Oleh
Zurnawita dan Zulharbi Suar
Staf Pengajar Teknik Elektro Politeknik Negeri Padang
ABSTRACT
dua sub-iterasi yang berurutan yang data hasil dari langkah 1 dengan cara
dilakukan terhadap contour points dari yang sama dengan langkah 1 sehingga,
wilayah citra. Contour point adalah dalam satu kali iterasi urutan
setiap pixel dengan nilai 1 dan memiliki algoritmanya terdiri dari:
setidaknya satu 8-neighbor yang 1. Menjalankan langkah 1 untuk
memiliki nilai 0. menandai border points yang
Dengan informasi ini, langkah pertama akan dihapus,
adalah menandai contour point p untuk 2. Hapus titik-titik yang ditandai
dihapus jika semua kondisi ini dipenuhi: dengan menggantinya menjadi
(a) 2 ≤ N(p1) ≤ 6; angka 0,
(b) S(p1) = 1; 3. Menjalankan langkah 2 pada sisa
(c) p2 . p4 . p6 = 0; border points yang pada langkah
(d) p4 . p6 . p8 = 0; 1 belum dihapus lalu yang sesuai
dengan semua kondisi yang
dimana N(p1) adalah jumlah tetangga seharusnya dipenuhi pada
dari p1 yang tidak 0; yaitu, langkah 2 kemudian ditandai
N(p1) = p2 + p3 + ... + p8 + p9 untuk dihapus,
4. Hapus titik- titik yang ditandai
p9 p2 p3 Dengan menggantinya menjadi
p8 p1 p4 angka 0.
p7 p6 p5
Prosedur ini dilakukan secara iteratif
sampai tidak ada lagi titik yang dapat
dan S(p1) adalah jumlah dari transisi 0-1
dihapus, pada saat algoritma ini selesai
pada urutan p2, p3, ..., p8, p9.
maka akan dihasilkan skeleton dari citra
awal
Dan pada langkah kedua, kondisi (a) dan
Contoh proses thinning dengan
(b) sama dengan langkah pertama,
Algoritma Zhang Suen
sedangkan kondisi (c) dan (d) diubah
menjadi:
(c’) p2 . p4 . p8 = 0;
(d’) p2 . p6 . p8 = 0;
Langkah pertama dilakukan
terhadap semua border pixel di citra.
Jika salah satu dari keempat kondisi di
atas tidak dipenuhi atau dilanggar maka
nilai piksel yang bersangkutan tidak Gambar 2. Sebelum proses thinning
diubah. Sebaliknya jika semua kondisi
tersebut dipenuhi maka piksel tersebut Langkah-langkahnya:
ditandai untuk penghapusan. a. Beri tanda semua piksel 8-
Piksel yang telah ditandai tidak tetangga yang memenuhi kondisi (1)
akan dihapus sebelum semua border sampai dengan (4).
points selesai diproses. Hal ini berguna b. Hapus piksel tengahnya.
untuk mencegah perubahan struktur data. c. Beri tanda semua piksel 4-
Setelah langkah 1 selesai dilakukan tetangga yang memenuhi kondisi (5)
untuk semua border points maka sampai dengan (8).
dilakukan penghapusan untuk titik yang d. Hapus piksel tengahnya.
telah ditandai (diubah menjadi 0).
Setelah itu dilakukan langkah 2 pada
Kondisi:
(1) 2 ≤ N(p1) ≤ 6
(2) S(p1) = 1
(3) p2 • p4 • p6 = 0
(4) p4 • p6 • p8 = 0
Gambar 4. Template 3 x 3
(5) 2 ≤ N(p1) ≤ 6
(6) S(p1) = 1 Berikut ini akan dijelaskan langkah–
(7) p2 • p4 • p8 = 0 langkah algoritma Stentiford :
(8) p2 • p6 • p8 = 0 1. Tandai pixel tersebut untuk
Dimana: kemudian dihilangkan (remove).
N(p1) = jumlah dari tetangga p1 yang 2. Endpoint pixel : cari pixel pada
tidak nol lokasi (i,j) dimana pixel-pixel
S(p1) = jumlah transisi 0 – 1 dalam pada image cocok dengan
urutan p2, template T1. Dengan template ini,
p3, ... maka semua pixel di bagian atas
dari image akan dihilangkan
Penamaan piksel : (remove). Pencocokkan template
ini bergerak dari kiri ke kanan
p9 p2 p3 dan dari atas ke bawah.
p8 p1 p4 Bila pixel tengah bukan
p7 p6 p5 merupakan endpoint dan
mempunyai jumlah konektivitas
Jika pada Gambar 2. dilakukan proses (connectivity number) 1,
thinning, maka gambar akan menjadi: merupakan batas akhir dan hanya
terhubung dengan 1 pixel saja.
