Iris Feature Extraction using CLAHE and Gray-
Scale Morphological Skeleton
Rizki Nurfauzi1, Eka Legya Frannita2, Zulfanahri3, Sunu Wibirama4
Department of Electrical Engineering and Information Technology
Universitas Gadjah Mada
Yogyakarta, Indonesia
1
rizki.nurfauzi@mail.ugm.ac.id, 2eka.legya.f@mail.ugm.ac.id, 3zulfanahri@mail.ugm.ac.id, 4sunu@ugm.ac.id
Abstract – Biometric technology uses human
characteristics for their reliable identification. Iris
recognition is one of the most reliable biometric technologies.
Iris images are varies with changes in contrast and position of
a face. This makes iris recognition is very challenging to
develop. In this paper, we propose a method to extract iris
features using gray-scale morphological skeleton. First, we
select ROI images that consist of iris and pupil area by Hough
Circle Method, then using Linear Polar Transform to change
the ROI image into polar coordinate. And then the
transformed image is enhanced using Contrast Limited
Adaptive Histogram Equalization (CLAHE) to reconstruct
the contrast of iris image. To extract discriminating iris
feature, we apply morphological operation combining erosion
and opening to get skeleton from grayscale iris image. Finally,
by Otsu Thresholding, we get iris code.
Keywords: Iris, Hough Circle, Feature Extraction, Linear
Polar Transform, CLAHE, Morphological Skeleton, Otsu
Thresholding
I. PENDAHULUAN
Secara luas pengenalan biometrik dapat didefinisikan
sebagai sifat atau karakteristik fisik pribadi yang dapat
diukur, kuat, dan khusus yang dapat digunakan untuk
identifikasi atau verifikasi individu. Iris merupakan bagian
tubuh manusia yang memiliki pola yang khas. Tiap
personal memiliki tekstur iris yang berbeda. Bahkan bagian
mata kanan dan kiri seseorang memiliki karakteristik yang
berbeda. Selain itu, dibandingkan dengan bagian tubuh
manusia yang lain seperti sidik jari, iris memiliki pola yang
lebih konsisten. Sehingga pengenalan iris saat ini menjadi
teknologi biometrik yang sangat diandalkan terutama pada
sistem keamanan. Konsep pengenalan iris ini pertama kali
diperkenalkan pada tahun 1987 [1].
Tiga tahap utama dalam sistem pengenalan iris adalah
pra pengolahan citra, ekstraksi ciri, dan template matching.
Ekstraksi ciri dilakukan setelah pra pengolahan citra dan
ciri yang diekstrak akan dikode untuk menghasilkan
template biometrik [2].
Teknik ektraksi fitur merupakan bagian yang sangat
penting dari sistem pengenalan iris untuk menentukan
representasi iris yang unik. 2D Gabor filter untuk ektraksi
ciri pertama kali diperkenalkan oleh [3], pengembangan
algoritma selanjutnya menggunakan demodulasi Wavelet
yaitu 2D Gabor wavelet, metode ini digunakan untuk
mengekstrak fase informasi karena memiliki informasi
yang signifikan.
Wavelet transform memiliki keunggulan yaitu memiliki
resolusi pada domain waktu maupun frekuensi sehingga
fitur dapat diekstrak di kedua domain tersebut [4]. Teknik
lain yang telah dikembangkan antara lain Laplacian of
Gaussian filter, Hilbert transform, serta Discrete Cosine
transform (DCT) telah diperkenalkan oleh peneliti
sebelumnya dan terbukti memiliki komputasi yang rendah
