Bab 5 berisi simpulan hasil ulasan yang dapat menjawab rumusan masalah dan saran untuk pengembangan lebih lanjut terhadap sistem yang dirancang saat ini.
7 BAB 2
LANDASAN TEORI
2.1 Gambar Digital
Gambar digital merupakan suatu citra yang telah didiskritkan memiliki koordinat spatial yang dinyatakan dalam dua dimensi integer array. Suatu gambar f(x, y) disampling sehingga menghasilkan gambar digital yang memiliki baris yang dinyatakan dalam M dan jumlah kolom yang dinyatakan dalam N seperti yang terlihat dalam gambar 2.1. Nilai koordinat (x, y) yang disampling tersebut akan menjadi nilai-nilai diskrit, sehingga digunakan nilai
integer untuk koordinat diskrit tersebut. Setiap elemen dinyatakan dalam matrix array yang disebut dengan pixel. (Gonzalez dan Woods, 2001 :
52-55).
Gambar 2.1 Koordinat gambar digital (Sumber : Gonzalez dan Woods, 2001)
Suatu pixel dinyatakan dengan p memliliki koordinat (x, y) yang mempunyai empat tetangga secara horizontal dan vertical, dimana koordinat tersebut dinyatakan dalam persamaan (1):
Beberapa tipe gambar digital adalah gambar YUV dan RGB (Red,
Green, Blue). Gambar warna YUV diciptakan untuk membuat siaran televisi
berwarna dengan receiver TV hitam putih. Di dalam koordinat warna YUV terdiri atas komponen Y, komponen Cb, dan komponen Cr, dimana komponen Y biasanya disebut the luminance dan komponen Cb, dan Cr biasanya disebut chrominance. Pengertian dari the luminance adalah kecerahan yang diterima dari cahaya, yang sebanding dengan total energi dalam visible band. Sedangkan chrominance merupakan gambaran akan nuansa warna dari cahaya, yang tergantung pada komposisi panjang gelombang cahaya chrominance.
Gambar YUV biasanya dipakai dalam menampilkan campuran warna dari komponen luminance dan chrominance. Dalam pengaplikasiannya gambar YUV, diharapkan dapat menggambarkan warna dalam hal luminance dan chrominance secara terpisah agar dapat mengefisienkan proses.
Untuk mendapatkan tujuan dari aplikasi ini, tiga komponen koordinat warna telah dikembangkan, di mana salah satu komponen merupakan
luminance dan dua lainnya merupakan bagian chrominance yaitu hue dan saturation. Kesatuan koordinat tersebut adalah warna YUV (Yi Wei, 2008).
Untuk mencari nilai dari YUV di dapat dari persamaan (2):
(2)
Untuk mencari nilai RGB dapat dicari dengan menggunakan inverse dari persamaan (2). Gambar dari RGB ke YUV dapat dilihat di gambar 2.3
Gambar 2.2 Tampilan gambar RGB (a), Y (b), U (c), dan V (d)
(Sumber : Yalman, Erturk, 2013)
2.2 Pencahayaan
Cahaya yang mengenai permukaan dapat dipantulkan oleh permukaan atau dibiaskan melewati permukaan ke suatu material atau bahan (Stainvas, Lowe, 2003). Ketika melewati suatu material, pencahayaan dapat dipancarkan, diserap dan disebarkan oleh material. Banyaknya cahaya yang dipantulkan oleh objek bergantung pada jenis permukaan objek tersebut (I. Sato, Y. Sato, Ikeuchi, 2002).
