Lestya Dila Rahma : Pengenalan Wajah Berdasarkan Pengolahan Citra Digital Dengan Metode Gabor Wavelet, 2010.
Citra wajah yang didapat diubah menjadi 8 bit greyscale terlebih dahulu dan dipertajam teksturnya dengan histogram equalization. Kemudian dilakukan proses
konvolusi dengan 40 kernel gabor pada 12 titik sampling yang sudah ditentukan posisinya terlebih dahulu kemudian nilai yang didapat disimpan dalam database.
Proses konvolusi dengan kernel ini dilakukan sebanyak 960 kali 12 titik sampling x 80 kernel 40 real + 40 imajiner yang menghasilkan 480 nilai vektor Gabor. Gabor
Feature Extraction pada 12 titik sampling dapat dilihat pada Gambar 3.5.
3.4 Proses Verify
Verify berarti mendapatkan vektor gabor dengan konvolusi antara citra input dengan kernel, kemudian membandingkan vektor gabor yang didapat dengan database untuk
mencocokan identitas pengguna. Bagan Proses Verify dapat dilihat pada Gambar 3.6. Gambar 3.5 Gabor Feature Extraction pada 12 Titik Sampling
Gambar 3.6 Bagan Proses Verify
Lestya Dila Rahma : Pengenalan Wajah Berdasarkan Pengolahan Citra Digital Dengan Metode Gabor Wavelet, 2010.
Langkah-langkah yang dilakukan sama dengan proses Enroll untuk proses grayscale, histogram equalization, konvolusi citra dengan kernel gabor, sampai didapatkan nilai
vektor gabor pada 12 titik sampling.
3.4.1 Proses Grayscale
Adapun proses pengubahan citra RGB ke dalam citra grayscale dengan tahap-tahap citra wajah diekstraksi nilai RGB-nya, kalkulasi nilai grayscale serta pembentukan
citra grayscale yang dapat dilihat pada Gambar 3.7.
Proses pertama adalah mengambil nilai R, G dan B dari suatu citra wajah bertipe RGB. Pada tipe .bmp citra direpresentasikan dalam 24 bit, sehingga diperlukan
proses untuk mengambil masing masing 3 kelompok 8 bit dari 24 bit tadi. Sebagai contoh suatu pixel memiliki nilai RGB 24 bit 111100001111000011111111. Untuk
mendapatkan masing-masing nilai R, G dan B dilakukan operasi-operasi sebagai berikut.
Untuk mendapatkan nilai R dilakukan operasi modulo dengan bilangan 256 sebagai berikut:
Nilai R = 111100001111000011111111 mod 10000000 = 11111111.
Sedangkan untuk nilai G, dapat dicari dengan cara sebagai berikut: Nilai G = 111100001111000011111111 dan 1111111100000000 100000000
= 11110000
Untuk Nilai B, dapat dicari dengan menggunakan rumus berikut: Nilai B = 111100001111000011111111 dan 111111110000000000000000
Gambar 3.7 Konversi Citra RGB ke Citra Greyscale
Citra RGB Ekstraksi
Komponen R, G, B
Nilai R Nilai G
Nilai B
Kalkulasi Nilai
Grayscale
Citra Grayscale
Lestya Dila Rahma : Pengenalan Wajah Berdasarkan Pengolahan Citra Digital Dengan Metode Gabor Wavelet, 2010.
10000000000000000 = 11110000. Sehingga dari nilai pixel 1111000011110000111111112 atau 15790335 diperoleh
nilai R = 11111111 = 255
G = 11110000 = 240
B = 11110000 = 240
Sehingga diperoleh triplet RGB= 255,240,240. Setelah nilai triplet RGB diperoleh, maka nilai grayscale didapat dari pixel tersebut. Dasar sebenarnya adalah membuat
band tunggal dari 3 band RGB tadi dengan rumus:
Red = red 5 \ 10 Green = green 8 \ 10
Blue = blue 3 \ 10 Gray = red + green + blue 10 \ 16
Dengan mengaplikasikan prosedur tadi pada semua piksel akan didapat citra dengan format grayscale.
3.4.2 Proses Histogram Equalization
Konsep dasar dari histogram equalisation adalah dengan men-strecth histogram, sehingga perbedaan pixel menjadi lebih besar atau dengan kata lain informasi menjadi
lebih kuat sehingga mata dapat menangkap informasi tersebut. Untuk lebih detilnya, histogram equalisation men-strech histogram sehingga detil yang sebelumnya tidak
terlihat menjadi lebih terlihat. Pada dasarnya metode ini akan memberikan jarak yang cukup jauh pada dua grey level yang berdekatan tetapi memiliki perbedaan frekuensi
yang mencolok. Histogram equalisation adalah suatu proses colour mapping dari citra awal
pada citra hasil. Secara matematis bisa dituliskan sebagai berikut. , dimana r adalah warna di citra awal, T adalah fungsi mapping, dan s adalah
warna pada citra hasil. Secara singkat, histogram equalisation dapat dituliskan secara matematis
sebagai berikut: .
