ANALISIS STUDI KASUS MULTIVARIAN INTENSITAS
DENGAN PERBANDINGAN METODE SEGMENTASI COLOR
HISTOGRAM HSV, YCBCR, L*A*B (CIELAB) DAN
K-MEANS CLUSTERING WARNA PADA FINGERSPELLING
AMERICAN SIGN LANGUAGE (ASL)
TUGAS AKHIR
Diajukan Untuk Melengkapi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer
OLEH :
DIAH PURNAMASARI 09011281320029
JURUSAN SISTEM KOMPUTER
FAKULTAS ILMU KOMPUTER
UNIVERSITAS SRIWIJAYA
2019
BAB I
PENDAHULUAN
1.1 Latar Belakang Masalah
Iris merupakan salah satu organ mata yang mengelilingi pupil dimana teksturnya berbeda antara satu orang dengan orang lainnya. Iris mata dilindungi oleh mekanisme tubuh sendiri dan tidak mungkin diubah tanpa resiko. Pola iris yang unik untuk setiap subjek mata dan tetap stabil sepanjang hidup. Maka iris dikenal sebagai bagian yang paling akurat dan dapat diandalkan untuk identifikasi seseorang[1][2].
Pada saat proses akuisisi data, terdapat beberapa kendala dalam pengambilan dataset. Salah satunya dimana citra iris ditangkap dalam keadaan yang tidak stabil sehingga menghasilkan citra dengan berbagai kualitas seperti terdapat
blur, difusi kamera, noise, pantulan cahaya, refleksi dan lain-lain yang akan
mempengaruhi proses segmentasi[3]. Pada dataset citra iris mata yang penulis
gunakan terdapat kontras yang tidak seimbang dan noise berupa pantulan cahaya.
Dengan demikian diperlukan perbaikan kualitas citra. Perbaikan citra adalah proses mendapatkan citra yang lebih baik dan mudah untuk diinterpretasikan oleh mata manusia. Peningkatan kualitas citra berfungsi untuk memperbaiki kualitas citra sehingga citra lebih mudah untuk dianalisis oleh proses otomatisasi berbasis citra. Metode yang digunakan pada proses peningkatan citra dalam penelitian ini adalah histogram equalization (HE) dan Adaptive Histogram Equalization (AHE). Dalam penerapan metode ekualisasi histogram, komponen Merah, Hijau, dan Biru pada citra RGB dapat menghasilkan perubahan dramatis dalam keseimbangan warna citra karena distribusi relatif dari channel warna relatif berubah. Sehingga
diperlukan konversi citra RGB menjadi citra grayscale terlebih dahulu[4].
Histogram equalization berfungsi untuk menyeimbangkan kontras dan
memperkecil noise yang terdapat pada citra iris mata yang penulis gunakan. HE
memiliki teknik untuk meningkatkan kontras secara keseluruhan citra dengan mendistribusikan nilai intensitas dari citra. Peningkatan kontras HE dapat mengubah kecerahan secara menyeluruh yang menghasilkan saturasi rendah atau
saturasi berlebihan pada bagian tertentu [5]. AHE memperbaiki kekurangan dari HE dengan cara meningkatkan kontras secara lokal atau pada bagian tertentu dengan lebih detail. Peningkatan kontra AHE berdasarkan pemerataan histogram dari daerah yang lebih kecil[6]. Selain peningkatan kualitas citra digunakan juga teknik pengolahan citra morfologi. Metode citra morfologi merupakan jenis pengolahan dimana bentuk spasial atau struktur benda dalam suatu citra yang dimodifikasi [7]. Operasi morfologi berfungsi sebagai metode yang akan
menghilangkan noise yang terdapat pada citra iris mata.
Peneliti [8], [9], [10] menunjukkan bahwa penerapan pengolahan citra dengan metode operasi morfologi menghasilkan segmentasi yang akurat. [8] menyatakan bahwa tingkat keberhasilan menggunakan metode morfologi mendapatkan hasil 96% segmentasi pupil yang sempurna. [9] melakukan kombinasi
antara dua metode yaitu metode Morphological Gradient dan metode Transformasi
Watersheed, dimana peneliti ini menyatakan bahwa metode morfologi tersebut lebih baik dari pada metode transformasi watersheed karena hasil dari metode transformasi watersheed merupakan segmentasi yang berlebihan maka kelebihan segmentasi tersebut ditutupi oleh metode morfologi. [10] menyatakan bahwa metode morfologi tersebut lebih cepat dan mudah untuk mendapatkan hasil yang akurat.
