THINNING

Makalah Disusun Guna Melengkapi dan Memenuhi Tugas

Mata Kuliah Pengenalan Pola
Dosen Pengampu: Aris Sugiharto, S.Si, M.Kom

Disusun oleh:
Kelompok 4
1. Dwi Kusrianto Putro
2. Khabib Mustofa

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN MATEMATIKA FAKULTAS MIPA

UNIVERSITAS DIPONEGORO
SEMARANG
2011

Kelompok 4 | Thinning Page 1

A. Pendahuluan

Thinning adalah sebuah langkah awal memproses untuk berbagai macam operasi
analisa image seperti optical character recognition, fingerprint recognition dan document
proscessing. Thinning melibatkan perpindahan titik atau lapisan dari suatu pola sampai semua
garis menjadi singel pixel.. hasil dari set garis disebut skeleton dari suatu objek. tidak ada
definisi matematika dari skleleton;menampilkan berbagai macam metode thinning dalam
suatu pola menuju ke berbagai macam hasil pula. cara yang umum untuk mengekstrak
skeleton mengandung memindahkan/menghapus, disetiap iterasi, semua edge pixels kecuali
pixel yang menjadi skeleton tersebut. edge pixels menunjukkan batas yang ada di sebuah
patern.
Thinning termasuk langkah penting dalam operasi analisis citra seperti pada
pengenalan karakter, pengenaan sidik jari, dan pemrosesan dokumen. Proses thinning
mengidentifikasi piksel-piksel dari suatu objek yang dianggap mewakili bentuk objek
tersebut, dan digunakan untuk mengekstrak fitur dari suatu objek pada sebuah citra. Pada
pengenalan pola, thinning digunakan untuk mereduksi pola biner ke representasi skeletal.
Operasi thinning digunakan untuk mengambil rangka setebal satu piksel dari citra, dengan
cara membuang titik-titik atau layer terluar dari citra sampai semua garis atau kurva hanya
setebal satu piksel.
Kerangka yang dihasilkan disebut sebagai skeleton, yang dianggap merepresentasikan
bentuk objek. Pada image berbentuk garis, skeleton menunjukkan semua informasi dari objek
aslinya. Komponen-komponen dari skeleton, yaitu posisi, orientasi, dan panjang segmen-
segmen garis skeleton mewakili garis-garis yang memberntuk image. Komponen-komponen
ini mempermudah karakterisasi komponen-komponen dari image tersebut. Misalnya panjang
dari suatu bentuk dapat diperkirakan dengan memperhitungkan ujung-ujung dan titik terjauh
pada skeleton.
Ada berbagai macam metode atau algoritma thinning, dan masing-masing memberikan
hasil yang berbeda. Kebanyakan algoritma thinning bersifat iteratif. Pada sebuah iterasi,
piksel-piksel edge dievaluasi berdasarkan kriteria-kriteria tertentu untuk menentukan apakah
harus dibuang atau tidak. Ada juga beberapa algoritma pada komputer-komputer yang bekerja
secara sekuensial dan paralel. Pada algoritma sekuensial, untuk memproses suatu piksel pada
suatu tahap digunakan hasil pemrosesan pada iterasi sebelumnya dan hasil iterasi pada tahap

Kelompok 4 | Thinning Page 2

yang sedang berjalan. Sedangkan pada algoritma paralel, keputusan untuk membuang suatu
piksel hanya bergantung pada hasil dari iterasi sebelumnya.
Selain thinning dikenal juga skeletonizing. Thinning sering diasumsikan sama dengan
skeletonizing. Tetapi thinning berbeda dengan skeletonizing. Misalnya pada citra persegi
panjang yang terisi penuh, thinning menghasilkan satu garis, sedangkan skeletonizing
menghasilkan satu garis dengan cabang-cabang pada ujung-ujungnya yang mengarah ke
ujung-ujung persegi panjang.
Sebagian dari thinning algoritma adalah iterative, di sebuah iteraksi, edge pixels
diperiksa oleh berbagai kriteria untuk memutuskan apakah edge pixels harus dipindahkan atau
tidak. Ada berbagai macam algoritma thining di sekunsial dan paralel komputer. Algoritma
sekuensial menggunakan hasil dari iterasi sebelumnya dan hasil didapat dari sejauh mana
iterasi berlanjut di (dalam) iterasi yang sekarang untuk memproses pixel yang sekarang.
Dengan begitu pada titik manapun di (dalam) suatu iterasi sejumlah pixel telah diproses.
Hasil tersebut bisa digunakan untuk langsung memproses pixel berikutnya. Dengan algoritma
pararel, hanya hasil dari iterasi sebelumnya yang mempengaruhi untuk memindahkan sebuah
titik yang sedang diiterasi, membuat hal ini sesuai untuk memproses dengan hardware yang
pararel seperti array prosesor. Sebagian pengguna menggunakan salah satu dari strategi ini
untuk menipiskan berbagai bentuk. Salah satu algoritma bisa menggenenerate skeleton yang
bagus untuk bentuk tertentu tetapi bisa saja menghasilkan skeleton yang buruk dengan bentuk
yang lain. Sangat sulit untuk mengembangkan sebuah thinning algoritma secara umum yang
bisa digunakan untuk berbagai macam bentuk.
Sebenarnya thinning adalah sebuah tugas yang mudah untuk manusia. Diantaranya
bisa mengthin suatu patern dengan variasi patern bentuk tanpa kesulitan. itu nampak bahwa
dpertama kali dia memahami bentuk secara global, kemudian mengaplikasikan berbagai
macam bentuk algpritma untuk mengthin bentuk yang berbeda dari bagian yang berbeda
dalam patern yang sama. Sebagai hasilnya, Skeleton yang dibuat manusia biasanya dijadikan
referensi dari suatu skeleton. Fakta ini bisa sangat menolong untuk proses thinning.

