skeletonisasi citra pembentukan rangka tubuh manusia...

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) 78881112

Email: [email protected]

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 7.12.

Kata Kunci: Stentiford, Segmentasi, Rangka, MATLAB

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.

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

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 T1. 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.

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).

Cn = ∑ Nk – (Nk. Nk + 1. Nk + 2) (2.1)

Nk merupakan nilai dari 8 tetangga di sekitar piksel yang

akan dianalisa dan nilai S = {1, 3, 5, 7}. N0 adalah nilai dari

piksel tengah (central pixel). N1 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

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 T1.

d. Ulangi langkah 1–3 untuk template T2, T3 dan T4.

Pencocokkan template T2 akan dilakukan pada sisi kiri dari obyek

dengan arah dari bawah ke atas dan dari kiri ke kanan.

Pencocokkan template T3 akan dilakukan pada sisi bawah dari

obyek dengan arah dari kanan ke kiri dan dari bawah ke atas.

Pencocokkan template T4 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

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.

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

Segmentasi Warna HSV

Thresholding

Erosi dan Dilasi Citra

Skeletonisasi

Capture Video

Filterasi Citra

Pemisahan Latar Depan Dan Latar Belakang

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

Warna

HSV

Filterisasi Dilasi dan

Erosi

Skeletonisasi

Frame

ke-1

Frame

ke-2

Frame

ke-3

Frame

ke-4

Frame

ke-5

Frame

ke-6

Frame

ke-7

Frame

ke-8

Frame

ke-9

Frame

ke-10

Frame

ke-11

Frame

ke-12

Frame

ke-13

Frame

ke-14

Frame

ke-15

Frame

ke-16

Frame

ke-17

Frame

ke-18

Frame

ke-19

Frame

ke-20

Frame

ke-21

Frame

ke-22

Frame

ke-23

Frame

ke-24

Frame

ke-25

Frame

ke-26

Frame

ke-27

Frame

ke-28

Frame

ke-29

Frame

ke-30

Frame

ke-31

Frame

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 Frame ke-1 Belum ada objek

Citra Skeletonisasi Frame ke-2 Belum ada objek

Citra Skeletonisasi Frame ke-3 √



Citra Skeletonisasi Frame ke-6 X



























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

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. 2010. 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. 2005.

Gait Recognition: A Challenging Signal Processing Technology for

Biometric Identification. IEEE Signal Processing Magazine. USA.

[3] Cicu Ratih Damayanthi. 2009. Segmentation Of Shape And

Skeleton Human With Use Gaussian And Thinning Method. Skripsi

Universitas Gunadarma. Depok.

[4] Darma Putra.2008. Sistem Biometrika. Andi. Jakarta.

[5] Dawson, Mark R. 2002. Gait Recognition. Imperial Collage of

Science, Technology and Medicine. London.

[6] Digital Library Telkom Institute Of Technology. “Sistem ruang

warna”.

http://digilib.ittelkom.ac.id/index.php?option=com_content&view=article

&id=668:sistem-ruang-warna&catid=15:pemrosesan-sinyal&Itemid=14.

[01 Juli 2011].

http://digilib.ittelkom.ac.id/index.php?option=com_content&view=article&id=668:sistem-ruang-warna&catid=15:pemrosesan-sinyal&Itemid=14

http://digilib.ittelkom.ac.id/index.php?option=com_content&view=article&id=668:sistem-ruang-warna&catid=15:pemrosesan-sinyal&Itemid=14

[7] Gunaidi Abdia Away. 2010. The Shortcut Of Matrix Laboratory

MATLAB Programming. Informatika. Bandung.

[8] Gonzalez, R.C. & Woods, R.E. 2002. Digital Image Processing

Second Edition. Prentice Hall. New Jersey.

[9] I Gusti Ngurah Winanda Wijaksana. “Morphologi”.

http://www.scribd.com/doc/51643630/Morphologi-Thinning-dan-

Thickening. [04 Juli 2011].

[10] Jason Rupard. “Skeletonization (part 1)”.

http://www.rupj.net/portfolio/docs/skeletonization.pdf. [03 Juli 2011].

[11] Jernihta Pardede. “Studi Perbandingan Beberapa Algoritma

Thinning Dalam Pengenalan Pola”.

http://repository.usu.ac.id/handle/123456789/20155. [01 Agustus 2011].

[12] Liu, Zongyi, Sudeep Sarkar. 2006. Improved Gait Recognition by

Gait Dynamics Normalization. Vol.28 No. 6. IEEE Transaction on Pattern

Analysis and Machine Intelligence. USA.

[13] Mark D. Fairchild. 2005. Color Appearance Models, Second

Edition. WILEY. UK.

[14] Marvin CH. Wijaya. 2007. Pengolahan Citra Digital

Menggunakan Matlab Image Processing Toolbox. Informatika. Bandung.

[15] Piccardi. “Background Substraction Review”.

http://www.staff.it.uts.edu.au/~massimo/BackgroundSubtractionReview-

Piccardi.pdf . [03 Juli 2011].

[16] Purwiyanti. “Penentuan Letak Derau pada Citra Berderau Salt And

Pepper Berdasarkan Sifat Ketetanggaan Piksel”.

http://lemlit.unila.ac.id/file/arsip 2009/PROSIDING dies ke-43 UNILA

2008/ ARTIKEL Pdf/SRI PURWIYANTI 216-223.pdf/. [24 Juni 2010].

[17] Rinaldi Munir. 2004.Pengolahan Citra Digital Dengan

Pendekatan Algoritmik. Informatika. Bandung.

[18] T. Sutoyo. 2009. Teori Pengolahan Citra Digital. ANDI.

Semarang.

[19] Yuniar Supardi. 2007. Cara Mudah Belajar C Dan Flowchart

Dalam Praktek. Dinastindo. Jakarta.

http://www.scribd.com/doc/51643630/Morphologi-Thinning-dan-Thickening

http://www.scribd.com/doc/51643630/Morphologi-Thinning-dan-Thickening

http://www.rupj.net/portfolio/docs/skeletonization.pdf

http://repository.usu.ac.id/handle/123456789/20155

http://lemlit.unila.ac.id/file/arsip%202009/PROSIDING%20dies%20ke-43%20UNILA%202008/%20ARTIKEL%20Pdf/SRI%20PURWIYANTI%20216-223.pdf/

http://lemlit.unila.ac.id/file/arsip%202009/PROSIDING%20dies%20ke-43%20UNILA%202008/%20ARTIKEL%20Pdf/SRI%20PURWIYANTI%20216-223.pdf/

skeletonisasi citra pembentukan rangka tubuh manusia...

Documents