Pada tugas akhir ini penulis lebih berfokus kepada peningkatan kualitas citra
dan menghilangkan noise yang terdapat pada citra iris mata menggunakan metode
histogram equalization, adaptive histogram equalization dan operasi morfologi.
Hasil dari metode histogram equalization, adaptive histogram equalization dan
operasi morfologi akan diukur nilai kualitas citra menggunakan metode pengukuran
Peak Signal Noise Ratio (PSNR). PSNR digunakan untuk mengetahui
perbandingan kualitas citra sebelum dengan citra setelah dilakukan metode histogram equalization, adaptive histogram equalization dan operasi morfologi.
Hasil dari morfologi akan dianalisis tingkat keberhasilan menghilangkan noise pada
citra iris mata. Peningkatan kualitas citra dan operasi morfologi dilakukan dengan menggunakan perangkat lunak MATLAB versi R2015a. Dataset yang akan diuji didapat dari penelitian sebelumnya menggunakan perangkat keras berupa kamera khusus mata dan terdapat 56 citra iris mata [11].
1.2 Rumusan dan Batasan Masalah
Rumusan masalah selanjutnya adalah bagaimana cara melakukan
peningkatan kualitas citra menggunakan metode histogram equalization (HE),
Adaptive Histogram Equalization (AHE) dan Operasi morfologi untuk
menyeimbangkan kontras, memperkecil noise dan menghilangkan noise pada iris
mata yang selanjutnya akan dilakukan perbandingan untuk dianalissis. Selain itu terdapat beberapa batasan masalah, diantaranya:
1. Citra uji yang digunakan iris mata manusia.
2. Dataset citra iris mata terdapat noise yang berupa pantulan cahaya.
3. Metode yang digunakan yaitu Histogram Equalization (HE), Adaptive
Hostogram Equaliztion (AHE) dan metode Morfologi.
4. Menghitung nilai PSNR dari hasil citra metode histogram equalization,
Adaptive Histogram Equalization dan Operasi Morfologi.
5. Pengujian dilakukan menggunakan bahasa pemrograman dengan perangkat
lunak berupa MATLAB versi R2015a.
1.3 Tujuan dan Manfaat 1.3.1 Tujuan
Adapun tujuan dari penelitian tugas akhir ini adalah:
1. Menggunakan metode histogram equalization dan Adaptive Histogram
Equalization untuk menyeimbangkan kontras dan memperkecil noise yang terdapat pada citra iris mata.
2. Menggunakan operasi morfologi untuk menghilangkan noise pada iris mata.
3. Menggunakan PSNR sebagai alat ukur dari metode histogram equalization,
Adaptive Histogram Equalization dan operasi Morfologi.
4. Membandingkan hasil PSNR pada histogram equalization dan Adaptive
Histogram Equalization.
1.3.2 Manfaat
Dapat membuktikan bahwa algoritma morfologi dapat digunakan sebagai
penghilang noise pada iris mata.
1. Dapat menambah penelitian mengenai peningkatan kualitas citra iris mata
menggunakan metode histogram equalization dan Adaptive Histogram
Equalization dan algoritma morfologi.
2. Dapat memberikan informasi untuk dikembangkan lebih lanjut oleh peneliti
lainnya khusus mengenai iris mata manusia.
1.4 Metodologi Penulisan
Terdapat beberapa tahapan metodologi dalam tugas akhir ini diantaranya:
1. Studi Pustaka/Literatur
Tahap ini dilakukan dengan cara membaca jurnal atau referensi lainnya seperti buku atau media online mengenai segmentasi citra dan penghilang noise glare pada iris mata menggunakan algoritma morfologi sehingga dapat menunjang penulisan tugas akhir ini.
2. Pengumpulan Data
Tahap ini dilakukan dengan cara mendapatkan citra iris yang telah ada sebagai data primer, data yang telah ada diambil dari salah satu penelitian sebelumnya. Dari data primer tersebut didapatkan 12 sampel citra iris mata. Pada tahap ini merupakan tahap akuisisi data.
3. Perancangan dan Pembuatan Perangkat
Tahap ini merupakan proses perancangan dan pembuatan peragkat lunak metode ekualisasi histogram (HE) dan algoritma morfologi yang berfungsi sebagai segmentasi citra dimana proses tersebut merupakan penghilang noise glare secara otomatis dengan menggunakan perangkat lunak MATLAB versi R2015a.
1.5 Sistematika Penulisan
Tugas akhir ini terdiri atas 5 bab dengan sistematika sebagai berikut:
BAB I. PENDAHULUAN
Bab ini berisi megenai latar belakang masalah, rumusan dan batasan masalah, tujuan dan manfaat, metodologi dan sistematika penulisan.
