Implementasi Metode Registrasi Menggunakan Automatic Iterative

Point Correspondence Dan Subtraksi Pada Citra Gigi

Susilo Hari , Anny Yuniarti , Diana Purwitasari
Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember
Gedung Teknik Informatika, Kampus ITS Sukolilo-Surabaya 60111
Email : susilo@cs.its.ac.id

ABSTRAK
Registrasi citra adalah proses transformasi beberapa
kumpulan data yang berbeda ke dalam satu sistem
koordinat. Registrasi citra banyak digunakan dalam bidang
kedokteran, khususnya kedokteran gigi. Dengan
menggunakan registrasi citra, perubahan-perubahan kecil
pada citra radiografi gigi dapat dideteksi menggunakan
konsep registrasi citra.
Salah satu implementasi registrasi citra adalah
menggunakan metode Automatic Iterative Point
Correspondence. Titik-titik distinctive diekstrak pada salah
satu citra,
Algoritma Automatic Iterative Point
Correspondence digunakan untuk mendeteksi titik-titik
correspondence antara kedua citra. Proses registrasi citra
dilakukan dengan menggunakan parameter transformasi
geometri yang didapatkan melalui estimasi. Proses
subtraksi dilakukan dengan mengurangkan nilai-nilai piksel
antara kedua citra
Dari hasil uji coba didapatkan bahwa tingkat akurasi
registrasi berdasar pada nilai Measure of Match yang
didapat pada proses deteksi titik-titik correspondence.
Semakin tinggi nilai Measure of Match, semakin tinggi pula
tingkat akurasi registrasi citra. Dua citra yang
perpindahannya berbeda secara translasi dan rotasi dapat
diregistrasi menggunakan metode ini.
Kata Kunci : registrasi, Automatic Iterative Point
Correspondence, radiografi gigi, subtraksi

1.

PENDAHULUAN

Registrasi citra adalah proses transformasi beberapa

kumpulan data yang berbeda ke dalam satu sistem
koordinat. Data dapat berupa beberapa foto, data dari
sensor yang berbeda, dari waktu yang berbeda atau dari
sudut pandang yang berbeda. registrasi citra secara
geometri akan menyejajarkan dua buah citra. Adanya
perbedaan antara beberapa citra dikarenakan perbedaan
kondisi pencitraan. Registrasi citra adalah langkah penting
dalam semua tugas-tugas analisis citra di mana informasi
akhir diperoleh dari kombinasi berbagai sumber data seperti
pada fusi citra, deteksi perubahan, dan pemulihan citra
multichannel [1].
Penerapan registrasi citra pada bidang kedokteran
khususnya kedokteran gigi dapat digunakan sebagai tahap

analisis awal untuk deteksi beberapa gejala penyakit seperti

penurunan tulang alveolar, deteksi kepadatan tulang dan
caries gigi. Informasi mengenai perubahan-perubahan kecil
antar pengujian radiografi yang seringkali susah untuk
dideteksi dengan mata manusia dapat dengan mudah
dilacak menggunakan penerapan registrasi citra ini.
Ada beberapa teknik implementasi registrasi citra,
teknik yang pertama adalah registrasi citra berdasar
garis[2]. Garis-garis pada citra radiografi diekstrak pada
kedua citra menggunakan edge detection kemudian kedua
citra dilakukan proses registrasi. Teknik kedua adalah
registrasi citra berdasar titik. Titik-titik unik diekstrak pada
salah satu citra, kemudian dilakukan proses registrasi
dengan menggunakan titik-titik koresponden antara kedua
citra radiografi.
Pada penelitian ini digunakan prinsip subtraksi citra
radiografi berdasarkan titik untuk mendeteksi perubahanperubahan kecil antara dua citra. Oleh karena itu pikselpiksel yang bersesuaian pada kedua citra harus disamakan,
proses ini biasa disebut dengan proses registrasi. Fitur yang
digunakan untuk melakukan registrasi citra adalah titik-titik
correspondence antara kedua citra. Algoritma AIPC
(Automatic Iterative Point Correspondence)[3] digunakan
untuk mendapatkan titik-titik correspondence tersebut.
Penelitian ini diharapkan dapat bermanfaat dalam bidang
medis untuk selanjutnya dilakukan analisis lebih lanjut oleh
dokter dalam melakukan diagnosis dengan lebih akurat.