[5] [6] [7].
Morfologi skeleton diperkenalkan pada tahun 2010
untuk mengekstrak ciri unik pada gambar iris [8]. Metode
ini secara luas telah digunakan dalam berbagai kasus,
skeleton dihasilkan dari morphological filtering dari
gambar biner. Sedangkan untuk pada gambar beraras
keabuan, gray-scale skeleton dihasilkan melalui gray-scale
morphological filtering [9].
Dalam paper ini, ekstraksi ciri iris dilakukan dengan
menggunakan gray-scale morphological skeleton yang
sebelumnya melalui perbaikan kontras menggunakan
CLAHE. Paper ini disusun sebagai berikut, bagian II
memaparkan tahap pra pengolahan, bagian III memaparkan
tahapan ekstraksi ciri, kemudian bagian IV hasil dan bagian
V kesimpulan.
II. PRA PENGOLAHAN
Tahap pra pengolahan secara umum merupakan tahap
yang bertujuan untuk memperbaiki kualitas citra. Pada
kasus ekstraksi ciri iris, tahap yang bertujuan untuk
mengidentifikasi pupil yang kemudian direpresentasikan
untuk mendeteksi iris. Langkah-langkah pada tahap pra
pengolahan untuk ekstrasi ciri iris secara umum meliputi
thresholding dan deteksi titik tengah pupil untuk
mendapatkan iris melalui radius. Berikut adalah tahap-
tahap pra pengolahan yang dilakukan:
A. Thresholding
Thresholding merupakan metode yang sederhana untuk
diterapkan pada tahan segmentasi citra. Thresholding
bertujuan untuk mengubah citra keabu-abuan menjadi citra
hitam putih atau citra binary, sehingga dapat digunakan
untuk menghilangkan noise pada citra. Secara umum cara
kerja thresholding adalah memisahkan area yang ingin
dianalisis dengan area background. Pemisahan dilakukan
dengan berdasarkan pada variasi intensitas antara objek
dengan background [10].
Pada kasus ekstraksi ciri iris, thresholding dilakukan
dengan menggunakan binary thresholding. Binary
thresholding dapat dirumuskan dengan persamaan berikut:
 III. EKSTRAKSI CIRI
𝑚𝑎𝑥𝑉𝑎𝑙 𝑖𝑓 𝑠𝑐𝑟 (𝑥, 𝑦)
𝑑𝑠𝑡 (𝑥, 𝑦) = { > 𝑡ℎ𝑟𝑒𝑠ℎ (1) A. Linear Polar Transform
0 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒 Linear Polar Transform merupakan suatu teknik dalam
mengubah gambar ke dalam koordinat polar. Teknik ini
Dimana 𝑑𝑠𝑡 (𝑥, 𝑦) merupakan output dari hasil
dilakukan untuk mendapatkan gambar iris yang awalnya
thresholding, 𝑠𝑐𝑟 (𝑥, 𝑦) merupakan gambar asli, 𝑚𝑎𝑥𝑉𝑎𝑙
melingkar menjadi persegi panjang [13]. Dalam
merupakan nilai intensitas maksimal (255), 0 merupakan
meminimalkan eror dalam iris tracking algorithm, gambar
nilai intensitas piksel minimum, dan 𝑡ℎ𝑟𝑒𝑠ℎ merupakan
ROI yang terdiri dari gambar pupil dan iris ditransformasi
intensitas batas threshold. Berdasarkan persamaan di atas
ke dalam koordinat polar menggunakan Linear Polar
intensitas piksel pada gambar akan dicek dan dibandingkan
Transform. Gambar 1 menunjukkan ilustrasi transformasi
dengan intensitas batas threshold. Sehingga jika intensitas
dengan titik tengah lingkaran didapatkan dari metode
piksel pada inputan 𝑠𝑐𝑟 (𝑥, 𝑦) lebih tinggi dari intensitas
Hough Circle [11].
piksel 𝑡ℎ𝑟𝑒𝑠ℎ maka intensital hasil threshold akan bernilai
maksimum (255). Jika intensitas piksel pada inputan
𝑠𝑐𝑟 (𝑥, 𝑦) lebih tinggi dari intensitas piksel 𝑡ℎ𝑟𝑒𝑠ℎ maka
intensital hasil threshold akan bernilai minimum (0).