Contoh: suatu pixel hitam hanya
mempunyai satu tetangga saja
yang hitam juga dari
kemungkinan delapan tetangga.
Connectivity number :
merupakan suatu ukuran berapa
Gambar 3. Setelah proses thinning banyak obyek yang terhubung
dengan pixel tertentu (dihitung
Thinning dengan Algoritma Stentiford berdasarkan rumus di bawah).
Metode ini adalah algoritma
thinning dengan menggunakan teknik
template-based mark-and-delete. Metode Nk merupakan nilai dari 8
ini cukup terkenal karena reliable dan tetangga di sekitar pixel yang
kefektifannya. Metode thinning jenis ini akan dianalisa (central pixel) dan
menggunakan template untuk nilai S = {1,3,5,7}. N0 adalah
dicocokkan dengan citra yang akan di- nilai dari pixel tengah (central
thinning. Algoritma ini bersifat iteratif pixel). N1 adalah nilai dari pixel
yang berguna untuk mengikis lapisan pada sebelah kanan central pixel
pixel terluar sampai tidak ada lapisan dan sisanya diberi nomor
lagi yang dapat dihilangkan.
4 3 2
5 0 1 Contoh Hasil Thinning
6 7 8 Gambar Asli
Gambar 1
Contoh :
Gambar 2
Bagian a) menjelaskan tentang
jumlah konektivitas (connectivity
number) = 0.
Bagian b) menjelaskan tentang
jumlah konektivitas (connectivity
number) = 1. Dengan algoritma Zhang-Suen
Bagian c) menjelaskan tentang Citra setelah di-thinning :
jumlah konektivitas (connectivity Gambar 1:
number) = 2.
Bagian d) menjelaskan tentang
jumlah konektivitas (connectivity Gambar 2:
number) = 3.
Bagian e) menjelaskan tentang
jumlah konektivitas (connectivity
number) = 3
3. Ulangi langkah 1 dan 2 untuk
semua pixel yang cocok dengan
template T1. Aplikasi Strukture Image Thinning
4. Ulangi langkah 1–3 untuk
template T2, T3 dan T4. Pada contoh berikut ini, image
Pencocokkan template T2 akan thinning digunakan untuk mengekstraksi
dilakukan pada sisi kiri dari citra cacing filaria dari suatu citrayang
obyek dengan arah dari bawah ke didapat.
atas dan dari kiri ke kanan. http://www.dca.fee.unicamp.br/projects/
Pencocokkan template T3 akan khoros/mmach/tutor/application/biologic
dilakukan pada sisi bawah dari al/fila/fila.html. Berikut adalah langkah-
obyek dengan arah dari kanan ke langkahnya:
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.
5. Pixel-pixel yang ditandai untuk
dihilangkan (remove) dibuat
Gambar 8. Thresholding
Gambar 9. Skeletonization
Tail dari citra di atas bisa menjadi tanda Gambar 14. adalah gambar kombinasi
yangdiinginkan. Untuk mendapatkannya, antara citra cacing filaria yang
kita bisa mengaplikasikan skeleton yang terekstraksi dan citra asli.
akan menghabiskan citra pada Gambar
10.
KESIMPULAN
ures/02501_morphology.pdf;
Internet; diakses tanggal 30 April
2007.
Selected Morphological Algorithm [on-
line]. Didapat dari
http://documents.wolfram.com/app
lications/digitalimage/UsersGuide/
6.5.html Internet; diakses tanggal
30 April 2007.
Thining [on-line]. Didapat dari
http://vision.cse.psu.edu/resources/
hipr/html/thin.htm; Internet;
diakses tanggal 30 April 2007.
Cheng, Ya-Lin dan Cherng-Min Ma.A
Topology Preserving 4-
subiteration Gray- Level Thinning
Algorithm [on-line]. Tersedia di:
http://www.csie.mcu.edu.tw/
~yklee/CVGIP03/CD/Paper/IP/IP-
06.pdf; Internet; Diakses 30 April
2007.
Gonzalez, Rafael C and Richard
E.Woods. 1992.Digital Image
Processing. Addison- Wesley
Publishing Company.
A. Jain,1989 Fundamentals of Digital
Image Processing, Prentice-Hall.