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.
- Citra
Biner
- Citra
Gray-scale
Tahap
3. Citra hasil setelah dilakukan proses thinning
Tidak ada komentar:
Posting Komentar