Gambar 1: Original Shape, Deformed Shape, Desired Shape

Kelompok 4 | Thinning Page 3

 Salah satu cacat yang umum dari suatu algoritma thinning adalah kelainan bentuk
skeleton yang digenerate di ujung dan daerah silang seperti yang ditunjukan di gambar 1.
masalah ini timbul ketika menggenerate skeleton dua pixels p1 dan p2 menjadi berhubungan
seperti gambar

Gambar 2: Dua pixels p1 dan p2 dan cara menghubungkanya

2(a) dan tidak seperti gambar di 2(b). cacat yang lain adalah generasi dua pixels
skeleton;rangka lebar/luas untuk daerah [yang] dibengkokkan. Masalah inti timbul
diakibatkan pixel yang ditunjukan pada gambar 2(a) berhubungan seperti gambar 2(b). hal
tersebut bisa dilihat sebagai dua masalah yang saling kontradiksi dan oleh karena itu harus
ada kompromi diantara keduanya.

Gambar 3: 2-pixel wide skeleton and the desired skeleton for a 45o line

Problem konektivitas dan thick skelelon sering dialami oleh banyak algoritma ketika
hasil bagian luar lapisan pixel dari suatu obyek dipindahkan/dihilangkan dan mengakibatkan
struktur dari hasilnya tidak diketahui sejauh iterasi tersebut berjalan. Di kasus tersebut,
batasan dikenalkan untuk memastikan conectivity sehingga sedemikian rupa kejadian doubly
thick skleleton terjadi. Untuk kasus pararel algoritma, solusi telah dibagi menjadi beberapa
sub iterasi untuk mendapatkan informasi tentang tetangga pixel.

B. Karekteristik Skeleton
Kelompok 4 | Thinning Page 4
 Pada bagian ini akan membahas tentang karakteristik yang umum dari skeleton dan
beberapa istilah yang berkaitan dengan skeleton. Suatu image biner yang menguraikan suatu
2D array pixels (gambar 4). Yang obyeknya membentuk foreground Q1 image ini diwakili
oleh satu set dark point sedang background Q’ sesuai dengan satu set white point .

Gambar 4: Binary Image

Untuk pixel yang telah ditentukan yaitu p ada delapan neighbours n0,n1,..,n7, dengan
subcript yang menandakan arah tetangga dari p, berkenaan dengan x-axis(Gambar 5). Untuk
ni, arahnya adalah i*45°. Neighbours dengan subcript dikenal sebagai D-neigbours, yang
dapat diakses p dengan pindah ke suatu arah vertikal atau horisontal. Neighbours lainnya
disebut I-Neighbours, yang dapat diakses dari p dengan 45°. Jika p adalah dark point dan
salah satu dari 8 neighbours ni adalah dark juga, p dan ni disebut 8-connected.

Gambar 5: 8 Neighbours dari pixel p

Jika p adalah dark dan salah satu dari empat D-neighbours n2i adalah juga dark, p dan
n2i dikatakan 4-connected.
Jika p0 dan pm adalah dua poin dark pada obyek yang sama, ada suatu alur, yang dapat
menjelaskan suatu rantai tentang dark points p0, p1,.., pm, dengan masing-masing pasangan
pixel yang berurutan, pi dan pi+2 menjadi neghbours dari yang lain. Jika semua tetangga

Kelompok 4 | Thinning Page 5

masing-masing dipertimbangkan, p0 dan pm disebut 8-connected. Jika hanya D-neighbours
yang dipertimbangkan, p0 dan pm maka disebut 4-connected.
Suatu obyek disebut 8-connected jika semua pasangan point berada dalam obyek 8-
connected dan disebut 4-connected jika semua pasangan point berada dalam obyek 4-
connected. Berikut merupakan essensial karakteristik skeleton:
1. Konektifitas harus dipelihara. Jika objek terhubung, skeleton hasilnya juga harus
terhubung. Umumnya, 8-connectivity harus dijaga untuk foreground, dan 4-connectivity
harus dijaga untuk background.
2. Erosi yang berlebihan harus dicegah. Titik ujung dari skeleton harus ditemukan secepat
mungkin, sehingga panjang skeleton tidak memendek, sehingga benar-benar
merepresentasikan citra aslinya.
3. Skeleton tidak boleh dipengaruhi noise. Noise adalah gangguan-gangguan kecil yang
bukan merupakan bagian dari skeleton, dan akan sering dihasilkan berupa ekor/cabang
dari thinning. Panjang ekor ini harus diminimalkan.
4. Penggunaan 8-connectivity untuk foreground sangat penting, karena jika menggunakan
4-connectivity, skeleton akan memiliki ketebalan 2 piksel, sehingga tidak sesuai dengan
skeleton yang dihasilkan. Tetapi penggunaan 8-connectivity juga memiliki efek samping,
yaitu skeleton yang dihasilkan pada sudut atau persimpangan akan terdistorsi (terjadi
eror), terutama jika citra aslinya sangat tebal.
Contoh :

Bentuk awal :

Hasil thinning:

Hasil skeletonizing:

C. Jenis-Jenis Thinning Algorithm

Kelompok 4 | Thinning Page 6

1. Algoritma Thinning oleh Zhang dan Suen (1987)
Asumsi :

• Piksel dengan nilai 1 adalah foreground.

