1. Pendahuluan Gait Recognition atau sistem pengenalan gaya gerak berjalan manusia merupakan salah satu sistem di bidang keamanan biometrik yang menga

Transkripsi

1 Skeletonisasi Citra Pembentukan Rangka Tubuh Manusia Dengan MATLAB 7.12 Megarani Tiara Putri Fakultas Teknologi Industri Universitas Gunadarma Jl. Margonda Raya, 100, Pondok Cina, Depok Telp: (021) ABSTRAK Proses segmentasi merupakan suatu bagian yang sangat penting dalam analisis citra. Pada prosedur ini objek yang diinginkan, akan dipakai untuk proses proses selanjutnya. Antara satu tahap segmentasi ke tahap segmentasi lain saling berkaitan. Dimulai dari proses awal yaitu capture video yang berekstensi.avi, menggunakan video orang berjalan. Kemudian dilanjutkan dengan tahap segmentasi warna ke citra HSV, tahap pemisahan latar belakang dengan latar depan objek, filtering citra dengan menggunakan metode filter median, proses thresholding dengan menentukan nilai ambang piksel, tahap dilasi erosi citra dan yang terakhir skeleton citra menggunakan algoritma stentiford. Aplikasi ini menghasilkan citra skeleton dari rangka tubuh manusia yang nantinya hasil skeleton tersebut dapat dipergunakan untuk penelitian selanjutnya yaitu ekstraksi fitur dan analisis gait. Hasil citra skeleton merupakan pengembangan dasar yang hanya terbatas dalam penyajian informasi tahap awal. Citra skeleton yang dihasilkan akan membentuk citra rangka tubuh manusia yang terdiri atas satu piksel hitam yang saling terhubung. Untuk implementasi proses segmentasi citra ini, Penulis menggunakan MATLAB Kata Kunci: Stentiford, Segmentasi, Rangka, MATLAB

2 1. Pendahuluan Gait Recognition atau sistem pengenalan gaya gerak berjalan manusia merupakan salah satu sistem di bidang keamanan biometrik yang mengalami peningkatan teknologi yang cukup pesat. Gait adalah cara atau sikap berjalan kaki seseorang (Dawson, 2002). Tiap orang memiliki Gait yang berbeda. Karakteristik ini yang kemudian digunakan untuk identifikasi individu karena gait sulit untuk disembunyikan ataupun direkayasa (Boulgouris, 2005). Proses gaya berjalan manusia ini dapat di representasikan dengan video ataupun gambar. Output inilah yang nantinya akan dianalisis untuk mendapatkan informasi yang berguna. Oleh sebab itu, proses pengolahan citra sangat diperlukan. Disiplin ilmu yang melahirkan teknik teknik untuk mengolah citra dinamakan Pengolahan Citra Digital atau Digital Image Processing. Teknik pengolahan citra digital dapat diterapkan dalam melakukan segmentasi citra. Segmentasi citra merupakan suatu proses pengelompokkan citra menjadi beberapa region berdasarkan kriteria tertentu. Berdasarkan pengertiannya, segmentasi memiliki tujuan menemukan karakteristik khusus yang dimiliki suatu citra. Oleh karena itu, segmentasi sangat diperlukan pada proses pengenalan pola atau pattern recognition. Salah satu proses awal yang penting dalam pengenalan pola adalah tahap skeleton. Skeleton suatu objek adalah hasil dari set garis singel piksel dari suatu pola. Pembentukkan skeleton melibatkan algoritma penghapusan titik-titik sampai semua garis atau kurva selebar satu piksel. Algoritma tersebut biasanya dikenal dengan metode thinning. Metode thinning pun bermacam macam dalam penerapannya untuk membentuk sebuah skeleton, ada yang mengimplementasikan algoritma Most Prominent Ridge Line (MPRL algorithm), algoritma Susan Binary Post-Processing (SBPP algorithm), algoritma Zhang-Suen (Zhang-Suen algorithm), algoritma Hilditch (Hilditch algorithm), algoritma Rosenfeld (Rosenfeld algorithm), Algoritma Stentiford (Stentiford Algorithm) dan masih banyak lagi.