Lestya Dila Rahma : Pengenalan Wajah Berdasarkan Pengolahan Citra Digital Dengan Metode Gabor Wavelet, 2010.
Setiap grey level value rk dari citra awal, akan di-map ke dalam nilai grey level yang baru sk dalam citra baru. Seperti yang kita lihat pada Gambar 3.8, r1 di
map ke dalam s1, r2 di map ke dalam s3, dan r3 serta r4 di map ke dalam s4.
Definisi matematisnya untuk Tx Di mana Pr adalah
Jadi rumusan matematis histogram equalisation adalah sebagai berikut,
Di mana n adalah jumlah pixel yang ada n untuk citra resolusi 32x16 adalah 512, nj adalah jumlah pixel yang bernilai rk.
3.4.3 Gabor Konvolusi
Konvolusi pada citra bertujuan menghasilkan titik-titik dengan nilai tertentu yang disebut sebagai gabor jet response. Titik-titik gabor jet response dari citra database
dan citra wajah yang akan dikenali dibandingkan dengan menerapkan prosedur graph matching pada citra yang akan dikenali, yaitu dengan memaksimalkan kemiripan
magnitude gabor antara graph model wajah yang sudah ditransformasi dengan representasi graph dari citra yang akan dikenali tersebut. Penerapan graph matching
Gambar 3.8 Proses mapping nilai gray citra
Lestya Dila Rahma : Pengenalan Wajah Berdasarkan Pengolahan Citra Digital Dengan Metode Gabor Wavelet, 2010.
, max
J J
S
J
′
∀
∑ ∑ ∑
=
j j
j j
j j
j
a a
a a
J J
S
2 2
,
tersebut dapat didefinisikan dengan persamaan 3.1, dimana J adalah gabor jet model dari citra database dan J’ adalah gabor jet model dari citra yang akan dikenali.
…………………………….. 3.1
Fungsi kemiripan SJ, J’ didefinisikan dengan persamaan 3.2, dimana a
j
dan a’
j
masing-masing adalah titik-titik response dari gabor jet model citra database dan citra wajah yang akan dikenali.
………………………………………….. 3.2
Sebagai contoh: Citra wajah dibuat dalam matriks awal 8 x 8 dibuat menjadi matriks 10 x 10 di mana
matriks awal tersebut dibungkus dengan nilai 0: 0 0 0 0 0 0 0 0 0 0
0 5 8 3 4 6 2 3 7 0 0 3 2 1 1 9 5 1 0 0
0 0 9 5 3 0 4 8 3 0 0 4 2 7 2 1 9 0 6 0
0 9 7 9 8 0 4 2 4 0 0 5 2 1 8 4 1 0 9 0
0 1 8 5 4 9 2 3 8 0 0 3 7 1 2 3 5 4 6 0
0 0 0 0 0 0 0 0 0 0 Lalu matriks tersebut dikonvolusikan dengan matriks konvolusi Konvolution
Mask K[I,J] : -2 -1 0
-1 0 +1 0 +1 +2
Lestya Dila Rahma : Pengenalan Wajah Berdasarkan Pengolahan Citra Digital Dengan Metode Gabor Wavelet, 2010.
Proses konvolusinya adalah mengambil nilai tiap elemen awal matriks awal menjadi matriks 3 x 3 dimana nilai elemen tersebut terletak pada elemen 2 x 2 dan
yang menjadi elemen lainnya adalah elemen tetangganya jika tidak ada maka elemen tetangga tersebut diberi nilai 0, lalu dilakukan looping hingga elemen terakhir.
Proses selanjutnya adalah membandingkan nilai vektor gabor yang didapat dengan nilai vektor gabor yang ada di dalam database. Setelah dibandingkan dengan
seluruh database kemudian dicari nilai similiarity-nya dengan:
Dimana : x
T
adalah transpose array db database y adalah array input
Operasi yang berlaku adalah operasi cross. Nilai array db ke-n dikalikan dengan nilai array input yang ke-n, operasi ini dilakukan pada seluruh array db dan input dan
hasil operasi ini dijumlahkan. |x| adalah akar dari penjumlahan kuadarat pada array db, |y| adalah akar dari penjumlah kuadrat pada array input. Nilai S berada antara -1
sampai 1. Proses ini diulang sebanyak database yang telah disimpan. Dari semua nilai similarity diambil 3 nilai yang terbesar, kemudian dilakukan klasifikasi k-nearest
neighbor untuk menentukan calon mana yang sering muncul dan mempunyai nilai similarity terbesar.