2.

MODEL, ANALISIS, DESAIN, DAN

IMPLEMENTASI

Registrasi citra digunakan pada dua buah citra

radiografi gigi, untuk selanjutnya citra radiografi pertama
disebut citra reference dan citra radiografi kedua disebut
citra floating. Secara umum proses pada sistem ini
ditunjukkan pada Gambar 1. Pada proses awal dilakukan
normalisasi rentang tingkat kecerahan untuk menyamakan
rentang tingkat kecerahan antara kedua citra yang akan
diproses. Proses awal dilakukan hanya apabila kedua citra
memiliki rentang tingkat kecerahan yang berbeda. Proses
selanjutnya adalah mencari titik-titik correspondence antara
kedua citra, diawali dengan ekstraksi titik-titik distinctive
pada citra reference. Sistem kemudian akan mendeteksi
pasangan titik-titik tersebut pada citra floating, titik-titik
inilah yang selanjutnya disebut titik correspondence.
Parameter transformasi geometri didapatkan dengan
melakukan
estimasi
dari
koordinat
titik-titik
correspondence, proses registrasi citra dilakukan dengan

menggunakan parameter transformasi geometri tersebut.

Proses subtraksi dilakukan dengan mengurangkan nilainilai piksel pada koordinat yang bersesuaian antara kedua
citra.

2.1 Preprocessing
Suatu citra seringkali mempunyai kualitas yang kurang
baik atau mengalami degradasi yang bisa disebabkan
karena gangguan pada saat pengambilan gambar ataupun
karena telah dikompresi ke dalam bentuk yang lain. Oleh
karena itu diperlukan suatu metode untuk memperbaiki
citra agar didapatkan citra dengan kualitas yang sesuai
dengan kebutuhan suatu aplikasi tertentu. Perbaikan pada
citra meliputi manipulasi tingkat keabuan dan tingkat
kecerahan, pengurangan noise, penghilangan background,
pemerjelasan garis, penajaman, filtering, interpolasi,
pewarnaan, dan lain-lain. Perbaikan citra radiografi gigi
pada sistem ini meliputi :

Normalisasi Rentang Tingkat Kecerahan

Dua buah citra radiografi gigi yang diambil pada

interval waktu tertentu tidak selalu memiliki pola histogram
yang sama. Hal ini terjadi karena perbedaan tingkat
pencahayaan pada saat proses pengambilan gambar. Untuk
dapat melakukan proses subtraksi dan hasil yang
didapatkan lebih akurat maka perlu dilakukan penskalaan
dan pergeseran untuk menyamakan tingkat kecerahan
kedua citra[4]. Proses ini disebut dengan normalisasi.
Persamaan normalisasi yang umum digunakan adalah
sebagai berikut :

g i ( x, y ) = r1 +

{( f i ( x, y ) min F ) * (r 2 r1)}
(1)
(max F min F )

Dimana minF adalah nilai minimum tingkat keabuan

citra masukan, maxF adalah nilai maksimum tingkat
keabuan citra dan i adalah posisi piksel. Dalam hal ini r1
adalah batas bawah nilai keabuan citra dan r2 adalah batas
atas nilai keabuan citra.

Gambar 1. Deskripsi Sistem

Piksel tetangga didefinisikan sebagai dua area

lingkaran dengan radius Rn untuk lingkaran kecil dan
radius Rc untuk lingkaran yang lebih besar dengan titik
pusat sama antara kedua lingkaran tersebut. Proses
penghitungan nilai distinctive dari sebuah piksel
diilustrasikan pada Gambar 2.