Pengaruh kuatnya pencahayaan dapat menentukan keberhasilan segmentasi, karena itu perlu dilakukan pemodelan pencahayaan suatu citra dengan persamaan fisik (Gonzalez, 2002). Suatu citra memiliki energi yang diradiasikan yang jumlahnya proporsional dengan sumbernya, sehingga menghasilkan persamaan (3) (Gonzales dan Woods, 2001: 50) :
Fungsi terdiri dua komponen, yaitu , banyaknya
pencahayaan (illumination) yang mengenai scene, dan , banyaknya
pencahayaan yang dipantulkan (reflection) oleh objek pada scene tersebut, sehingga :
(4) (5) (6)
Persamaan (6) merepresentasikan nilai batasan reflektansi, yaitu nilai paling kecil adalah 0, yang menyatakan semua pencahayaan diserap oleh objek, dan nilai reflektansi paling besar yaitu 1, menyatakan semua pencahayaan dipantulkan oleh objek. Sehingga ditentukan dari
sumber pencahayaan dan karakteristik dari objek pada citra seperti pada persamaan (4). Pada persamaan (6) jika nilai mendekati 0, maka merepresentasikan objek berwarna gelap, seperti hitam. Sebaliknya jika nilai mendekati 1, maka merepresentasikan objek berwarna terang, seperti kuning.
Bagian dari pencahayaan terpencar yang berasal dari objek tersebut menyebabkan diffuse reflection. Penelitian ini menghitung besarnya pencahayaan yaitu illuminance dengan satuan lux (lx).
Ada tiga tipe pemantulan cahaya yaitu specular, spread, dan diffuse. Pemantulan spread terjadi ketika permukaan yang tidak rata memantulkan cahaya lebih dari satu sudut. Pemantulan diffuse terjadi ketika permukaan yang kasar memantulkan cahaya dengan sudut yang berbeda-beda. Pemantulan diffuse biasa disebut Lambertian scattering. Pemantulan specular terjadi ketika besarnya sudut dari sumber cahaya yang datang menuju permukaan sama dengan besarnya sudut yang dipantulkan oleh permukaan. Ketika cahaya mengenai permukaan yang tidak rata atau kasar, cahaya akan dipantulkan dengan banyak arah yang berbeda-beda dalam satu waktu (Jahne, 2004).
Pemantulan ini disebut dengan diffuse atau scattering. Banyaknya pemantulan diffuse yang terjadi ketika pencahayaan mengenai permukaan
ditentukan oleh dua faktor, yaitu perbedaan refractive index antara dua material atau bahan, dan ukuran serta bentuk dari partikel pada material atau bahan dibandingkan dengan panjang gelombang cahaya. Salah satu metode mendeskripsikan diffusion yaitu Bidirectional Scatter Distribution Function (BSDF) (Jepson, 2008).
Illuminance merupakan ukuran dari photometric flux per unit area.
Illuminance dihitung dengan satuan lux (lm/m2). Sedangkan incident
radiance merupakan ukuran dari radiometri yang dinyatakan dengan flux per
unit area yang diterima oleh permukaan.
2.3 Image Enhancement
Pemrosesan gambar digital yang disebut sebagai image processing memiliki beberapa level, yaitu low level dan high level. Tahap low level terdiri dari image enhancement. Image enhancement yaitu meningkatkan informasi pada suatu citra untuk menghasilkan kualitas citra menjadi lebih baik. Image enhancement memiliki dua macam metode yaitu metode spatial
domain dan metode frequency domain (Maini dan Aggarwal, 2010). Metode frequency domain akan mentransformasikan gambar ke dalam domain
frekuensi dengan transformasi Fourier, berbeda dengan metode spatial
domain yang menggunakan teknik masking seperti terlihat pada gambar 2.3.
Metode spatial domain memanipulasi nilai-nilai pixel pada gambar untuk menghasilkan sebuah citra baru dengan efek yang berbeda. Hasil gambar baru yang diperoleh dari metode spatial domain didapat dengan menghitung nilai pixel sekelilingnya serta menggunakan konvolusi dua dimensi.
2.3.1 Masking
Metode spatial domain menggunakan teknik masking yang dapat menghasilkan efek citra menjadi blur, kontras, dan filter gambar. Suatu citra terdiri dari banyak pixel, yang setiap pixelnya memiliki intensitas warna yang berbeda. Teknik masking yaitu
memanipulasi intensitas dari setiap pixel pada citra agar menghasilkan suatu citra baru dengan nilai intensitas pixel yang berbeda.