• Piksel dengan nilai 0 adalah background.
• Piksel obyek memiliki aturan 8 tetangga.
• Gambar yang digunakan adalah binary image.
Algoritma thinning :

Ulangi langkah 1 sampai langkah 4 hingga tidak ada perubahan :

langkah 1 : Tandai semua piksel foreground yang memenuhi kondisi 1 sampai dengan 4

langkah 2 : Rubah nilai piksel menjadi 0 (background)

langkah 3 : Tandai semua piksel foreground yang memenuhi kondisi 5 sampai dengan 8

langkah 4 : Rubah nilai piksel menjadi 0 (background)

Kondisi :

1. 2 ≤ N (P1) ≤ 6
2. S(P1) = 1
3. P2 * P4 * P6 = 0
4. P4 * P6 * P8 = 0
5. 2 ≤ N (P1) ≤ 6
6. S(P1) = 1
7. P2 * P4 * P8 = 0
8. P2 * P6 * P8 = 0
Keterangan :

• N(P1) adalah jumlah tetangga yang dimiliki oleh piksel P1 yang tidak bernilai 0 (nol).
• S(P1) adalah jumlah perpindahan nilai dari 0 (nol) ke 1 (satu) mulai dari P2, P3
sampai dengan P9 secara berurut.
• P2 * P4 * P6 = 0, memiliki arti P2 atau P4 atau P6 bernilai 0 (nol).

Sebagai contoh : N(P1) = 4 dan S(P1) = 3

Kelompok 4 | Thinning Page 7

 0 0 1

1 P1 0

1 0 1

Piksel P1 dengan 8 tetangga

P9 P2 P3

P8 P1 P4

P7 P6 P5

a. Contoh penggunaan Algoritma Thinning Zhang dan Suen :

Contoh : 1

P1 P2 P3 P4

P5 P6 P7 P8

P9 P10 P11 P12

Gambar 1
Hasil Iterasi Pertama (Langkah A dan B)

Kelompok 4 | Thinning Page 8

Langkah A, harus memenuhi kondisi 1 sampai dengan 4 yaitu :

1. 2 ≤ N (P1) ≤ 6
2. S(P1) = 1
3. P2 * P4 * P6 = 0
4. P4 * P6 * P8 = 0
Untuk Piksel P1 = (P1) pada Gambar 1:

N(P1) = 3; TRUE

S(P1) = 1; TRUE

P2 * P4 * P6 = 0; TRUE

P4 * P6 * P8 = 0; TRUE

Kondisi dapat terpenuhi semua dengan nilai TRUE sehingga dapat disimpulkan bahwa P1
ditandai dan dirubah menjadi background (nol).

Untuk Piksel P1 = (P2) pada Gambar 1 :

N(P1) = 5; TRUE

S(P1) = 1; TRUE

P2 * P4 * P6 = 0; TRUE

P4 * P6 * P8 = 0; FALSE

Kelompok 4 | Thinning Page 9

Kondisi tidak dapat bernilai TRUE semua untuk P1 = (P2), hal ini diakibatkan karena kondisi
P4*P6*P8 = 0 bernilai FALSE, sehingga tidak ditandai ataupun dirubah pada langkah A dan
B. Setelah melakukan cara yang sama untuk P1 = (P3), P1 = (P4), P1 = (P5), P1 = (P6), P1 =
(P7), P1 = (P8), P1 = (P9) diperoleh citra seperti berikut (Gambar 2):

0 Q1 Q2 0

Q3 Q4 Q5 0

0 0 0 0

Gambar 2

Langkah C untuk pelaksanaan algoritma selanjutnya

5. 2 ≤ N (P1) ≤ 6
6. S(P1) = 1
7. P2 * P4 * P8 = 0
8. P2 * P6 * P8 = 0

Untuk Piksel P1 = (Q1)

N(P1) = 4; TRUE

S(P1) = 1; TRUE

P2 * P4 * P8 = 0; TRUE

P2 * P6 * P8 = 0; TRUE

Kelompok 4 | Thinning Page 10

Kondisi dapat terpenuhi semua dengan nilai TRUE sehingga dapat disimpulkan bahwa Q1
ditandai dan dirubah menjadi background (nol). Setelah dilakukan cara yang sama terhadap
P1 = (Q2), P1 = (Q3), P1 = (Q4), P1 = (Q5) didapatkan hasil akhir seperti citra dibawah ini
Gambar.3. Jika dilakukan langkah A dan B hasil yang diperoleh dari citra tersebut tidak
berubah, sehingga dapat disimpulkan bahwa pengeksekusian algoritma thinning citra sudah
selesai.

0 0’ 0’ 0

0’ 0

0 0 0 0

Gambar 3

Di bawah ini terdapat contoh yang lebihkompleks terhadap penggunaan thinning algorithm
Zhang – Suen.
Contoh 2 :

Hasil Iterasi Pertama (Langkah A dan B)

Kelompok 4 | Thinning Page 11

 0 0

0 0

0 0 0 0

0 0 0 0 0

0 0

Hasil Iterasi Pertama (Langkah C dan D)

0 0

0 0

0 0 0 0 0

0 0 0 0 0

0 0

b. Kelebihan dan Kekurangan Algoritma Thinning oleh Zhang dan Suen

Kelebihan:

• Algoritma sederhana
• Dalam pemrosesan termasuk cepat (untuk memperoleh hasil)

Kekurangan:

Dalam beberapa kasus akan menghasilkan hasil yang sama, seperti thinning pada persegi dan
lingkaran akan menghasilkan satu pixel saja