BAB II. TINJAUAN PUSTAKA
Bab ini berisi mengenai dasar teori yaitu teori iris mata, pengolahan citra digital, citra warna, peningkatan kualitas citra dan algoritma morfologi
sebagai penghilang noise.
BAB III. METODOLOGI
Bab ini berisi perancangan kerangka kerja dari algoritma dan pengolahan citra yang dilakukan beserta proses prosedur dari program tersebut.
Pengolahan citra yang dilakukan yaitu menghilangkan noise menggunakan
algoritma morfologi.
BAB IV. IMPLEMENTASI DAN PENGUJIAN
Bab ini berisi mengenai pengujian dan hasil dari implementasi algoritma morfologi.
BAB V. KESIMPULAN DAN SARAN
Bab ini berisi mengenai kesimpulan dari hasil percobaan yang telah dilakukan dan saran yang untuk pengujian selanjutnya.
DAFTAR PUSTAKA
[1] A. Verule, S. Suryawanshi, P. Rajput, and R. Itkarkar, “Application Control
Using 3D Gesture Recognition,” pp. 1–6, 2014.
[2] I. L. Weatherall and B. D. Coombs, “Skin color measurements in terms of
CIELAB color space values,” J. Invest. Dermatol., vol. 99, no. 4, pp. 468–
473, 1992.
[3] M. T. Tran, J. Rantung, T. H. Nguyen, H. K. Kim, and S. Bong,
“Measurement of injury rate on fish skin and performance comparison based on L * A * B * and HSV color spaces,” vol. 02010, 2018.
[4] X. D. Bai, Z. G. Cao, Y. Wang, Z. H. Yu, X. F. Zhang, and C. N. Li, “Crop
segmentation from images by morphology modeling in the CIE L à a à b à color space,” vol. 99, pp. 21–34, 2013.
[5] P. J. Baldevbhai and R. S. Anand, “ Color Image Segmentation for Medical
Images using L * a * b * Color Space,” vol. 1, no. 2, pp. 24–45, 2012.
[6] T. Chen, Y. Chen, and S. Chien, “Fast image segmentation based on
K-Means clustering with histograms in HSV color space,” 2008 IEEE 10th
Work. Multimed. Signal Process., pp. 322–325, 2008.
[7] T. Elomaa and H. Koivistoinen, “On Autonomous k-Means Clustering,” no.
May 2005, pp. 228–236, 2005.
[8] M. Luo, Y.-F. Ma, and H.-J. Zhang, “A Spatial Constrained K-Means
Approach to Image Segmentation,” in Fourth International Conference on
Information, Communications & Signal Processing Fourth IEEE Pacific-Rim Conference On Multimedia, 2003, vol. 4, no. 2A2, pp. 1–5.
[9] N. Ashidi, M. Isa, S. A. Salamah, and U. K. Ngah, “Adaptive Fuzzy Moving
K-means Clustering Algorithm for Image Segmentation,” pp. 2145–2153, 2009.
[10] A. H. Al-Timemy, G. Bugmann, J. Escudero, and N. Outram, “Classification of finger movements for the dexterous hand prosthesis control with surface
electromyography,” IEEE J. Biomed. Heal. Informatics, vol. 17, no. 3, pp.
608–618, 2013.
[11] T. M. Kodinariya and P. R. Makwana, “Review on determining number of
Cluster in K-Means Clustering,” Int. J. Adv. Res. Comput. Sci. Manag. Stud.,
vol. 1, no. 6, pp. 2321–7782, 2013.
[12] N. Efford, “Digital Image Processing - A Practical Introduction Using Java.pdf.” p. 372, 2000.
[13] C. Solomon and T. Breckon, Fundamentals of Digital Image Processing: A
Practical with Examples in Matlab, 1st ed. Oxford: Wiley-Blackwell, 2011.
[14] O. Marques, Practical Image and Video Processing Using MATLAB. New
[15] R. C. Gonzalez and R. E. Woods, Digital Image Processing Second Edition. 2002.
[16] K. M. M. Rao, “Overview of Image Processing,” Proc. a Work. image
Process. pattern Recognit., pp. 1–7, 2006.
[17] I. Young, J. Gerbrands, and L. Van Vliet, “Fundamentals of Image
Processing,” Opt. Digit. Image Process. Fundam. Appl., pp. 71–96, 2011.
