceedings of the IEEE Volume 85, 1997
[6] Erick Paulus dan Yessica Nataliani, Cepat Mahir GUI Matlab, Penerbit Andi, Yogyakarta, 2007. [7] Firman, Dasar http://www.IlmuKomputer.com/, pada tanggal 22 Mei 2008
Matlab, diunduh
[15] http://www.doctorology.net/, diunduh pada tanggal 28 Mei 2009. [16] http://scgww.epfl.ch/courses, diunduh pada tanggal 20 Mei 2009.