Masking dilakukan dengan melakukan konvolusi antara
matriks kernel dan pixel-pixel pada citra. Kernel merupakan matriks kecil yang dapat digunakan pada konvolusi gambar. Kernel yang biasa digunakan adalah matriks 3x3 seperti pada terlihat pada gambar 2.3.
Gambar 2.3 Masking dan matriks kernel (Sumber : Ludwig, 2003)
Konvolusi pada image processing merupakan sebuah persamaan integral dari dua fungsi yang digunakan pada teknik
masking. Dua fungsi yang diintegralkan pada masking tersebut yaitu
matriks kernel, biasanya bertipe matriks 3 x 3 dan matriks pixel pada gambar (Kim dan Casper, 2013). Konvolusi masking diaplikasikan pada tahap filter gambar dalam image enhancement (Kokaram).
Filter yang paling banyak digunakan yaitu median filter karena efektif
Gambar 2.4 Proses masking dimana gambar asli (a), gambar
Gambar 2.4 Proses masking dengan nilai warna yang dimasking (b), gambar dengan kernel 3x3 yang dimasking (c), dan gambar
output (d)
(Sumber : Ludwig, 2003)
Gambar 2.4 menunjukan hasil dari proses masking yang menghasilkan citra dengan nilai yang lebih kontras dari gambar sebelumnya. Citra sebelah kiri merupakan citra asli yang belum dimanipulasi pixelnya. Sedangkan citra sebelah kanan merupakan gambar yang sudah diubah nilai intensitas pixelnya melalui proses
masking. Nilai matriks kernel yang digunakan untuk teknik masking,
bergantung dari efek yang ingin dihasilkan pada citra. Untuk menghasilkan efek blur pada citra maka digunakan nilai matriks
kernel yang berbeda.
Teknik masking diaplikasikan untuk filter citra yaitu median
filter, yang dapat digunakan untuk memperhalus kualitas suatu citra
dari salt and pepper noise, impulse noise dan Gaussian noise.
Median filter dapat dilakukan dengan teknik masking yaitu dengan
mengganti nilai pixel yang masih mengandung noise menjadi nilai
pixel yang baru. Teknik masking median filter dilakukan dengan
mengganti nilai setiap pixel menjadi nilai tengah dari nilai-nilai pixel yang telah diurutkan, seperti terlihat pada gambar 2.5.
Gambar 2.5 Median Filter (Sumber : Ludwig, 2003)
Satu nilai pixel baru didapatkan dengan mengambil nilai pixel tersebut dan delapan pixel disekelilingnya. Sembilan nilai pixel tersebut akan diurutkan dari nilai yang terkecil sampai nilai yang terbesar. Nilai tengah dari urutan tersebut akan diambil untuk menggantikan nilai pixel yang baru.
2.3.2 Contrast Stretching
Contrast stretching untuk membuat intensitas pixel pada citra
semakin kontras. Contrast stretching dinyatakan dengan persamaan (7) :
s = T(r) (7)
s merupakan citra r yang dinyatakan dengan f(x,y) yang telah mengalami transformasi. Contrast stretching merupakan fungsi transformasi gray level yang menghasilkan citra dengan kontras yang tinggi dengan tingkat kegelapan di bawah m dan tingkat keterangan di
atas m. Warna abu-abu gelap pada citra akan diubah menjadi abu-abu terang agar perbedaan warna intesitas pixel yang gelap dan terang terlihat lebih jelas dibandingkan sebelumnya seperti terlihat pada gambar 2.6.
Gambar 2.6 Metode Contrast Stretching Sumber : Gonzalez (2002)
2.3.3 Histogram
Histogram adalah grafik yang menyatakan distribusi pixel
terhadap intensitas dari sebuah citra. Histogram menggambarkan distribusi setiap pixel dengan gray value yang terkandung pada citra. Sumbu y pada histogram menyatakan jumlah pixel yang terkandung pada citra, sedangkan sumbu x menyatakan tingkat intensitas setiap
pixel dari gelap sampai terang (Cimbala, 2013).
