LANDASAN TEOR
2.2. Image Processing
Image processing adalah sebuah transformasi input data yang mentah untuk
membantu kemampuan komputasional dan pencari ciri serta mengurangi noise(derau) (Putra, 2008). Image processing adalah sebuah teknik untuk menemukan orientasi dari sebuah citra, untuk menghilangkan noise kemudian meningkatkan kualitas dari sebuah
citra sehingga memudahkan dalam proses pengklasifikasian dan penelitian lebih lanjut tentang sebuah citra.
2.2.1. Canny Edge Detection
Edge detection adalah topik yang penting di dalam analisis citra (Soo-Ji, 2002). Tujuan dari edge detection secara umum adalah untuk mengurangi jumlah data di dalam sebuah citra dan juga menyediakan elemen struktural digunakan untuk pemrosesan citra yang lebih mendalam (Canny, 1986). Walaupun algoritma Canny menyertakan proses smoothing, tetapi algoritma Canny tidak menyampingkan penggunaan dari median filter. Dikarenakan, proses smoothing hanya mengaburkan citra dan proses smoothing hanya menyebabkan sedikit noise pada citra untuk dikaburkan. Akantetapi, median filter menyebabkan banyak noise yang dihilangkan (Nosrati et al, 2012).
2.2.1.1. Hough Circle Transform
Hough Transform telah dikenal sebagai sebuah tool yang kuat untuk pendeteksian
bentuk kurva-kurva yang bersifat parametirk di dalam citra (Duda & Hart, 1972; Hough, 1962). Circle Hough Transform didesain untuk menemukan lingkaran- lingkaran yang terbentuk oleh sebuah titik pusat (x0 , y0) dan sebuah radius r. Dalam menentukan sebuah lingkaran, sangat penting untuk mengakumulasi nilai – nilai parameter pada tiga ruang dimensi (x0 , y0, r) (Smereka & Duleba, 2008).
2.2.2. Image Enhancement
Proses perbaikan citra terdiri dari sekumpulan teknik yang bertujuan untuk meningkatkan kondisi visual dari citra atau untuk mengubah citra menjadi bentuk yang lebih baik disesuaikan untuk analisis oleh manusia atau mesin. Tujuan utama dari perbaikan citra adalah untuk memodifikasi atribut-atribut dari sebuah citra untuk proses yang diperlukan dan peneliti yang khusus. Selama proses perbaikan citra, satu atau lebih atribut pada citra dimodifikasikan. (Snehal & Shandilya, 2012). Perbaikan citra merupakan salah satu proses preprocessing image yang penting dan dapat mempengaruhi hasil dari proses klasifikasi.
2.2.2.1. Dilation
Dilasi adalah operasi yang berkebalikan dari operasi erosi. Dilasi memperbesar
foreground sedangkan erosi memperkecil foreground. Foreground direntangkan dari
batas luar foreground tersebut. Jika terdapat lubang di dalam foreground pada citra, lubang tersebut akan menghilang. Sama seperti erosi, operasi dilasi menggunakan
structural elements (Jawas & Suciati, 2013). Dilasi menggunakan persamaan 2.1
dibawah ini (Tambe et al, 2013).
X ⊕ B= X + b = { x + b : x ∈ X &b ∈ B} (2.1)
Dimana : X = citra grayscale asli B = structuring elements
x = set dari citra asli
b = set dari structing elements 2.2.2.2. Gaussian Blur
Di dalam image processing, operasi yang paling umum adalah penggunaan dari kernel
filter. Persamaan dari Gaussian yang menghasilkan jenis-jenis dari kernel-kernel
tersebut dianggap memiliki nilai mean nol. Berikut adalah persamaan Gaussian satu dimensi 2.2 didefinisikan dibawah ini (Robinson et al, 2012).
(2.2)
Dimana :
a = amplitude dari curve
σ = variansi dari Gaussian 2.2.3. Min-Max Linear Contrast Stretch
Sewaktu menggunakan minimum-maximum linear contrast strectch, nilai minimum dan maximum dari citra asli diubah menjadi sekumpulan nilai-nilai yang spesifik yang mewakili jangkauan dari tingkat kecerahan pada citra (Saleh et al, 2010). Berikut persamaan dari Min-Max Linear Contrast Stretch 2.3 dibawah ini (Saleh et al, 2010).