[18] Z. Qiu-yu, L. Jun-chi, Z. Mo-yi, D. Hong-xiang, and L. Lu, “Hand Gesture Segmentation Method Based on YCbCr Color Space and K-Means
Clustering,” Int. J. Signal Process. Image Process. Pattern Recognit., vol. 8,
no. 5, pp. 105–116, 2015.
[19] J. A. M. Basilio, G. A. Torres, G. S. Pérez, L. K. T. Medina, and H. M. P. Meana, “Explicit Image Detection using YCbCr Space Color Model as Skin
Detection,” Appl. Math. Comput. Eng., pp. 123–128, 2011.
[20] M. Jaba, M. Elsghair, N. Tonish, and A. Abugraga, “APPLYING EDGE INFORMATION IN YCbCr COLOR SPACE ON THE IMAGE
WATERMARKING,” An Int. J., vol. 8, no. 2, 2017.
[21] B. Muhammad and S. A. R. Abu-Bakar, “A hybrid skin color detection using
HSV and YCgCr color space for face detection,” in IEEE 2015 International
Conference on Signal and Image Processing Applications, ICSIPA 2015 - Proceedings, 2016, pp. 95–98.
[22] D. Mery, K. Leo, F. Pedreschi, and J. Leo, “Color measurement in L * a * b * units from RGB digital images,” vol. 39, pp. 1084–1091, 2006.
[23] M. Wu and C. Lin, “Brain Tumor Detection Using Color-Based K-Means Clustering Segmentation,” pp. 3–6.
[24] F. Marcelita, F. A. Yulianto, and M. Ramdhani, “Bahasa isyarat adalah bahasa yang mengutamakan komunikasi manual , bahasa,” 2008.
[25] R. C. Gonzalez and R. E. Woods, Digital Image Processing By Gonzalez 2nd
Edition 2002. 2002.
[26] B. Devkota, A. Alsadoon, P. W. C. Prasad, A. K. Singh, and A. Elchouemi, “Image Segmentation for Early Stage Brain Tumor Detection using
Mathematical Morphological Reconstruction,” Procedia Comput. Sci., vol.
125, no. 2009, pp. 115–123, 2018.
[27] B. C. Ko, J. W. Gim, and J. Y. Nam, “Automatic white blood cell segmentation using stepwise merging rules and gradient vector flow snake,” Micron, vol. 42, no. 7, pp. 695–705, 2011.
[28] E. R. Dougherty and R. A. Lotufo, “Binary Opening and Closing,”
Hands-on Morphol. Image Process., vol. 25, pp. 25–44, 2009.
[29] R. C. Gonzalez, R. E. Woods, and S. L. Eddins, “Morphological Reconstruction, From Digital Image Processing Using MATLAB,” MATLAB Dig., no. 4, pp. 1–6, 2010.
[30] F. Chen, “Hand gesture recognition using a real-time tracking method and
hidden Markov models,” Image Vis. Comput., vol. 21, no. 8, pp. 745–758,
2003.
[31] S. Khalid, T. Khalil, and S. Nasreen, “A survey of feature selection and
feature extraction techniques in machine learning,” Proc. 2014 Sci. Inf. Conf.
SAI 2014, pp. 372–378, 2014.
[32] M. S. Nixon and A. S. Aguado, Basic image processing operations, 1st ed.
Oxford, Auckland, Boston, Johannesburg, Meulbourne, New Delhi: Butterworth-Heinemann, 2012.
[33] T. R. Reed and J. M. H. Du Buf, “A Review of Recent Texture Segmentation
and Feature Extraction Techniques,” CVGIPImage Underst., vol. 57, no. 3,
pp. 359–372, 1993.
[34] M. Yang, K. Kpalma, and J. Ronsin, “A Survey of Shape Feature Extraction
Techniques,” Pattern Recognit. 2010, 2010.
[35] J. Babu, S. Rangu, and P. Manogna, “A Survey on Different Feature
Extraction and Classification Techniques Used in Image Steganalysis,” J.
Inf. Secur., vol. 08, no. 03, pp. 186–202, 2017.
[36] K. K. Pachouri and A. Barve, “A Comparative Analysis & Survey of various
Feature Extraction Techniques,” Int. J. Comput. Sci. Inf. Technol., vol. 6, no.
1, pp. 377–379, 2015.
[37] D. a Lisin, M. a Mattar, M. B. Blaschko, M. C. Benfield, and E. G. Learned-miller, “Combining Local and Global Image Features for Object Class Recognition.”
[38] G. Kumar and P. K. Bhatia, “A detailed review of feature extraction in image
processing sistems,” Int. Conf. Adv. Comput. Commun. Technol. ACCT, pp.