Gambar 2.7 histogram gambar 8 bit (Sumber: Bouman, 2009)
Gambar 2.7 adalah contoh histogram gambar 8 bit dengan nilai intensitas pixel dari nol sampai 255. Intensitas pixel yang bernilai nol adalah intensitas pixel dengan kondisi paling gelap. Sedangkan intensitas pixel bernilai 255 merupakan kondisi paling terang pada
pixel gambar (Bouman, 2009).
2.3.4 Thresholding
Thresholding merupakan metode partisi citra menjadi
beberapa nilai intensitas pixel. Threshold dapat menjadi salah satu metode yang dapat digunakan untuk segmentasi citra. Thresholding mengubah grayscale image menjadi binary image sehingga objek terpisahkan dari background pada gambar 2.8 yang dinyatakan pada persamaan (8).
(8)
Keuntungan menjadi citra biner yaitu mengurangi kompleksnya data dan menyederhanakan pemrosesan citra untuk tahap pengenalan atau recognition (Al-amri, Kalyankar, Khamitkar, 2010). Thresholding menganalisa distribusi grayvalue pada citra yang dinyatakan dengan histogram. Thresholding dapat menentukan karakteristik intensitas antara objek dan latar belakang objek. Terdapat dua macam metode thresholding, yaitu global thresholding dengan nilai threshold T adalah konstan, dan lokal thresholding yang dapat dipakai saat kondisi background bervariasi.
Gambar 2.8 Contoh thresholding dengan gambar asli (a), gambar sesudah di thresholding (b)
(Sumber : Moravcik, 2009)
2.4 Segmentasi
Segmentasi merupakan proses memisahkan pixel-pixel yang terkandung pada suatu citra, menjadi suatu kelompok dari pixel-pixel yang bersifat homogeneous. Proses segmentasi terbagi menjadi dua macam, yaitu segmentasi region dan segmentasi edge (Jain, Katsuri, Schunck, 1995: 73). Segmentasi region merupakan proses segmentasi dengan pengelompokkan
pixel-pixel pada citra menjadi suatu region-region. Semua pixel yang
memiliki karakteristik yang sama akan dikelompokkan bersama sebagai suatu
region.
2.4.1 Region Growing
Segmentasi citra menggunakan algoritma region growing, yaitu metode segmentasi berbasiskan region segmentation dengan mengolompokkan pixel-pixel yang memiliki karakteristik yang sama, berupa intensitas pixel sehingga membentuk region yang merepresentasikan objek dari suatu citra. Pengelompokkan pixel-pixel ini bertujuan untuk memisahkan objek dari latar belakangnya pada suatu citra. Nilai intensitas setiap pixel pada citra akan memengaruhi
Algoritma region growing yang dimulai dengan seed points yang mewakili dari suatu region. Seed points akan berkembang ke
pixel tetangga yang memilliki karakter yang hampir sama sampai
membentuk suatu bagian (region).
Segmentasi merupakan proses membagi citra R menjadi n subregion, yaitu R1, R2, … Rn ,dengan persamaan (Gonzalez dan Woods, 2001):
(9)
Persamaan (9) menjelaskan proses segmentasi harus komplit yaitu semua pixel harus masuk dalam katagori region-region yang dibuat. Selain itu, semua pixel yang berada pada Ri memiliki nilai gray level yang sama. Ri merupakan region yang saling berkoneksi, dengan i = 1, 2, .. n.
(10)
Persamaan (10) menjelaskan semua region harus diuraikan. Sifat pixel harus terpenuhi ketika pixel disegmentasi menjadi region yang dinyatakan dalam persamaan (11) :
(11)
yaitu P(Ri) benar jika pixel pada region i memiliki nilai intensitas yang kurang lebih sama.