3 Beberapa Peneliti sebelumnya, melakukan penelitian mengenai metode thinning menggunakan algoritma MPRL (Most Prominent Ridge Line). Hasil skeleton dari algoritma tersebut menghasilkan citra skeleton yang terputus dan tidak terbentuk seluruh rangka tubuh manusianya sehingga banyak informasi yang hilang dan menghasilkan skeleton yang kurang baik (Cicu Ratih Damayanthi, 2009). Peneliti lainnya menggunakan Algoritma Zhang-Suen. Algoritma tersebut memiliki efisiensi yang sederhana, cepat dan cukup baik dalam menghasilkan citra skeleton (Ayu Hardianti, 2010). Dalam penelitian ini, Penulis menggunakan Algoritma Stentiford (Stentiford Algorithm) sebagai metode thinning untuk bentuk skeletonnya. Algoritma Stentiford meupakan proses thinning menggunakan template, dimana piksel tengah yang cocok dengan template pada citra dihapus. Algoritmanya bersifat iteratif, yang mengikis (erodes) lapisan luar dari piksel sampai tidak ada lagi lapisan yang dapat dihilangkan. 2. Tinjauan Pustaka 1. Operasi Pengolahan Citra Segmentasi merupakan suatu proses pengelompokkan citra menjadi beberapa region berdasarkan kriteria tertentu. Berdasarkan pengertiannya, segmentasi memiliki tujuan menemukan karakteristik khusus yang dimiliki suatu citra. Oleh karena itu, segmentasi sangat diperlukan pada proses pengenalan pola. Semakin baik kualitas segmentasi maka semakin baik pula kualitas pengenalan polanya. Pada dasarnya, proses skeletonisasi dapat disamakan dengan proses thinning. Ada beberapa sumber yang menyamakan kedua istilah tersebut. Sementara beberapa sumber yang lainnya menyatakan bahwa thinning adalah salah satu metode yang dipakai dalam melakukan skeletonisasi (thinning adalah bagian dari skeletonisasi). Akan tetapi untuk memermudah pembahasan maka pada penulisan ini menggunakan persepsi bahwa arti istilah skeletonisasi adalah berbeda dengan istilah

4 thinning. Thinning lebih merupakan metode dan bagian daripada skeletonisasi. Skeletonisasi merupakan salah satu pemrosesan citra yang digunakan untuk mengurangi suatu daerah (region) menjadi suatu grafik/kurva dengan memperoleh kerangka (skeleton) dari daerah tersebut. Dengan demikian, image tersebut ditransformasikan menjadi bentuk structural atau mengurangi suatu daerah yang tebal atau bergumpal menjadi unit-unit dengan piksel tunggal. Dengan demikian, image tersebut ditransformasikan menjadi garis-garis piksel. 2. Algoritma Stentiford Metode ini adalah algoritma thinning dengan menggunakan teknik template-based mark-and-delete. Metode ini cukup terkenal karena reliable dan kefektifannya. Metode thinning jenis ini menggunakan template untuk dicocokkan dengan citra yang akan dithinning. Algoritma ini bersifat iteratif yang berguna untuk mengikis lapisan piksel terluar sampai tidak ada lapisan lagi yang dapat dihilangkan. Template yang dipakai adalah 4 buah template 3 x 3 yaitu, Gambar 2.1 Template pada algoritma Stentiford Berikut ini akan dijelaskan langkah langkah algoritma Stentiford: a. Cari piksel pada lokasi (i, j) dimana piksel piksel pada image cocok dengan template T 1. Dengan template ini, maka semua piksel di bagian atas dari image akan dihilangkan (remove). Pencocokkan template ini bergerak dari kiri ke kanan dan dari atas ke bawah.