2.2 Ekstraksi Titik-Titik Distinctive

Suatu titik pada citra disebut distinctive jika nilai
intensitas pikselnya berbeda secara signifikan terhadap
piksel-piksel yang terletak pada tetangganya. Ekstraksi
titik-titik distinctive dilakukan pada salah satu citra inputan
saja yaitu citra reference. Proses ekstraksi titik distinctive
dimaksudkan untuk mendapatkan titik-titik pada citra
reference yang selanjutnya dapat digunakan untuk
mendeteksi titik-titik correspondence-nya pada citra
floating[5]. Oleh karena itu, untuk mendapatkan nilai
distinctive dari suatu piksel, dilakukan pembandingan
piksel tersebut dengan piksel-piksel tetangganya.

Gambar 2. Ilustrasi penghitungan nilai distinctive pada sebuah piksel

x,y

Ilustrasi pada Gambar 2 di atas, untuk menghitung nilai

distinctive sebuah piksel dengan koordinat x,y, tiap piksel
yang terletak dalam lingkaran Rn dengan titik pusat x,y
(lingkaran II) dibandingkan dengan tiap piksel yang terletak
dalam lingkaran Rn dengan titik pusat x+k , y+l (lingkaran
I) dimana k dan l merupakan koordinat piksel yang terletak

dalam lingkaran dengan radius Rc (lingkaran III) dengan

syarat k2+l2<Rc2. Proses penghitungan diulang sampai
seluruh koordinat dalam lingkaran Rc pernah menjadi titik
pusat lingkaran I. Tiap nilai perbandingan piksel-piksel
dalam lingkaran antara lingkaran I dan lingkaran II akan
dijumlahkan dan pada tahap akhir, nilai penjumlahan
tersebut akan dibagi dengan jumlah piksel yang terletak
pada lingkaran dengan koordinat x,y (lingkaran II).
Persamaan untuk mendapatkan nilai distinctive adalah
sebagai berikut :

1
N

|I (x + i,y + j) I (x + k + i,y + l + j)|

R

(2)

i, j i2 + j2 < Rn2

i , j adalah koordinat piksel yang terletak dalam lingkaran

dengan radius Rn, dan N merupakan jumlah piksel yang
terletak dalam lingkaran Rn dengan titik pusat x,y. Pada
persamaan di atas, perbandingan piksel antara lingkaran I
dengan lingkaran II pada Gambar 2 dinotasikan dengan
|IR(x + i,y + j) IR(x + k + i,y + l + j)| , sedangkan notasi
sigma menandakan bahwa tiap nilai perbandingan pikselpiksel dalam lingkaran I dan II akan dijumlahkan dan pada
penghitungan akhir nilainya akan dibagi dengan N.
Seluruh titik pada citra reference yang telah dihitung
nilai distinctive-nya kemudian dapat dipilih jumlah titik
tertentu yang memiliki nilai paling distinctive untuk
selanjutnya digunakan pada proses pendeteksian titik
correspondence pada citra floating .Titik-titik distinctive
ini biasanya berkumpul di sekitar tepi-tepi atau berada di
area-area dengan contrast fluctuation tinggi.

