ALGORITMA THRESHOLDING ADAPTIF UNTUK BINERISASI CITRA DOKUMEN BERWARNA

Transkripsi

1 Vol. 2, No. 2 Desember 2011 ISSN ALGORITMA THRESHOLDING ADAPTIF UNTUK BINERISASI CITRA DOKUMEN BERWARNA Eka Mala Sar Rochman 1), Ratna Nur Tara Shanty 2), Dyah S Rahayu 3) Unverstas Trunojoyo 1), Insttut Teknolog Sepuluh Nopember 2,3) E-Mal : ekamala.sar@yahoo.com 1), ratnanurtara@gmal.com 2), deerahayu@gmal.com 3) ABSTRAK Thresholdng merupakan cara segmentas yang palng sederhana. Meskpun telah banyak metode thresholdng yang dusulkan, metode thresholdng yang optmal untuk mengenal tulsan pada ctra dokumen dengan warna berbeda mash menjad hal yang menark untuk dtelt. Dengan menyajkan algortma thresholdng ctra dokumen yang berntenstas warna Red, Green, dan Blue peneltan n menghaslkan hasl yang optmal dan komplekstas komputas yang rendah, sehngga dperlukan waktu yang sngkat pada proses komputasnya. Terdapat 3 proses dalam metode n yatu: penentuan batas latar terluar dan penentuan jangkauan ntenstas derajat keabuan latar, ekstraks tap objek menggunakan Horzontal Scan Lne dan Vertcal Scan Lne, dan yang terakhr bnersas tap objek. Pengukuran performans metode n menggunakan OCR (Optcal Character Recognton). Metode n dapat melakukan bnersas ctra dokumen berwarna secara adaptf dengan kualtas yang bak. Hasl pengukuran performans menunjukkan tngkat akuras pengenalan karakter sebesar 67.92% dengan waktu komputas kurang dar 1 detk. Kata Kunc: Thresholdng, Horzontal Scan Lne, Vertcal Scan Lne ABSTRACT Thresholdng s the smplest way for segmentaton. Although there are so many methods have been proposed, the optmal thresholdng method for character recognton n a document mage wth varous colors has been becomng an nterestng thng for beng nvestgated. By servng thresholdng algorthm for color document whch has three levels of colors: Red, Green and Blue, ths paper produces optmal results and low computatonal complexty. Generally, the method conssts of three steps, they are: determnng the outer boundary and the range of gray levels ntensty, extractng each object usng Horzontal Scan Lne and Vertcal Scan Lne, and dong bnarzaton of each object. To measure the performance of our method, we use OCR (Optcal Character Recognton). Ths method has ablty for dong adaptve bnarzaton of color document n good qualty. The result of performance measurement ndcates the average accuracy rate s about 67.92% and the computatonal tme s less than 1 second. Keywords: Thresholdng, Horzontal Scan Lne, Vertcal Scan Lne PENDAHULUAN Munculnya dokumen berwarna menngkat serng dengan perkembangan teknolog percetakan. Pengamblan nformas yang pentng dar dokumen berwarna secara otomats memunculkan suatu permasalahan tentang bagamana mekansme pengubahan ctra dokumen ke dalam komputer. Sepert mengubah ctra tulsan tangan, ataupun karakter cetak menjad bentuk elektronk. Proses ekstraks karakter dar background ctra adalah langkah pertama yang dperlukan sebelum dlanjutkan ke tahap thresholdng. Thesholdng ctra merupakan suatu pendekatan yang domnan untuk bnersas dokumen. Bnersas dapat dklasfkaskan menjad dua jens, yatu: thresholdng secara 299