5 b. Bila pixel tengah bukan merupakan endpoint dan mempunyai jumlah konektivitas (connectivity number) 1, maka tandai piksel tersebut untuk kemudian dihilangkan (remove). Endpoint pixel : piksel yang merupakan batas akhir dan hanya terhubung dengan 1 piksel saja. Contoh : suatu piksel hitam hanya mempunyai satu tetangga saja yang hitam juga dari kemungkinan delapan tetangga. Connectivity number: merupakan suatu ukuran berapa banyak obyek yang terhubung dengan piksel tertentu (dihitung berdasarkan rumus 2.8). C n = N k (N k. N k + 1. N k + 2 ) (2.1) N k merupakan nilai dari 8 tetangga di sekitar piksel yang akan dianalisa dan nilai S = {1, 3, 5, 7}. N 0 adalah nilai dari piksel tengah (central pixel). N 1 adalah nilai dari piksel pada sebelah kanan piksel tengah dan sisanya diberi nomor berurutan dengan arah berlawanan jarum jam. Gambar 2.2 Penomoran piksel pada algoritma Stentiford Contoh : Gambar 2.3 Keterangan Jumlah Konektivitas

6 Bagian a) menjelaskan tentang jumlah konektivitas = 0. Bagian b) menjelaskan tentang jumlah konektivitas = 1. Bagian c) menjelaskan tentang jumlah konektivitas = 2. Bagian d) menjelaskan tentang jumlah konektivitas = 3. Bagian e) menjelaskan tentang jumlah konektivitas = 4 c. Ulangi langkah 1 dan 2 untuk semua piksel yang cocok dengan template T 1. d. Ulangi langkah 1 3 untuk template T 2, T 3 dan T 4. Pencocokkan template T 2 akan dilakukan pada sisi kiri dari obyek dengan arah dari bawah ke atas dan dari kiri ke kanan. Pencocokkan template T 3 akan dilakukan pada sisi bawah dari obyek dengan arah dari kanan ke kiri dan dari bawah ke atas. Pencocokkan template T 4 akan dilakukan pada sisi kanan dari obyek dengan arah dari atas ke bawah dan dari kanan ke kiri. e. Piksel - piksel yang ditandai untuk dihilangkan (remove) dibuat sama dengan background (di-set 0 untuk binary image). Contoh hasil dari algoritma Stentiford : Gambar 2.4 Citra Asli Setelah diolah dengan algoritma Stentiford akan menghasilkan seperti ditunjukan gambar 2.5: Gambar 2.5 Thinning Dengan Algoritma Stentiford

7 3. Proses Segmentasi Citra Proses-proses dalam pembuatan program skeletonisasi citra pembentukan rangka tubuh manusia dengan MATLAB 7.12, memiliki 7 tahapan, meliputi pengambilan video orang berjalan, kemudian dilanjutkan dengan tahap segmentasi warna ke citra HSV, pemisahan latar belakang dan objek, filterisasi citra dengan menggunakan filter median, tahap thresholding, dilasi dan erosi citra serta tahap terakhir yaitu skeletonisasi citra, untuk lebih jelasnya terdapat pada bagan di gambar 3.1. Capture Video Segmentasi Warna HSV Pemisahan Latar Depan Dan Latar Belakang Filterasi Citra Thresholding Erosi dan Dilasi Citra Skeletonisasi Gambar 3.1. Tahap Segmentasi Citra 4. Hasil Uji Coba Tabel 4.1 adalah hasil ujicoba citra yang digunakan sebagai objek dalam segmentasi citra, terdiri dari 32 data citra RGB yang berbeda dimulai dari capture citra RGB dengan file input video rangga2.avi, mengalami filterasi citra

8 dengan median filter dengan matriks 3 x 3, proses erosi dan dilasi citra, hingga skeletonisasi citra. Tabel 4.1 Uji Coba Skeletonisasi Citra Pembentukan Rangka Tubuh Manusia Dengan MATLAB 7.12 frame Capture Segmentasi Filterisasi Dilasi dan Skeletonisasi Warna HSV Erosi ke-1 ke-2 ke-3 ke-4 ke-5 ke-6 ke-7