5–12, 2014.
[39] N. Burningham, H. P. Company, E. Dalal, and X. Corporation, “Status of the
Development of International Standards of Image Quality,” New York, pp.
121–123, 2000.
[40] Y. A. Y. Al-najjar and D. C. Soong, “Comparison of Image Quality Assessment :,” vol. 3, no. 8, pp. 1–5, 2012.
[41] M. Juneja et al., Image Quality Assessments, 1st ed. Elsevier, 2019.
[42] Z. Wang and A. C. Bovik, Modern Image. Morgan & Claypool, 2006.
[43] B. W. Keelan, Handbook of Image Quality: Characterization and
Prediction, vol. 29, no. 5. New York: Marcel Dekker, 2002.
[44] E. Erwin, A. Nevriyanto, and D. Purnamasari, “Image Enhancement Using the Image Sharpening , Contrast Enhancement , and Standard Median Filter ( Noise Removal ) with Pixel-Based and Human Visual Sistem-Based
Measurements,” Int. Conf. Electr. Eng. Comput. Sci. (ICECOS 2017), vol. 1,
[45] F. Memon, M. A. Unar, and S. Memon, “Image Quality Assessment for
Performance Evaluation of Focus Measure Operators,” Mehran Univ. Res. J.
Eng. Technol., vol. 34, no. 4, pp. 379–386, 2015.
[46] Erwin, A. Nevriyanto, and D. Purnamasari, “Enhancement , and Standard Median Filter ( Noise Removal ) with Pixel-Based and Human Visual
Sistem-Based Measurements,” Int. Conf. Electr. Eng. Comput. Sci., vol. 1,
no. 1, pp. 114–119, 2017.
[47] R. C. Gonzalez and R. E. Woods, Digital Image Processing - Second Edition,
2nd ed. New Jersey: Prentice Hall, 1992.
[48] I. Young, “Fundamentals of Image Processing,” Opt. Digit. Image Process.
Fundam. Appl., no. i, pp. 71–96, 2011.
[49] C. L. Novak and S. A. Shafer, “Anatomy of a Color Histogram 2 . Color
Histogram for a Single Object,” Computer (Long. Beach. Calif).
[50] O. Ransen, “Candelas , Lumens and Lux,” Illum. Eng., vol. 1, no. February
15, 2013, p. 146, 2013.
[51] W. A. Richards, “Lightness scale from image intensity distributions,” Appl.
Opt., vol. 21, no. 14, p. 2569, 1982.
[52] B. K. P. Horn, “Image Intensity Understanding,” Massachusetts, 1975. [53] G. Jyothi, C. Sushma, and D. S. S. Veeresh, “Luminance Based Conversion
of Gray Scale Image to RGB Image,” Int. J. Comput. Sci. Inf. Technol. Res.,
vol. 3, no. 3, pp. 279–283, 2015.
[54] R. Bala and K. M. Braun, “Color-to-grayscale conversion to maintain
discriminability,” Color Imaging IX Process. Hardcopy, Appl., vol. 5293,
no. January, p. 7, 2004.
[55] T. Kumar and K. Verma, “A Theory Based on Conversion of RGB image to
Gray image,” Int. J. Comput. Appl., vol. 7, no. 2, pp. 5–12, 2010.
[56] S. Krig, “Ground truth data, content, metrics, and analysis,” Comput. Vis.
Metrics. Surv. Taxon. Anal., pp. 283–312, 2014.
[57] R. Grosse, M. K. Johnson, E. H. Adelson, and W. T. Freeman, “Ground truth
dataset and baseline evaluations for intrinsic image algorithms,” Proc. IEEE
Int. Conf. Comput. Vis., pp. 2335–2342, 2009.
[58] P. Jetensky, “Human hand image analysis extracting finger coordinates and axial vectors: Finger axis detection using blob extraction and line fitting,”
2014 24th Int. Conf. Radioelektronika, RADIOELEKTRONIKA 2014 - Proc.,
2014.
[59] T. Jiang and M. B. Merickel, “Identification and boundary extraction of
blobs in complex imagery,” Comput. Med. Imaging Graph., vol. 13, no. 5,
pp. 369–382, 1989.
detection,” no. 1, pp. 1–4, 2013.
[61] A. P. Zijdenbos, B. M. Dawant, R. A. Margolin, and A. C. Palmer, “Morphometric Analysis of White Matter Lesions in MR Images: Method
and Validation,” IEEE Trans. Med. Imaging, vol. 13, no. 4, pp. 716–724,