2 global dan thresholdng secara lokal. Pada global, sebuah ambang dgunakan untuk menentukan batas untuk keseluruhan ctra. Sedangkan pada lokal, thresholdng dlakukan dengan membag ctra menggunakan beberapa sub ctra berdasarkan level warna tertentu. Lalu pada setap sub ctra, segmentas dlakukan dengan menggunakan threshold yang berbeda. Pada peneltan sebelumnya menelt tentang algortma thresholdng adaptf (thresholdng lokal) untuk mengkonvers ctra berntenstas warna abu-abu (0-255) menjad ctra bner (0 dan 1 = htam dan puth) [1]. Dengan mengkombnaskan teknk global thresholdng (yang memlk kelebhan pada kecepatan) dan lokal thresholdng (yang memlk kelebhan pada keakurasan), penelt tersebut berhasl mengalahkan metode Otsu dalam hal kualtas bnersas, namun mash menghabskan waktu yang lebh lama dbandngkan dengan metode tersebut. Pada proses segmentas, peneltan tersebut menggunakan blok-blok cerdas dan konsep horsontal proyeks, sehngga dapat mengatas kasus ctra dengan berbaga derajat kemrngan. Masalah yang terjad pada peneltan tersebut, tdak dapat mendeteks blok dengan bak jka jumlah pksel karakter pada foreground lebh besar darpada jumlah pksel pada background pada sebuah ctra dokumen. Peneltan selanjutnya adalah tentang deteks tep pada sebuah ctra berwarna dlakukan dengan fungs lner ganda. Untuk mendapatkan ambang yang cukup akurat dengan sample background dan foreground menggunakan tga operator transs yatu t- transton pxel, edge pxel dan t-transton sets. Namun pada operator transs yang dgunakan tdak dapat menghlangkan nose [2]. Untuk menghlangkan nose, pada peneltan lan dlakukan dengan mengubah dar ctra dokumen ke dokumen bner pada proses bnersasnya [3]. Dengan menggunakan metode Actve Contour Models (ACM) untuk mengdentfkas batas tep dar ctra dokumen maka objek dapat terdeteks dengan bak, hanya saja jka ctra dokumen yang dgunakan sebaga sample memlk objek yang cukup banyak maka proses yang dbutuhkan sangat lama karena pengenalannya satu persatu. Untuk mendapatkan objek yang tepat sehngga tdak ada permasalahan blok dengan memsahkan range background dan foreground serta dlanjutkan dengan proses scanng djelaskan pada peneltan n [4]. Dengan metode Gaussan Smoothng Flter dapat mengatas masalah nose pada ctra dokumen. Akan tetap metode yang dusulkan pada peneltan n tdak dapat melakukan bnersas dengan bak jka warna background lebh gelap dar pada foreground. Metode yang dusulkan pada peneltan n adalah sebuah metode yang dapat melakukan proses bnersas secara adaptf pada sebuah ctra dokumen. Metode n dapat memecahkan permasalahan penentuan range background dan foregoundnya sehngga dapat mendeteks wlayah yang akan dproses secara efektf. Metode n juga dapat mendeteks objek meskpun level warna background lebh gelap darpada level warna foreground. ALGORITMA THRESHOLDING ADAPTIVE Secara umum, metode yang dusulkan pada peneltan n dtunjukkan pada Gambar 1. Terdapat sebuah pre-proses yatu pengkonversan RGB menjad aras keabuan dan 3 proses utama yang djelaskan pada subbab berkutnya. Konvers ke Aras Keabuan Ctra dokumen yang berwarna d konverskan ke dalam tngkat keabuan dengan perhtungan: I ( R) ( G) ( B), (1) dmana R,G,B adalah layer ke-1, 2, dan 3 dar ctra RGB. 300

3 Gambar Dokumen Warna Konvers Warna ke Grayscale Menentukan range Background dan Foreground Ekstraks Foreground Gambar 2. Ctra Dokumen Asl Bnarsas Gambar Dokumen Gambar 1. Dagram Alr Bnersas Ctra Dokumen Setelah proses konvers ctra menjad aras keabuan, untuk dapat memsahkan background dan foreground maka terlebh dulu ddapatkan jangkauan ntenstas background. Untuk mendapatkan ntenstas background dgunakan penentuan foreground terluar sehngga akan ddapatkan sampel bagan background dar ctra. Menentukan Objek Terluar Penentuan objek terluar dar sebuah ctra dokumen menggunakan nla VAPP (Vertcal Average Projecton Profle) dan HAPP (Horzontal Average Projecton Profle). VAPP merupakan sebuah gars vertkal yang memnda ctra dar kr ke kanan dan menghtung jumlah ntenstas yang ada d gars tersebut dbag dengan tngg gars sepert pada Persamaan berkut n: H 1 1 ( ) VAPP j D(, j), (2) H 0 dmana,j adalah ndeks ntenstas ctra dan H adalah tngg ctra [4]. VAPP dgunakan untuk menentukan batas obyek terluar kanan dan kr dar sebuah ctra. Gambar 3. Hasl Konvers Ctra Dokumen Berwarna menjad Aras keabuan Untuk menentukan batas terluar obyek d bagan atas dan bawah dgunakan HAPP dengan persamaan berkut: W 1 1 ( ) HAPP D(, j), (3) W j0 dmana,j adalah ndeks ctra dan W adalah lebar ctra. Batas background dengan foreground terluar n dsebut dengan border. Border n adalah gars vertkal dan horzontal yang memlk nla VAPP dan HAPP lebh dar batas tertentu yang dsebut Tald. Nla Tald pada peneltan n berksar antara Menentukan Wlayah Background Untuk menentukan nla range background, dgunakan metode Otsu yang melakukan proses thresholdng pada sampel background dar ctra. 301