9 ke-8 ke-9 ke-10 ke-11 ke-12 ke-13 ke-14 ke-15 ke-16 ke-17

10 ke-18 ke-19 ke-20 ke-21 ke-22 ke-23 ke-24 ke-25 ke-26 ke-27

11 ke-28 ke-29 ke-30 ke-31 ke-32 Tabel 4.1 adalah tabel kumpulan citra yang telah disegmentasi yang telah diuji coba, terdiri dari 32 data. Tingkat keberhasilan segmentasi pada citra dapat dilihat pada tabel 4.2, simbol menandakan tingkat keberhasilan dan simbol x menandakan kegagalan segmentasi. Dari Tingkat keberhasilan ini dapat terlihati hasil citra skeletonisasi yang baik dan tidak baik. Citra skeletonisasi yang benar benar baik dapat dipergunakan untuk penelitian berikutnya yaitu ekstrasi fitur dan analisis gait. Tabel 4.2 Tingkat Keberhasilan Citra Hasil Skeletonisasi Objek Tingkat Keberhasilan Citra Skeletonisasi ke-1 Belum ada objek Citra Skeletonisasi ke-2 Belum ada objek Citra Skeletonisasi ke-3 Citra Skeletonisasi ke-4

12 Citra Skeletonisasi ke-5 Citra Skeletonisasi ke-6 Citra Skeletonisasi ke-7 Citra Skeletonisasi ke-8 Citra Skeletonisasi ke-9 Citra Skeletonisasi ke-10 Citra Skeletonisasi ke-11 Citra Skeletonisasi ke-12 Citra Skeletonisasi ke-13 Citra Skeletonisasi ke-14 Citra Skeletonisasi ke-15 Citra Skeletonisasi ke-16 Citra Skeletonisasi ke-17 Citra Skeletonisasi ke-18 Citra Skeletonisasi ke-19 Citra Skeletonisasi ke-20 Citra Skeletonisasi ke-21 Citra Skeletonisasi ke-22 Citra Skeletonisasi ke-23 Citra Skeletonisasi ke-24 Citra Skeletonisasi ke-25 Citra Skeletonisasi ke-26 Citra Skeletonisasi ke-27 Citra Skeletonisasi ke-28 Citra Skeletonisasi ke-29 Citra Skeletonisasi ke-30 Citra Skeletonisasi ke-31 Citra Skeletonisasi ke-32 X X X X X X X

13 Berdasarkan Tabel 4.2, dapat dilihat bahwa citra hasil skeletonisasi yang didapatkan ada yang baik dan ada yang kurang baik. Terdapat 23 citra skeletonisasi yang dapat dikategorikan cukup baik yaitu telah melalui proses thinning sampai tersisa hanya satu piksel saja, piksel piksel saling terhubung serta tidak menyisakan piksel-piksel hitam lain di sekitar objek. Pada frame 6, 10, 13, 14, 15, 22 dan 27 piksel hasil thinning tidak terhubung dan terputus sangat jauh antara satu piksel dengan piksel hitam lainnya dan terlihat masih adanya piksel piksel hitam lain yang belum terhapus. 5. Penutup 1. Kesimpulan Segmentasi citra menjadi sebuah citra skeleton dengan menggunakan aplikasi MATH WORK R2011a atau biasa dikenal dengan MATLAB 7.12 telah dapat diimplementasikan dengan baik. Dimulai dari pengambilan citra dari hasil 32 frame pertama yang ada pada video kemudian segmentasi warna HSV, proses pemisahan latar belakang dengan latar depan menggunakan fungsi imsubtract, tahap filtering menggunakan filter median dengan matriks berordo 3x3, tahap tresholding dimana hasil dari filter median tersebut diolah ke citra biner, proses morfologi dengan dilasi erosi dan yang terakhir tahap skeletonisasi maka didapatkanlah hasil sebuah citra skeleton. Hasil dari semua citra skeletonisasi itupun bisa dikatakan cukup baik setelah di tahap uji coba, program tersebut diimplementasikan. Hasil akhir menyatakan bahwa akurasi program ini adalah 76,67% dimana ada 23 hasil citra skeleton yang bisa di katakan cukup baik. Banyak faktor yang mempengaruhi hasil dari suatu segmentasi citra menjadi sebuah citra skeleton dengan menggunakan aplikasi MATLAB 7.12 ini antara lain adalah kualitas video. Kualitas video yang baik dan dengan pencahayaan yang terang akan menghasilkan segmentasi citra yang baik pula. Aplikasi ini dibuat dengan MATLAB 7.12 atau MathWork R2011a karena saat ini MATLAB 7.12 atau MathWork