B. Deteksi Lingkaran Pupil

Tahap deteksi lingkaran pupil bertujuan
mengidentifikasi lingkaran batas pupil, sehingga dapat
direpresentasikan ke untuk mencari batas lingkaran iris
[11]. Dalam kasus ini metode yang digunakan adalah
Hough Circle [12]. Berikut adalah langkah-langkah deteksi
(a) (b)
lingkaran pupil menggunakan Hough Circle:

1. Deteksi Titik Tengah Pupil

Deteksi titik tengah pupil dilakukan dengan cara
mencari metode hough circle. Metode ini bekerja dengan
mencari tiga parameter utama yakni titik point x, titik point
y, dan radius (r). Nilai titik x, y, dan r dicari dengan langkah
berikut:
a. Menentukan metode hough yang digunakan. Parameter
yang tersedia adalah hough gradient. Hough gradient
berfungsi untuk membantu mencari sudut yang akan
dibentuk oleh batas pupil.
b. Menentukan invers dari rasio resolusi.
c. Menentukan minimum distance. Parameter ini (c)
digunakan untuk mencari jarak minimum antar titik
tengah yang terdeteksi. Semakin besar angka jarak Gambar 1. a) Gambar awal (ROI), b) Referensi parameter,
minimumnya maka hasil akan semakin baik. Karena c) Hasil gambar dalam koordinat polar
jumlah lingkaran yang terdeteksi akan lebih sedikit dan
akurat. Transformasi gambar masukan menjadi koordinat polar
d. Menentukan nilai threshold pada deteksi tepi pupil. menggunakan rumus transformasi berikut:
e. Menentukan nilai threshold pada deteksi titik tengah.
f. Menentukan jarak radius maksimum. 𝑑𝑠𝑡(𝜌, ∅) = 𝑠𝑟𝑐(𝑥, 𝑦) (2)
g. Menentukan jarak radius minimum. 𝑑𝑠𝑡. 𝑠𝑖𝑧𝑒( ) ← 𝑠𝑟𝑐. 𝑠𝑖𝑧𝑒( ) (3)
Dari beberapa parameter di atas akan didapatkan nilai x
dan y dari titik tengah serta nilai radius. Radius akan dst menunjukan destination image dan src menunjukan
membaca jarak antara titik tengah dengan batas luar pupil source image, dimana,
dengan bantuan gradient. Setelah mendapatkan nilai radius
kemudian batas tepi pupil akan digambar melingkar sesuai 𝐼 = (𝑑𝑥, 𝑑𝑦) = (𝑥 − 𝑥𝑐 , 𝑦 − 𝑦𝑐 ) (4)
dengan bentuk objeknya. 𝜌 = 𝐾𝑥. 𝑚𝑎𝑔𝑛𝑖𝑡𝑢𝑑𝑒(𝐼), (5)
∅ = 𝐾𝑦. 𝑎𝑛𝑔𝑙𝑒(𝐼)0..360𝑑𝑒𝑔 (6)
2. Deteksi Lingkaran Iris
Lingkaran luar iris dicari dengan metode yang sama dan,
dengan deteksi lingkaran pupil. Akan tetapi nilai radius
diperbesar sebanyak tiga kali nilai radius pupil. Hasil area 𝐾𝑥 = 𝑠𝑟𝑐. 𝑐𝑜𝑙𝑠/𝑚𝑎𝑥𝑅𝑎𝑑𝑖𝑢𝑠 (7)
iris akan digunakan untuk mencari region of interest (ROI) 𝐾𝑦 = 𝑠𝑟𝑐. 𝑟𝑜𝑤𝑠/360 (8)
objek untuk memudahkan dalam proses ekstraksi ciri.
 Xc, Yc
Xc