4 Sampel background ctra ddapatkan dengan memanfaatkan border yang dperoleh pada proses sebelumnya. Nla ambang yang dhaslkan dar metode Otsu dgunakan sebaga batas untuk menentukan maksmum populas dengan persamaan berkut n: 255 b { 0,1..., lev}, untuk n n, lev 1 lev1 255 b { lev 1,...,255}, untuk n n, lev 1 lev1 (4) dmana b adalah jangkauan ntenstas background, lev adalah hasl ambang metode Otsu, n adalah jumlah ntenstas pada ctra. Ekstraks Foreground Sebuah dokumen warna terdr dar background dan beberapa wlayah foreground. Foreground dapat berupa gars horzontal, gars teks, blok teks, dan gambar. Tujuan mengekstraks foreground pada sebuah ctra dalam proses thresholdng adalah untuk dapat menentukan ambang secara adaptf sesua wlayah foreground masng-masng. Ekstraks foreground pada penenltan n menggunakan Vertcal Scan Lne (VSL) dan Horzontal Scan Lne (HSL). Metode n merupakan modfkas dar metode Left Background Projecton Profle (LBPP) dan Rght Background Projecton Profle (RBPP) pada peneltan sebelumnya [1]. HSL merupakan gars lurus horzontal yang melakukan pemndaan ntenstas ctra dar atas ke bawah. Jka ntenstas ctra dalam gars teresebut berada dalam jangkauan ntenstas background maka nla HSL bars tersebut adalah 0, namun jka sebalknya, nla HSL bars tersebut 1. Bagan atas dan bawah tap foreground ddapatkan dengan memerksa HSL yang nlanya mengalam perubahan ( dar 0 ke 1 atau dar 1 ke 0). Tap ttk yang berurutan dmana terjad perubahan nla HSL merupakan satu bagan foreground. VSL merupakan gars lurus yang panjangnya dsesuakan dengan tap foreground yang telah terbentuk oleh proses sebelumnya. VSL merupakan gars vertkal yang melakukan pemdaan dar kr ke kanan. Cara kerjanya sama dengan HSL, namun VSL tdak langsung melakukan pemndaan terhadap keseluruhan ctra melankan satu per-satu pada tap foreground. Ttk berurutan dmana terjad perbedaan nla merupakan pasangan kr dan kanan dar satu buah sub-foreground. Ilustras HSL dan VSL dgambarkan pada Gambar 5. Proses pertama yatu mendapatkan ttk-ttk atas dan bawah tap foreground yang ddapatkan dengan memanfaatkan HSL. Pada Gambar 5 (a), gars berwarna merah menglustraskan gars HSL yang bernla 0. Gars HSL merah yang berada sebelum atau setelah bagan ctra yang tdak bergars merupakan ttk atas atau bawah foreground. Berdasarkan contoh tersebut, ddapatkan 4 buah foreground hasl dar HSL. Setelah tu, tap masng-masng foreground dcar subforeground nya menggunakan VSL sepert dtunjukkan ctra 5(b). Thresholdng Setelah mengekstraks foreground dan mendapatkan tap sub-foreground nya, maka langkah berkutnya adalah melakukan thresholdng terhadap masng-masng subforeground tersebut untuk mendapatkan ctra bner. Metode thresholdng pada tahap n menggunakan metode Otsu karena kemampuan proses komputasnya yang cepat [5]. Gambar 4. Hasl Penentuan Border dar Ctra Dokumen 302

