Crankenstein: Thinning Processing

B. Berdasarkan unsur-unsur image yang dipertimbangkan untuk melakukan proses thinning.

Local-algorithm merupakan metode, yang dalam implementasinya, hanya mempertimbangkan jendela ketetanggaan yang kecil dari suatu pixel. Selanjutnya, berdasarkan pandangan yang terbatas tersebut, algoritma ini akan memutuskan keberadaan dari pixel tersebut (apakah pixel tersebut dibuang atau dipertahankan). Sebagian besar dari metodologi (algoritma) dalam melakukan proses thinning, dapat dikategorikan sebagai local-algorithm ini.

Sementara itu, dalam non-local algorithm, unsur-unsur yang dipertimbangkan mencakup ruang lingkup yang lebih luas. Adapun ciri khas dari pengimplementasian metodologi non-local ini adalah sebagai berikut:

a. secara khusus mengkomputasi suatu representasi kerangka dari suatu kontur atau run-length encoding dari suatu image;

b. mengaplikasikan suatu kombinasi dari informasi kerangka dan kontur;

c. mempertimbangkan jendela ketetanggaan dari suatu pixel dalam memutuskan keberadaan dari pixel tersebut;

d. mengaplikasikan suatu representasi grafik/ kurva.

C. Berdasarkan algortima matematika yang diterapkan dan hasil proses thinning yang dihasilkan.

Stentiford dan Zhang Suen thinning Algorithm sama-sama menghasilkan garis-garis pixel pada pusat dari suatu daerah yang tebal (image yang akan diterapkan proses thinning).

Stentiford thinning Algorithm merupakan metode yang cenderung menghasilkan garis-garis yang mengikuti (sesuai dengan) kurva dengan baik, sehingga menghasilkan vektor-vektor yang secara akurat merefleksikan suatu image asli.

Zhang Suen thinning Algorithm merupakan metode yang cenderung memiliki kinerja yang lebih baik pada saat mengektrak garis-garis lurus dari suatu raster, sehingga dapat menghasilkan vektor-vektor yang bermanfaat dari suatu image asli. Vektor-vektor tersebut secara utama terdiri dari garis-garis lurus.

Simple dan Canny Edge Detection thinning Algorithm menghasilkan garis-garis pixel pada ujung (tepi) dari suatu daerah yang tebal. Simple dan Canny Edge Detection thinning Algorithm sama-sama merupakan metode yang melakukan deteksi terhadap ujung (tepi) dari suatu image. Secara prinsip, kedua metode ini memiliki persamaan-persamaan dalam melakukan proses thinning.

Adapun beberapa persamaan tersebut antara lain:

1. Kedua Edge Detection thinning Algorithm ini sama-sama merupakan metode yang melakukan proses thinning dengan terlebih dahulu mencari ujung (tepi) dari suatu obyek.

2. Kedua Edge Detection thinning Algorithm ini sama-sama sangat berguna dan sesuai untuk diterapkan pada image fotografik atau image yang terdiri dari daerah padat (tebal), dimana kita hanya ingin meng-vektor-kan garis besar (sketsa) dari image tersebut.

3. Kedua Edge Detection thinning Algorithm ini sama-sama memiliki kinerja terbaik ketika diimplementasikan pada image yang memiliki tepi dengan perbedaan yang tinggi.

4. Kedua Edge Detection thinning Algorithm ini sama-sama—pada saat implementasi—tidak melakukan proses thinning pada suatu image secara penuh. Hal ini mengakibatkan kita perlu melakukan metode lainnya (Stentiford, Zhang Suen, atau kombinasi thinning Algorithm)—setelah melakukan metode Edge Detection—untuk dapat melengkapi proses thinning pada image tersebut.

Sementara perbedaan kedua metode Edge Detection ini antara lain adalah:

1. Canny Edge Detection thinning Algorithm memerlukan tambahan memory saat melakukan proses thinning, sementara metode Simple tidak memerlukannya. Metode Canny menggunakan memory dalam jumlah yang besar selama pemrosesan, sehingga metode ini tidak sesuai untuk raster¹ yang sangat besar atau keadaan dimana ukuran memory kecil.