Sequential and Parallel Thinning Algorithms

Algoritma thinning telah dipelajari secara ekstensif di dalam pengenalan pola dan
pemrosesan citra. Macam-macam urutan dan paralel dari algoritma thinning sudah tersedia di
dalam literatur. Semuanya mempunyai kelebihan dan kelemahannya tersendiri.
Kelompok 4 | Thinning Page 12
 Sequential thinning method terdiri dari iterasi penghapusan titik gelap sepanjang tepi
pola sampai pola itu menipis menjadi satu piksel garis tergambar. Titik tepi dari pola
diidentifikasikan dengan tes pada 8 tetangga. Titik tepi terhapus dengan cara
penghapusannya:
a. Jangan menghapus titik akhir
b. Jangan memutuskan sambungan pola
c. Jangan menyebabkan erosi yang merusak
Pada algoritma yang berbeda, test ini disajikan dengan cara yang berbeda.
Sequential algorithms memerlukan sedikit memori. Sequential algorithms menjelajah
ke setiap piksel pada bitmap untuk memisahkan foreground dari background. Dapat dikatakan
waktu kompleksitasnya tergantung pada ukuran bitmap. Kompleksitas juga tergantung pada
operasi yang diperlukan untuk perkiraan titik tepi. Operasi ini tampil di setiap iterasi sampai
pola benar-benar tipis. Waktu kompleksitas dapat berkurang jika objek memiliki titik-titik
luar.
Pada teknik penelusuran permukaan, permukaan mengggambarkan tepi sebuah objek
yang telah ditelusuri di setiap iterasi. Setelah permukaan selesai ditelusuri dan perkiraan
urutan piksel ditemukan berupa sketsa piksel atau bukan, permukaan dihapus. Pada iterasi
berikutnya, permukaan yang baru ditelusuri dan operasi dilakukan berulang-ulang sampai
semua titik yang tidak aman terhapus.
Sama persis seperti sequential algorithms, parallel algorithms juga memakai cara
mengunjungi semua titik piksel pada bitmap untuk menemukan titik gelap. Lalu titik-titik
gelap diklasifikasikan ke dalam titik-titik tepi dan titik-titik yang lainnya. Hanya titik-titik tepi
yang dibutuhkan. Tes bisa mempengaruhi beberapa titik tepi dari 8 tetangga untuk
memperkirakan apakah mereka titik pemisah, titik akhir, atau titik tidak aman. (titik pemisah
– penghapusan titik ini akan memisahkan hubungan, titik akhir – titik pada akhir permukaan,
titik tidak aman – penghapusan titik initidak akan mempengaruhi sketsa). Titik tidak aman
akan dihapus pada akhir proses. Titik-titik akhir dan titik-titik pemisah diambil sebagai titik
aman dan seharusnya tidak dihapus.
Seperti sequential algorithm, waktu kompleks dari parallel algorithm terdiri dari 3
komponen:
a. Setiap lewat dan setiap subiterasi, setiap piksel pada bitmap telah ditelusuri satu kali
untuk mengidentifikasikan titik-titik gelap. Jumlah operasi akan sesuai dengan luas area
bitmap.

Kelompok 4 | Thinning Page 13

b. Setiap titik gelap telah ditemukan titik-titik tepinya. Jumlah operasi akan sesuai dengan
luas area objek setiap melewati telusuran,
c. Jumlah yang telusuran berhubungan dengan ketebalan objek
Tetapi pada penggunakan cara paralel, waktu yang dibutuhkan lebih sedikit daripada
sequential algoritms.
Meskipun parallel algorithms lebih cepat, ada beberapa masalah pada algoritma itu
seperti kasus pada arsitektur proses parallel algoritms. Pada beberapa parallel algorithms,
piksel dengan lebar 2 akan dihapus pada awal penelusuran, titik-titik pada kedua sisi garis
tidak akan memisahkan hubungan pola bila titik-titik itu ditelusuri terpisah. Bila kedua sisi
ditelusuri dengan cara paralel menggunakan hasil dari proses sebelumnya, titik-titik itu akan
dihapus secara berurutan karena hasil dari penghapusan satu pihak tidak diketahui oleh pihak
yang lain pada saat yang bersamaan. Di sinilah masalah dimana beberapa proses paralel
berbagi memori yang sama. Pada algoritma thinning, ketika proses menjelajah piksel yang
pasti, seharusnya menggunakan piksel dan 8 tetangganya secara eksklusif, Pada proses paralel
thinning, ini bukan masalah.
Nyatanya, kebutuhan dari subiteraksi yang berbarengan pada parallel algorithm dan
kemungkinan dari kesalahan penelusuran dua piksel yang bersebelahan pada pola dapat
menyebabkan kesalahan fatal. Pada parallel algorithm, sebuah piksel diproses pada basis
penelusuran sebelumnya, maka ketika piksel diperhitungkan dalam paralel, semua piksel akan
dihapus.
Ketika masalah terlihat dari lain pihak, satu yang bisa terlihat pada penjelajahan pola
dan teknik paralel, piksel dihapus dari pola tanpa tahu apa yang akan terjadi pada objek yang
tersisa. Hasilnya, semua piksel akan terhapus atau kurva tebal akan tetap tebal setelan iterasi
terakhir.
Solusinya adalah harus memikirkan hasil-hasil lebih jauh lagi pada pemrosesan piksel
saat ini. Jika piksel mau dihapus, pola baru yang akan tampilkan menjadi background dapat
diperhitungkan. Kapan pola diproses, sebuah bagian dari pola baru diolah agar setiap piksel
pada pola dikunjungi. Bagian itu dicari titik-titik pemisah dan informasi ini tersedia ketika
sub-urutan piksel pada urutan atau urutan berikutnya telah dikunjungi. Pada akhir iterasi, pola
baru akan tersedia untuk iterasi berikutnya tanpa menghapus pola yang lama. Setiap saat,
algoritma ini akan menyelesaikan pengetahuan dari apa saja yang tersisa dari sebuah objek
ketika pola itu dihapus.