Dimana : g(x,y) = citra Min-Max Linear Contrast Stretch dengan matriks x dan y
f(x,y) = citra input dengan matriks x dan y min = nilai intensitas minumum pada citra input max = nilai intensitas maximum pada citra input 2.2.4. Colour Space Conversion
Warna adalah cara dari HVS(Human Visual System) dalam menghitung sebuah bagian dari gelombang elektromagnetik, diantara nilai 300 sampai dengan 830 nm. Disebabkan oleh beberapa elemen dari HVS yang tidak dapat dilihat dari semua kemungkinan pengabungan spektrum oleh mata manusia, tetapi manusia lebih cenderung untuk membedakan keberagaman spektrum dengan warna. Colour space adalah sebuah notasi yang dimana dapat menspesifikan warna (Tkalci & Jurij, 2003). 2.2.4.1. RGB2Grayscale
Semua pengubahan color-space menggunakan konvensi : citra-citra 8-bit berskala 0- 255, citra-citra 16-bit berskala 0-65536, dan angka pecahan adalah diantara 0.0 dan 1.0. Ketika citra keabuan diubah menjadi citra berwana, semua komponen yang menghasilkan citra dianggap menjadi sama; tetapi untuk transformasi yang berkebalikan (RGB atau BGR menjadi Grayscale), nilai keabuan dihitung dengan rumusan yang berbobot secara perseptual (Bradski & Kaehler, 2008).Berikut persamaan 2.4 untuk menghitung transformasi citra RGB atau BGR menjadi citra keabuan (Bradski & Kaehler, 2008).
(2.4) Dimana : Y = nilai grayscale yang dihasilkan
R = nilai red dari citra RGB atau BGR G = nilai green dari citra RGB atau BGR B = nilai blue dari citra RGB atau BGR
2.2.5. Resizing
Sering dijumpai citra dengan berbagai ukuran yang perlu diubah sesuai dengan ukuran yang diinginkan. Secara umum, diperlukan pemetaan dari sumber citra ke cirta resized tujuan menjadi semulus mungkin (Bradski & Kaehler, 2008).
2.2.6. Image Normalization
Di dalam mendapatkan hasil pengenalan yang baik, normalisasi biasa digunakan untuk mengskalakan dan memindahkan karakter ke dalam ukuran yang ternormalisasikan dan sesuai dengan aspek rasio. Algoritma normalisasi yang baik akan menggunakan grid untuk proses yang lebih jauh (Liu, Y., 2009). Berdasarkan hasil penelitian oleh X.Ding, karakter yang ternormalisasikan berdasarkan pada center
mass lebih cepat untuk diproses daripada batas-batas citra yang mengakibatkan
beberapa informasi dari citra hilang ketika kualitas input tidak sempurna (Ding, 2002). Dalam menghadapi ukuran font yang berbeda, normalisasi juga akan mengcocokkan ukuran font dan sesuai dengan aspek rasio pada karakter (Liu, Y., 2009).
2.2.7. Thresholding
Threshold menjadi sangat sederhana tetapi merupakan sebuah tool yang efektif untuk memisahkan objek dari background. Keluaran dari operasi threshold adalah citra biner yang akan mengindikasikan objek foreground, yang merupakan, teks yang tercetak, simbol-simbol, tujuan pada peta dan bahan materi dari sebuah objek. Berikut persamaan 2.5 threshold dibawah ini (Romen et al, 2011).
{
(2.5) Dimana : b(x,y) = citra yang terbinerisasikan
I(x,y) = citra asli yang akan dilakukan threshold T(x,y) = nilai matriks threshold untuk citra. 2.2.8. Thinning
Goresan pada tulisan tebal dan besar secara normal lebih tebal dari font yang lain, hal tersebut memberikan sebuah perbedaan yang sangat besar pada nilai fitur yang terkandung di dalam citra font tersebut. Oleh sebab itu, proses thinning sangat dibutuhkan untuk proses yang lebih lanjut pada citra (Liu, Y., 2009)