Seed point yang berada pada citra f, memiliki koordinat (x, y)
dengan grayvalue = f(x, y). Region growing menggabungkan
pixel-pixel dengan kriteria range grayvalue menjadi suatu region menjadi
nilai intensitas pixel h. Mekanisme region growing dimulai dari seed
point S(x,y) dengan nilai intensitas pixel yang sudah ditentukan pada
koordinat tertentu pada suatu citra. Seed point S(x,y) akan berkembang (growth) dengan memeriksa nilai intensitas pixel tetangga dengan menggunakan arah 8-connectivity.
Pixel tetangga akan masuk menjadi satu region Ri jika selisih
nilai pixel tetanggga dan seed point lebih kecil dari nilai threshold. Nilai maksimum gray value pada Ri ditentukan dari nilai threshold.
H(x,y) = TRUE, if (12) Nilai threshold didapatkan dari analisa histogram masing-masing objek dan histogram latar belakang. Histogram kedua objek yang diambil oleh kamera secara terpisah.
Dengan melihat hasil histogram latar belakang dan histogram objek maka dapat menentukan nilai threshold yang akan digunakan pada proses segmentasi. Growing atau berkembangnya seed point ke
pixel tetangga, akan berhenti jika tidak ada pixel yang memenuhi
kriteria dari karakter suatu region Ri.
2.4.2 Segmentasi pengaruh pencahayaan
Penelitian mengenai segmentasi telah dilakukan dalam beberapa tahun ini. Dengan memperhatikan pengaruh pencahayaan, algoritma segmentasi telah dikembangkan seperti pada penelitian
Effects of Image Segmentation for Approximating Object Appearance Under Near Lighting (Sato, Okabe and Yoichi, 2006). Metode yang
digunakan pada penelitian Okabe mengenalkan cara segmentasi citra dengan asumsi pencahayaan yang terarah. Algoritma yang digunakan terdiri dari dua kriteria. Kriteria pertama single point light source yaitu objek yang akan disegmentasi diberikan cahaya dengan dengan sumber cahaya terpusat dengan frekuensi yang tinggi.
Kriteria kedua adalah general illumination condition yaitu objek diberikan cahaya dengan kondisi sumber cahaya yang normal. Algoritma ini terdiri dari dua tahap yaitu rectangular segmentation dan segmentasi dibawah sumber cahaya.
Algoritma Watershed yang digabungkan dengan homomorphic
filtering dan transformasi Top-Hat dapat diaplikasikan untuk proses
segmentasi dengan kondisi pencahayaan yang tidak merata pada sebuah citra yang ditangkap kamera (Wen-Cheng, Xiao-Jun, 2013).
Homomophic filtering dapat melemahkan komponen frekuensi rendah
dan menguatkan komponen frekuensi tinggi untuk membuat citra menjadi kontras. Transformasi Fourier digunakan pada homomorphic
frekuensi. Hasil citra yang sudah di filter selanjutnya akan melalui tahap transformasi Top-Hat. Keunggulan transformasi Top-Hat yang dapat mendeteksi puncak dan lembah dari grayvalue pada citra membuat transformasi Top-Hat dapat menghilangkan kondisi warna latar belakang yang tidak rata akibat pencahayaan, kemudian dapat menghasilkan warna latar belakang yang seragam.
Citra yang dihasilkan dari transformasi Top-Hat akan disegmentasi oleh algoritma watershed agar partikel yang diinginkan dapat dipisahkan dari latar belakang. Dengan mengoreksi pencahayaan yang tidak merata sampai melalui proses segmentasi yang sederhana metode ini memberikan hasil memuaskan yaitu partikel yang diinginkan dapat terpisah dari latar belakang. Metode yang diperkenalkan oleh Wen-Cheng memberikan hasil segmentasi lebih baik dibandingkan metode segmentasi yang lain, seperti metode Otsu, metode Iterative, metode Averate dan metode Maximum
Entropy.