Kelompok 4 | Thinning Page 14

The Medial Axis Thinning Algorithm

Salah satu algoritma yang biasa digunakan untuk melakukan proses thinning adalah
algoritma Medial Axis. Algoritma ini merupakan algoritma yang paling awal digunakan untuk
melakukan proses thinning. Transformasi Medial Axis dari suatu himpunan S adalah
himpunan titik tengah dan radius dari lingkaran terbesar yang terdapat di S, atau dengan kata
lain himpunan titik pada S yang memiliki jarak terjauh dari S’. Dari hal tersebut terlihat
bahwa sebenarnya algoritma ini berusaha untuk mencari jalan tengah di antara batas-batas S
yang berlawanan dibentuk oleh sudut bisector dari batas-batas S. Akan tetapi, titik-titik yang
dibentuk dengan cara ini belum tentu merupakan titik-titik yang 8-connected. Sehingga
keterhubungan antar titik harus diperhatikan dengan melihat apakah piksel yang dipilih di
baris tertentu dengan baris sebelumnya apakah mereka 8-connected, jika tidak maka harus
dibuat lintasan 8-connected yang menghubungkan kedua titik tersebut.
Walaupun metode ini tidak memakan banyak waktu, secara umum hasil dari metode
ini tidaklah begitu baik dibandingkan dengan algoritma-algoritma thinning yang lain.
Algoritma ini dapat bekerja dengan baik apabila daerah yang diproses merupakan daerah yang
lurus dan tidak terdapat banyak noise, hal ini dikarenakan metode Medial Axis ini sangat
sensitif terhadap noise.

2. Algoritma Thinning Binary Region

Algoritma ini adalah algoritma untuk citra biner, dimana piksel background citra
bernilai 0, dan piksel foreground (region) bernilai 1. Algoritma ini cocok digunakan untuk
bentuk yang diperpanjang (elongated) dan dalam aplikasi OCR (Optical Character
Recognition). Algoritma ini terdiri dari beberapa iterasi, dimana setiap iterasinya terdiri dari 2
langkah dasar yang diaplikasikan terhadap titik contour (titik batas) region. Titik contour ini
dapat didefinisikan sebagai sembarang titik yang pikselnya bernilai 1, dan memiliki paling
sedikit 1 piksel dari 8-tetangganya yang bernilai 0. Gambar berikut ini mengilustrasikan titik
contour p1 dan 8-tetangganya:

p9 p2 p3
p8 p1 p4
p7 p6 p5

Kelompok 4 | Thinning Page 15

Langkah pertama dari sebuah iterasi adalah menandai semua titik contour untuk dihapus, jika
titik contour tersebut memenuhi syarat-syarat berikut:
a. 2 < N(p1) < 6
b. S (p1) = 1
c. p2 • p4 • p6 = 0

d. p4 • p6 • p8 = 0
dimana N(p1) adalah jumlah dari tetangga titik contour p1, yang pikselnya bernilai 1, yaitu:

N(p1) =0-1
dan S (p1) adalah banyaknya transisi p2 +dari
p3 +nilai
... + piksel
p8 + p9 p2, p3, ... p8, p9 secara berurutan.
Misalnya, untuk nilai p2, p3, ... p8, p9 seperti di bawah ini:

0 0 1
1 p1 0
1 0 1

Maka nilai N(p1) = 4 dan S (p1) = 3.

Kondisi (a) dilanggar jika titik contour p1 memiliki hanya satu atau tujuh tetangga dari 8-
tetangganya yang pikselnya bernilai 1. Jika titik contour p1 hanya memiliki satu tetangga, hal
ini mengakibatkan p1 adalah akhir dari skeleton, sehingga tidak boleh dihapus. Jika p1
memiliki tujuh tetangga dan jika p1, maka akan menimbulkan erosi pada region yang
bersangkutan. Kondisi (b) dilanggar jika titik contour merupakan region dengan satu piksel.
Sehingga jika titik tersebut dihapus, akan mengakibatkan pemutusan segmen dari skeleton
selama operasi thinning.

Kondisi (c) dan (d) akan dipenuhi minimal jika p4 = 0, atau p6 = 0, atau (p2 = 0 dan p8 = 0). Jika
p4 = 0 menunjukkan titik contour berada pada batas timur region. Jika p6 = 0 menunjukkan
titik contour berada pada batas batas selatan region. Sedangkan jika p2 = 0 dan p8 = 0
menunjukkan titik contour berada pada batas utara-barat region. Serupa dengan syarat (c) dan
(d) pada langkah I, syarat (c’) dan (d’) pada langkah II dipenuhi minimal jika p2 = 0, atau p8 =
0, atau (p4 = 0 dan p6 = 0).
Setelah langkah 1 selesai, langkah 2 diterapkan terhadap titik contour dari hasil langkah 1
sebelumnya, yaitu:
a. 2 < N(p1) < 6
b. S (p1) = 1
c. p2 • p4 • p8 = 0

Kelompok 4 | Thinning Page 16

d. p2 • p6 • p8 = 0
Langkah I diterapkan ke selutuh titik batas pada citra biner.Jika satu atau lebih syarat dari
point a, b, c, d tidak dipenuhi, titik tersebut tidak ditandai untuk dihapus. Sebaliknya, jika
semua syarat terpenuhi, maka titik tersebut ditandai untuk dihapus. Titik –titik batas tersebut
tidak dihapus terleboh dahulu, sampai semua titik batas dievaluasi. Hal ini mencegah
perubahan struktur data selama eksekusi algoritma. Setelah langkah I selesai dievaluasi
terhadap semua titik batas, titik-titik yang diberi tanda dihapus (misalnya dengan cara
mengubah nilai piksel dari 1 ke 0). Kemudian setelah itu, langkah II diterapkan ke citra hasil
proses dengan langkah I.
Dari keterangan di atas, dapat diambil kesmpulan bahwa 1 iterasi dalam algoritma thinning ini
terdiri dari 4 langkah , yaitu:
a. Menerapkan langkah I untuk menandai titik batas yang akan dihapus
b. Menghapus semua titik batas yang sudah diberi tanda
c. Menerapkan langkah II untuk menandai titik batas yang akan dihapus pada citra hasil
pemrosesan dengan langkah I
d. Menghapus titik batas yang sudah diberi tanda
Langkah I dan II diterapkan berulang-ulang, samapai tidak ada lagi titik yang bisa dihapus.
Berikut ini adalah contoh hasil dari implementasi algoritma thinning binary region:

Gambar 1. Citra Awal Gambar 2. Citra hasil langkah I pada iterasi

Kelompok 4 | Thinning Page 17

Gambar 3. Citra hasil langkah II pada iterasi I

Gambar 4. Hasil akhir thinning setelah melalui beberapa iterasi

A Thinning Algorithm by Contour Generation

Algoritma ini adalah teknik urutan yang lain. Pada metode ini, citra binary yang
diberikan representasikan oleh kode berantai. Kode berantai diolah untuk setiap pola tertutup
pada objek, dan kelangsungan dari rantai berlawanan arah jarum jam untuk pola luar dari
objek dan searah jarum jam untuk pola di dalam lubang. Pola juga diperhitungkan sebagai
urutan dari rantai dari titik tepi. Urutan piksel ditampilkan dalam bentuk Freeman code, yang
merupakan urutan, penempatan ke piksel berikutnya di dalam bagian. Untuk 8 arah pola,
dir(i) di dalam range 0 sampai 7 menampilkan 8 kelangsungan seperti terlihat pada Figure 5.
Sebagai algoritma iterasi, Setelah menggambar pola pertama, algoritma melewati beberapa
iterasi. Di setiap iterasi, pola yang merupakan tepi dari sebuah objek akan ditelusuri. Iterasi
berhenti pada pola kecil-kecil ketika tidak ada lagi titik tidak aman pada pola. Ketika operasi
selesai, yang tersisa hanyalah sketsa.
Ini adalah algoritma yang efisien sama seperti metode memeriksa citra hanya sekali
untuk menghasilkan sketsa dari objek. Setelah itu, semua iterasi pola baru dihasilkan dari pola
yang telah ada dan proses berulang sampai sketsa terakhir muncul. Tetapi masalah utamanya
adalah ketajaman dari sketsa berkurang pada sudut dan titik menyilang. Ini sesuai fakta bahwa
8 ketehubungan mengatur piksel objek. Bila citra sudah tipis, ini memberikan kepuasan pada
hasil, tetapi sama seperti ketebalan dari citra bertambah, ketebalan sketsa akan berkurang.

Hybrid Algorithm

Adalah penggabungan dari thinning algorithm yang sudah ada, menghasilkan

algoritma baru dengan gabungan kelebihan dari algoritma terdahulu. Jenis-jenis hybrid
algorithms :

a. Gabungan Local Thinning Algorithms dengan Non-Local Algorithms

Kelompok 4 | Thinning Page 18

 Keuntungan utama dari local thinning algorithms adalah kecepatannya dan simple,
tapi kekurangannya adalah pada peninjauan data yang tidak nyata. Pendekatan seperti itu baik
pada daerah yang diperpanjang seperti isolated strokes, tapi gagal pada stroke intersections.
Non-local algorithms lebih baik pada intersecting strokes atau noisy strokes, tapi dapat juga
menjadi rumit dan lambat.
Algoritma ini mempunyai dua keuntungan: Pertama, kemampuan mengidentifikasi
dengan cepat area pola yang di-thin dengan baik menggunakan local methods dan yang
menimbulkan ambiguitas. Kedua, kemampuan menghasilkan evaluasi yang lebih detil,
menggunakan konteks, pada area yang tidak sukses di-thin. Algoritma ini dapat mendeteksi
dan mengurangi jumlah kekeliruan, mengurangi sensitivitas thresholding, dan mengurangi
sensitivitas local noise.
Algorithm ini menggunakan local methods untuk membuat hasil skeletonisasi awal
image. Strokes yang diperpanjang dan mempunyai rentang variasi lambat di-thin dengan
benar. Dengan menggunakan strokes yang di-thin kembali ke rentang asli mereka, dengan
local process lagi dapat diidentifikasikan daerah yang dapat dihasilkan dari lebih satu stroke,
lalu melabelinya sebagai ambigu. Metode non-local lalu digunakan hanya pada daerah ini.
Berikut ini komponen algoritmanya: Initial skeletonization; stroke hypothesization,
regeneration, and ambiguity detection; and stroke interpretation.
Initial Skeletonization
Meng-generate initial skeleton hipotesis; maka, cukup menggunakan salah satu thinning
algorithm yang menyediakan dan memperbolehkan rekonstruksi. Tujuannya untuk
mengidentifikasikan daerah pada image yang dengan mudah di-thin dengna benar dan
menggunakan daerah tsb untuk mendukung sisa bagian dari pola.
Stroke Identification
Pada skeletonized image kita membagi skeleton menjadi fragment pada akhir dan
junction points (pixel dengan tetangga tiga atau lebih). Kemudian membuat label yang
unik pada masing-masing kontur dan mencoba menjabarkan keunikan hipotesa dengan
membalik proses local thinning untuk menghasilkan skeleton kepada sebuah aproksimasi
pola asli.
Digunakan dua metode untuk regenerasi. Jika pengukuran jarak sederhana dari masing-
masing kontur piksel ke ujung pola, kita bisa meletakkan tanda pada tiap piksel skeleton
dengan jarak yang sesuai. Hasilnya adalah representasi pendekatan dari pola asli. Versi
kedua menggunakan rata-rata lebar seluruh segment pada masing-masing piksel pada

Kelompok 4 | Thinning Page 19

 segmen. Ini membantu mengurangi noise pada atau dekat junctions yang bisa
menurunkan akurasi perhitungan jarak.
Selama regenerasi, semua daerah yang dapat dihasilkan oleh lebih dari satu kontur
skeleton ditandai pada image (mis : lebih dari satu hipotesis menghasilkan lebih dari satu
tanda). Daerah ini ambigu dan kita tidak dapat mengasumsikan sudah di-thin dengan
benar. Kemudian kita memproyeksikan daerah ini kembali ke thinned image hypothesis,
dan mencari bagian mana dari hipotesis skeleton awal menghasilkan skeleton fragments
yang ambigu.