14 R2011a masih menjadi salah satu pilihan utama untuk pembuatan aplikasi pengolahan citra digital. 2. Saran Untuk pengembangan ke depannya, aplikasi ini sebaiknya dapat lebih baik dalam menghasilkan citra skeleton. Interface dapat dibuat semenarik mungkin bagi user dan kemudahan dalam menggunakan aplikasi ini pun harus lebih diperhatikan. Dalam program ini masih menggunakan fungsi fungsi standar yang ada di dalam MATLAB. Untuk ke depannya agar lebih bisa mendalami MATLAB itu sendiri dan mengimplementasikan algoritma algoritma di dalam MATLAB, sehingga dapat menghasilkan program yang baik, sesuai keinginan dan sempurna. 6. Daftar Pustaka [1] Ayu Hardianti Image Segmentation Of Shape And Skeleton Human Body Using Filter Median And Thinning Method. Skripsi Universitas Gunadarma. Depok. [2] Boulgouris, N. V., Dimitrios Hatzinakos, Konstantinos N. P Gait Recognition: A Challenging Signal Processing Technology for Biometric Identification. IEEE Signal Processing Magazine. USA. [3] Cicu Ratih Damayanthi Segmentation Of Shape And Skeleton Human With Use Gaussian And Thinning Method. Skripsi Universitas Gunadarma. Depok. [4] Darma Putra Sistem Biometrika. Andi. Jakarta. [5] Dawson, Mark R Gait Recognition. Imperial Collage of Science, Technology and Medicine. London. [6] Digital Library Telkom Institute Of Technology. Sistem ruang warna. &id=668:sistem-ruang-warna&catid=15:pemrosesan-sinyal&itemid=14. [01 Juli 2011].

15 [7] Gunaidi Abdia Away The Shortcut Of Matrix Laboratory MATLAB Programming. Informatika. Bandung. [8] Gonzalez, R.C. & Woods, R.E Digital Image Processing Second Edition. Prentice Hall. New Jersey. [9] I Gusti Ngurah Winanda Wijaksana. Morphologi. Thickening. [04 Juli 2011]. [10] Jason Rupard. Skeletonization (part 1). [03 Juli 2011]. [11] Jernihta Pardede. Studi Perbandingan Beberapa Algoritma Thinning Dalam Pengenalan Pola. [01 Agustus 2011]. [12] Liu, Zongyi, Sudeep Sarkar Improved Gait Recognition by Gait Dynamics Normalization. Vol.28 No. 6. IEEE Transaction on Pattern Analysis and Machine Intelligence. USA. [13] Mark D. Fairchild Color Appearance Models, Second Edition. WILEY. UK. [14] Marvin CH. Wijaya Pengolahan Citra Digital Menggunakan Matlab Image Processing Toolbox. Informatika. Bandung. [15] Piccardi. Background Substraction Review. Piccardi.pdf. [03 Juli 2011]. [16] Purwiyanti. Penentuan Letak Derau pada Citra Berderau Salt And Pepper Berdasarkan Sifat Ketetanggaan Piksel /PROSIDING dies ke-43 UNILA 2008/ ARTIKEL Pdf/SRI PURWIYANTI pdf/. [24 Juni 2010]. [17] Rinaldi Munir Pengolahan Citra Digital Dengan Pendekatan Algoritmik. Informatika. Bandung. [18] T. Sutoyo Teori Pengolahan Citra Digital. ANDI. Semarang. [19] Yuniar Supardi Cara Mudah Belajar C Dan Flowchart Dalam Praktek. Dinastindo. Jakarta.