3.4.4 Feature Extraction
Feature yang telah diperoleh melalui konvolusi dengan citra wajah dimasukkan ke dalam database. Feature yang didapat berupa nilai yang dikonversikan ke dalam teks
agar bisa disimpan ke dalam database. Blok Diagram Database dapat dilihat pada Gambar 3.9.
Citra Input Normalisasi
Dimensi Konversi Citra
Grey Scale
Konvolusi Gabor Feature
Extraction Simpan ke
database
Lestya Dila Rahma : Pengenalan Wajah Berdasarkan Pengolahan Citra Digital Dengan Metode Gabor Wavelet, 2010.
Berikut ini langkah-langkah dalam membuat database: 1.
Mengubah citra yang akan dites ke citra greyscale. Gambar yang akan dites dipanggil ke dalam memori yang berupa citra 8 bit
RGB, kemudian citra RGB ini diubah ke 8 bit greyscale. 2.
Konvolusi Gabor Pada konvolusi gabor, citra dikonvolusi dengan kernel. Untuk membuat
kernel, sebuah fungsi dengan titik tengah berada pada pusat kernel. Citra dikonvolusi dengan kernel imaginer dan kernel real. Hasil konvolusi real dan
imaginer ini kemudian dikuadratkan, dijumlah dan diakar. Proses ini dilakukan sebanyak 40 kali
3. Feature extraction
Setelah citra di konvolusi dengan kernel maka dilanjutkan dengan feature extraction. Dalam feature extraction ini diambil 42 titik sampling. Titik
sampling tersebut berjumlah 1680 atau 42 titik sampling x 40 kernel.
Database berfungsi untuk menyimpan hasil nilai feature yang terdiri dari nama user dan nilai hasil extraction. Database ini dibatasi dengan tidak menerima inputan
dengan nama user dan nilai extraction yang kosong. Setelah hasil konvolusi disimpan pada database, dilanjutkan dengan meng-
copy citra yang akan dimasukkan ke dalam database.
3.4.5 Proses Pengenalan
Pada proses pengenalan, citra dikonvolusi dengan gabor kernel kemudian nilai feature extraction yang didapat dibandingkan dengan database yang ada, akan dihasilkan nilai
similarity serta menampilkan citra yang sesuai dengan similarity tersebut. Blok Diagram Proses Pengenalan dapat dilihat pada Gambar 3.10.
Gambar 3.9 Blok Diagram Database
Lestya Dila Rahma : Pengenalan Wajah Berdasarkan Pengolahan Citra Digital Dengan Metode Gabor Wavelet, 2010.
Similarity berfungsi untuk membandingkan feature yang telah didapatkan dengan komvolusi kernel dengan database yang ada.
Berikut ini adalah langkah-langkah yang dilakukan dalam proses similarity: a.
Proses yang dilakukan dari citra yang akan dites sampai konvolusi gabor sama seperti proses yang dilakukan pada database, tetapi pada penyimpanan hasil
konvolusi antara citra dengan kernel tidak dilakukan tetapi menyimpannya ke dalam array.
b. Proses selanjutnya adalah memindahkan database ke dalam variabel array dan
kemudian membandingkan array database dengan array citra, nilai array citra yang terdekat dengan nilai array database dipilih dan disimpan dalam array.
Setelah seluruh array citra diperiksa dan diambil nilai terdekat dengan database, proses dilanjutkan dengan similarity.
Rumus yang digunakan dalam proses similarity tersebut adalah:
dengan : = Tingkat similarity
J = Nilai Jet
A = Nilai array
Input Citra
Konversi ke Grayscale
Konversi Gabor
Feature Extraction
Sampel Database
Hitung Similarity
Output Pengenalan
Gambar 3.10 Blok Diagram Proses Pengenalan
Lestya Dila Rahma : Pengenalan Wajah Berdasarkan Pengolahan Citra Digital Dengan Metode Gabor Wavelet, 2010.
J’ = Turunan
Proses ini dilakukan sebanyak database yang telah didaftarkan dimulai dengan memindahkan database ke variabel array hingga mendapatkan nilai similarity. Nilai
similarity yang terbesar dinyatakan paling mirip dengan citra wajah.
3.5 Flowchart Sistem Pengenalan Wajah