Kelompok 4 | Thinning Page 20

Stroke Interpretation and Reconstruction
Perkiraan orientasi ini dihitung dari rata-rata kecuraman dari k dekat tetangga, dan
perkiraan lebar dihitung dari hasil scan image asli pada arah ortogonal. Gambar 1a
memperlihatkan image asli dengan skeleton asli saling menimpa dan daerah yang rentan
ambigu diberi tanda. 1b memperlihatkan skeleton yang berpotongan digunakan untuk
menghitung orientasi dan poin akhir yang digunakan sebagai poin patokan. Gambar 1c
memperlihatkan informasi lebar ditimpakan pada skeleton yang saling berpotongan.
Tujuannya menciptakan orientasi dan informasi lebar pada anchor points di daerah
perpotongan untuk menciptakan koneksi yang halus antara anchor points. Pengukuran
tingkat kehalusan tidak dibicarakan disini.

b. Gabungan Medial Axis Method dengan Contour Generation Method

Metode ini meminimalisasi masalah penyusunan kembali bentuk skeleton pada corner
points. Algoritma ini memiliki lima langkah:
1) Pada langkah pertama, seperti thinning algorithm lain, menghilangkan noise pada input
image. Ini membantu untuk menghindari tambahan ujung dan bermacam-macam distorsi.
Digunakan algoritma penghalusan yang terdiri dari window 3x3 melalui binary image
dan membandingkan posisi piksel tengah dengan 8 tetangganya untuk memutuskan
apakah apakah nilai piksel perlu dipertahankan atau dimodifikasi.

Kelompok 4 | Thinning Page 21

2) Kemudian, image disegmentasi menjadi daerah horizontal, vertikal dan kurva
berdasarkan panjang tiap langkah (rentangan piksel gelap yang bersambung pada kolom)
dan membandingkan mereka dengan rata-rata ketebalan.
3) Setelah segmentasi, bergantung pada tipe daerah, metode yang sesuai diaplikasikan untuk
menipiskan daerah. Pada tahap ini skeleton di semua daerah di-generate terpisah.
4) Skeleton kemudian dihubungkan untuk menghasilkan skeleton akhir.
5) Akhirnya perlu ada proses untuk menghilangkan beberapa poin yang tidak penting dan
menjaga skeleton sebagai kesatuan lebar unit.
Contoh penggunaan Hybrid Algorithm (hasil Gabungan medial axis method dengan contour
generation method):

Susan Binary Post-Processing

Proses thinning yang dihasilkan dari SUSAN binary post-processing mengikuti

beberapa aturan sederhana yang membuang edge points palsu atau yang tidak diinginkan, lalu
menambahkan edge points yang seharusnya dilaporkan namun tidak ada. Dapat dibagi ke
dalam 3 kategori : Membuang edge points palsu atau yang tidak diinginkan, menambahkan
edge points baru, dan mengubah edge points ke posisi baru.
Aturannya sekarang diurutkan berdasarkan jumlah edge points tetangga yang dimiliki
sebuah edge points (dengan aturan 8-tetangga), contohnya dapat dilihat pada gambar:

Kelompok 4 | Thinning Page 22

Contoh aturan thinning yang berbeda. Edge points yang baru hanya akan dibuat jika
diperbolehkan oleh edge response.
a. 0 tetangga.
Membuang edge point.
b. 1 tetangga.
Cari tetangga dengan edge response maksimum (tidak nol), menyambung edge, dan
mengisi kekosongan dalam edge. Response yang digunakan adalah yang ditemukan oleh
initial stage dari SUSAN edge detector, sebelum penutupan non maksimum. Response ini
diberi bobot yang mengacu pada orientasi edge yang sudah ada sehingga edge tersebut
akan tersambung dalam suatu garis lurus. Sebuah edge dapat dilanjutkan oleh maksimum
3 piksel.
c. 2 tetangga.
Ada 3 kasus yang mungkin :
1) Kalau poinnya menempel pada sebuah garis lurus, bandingkan edge response-nya
dengan edge response poin yang berkorespondensi dalam garis. Kalau poin potensial
dalam edge lurus punya edge response lebih besar dari 0.7 dari point's response
sekarang, pindahkan poinnya ke dalam edge dalam garis.
2) Kalau poinnya tersambung dalam edge diagonal, buang poin tsb.
3) Selain di atas, poinnya adalah edge point yang valid.
d. Lebih dari 2 tetangga.
Jika poinnya bukan penghubung antara beberapa edge maka edge di-thin. Hal ini akan
mengikutsertakan pilihan antara poin sekarang dan salah satu tetangganya. Apabila
pilihan dibuat dalam cara logis yang konsisten akan dihasilkan thinned edge yang
kelihatan bersih.

Kelompok 4 | Thinning Page 23

 Aturan ini diterapkan ke semua piksel dalam image secara sekuensial dari kiri ke kanan
dan dari atas ke bawah. Apabila perubahan dibuat pada edge image maka pencerian poin
sekarang digeser ke belakang lebih dari 2 piksel ke kiri dan ke atas. Berarti alterasi yang
iteratif pada image dapat dicapai hanya dengan menggunakan algoritma ini sekali jalan.