Adapun segmentasi warna citra (Koh, Miles, Morgan, Hayes-Gill, 2007). Algoritma ini terdiri dari enam tahap. Tahap awal yaitu mengambil gambar dengan tiga macam kondisi pencahayaan yang berbeda, dilanjutkan tahap kedua yaitu memisahkan citra menjadi RGB (Red, Green, Blue) planes. Tahap ketiga mencari nilai maksimum intensitas gambar. Tahap keempat yaitu mencari rasio gambar yang dihitung dengan membagi setiap bidang gambar dari nilai maksimum intensitas gambar, dimana nilai rasio gambar akan dipakai untuk tahap kelima yaitu mencari edge maps.
Algoritma segmentasi yang dikembangkan oleh Koh memberikan hasil segmentasi lebih unggul dengan menghasilkan
boundary yang lebih bersih dan akurat dibandingkan dengan teknik
segmentasi watershed dan canny edge detection.
Variasi pencahayaan mempengaruhi perubahan warna citra yang ditangkap kamera. Segmentasi citra yang berwarna dengan menggunakan algoritma adaptive akan diuji pada citra yang diberi tiga macam sumber cahaya dengan kondisi pencahayaan yang beragam (Kuo-Yang TU, 2009). Komponen YUV, dimana Y
merupakan komponen dapat menentukan edge detection untuk warna citra. Sedangkan komponen U dan V mendeskripsikan hue dan
saturation dari warna citra. Komponen YUV dapat menentukan nilai threshold yang akan dipakai. Nilai rata-rata komponen YUV
digunakan untuk menganalisa warna citra akibat varias pencahayaan. Dua macam percobaan, yaitu percobaan menggunakan kondisi pencahayaan gelap dan kondisi pencahayaan terang dipakai untuk menguji algortima adaptive.
2.4.3 Edge Suppressing
Salah satu algoritma segmentasi yang dipakai pada penelitian ini yaitu algoritma Edge Suppression by Gradient Field
Transformation using Cross-Projection Tensors (Agrawal, Raskar,
Chellapa, 2006). Algortima ini melakukan segmentasi dengan kondisi pencahayaan beragam dan menggunakan teknik edge suppressing untuk pengolahan citra.
Gambar 2.9 Algoritma Edge Suppression by Gradient Field Transformation using Cross-Projection Tensors
Algoritma edge suppressing menggunakan pendekatan tensor untuk melakukan transformasi dalam mencari gradient citra untuk objek yang diinginkan. Algoritma ini mengandung dua macam citra
background dan foreground. Citra background terdiri dari
objek-objek yang menjadi background yang nantinya akan dipisahkan pada saat proses segmentasi seperti terlihat pada gambar 2.10.
Gambar 2.10 Background
Citra foreground mengandung objek yang diingkan yaitu kaleng Sun-Maid agar terpisah dari background setelah melalui proses segmentasi seperti terlihat pada gambar 2.11. Dua macam tensor yang dibutuhkan pada algoritma ini yaitu structur tensor dan cross diffusion
tensor. Jenis filter yang digunakan pada algoritma ini yaitu Gaussian filter dengan menggunakan matriks kernel Gaussian. Dengan mencari
nilai structure tensor yang didapatkan dari kernel Gaussian dan
gradient citra foreground dan background, maka dapat ditentukan
nilai eigen value dan eigen vector. Nilai eigen value yang kemudian akan menentukan nilai cross projection tensor yang akan dipakai pada algoritma ini. Transformasi yang digunakan pada algoritma ini yaitu
affine transformation. Untuk melakukan affine transformation
dibutuhkan nilai cross diffusion tensor. Hasil dari transformasi akan memberikan nilai gradient citra yang baru dari objek yang diinginkan. Integrasi gradient citra tersebut akan menghasilkan suatu citra baru dari objek yang diinginkan seperti terlihat pada gambar 2.12
Gambar 2.12 Hasil edge suppressing
Teknik edge suppressing yaitu menghilangkan tepi pada citra dari informasi edge pada citra background, melalui transformasi antara gradient citra foreground dan cross projection tensor.
2.4.4 Tensor
Tensor merupakan orde tingkat tinggi dari matriks (orde
tingkat 2), vektor ( orde tingkat satu), dan skalar (orde tingkat 0). Dengan menggunakan tensor dapat memudahkan dalam memproses data-data dalam jumlah yang besar, dan dengan menggunakan tensor waktu proses pengerjaan yang dibutuhkan lebih sedikit.