D. Otsu Thresholding
Kode iris dihasilkan dengan thresholding pada hasil
Xc, Yc keluaran grayscale morphological skeleton. Threshold
yang digunakan adalah Otsu Thresholding. Otsu
Thresholding merupakan metode memilih batas ambang
(threshold) dengan nilai optimum pada histogram
(persebaran distribusi piksel) secara otomatis. Nilai
(a) (b) threshold (𝑡) optimum didapat ketika nilai varians paling
Gambar 2. a) Gambar ROI Iris, b) Gambar Iris dalam koordinat polar kecil 𝜎𝑤2 (𝑡), di mana 𝑡 dari rentang 1 hingga 256 diproses
dengan rumus berikut :
B. CLAHE (Contrast Limited Adaptive Histogram
Equalization) 𝜎𝑤2 (𝑡) = 𝑞1 (𝑡)𝜎12 (𝑡) + 𝑞2 (𝑡)𝜎22 (𝑡) (15)
Adaptive Histogram Equalization merupakan salah satu
teknik dalam perataan nilai derajat keabuan atau teknik Di mana peluang kelas 𝑞1 dan 𝑞2 dapat dihitung
perbaikan kontras pada citra. Peningkatan yang lebih tinggi menggunakan,
membuat bagian hidden feature pada iris dapat muncul ke
permukaan. Untuk mengatasi peningkatan yang 𝑞1 (𝑡) = ∑𝑡𝑖=1 𝑃(𝑖) 𝑑𝑎𝑛 𝑞2 (𝑡) = ∑𝐼𝑖=𝑡+1 𝑃(𝑖) (16)
berlebihan, maka diberikan nilai batas pada histogram,
teknik ini disebut CLAHE. Dengan cara seperti itu dapat Dan rata-rata kelas nya sebagai berikut,
memberikan peningkatan kekontrasan yang lebih optimal 𝑖𝑃(𝑖) 𝑖𝑃(𝑖)
untuk seluruh bagian [14]. 𝜇1 (𝑡) = ∑𝑡𝑖=1 𝑑𝑎𝑛 𝜇2 (𝑡) = ∑𝐼𝑖=𝑡+1 (17)
𝑞1 (𝑡) 𝑞2 (𝑡)

C. Morphological Skeleton Sehingga, varians setiap kelas sebagai berikut,

Morfologi skeleton berfungsi untuk mengekstrak
skeleton dari satu objek. Operasi morfologi dapat 𝑃(𝑖)
𝜎12 (𝑡) = ∑𝑡𝑖=1[𝑖 − 𝜇1 (𝑡)]2 (18)
dilakukan dalam beberapa tipe antara lain erosi, opening, 𝑞1 (𝑡)

closing, dilasi. Morfologi skeleton merupakan teknik 𝑃(𝑖)

penggabungan operasi morfologi erosi dan opening. 𝜎22 (𝑡) = ∑𝐼𝑖=𝑡+1[𝑖 − 𝜇2 (𝑡)]2 (19)
𝑞2 (𝑡)
Masukan dari operasi morfologi skeleton adalah gray-scale
image. Berikut adalah persamaan yang digunakan,

∪ ∩ IV. HASIL
𝑆(𝑥) = 𝜌 > 0 𝜇 > 0 [(𝑥 𝑜 𝜌𝐵) − (𝑥 𝑜 𝜌𝐵) 𝑜 𝜇 𝐵̅ ] (9)
Dataset yang digunakan adalah gambar yang terdiri dari
satu mata saja, baik kiri maupun kanan. Algoritma diuji
Dimana ϴ adalah simbol dari operasi morfologi erosi dan
pada 27 gambar mata dengan hasil sebagai berikut:
ο untuk morfologi opening. 𝜌𝐵 adalah kernel dari radius 𝜌
dan dimana luasan kernel 𝐵̅ mendekati luasan kernel 𝐵.
Kemudian membuat anggota kernel dengan persamaan
berikut:

𝑛𝐵 = 𝐵⨁ … ⨁ 𝐵 n times (10)

Dimana n merupakan ukuran dari struktur sebuah elemen.

Kemudian dibuat persamaan morfologi skeleton pada
diskrit sebagai beikut: (a)
{𝑆𝑛 (𝑥)}, 𝑛 = 0, 1, … , 𝑁 (11)
𝑆𝑛 (𝑥) = (𝑥 𝑜 𝑛𝐵) − (𝑥 𝑜 𝑛𝐵) 𝑜 𝐵 (12)

Sehingga didapatkan 𝑆(𝑥) merupakan hasil dari union

skeleton. Jika hasil skeleton akan digunakan untuk
merekonstruksi ulang dapat menggunakan persamaan (13-
14)