Most Prominent Ridge Line (MPRL)

Metode thinning pada binary image tidak dapat diaplikasikan langsung ke image gray-
scale, maka image gray-scale sering di-treshold untuk menciptakan bagian binary-nya. Proses
ini menyebabkan hilangnya informasi berharga pada intensitas dimensi, ketidakseragaman
nilai gray-level pada image gray-scale menyebabkan kontur yang tidak seimbang dalam
binary image yang di-treshold, menyebabkan kesulitan pada proses thinning binary image.
Pendekatan pada image thinning berbasis scale-space ini dapat diaplikasikan baik pada
binary maupun gray-scale image, dan meringankan efek ketidakseragaman dalam nilai gray-
level dari image gray-scale dan kontur yang tidak seimbang pada binary image. Scale-space
terdiri atas image asli pada level skala nol (t = 0) bersama dengan image pada skala dimensi
kontinu t yang diturunkan filter Gaussian, dimana t > 0 adalah varian. Dalam scale-space
semua skala dapat diakses secara simultan, juga mempunyai unsur-unsur pembangun dimana
pada scale-space yang lebih besar (coarser structure) dapat dilacak ke struktur skala lebih
kecil (finer structure), implikasinya finer structure ditutup saat skala bertambah.
Dengan prinsip ini dikembangkan metode topografik untuk image thinning dalam
scale-space. Metode topografik memperlakukan image gray-scale sebagai permukaan dengan
intensitas yang diinterpretasikan sebagai dimensi spasial ketiga (height). Dalam representasi
topografik dari image 2-D, peak dijabarkan sebagai sebuah poin pada permukaan dimana
gradiennya sama dengan nol, dan turunan kedua pada semua arah adalah negatif. Poin sisi
didefenisikan sebagai poin pada permukaan dimana gradiennya nol, turunan kedua dalam satu
arah adalah nol dan negatif dalam arah ortogonal, atau jika gradien tidak sama dengan nol,
turunan kedua ortogonal terhadap gradien adalah negatif. Point saddle adalah poin pada
permukaan dimana gradiennya nol dan turunan kedua pada satu arah adalah negatif dan
positif dalam arah ortogonal. Maximum-intensity ridge line (MPRL) pada intensitas
permukaan adalah gabungan poin topografik yang signifikan (peaks, point sisi, dan points
saddle) dan diinterpretasikan sebagai representasi yang di-thin dari image asli. Dengan
meminimisasi turunan spasial kedua dari masing-masing poin topografik signifikan pada
skala dalam scale-space ditempatkan Most Prominent Ridge Line (MPRL). MPRL adalah

Kelompok 4 | Thinning Page 24

cara dalam scale-space dimana dimensi skala merepresentasikan kesignifikanan struktur pada
image awal. Point sepanjang MPRL mempunyai kontras terbesar dengan poin-poin tetangga,
membuat mereka tidak gampang terpengaruh pada ketidakseragaman intensitas. Bersama
dengan penutupan dari struktur yang lebih baik, metode ini tidak terlalu dipengaruhi
boundary noise atau ketidakseimbangan.
MPRL diimplementasikan menggunakan struktur data image pyramid untuk meng-
approksimasi scale-space dengan image asli pada level dasar. Procedure yang mengikuti sisi
kemudian digunakan untuk mengalokasikan MPRL dalam image pyramid. MPRL yang
diekstrak digunakan untuk menghasilkan thinned image dalam ruang image 2-D awal. Hal ini
dicapai dengan memproyeksikan MPRL dalam scale-space ke level base asli.

D. Contoh Aplikasi

Salah satu penggunaan thinning dalam aplikasi adalah untuk membantu analisis
terhadap pola tertentu. Dalam hal ini, thinning merupakan bagian dari computer vision. Salah
satu penerapannya adalah untuk menganalisis pola akar tanaman. Tujuannya adalah untuk
mengetahui kebutuhan tanaman akan nutrisi. Aplikasi analisis akar tanaman memiliki
prosedur dan metodologi seperti pada gambar berikut:

Gambar: Proses Analisis Akar Tanaman

Kelompok 4 | Thinning Page 25

 Dalam melakukan analisis terhadap akar tanaman, yang pertama kali harus dilakukan
adalah pengambilan citra. Citra diambil dengan menggunakan kamera. Kemudian, pada citra
yang telah diambil, dilakukan pemrosesan tahap awal (lower processing) sebagai persiapan
untuk pemrosesan selanjutnya.
Citra yang telah melalui tahap awal pemrosesan kemudian disegmentasi. Proses
segmentasi terdiri dari dua tahapan. Yang pertama adalah image tresholding dan yang kedua
adalah image thinning. Image tresholding berguna untuk memisahkan gambar akar dengan
background-nya. Kemudian, proses thinning dilakukan. Contoh hasil thinning adalah pada
gambar berikut.

Gambar Hasil Proses Thinning pada Akar

(a) Sebelum thinning

(b) Setelah thinning

(a) (b)

Setelah thinning dilakukan, barulah dapat dilakukan analisis terhadap citra. Diantaranya
adalah mengukur panjang, sudut, ujung akar, dan celah lateral. Sedangkan mengukur
permukaan lateral dapat dilakukan setelah proses tresholding.

E. Daftar Pustaka

Utami, Annisa, dkk, 2003, “Thinning”, diakses dari http://www.google.co.id/search?

q=thining+dalam+pengenalan+pola&ie=utf-8&oe=utf-8&aq=t&rls=org.mozilla:en-
US:official&client=firefox-a#q=thinning+dalam+pengenalan+pola&hl=id&client=firefox-
a&pwst=1&rls=org.mozilla:en-

Kelompok 4 | Thinning Page 26

US:official&prmd=ivns&ei=t06iTdC9KIzirAfM9uXuAg&start=0&sa=N&fp=aa9c18a92280
4eb4, pada tanggal 9 April 2011, pukul 19.56 WIB.

AS, Baihaki, dkk, 2003, “Thinning”, diakses dari http://www.google.co.id/search?

q=thining+dalam+pengenalan+pola&ie=utf-8&oe=utf-8&aq=t&rls=org.mozilla:en-
US:official&client=firefox-a#q=thinning+dalam+pengenalan+pola&hl=id&client=firefox-
a&hs=ggQ&pwst=1&rls=org.mozilla:en-
US:official&prmd=ivns&ei=j02iTY7oCMXjrAf8svXxAg&start=10&sa=N&fp=aa9c18a9228
04eb4, pada tanggal 9 April 2011, pukul 20.14 WIB.

Kelompok 4 | Thinning Page 27