2. Canny Edge Detection thinning Algorithm menerapkan lebih banyak operasi matematikam dibandingkan metode Simple dan mempunyai setting optional yang dapat meningkatkan hasil thinning. (metode Canny jauh lebih rumit dibandingkan metode Simple).

Combination thinning algorithm menggunakan beberapa teori dari metode Stentiford dan Zhang Suen. Metode ini cenderung lebih baik diimplementasikan pada sudut yang bersiku-siku dibandingkan metode Steintiford dan Zhang Suen, dengan tetap mempertahankan pengenalan garis lurus yang baik dan kurva yang halus. Metode thinning ini akan memperpendek beberapa garis, yang mungkin akan kurang mendukung untuk citra-citra tertentu.

Ada beberapa komponen penting yang perlu diketahui dan dipahmai dalam melakukan proses thinning, seperti struktur elemen (kernel) dan tranformasi hit-dan-miss (hit-and-miss transformation).

Struktur elemen

Struktur elemen atau biasa disebut sebagai kernel, berisi pola yang mengkhususkan koordinat dari beberapa titik yang memiliki relatifitas yang sama ke suatu pusat (origin). Biasanya direpresentasikan menggunakan koordinat kartesian untuk setiap elemen sebagai kotak-kotak kecil.

Contoh berbagai ukuran dari beberapa struktur elemen:

Origin tidak perlu harus di tengah, namun biasanya di tengah.

Struktur elemen dengan ukuran 3 x 3 adalah yang paling banyak digunakan.

Setiap titik bisa memiliki nilai. Umumnya untuk mengoperasikan suatu binary image seperti erosion, keseluruhan element hanya memiliki sebuah nilai, yaitu 1 (satu). Pada thinning atau grayscale morphological operations dapat memiliki nilai yang lain.

Pada kotak-kotak yang kosong, yang artinya tidak memiliki nilai, biasanya dire-presentasikan dengan menggunakan 0 (nol).

Ketika morphological operation dilakukan, origin dari structuring elements diposisikan pada setiap pixel pada citra input, lalu nilai dari structuring elements yang bersesuaian dibandingkan dengan nilai dari pixel citra. Detil dari perbandingan ini dan efeknya tergantung dari jenis operator, pada hal ini adalah structuring elements yang digunakan.

Transformasi hit -dan-miss

Transformasi hit-dan-miss adalah operasi morfologi yang umum yang dapat digunakan untuk memisahkan pola pixel-pixel foreground dan background pada suatu citra.

Operasi hit -dan-miss dilakukan dengan mentranslasikan struktur elemen ke seluruh pixel pada citra, kemudian membandingkan struktur elemen dengan pixel dari citra di bawahnya. Jika pixel-pixel foreground dan background pada struktur elemen cocok (match) dengan pixel-pixel foreground dan background pada citra, maka pixel yang berada di bawah struktur elemen di-set menjadi warna foreground. Jika tidak cocok, maka pixel tersebut dijadikan warna background. Pixel foreground dinyatakan dengan angka 1 dan pixel background dinyatakan dengan angka 0.

Contoh: struktur elemen berikut:

dapat digunakan untuk menemukan posisi sudut kanan (right angle convex corner) dari suatu citra. Untuk dapat menemukan semua sudut dalam citra biner, kita harus melakukan transformasi hit-dan-miss sebanyak empat kali dengan empat elemen berbeda yang merepresentasikan empat jenis sudut yang ditemukan dalam citra biner tersebut. Empat bentuk elemen tersebut adalah:

Setelah menemukan lokasi dari setiap orientasi sudut, kita kemudian melakukan operasi OR dari semua citra untuk mendapat hasil akhir yang menunjukkan lokasi dari semua sudut kanan pada orientasi apapun.

Citra dibawah ini menunjukkan proses hit-dan-miss yang dilakukan pada suatu citra biner sederhana.