∪
𝑋= (𝑆𝑛 (𝑋) ⨁ 𝑛𝐵) (13)
𝑛
∪ (b)
(𝑆 (𝑋) ⨁ 𝑛𝐵) = 𝑋 𝑜 𝑚𝐵 (14)
𝑛≥𝑚 𝑛
 V. KESIMPULAN
Berdasarkan hasil simulasi terhadap 27 data gambar
mata dapat disimpulkan bahwa untuk mendapatkan ciri iris
pada mata dapat dilakukan dengan mencari titik tengah dari
pupil dengan menggunakan metode hough circle,
kemudian mengubah citra kedalam koordinat polar. Untuk
mengekstrak ciri iris dilakukan menggunakan metode
(c) gray-scale morphological skeleton. Hasil dari ekstraksi ciri
menggunakan gray-scale morphological skeleton adalah
dapat diketahui ciri khasnya dari masing-masing iris.

ACKNOWLEDGMENT
Para penulis ingin berterima kasih kepada anggota tim
peneliti computer vision di Teknik Elektro dan Informatika
(d) Departemen Universitas Gadjah Mada (UGM) atas
tercapainya penelitian ini.

REFERENCES
[1] A. Safir and E. A. Mass-, “Iris Recognition System,” 1987.
[2] kai ming mok Richard Yew Fatt Ng, Yong Haur Tay, “A
Review of Iris Recognition Algorithms,” 2008.
[3] J. G. Daugman, “High Confidence Visual Recognition of
(e)
Persons by a Test of Statistical Independence,” vol. 15, no. 11,
1993.
Gambar 3. Gambar mata untuk dua orang berbeda, a) Deteksi
[4] S. Lim, K. Lee, O. Byeon, and T. Kim, “Efficient Iris
lingkaran pupil, b) ROI, c) Linear Polar Transform, d) CLAHE, e) Hasil
Recognition through Improvement of Feature Vector and
Morfologi skeleton + Otsu Thresholding
Classifier,” vol. 23, no. 2, pp. 61–70, 2001.
[5] M. R. Chritel-loic Tisse, Lionel Martin, ionel Torres, “Person
Identification Technique using Human Iris Recognition.”
France, p. 6.
[6] D. M. Monro, S. Rakshit, and S. Member, “DCT-Based Iris
Recognition,” vol. 29, no. 4, pp. 586–595, 2007.
[7] E. Engineering, “Iris feature extraction : a survey,” vol. 4, no.
9, pp. 7–14, 2013.
[8] N. Hayashi and A. Taguchi, “A NOVEL FEATURE
EXTRACTION FOR IRIS IDENTIFICATION USING
MORPHOLOGICAL SKELETON,” no. 3, pp. 1636–1639,
2010.
[9] N. Hayashi and A. Taguchi, “Iris Feature Extraction Based on
Gray-Scale Morphological Skeleton,” no. 2, pp. 329–332,
2012.
[10] E. Sharma, P. Mahapatra, and A. Doegar, “Image
Thresholding Based on Swarm Intelligence Technique for
Image Segmentation.”
[11] R. G. Bozomitu, P. Alexandru, V. Cehan, C. Rotariu, and C.
Baraba, “Pupil Centre Coordinates Detection Using the
Circular Hough Transform Technique,” no. 1, pp. 462–465,
2015.
[12] N. Bhatia, “Improved Hough Transform for Fast Iris
Detection,” pp. 172–176, 2010.
[13] T. I. Society and O. Engineering, “A new approach to iris
Gambar 4. Ekstraksi ciri iris untuk enam orang yang berbeda pattern recognition,” no. October 2004, 2017.
[14] F. K. P, D. Saepudin, and A. Rizal, “Analisis Contrast Limited
Dengan membandingkan kode gambar iris dari enam Adaptive Histogram Equalization ( Clahe ) Dan Region
orang di atas dapat dilihat bahwa setiap gambar-gambar Growing Dalam Deteksi Gejala Kanker Payudara Pada Citra
menunjukkan ciri khas dari setiap individual. MAMMOGRAM BioSPIN Research Group , Fakultas Teknik
Elektro,” pp. 1–14.