5 HASIL UJI COBA DAN PEMBAHASAN Data yang duj berupa ctra dokumen yang dambl dar majalah berwarna, kartu nama, brosur, atau halaman buku. Ukurannya bervaras antara lan 664 x 418 pksel, 328 x 319 pksel, 1057 x 138 pksel, 572 x 996 pksel dan 694 x 418 pksel. Algortma thresholdng adaptf n, dmplementaskan menggunakan pemrograman Matlab R2010a pada sstem operas Wndows dan berjalan pada prosessor Intel 3Core. Pengukuran performans metode n menggunakan OCR dengan perangkat lunak Mcrosoft OneNote Hasl pengenalan karakter oleh OCR, dhtung akurasnya menggunakan varabel Z sebaga jumlah karakter yang dkenal secara benar, dan varabel Y sebaga jumlah karakter seluruhnya, kemudan dar kedua varabel tersebut dapat dambl hasl pengukuran akurasnya dengan cara: Z Akuras 100%, (5) Y (a) (b) Gambar 5. Gars-gars HSL berwarna merah(a) dan VSL berwarna hjau (b) yang bernla 0 Gambar 6. Menentukan blok foreground dar Ctra Dokumen Hasl pengukuran performans menunjukkan rata-rata tngkat akuras pengenalan karakter sebesar 67.92% dengan waktu komputas kurang dar 1 detk. Sedangkan hasl bnersas ctra dokumen, dtunjukkan pada Gambar 7. Perangkat lunak yang dgunakan untuk proses OCR senstf terhadap bentuk tulsan tangan. Sehngga, meskpun secara kasat mata hasl thresholdng dar metode n bak namun beberapa karakter tdak dapat dkenal. Begtu pula untuk karakter handwrtng yang mrng sepert pada Gambar 7(b). Tabel 1. Hasl Uj Coba Ctra Uj Total Karakter Akuras OCR Coba a % b % c % d % e % f % g % h % 303

6 (d) (a) (e) (b) (f) (c) 304

7 KESIMPULAN DAN SARAN Peneltan n melakukan thresholdng secara adaptf pada ctra dokumen berwarna dengan mengekstraks foreground dan melakukan bnersas pada masng-masng foreground dengan ambang yang berbeda. Berdasarkan uj coba yang dlakukan terhadap 8 ctra dokumen ddapatkan hasl yang cukup bak yatu rata-rata tngkat pengenalan karakter sebesar 67.92%. Untuk peneltan selanjutnya, dapat dkembangkan metode untuk melakukan performans secara maksmal pada ctra dengan pencahayaan yang tdak rata, dan melakukan proses thresholdng jka terdapat sebagan foreground yang memlk ntenstas yang hampr sama dengan background. DAFTAR PUSTAKA (g) (h) Gambar 7. Hasl Bnersas Ctra Dokumen Asl (a), (c), (e), (g) Menjad Ctra Dokumen Bner (b), (d), (f), (h) [1] Pa. Y, Chang. Y, Ruan. S, Adaptve Thresholdng Algorthm: Effcent Computaton Technque Based On Intellgent Block Detecton For Degraded Document Images, Pattern Recognton, 43: , [2] A.Ramı rez-ortego n, ErnestoTapa. M, Rojas a. R, Cuevas. E, Transton thresholds and transton operators for bnarzaton and edge detecton, Pattern Recognton, 43 : , [3] Karthk. S, Hemanth.V.K, Balaj V, Soman K. P, Level Set Methodology for Taml Document Image Bnarzaton and Segmentaton, Internatonal Journal of Computer Applcatons, 39 No.9: , [4] Tsa. C, Intellgent Regon-Based Thresholdng For Color Document Images Wth Hgh Lghted Regons. Pattern Recognton, 45 : , [5] Otsu, N., A Threshold Selecton Method from Gray-Level Hstograms, IEEE Transactons on Systems, Man, and Cybernetcs, 9 No. 1: pp ,