Sejak abad ke-19 tensor sangat membantu dalam menyelesaikan masalah yang ada. Dalam fisika, menghitung dan menyatakan suatu nilai dibutuhkan sebuah besaran. Seperti contoh perhitungan berat badan (massa) dalam fisika dipakai besaran untuk menyatakannya yaitu m. Misal dalam mencari sebuah tegangan listrik (V) membutuhkan besaran-besaran yang lain untuk menghitung nilainya yaitu membutuhkan besaran arus (I), dan besaran hambatan (R) untuk mendapatkan nilai tegangannya. Bayangkan bila untuk mencari satu nilai saja membutuhkan banyak besaran. Dengan memakai tensor elemen-elemen yang ada dalam fisika (semua komponen) dibuat menjadi satu objek dalam matematika. Pada abad sekarang dalam pengerjaan dengan menggunakan komputer juga terdapat masalah yaitu data-data yang diproses sangatlah banyak sehingga dipakailah tensor dalam memudahkan proses pengerjaannya. Tujuan dari tensor adalah menyederhanakan persamaan-persamaan yang ada sehingga memudahkan dalam proses pengerjaannya (Ceberio,Kreinovich, 2008).
2.4.5 Affine Transformation
Affine Transformation banyak digunakan dalam bidang
computer vision khususnya dalam pengenalan sebuah benda atau objek. Secara khusus affine transformation dipakai dalam memetakan objek 2 dimensi ke gambar 2 dimensi dalam ruang 3 dimensi. Affine
transformation adalah sebuah transformasi yang membuat garis dan
memetakan gambar dengan 4 paramater yaitu : translation, rotation,
Contoh sebuah gambar objek memiliki beberapa titik ( p’1, p’2, p’3, ... p’m ) yang saling terhubung. Gambar objek tersebut diletakkan pada sebuah bidang dan dilihat dengan dua arah yang berbeda, dengan gambar objek yang sama. Dari penglihatan dengan arah berbeda di dapatlah dua persamaan yaitu :
p = (x, y) (13)
p’ = (x’, y’) (14)
Koordinat titik p dapat diperoleh dengan affine transformation, seperti berikut :
p = Ap’ + b (15)
Dimana A adalah matriks 2x2 dan b adalah vektor 2 dimensi. Dari pesamaan (1) di dapat :
x = a11x’ + a12y’ + b1 (16) y = a21x’ + a22y’ + b2 (17)
Gambar 2.13 menyatakan gambar (a) objek asli, (b) – (d) gambar objek yang telah di affine transfomation
Dari dua persamaan (16) dan (17) memperlihatkan dua gambar yang berbeda, sehingga objek ada yang dapat dikenali dan ada yang tidak dapat dikenali, inilah disebut teknik affine transformation. Contoh teknik affine transformation dapat dilihat pada gambar 2.13 (Bebis, Georgiopoulos, Lobo, Shah, 1999).
27 BAB 3
METODE PERANCANGAN
3.1 Perancangan
Metode perancangan yang dilakukan yaitu merancang sistem segmentasi dengan algoritma dan menguji parameter yang menjadi pengaruh keberhasilan sistem. Parameter yang dapat mempengaruhi keberhasilan sistem segmentasi yaitu kondisi intensitas cahaya, bentuk warna dan tekstur objek yang terkandung pada citra. Variabel yang diukur pada penelitian ini yaitu jumlah pixel yang terdapat pada citra hasil segmentasi, distribusi penyebaran intensitas pixel objek pada citra, dan nilai intensitas pixel yang terkandung pada citra. Proses segmentasi dari citra yang ditangkap oleh kamera bergantung pada tiga hal yaitu :
1. Kondisi fisik yang terkandung pada scene atau area pengambilan gambar,
2. illumination incident atau banyaknya cahaya yang mengenai scene,