2.3 Pencarian Titik-Titik Correspondence

Menggunakan
Algoritma
Automatic
Iterative Point Correspondence
Metode registrasi citra berdasar titik mempunyai
asumsi bahwa titik yang bersesuaian pada citra reference
dan citra floating dideteksi. Pasangan titik-titik
correspondence ini selanjutnya digunakan untuk proses
estimasi parameter untuk registrasi citra. Pemetaan titik
distinctive pada citra reference ke titik correspondence-nya
pada citra floating dilakukan melalui metode iteratif, yang
akan mencoba mengoptimalkan parameter transformasi
lokal pada daerah di sekitar titik-titik distinctive dari citra
reference.
Sebelum mulai pada deskripsi analisis dari algoritma
Automatic Iterative Point Correspondence, beberapa notasi
akan dikenalkan. IR adalah Image Reference, IF adalah
Image Floating. Kemudian, A(I) adalah batas Image I
pada area A dan Tw(A) adalah transformasi dengan
parameter w = (w1, w2, ......, wK) dimana K adalah jumlah
parameter yang dibutuhkan untuk transformasi T.
Dengan N titik-titik distinctive Pi = (xi,yi), i = 1, 2, ....,
N yang telah diekstrak dari Image Reference IR, suatu area
persegi Ai(n) = [xi r(n), xi + r(n)][yi r(n), yi + r(n)]
didefinisikan, dengan pusat pada posisi tiap titik (xi, yi),
dimana r(n) adalah panjang sisi (dalam piksel) dari Ai(n).
Panjang sisi r(n) dari Ai(n) berubah-ubah sesuai dengan

jumlah iterasi n, seperti ditunjukkan pada persamaan

berikut :
r(n) = Rf + (Ri Rf) ecr(n/nmax)
(3)
dimana Ri adalah nilai awal dan Rf adalah nilai akhir dari
panjang sisi r(n), cr adalah konstanta decay, nmax adalah
jumlah iterasi maksimal dan merupakan fungsi floor.
Selain itu, vektor transformasi wi = (wi1, wi2, ...., wiK), i
= 1, 2, . . ., N, yang memegang parameter dari transformasi
lokal Twi, diberikan pada tiap titik i. Karena Twi
menggambarkan transformasi yang memetakan area Ai(n)
dari Image Reference IR pada area Twi (Ai(n)) dari Image
Floating IF. Pada penelitian ini parameter transformasi yang
digunakan didefinisikan oleh empat parameter, perpindahan
secara horizontal w1, perpindahan secara vertikal w2, sudut
rotasi w3, dan parameter penskalaan w4. Jadi, transformasi
lokal dari area citra Ai(n) dari IR yang dinotasikan sebagai
Twi (Ai(n)) digambarkan oleh persamaan-persamaan berikut
:
X = wi4 cos wi3 (x-xc) wi4 sin wi3 (y-yc) + wi1 + xc
Y = wi4 sin wi3 (x-xc) + wi4 cos wi3 (y-yc) + wi2 + yc

(4)

dimana (x, y) Ai(n), (X,Y) Twi (Ai(n)), (xc, yc) = (Nx/2,

Ny/2) dan Nx, Ny adalah jumlah kolom dan baris pada citra
reference.
Untuk memperkirakan tingkat kemiripan antaracitra
reference dan floating, suatu measure of match yang sesuai
diperlukan. measure of match bisa menjadi kriteria apapun
yang mewakili ukuran kemiripan antara dua citra. Pada
pengujian ini, digunakan squared correlation coefficient.
measure of match antara citra reference IR dan citra
floating IF didefinisikan oleh persamaan berikut :

(5)
dimana dan adalah nilai mean dari IR dan IF.
Nilai MoM pada persamaan di atas digunakan untuk
mengukur kemiripan antara area Ai (n)(IR) dari citra
reference IR dengan pusat pada titik i (i = 1, 2, ......, N) dan
area Twi (Ai (n)) (IF) dari citra floating IF. Karena itu, untuk
tiap titik distinctive i, sebuah nilai MoMi diberikan, yang
menunjukkan tingkat kemiripan antara area pada citra
reference dan floating, yang terkait dengan transformasi
Twi.
Selama prosedur iterasi dari algoritma automatic
iterative point correspondence, dilakukan optimasi dari
measure of match, sehingga untuk menentukan parameter
optimal dari transformasi lokal digunakan batas pada citra
reference disekitar tiap titik distinctive. Jadi melalui
prosedur ini, MoMi memegang measure of match terbaik
yang sejauh ini ditemukan untuk titik i dan wi memegang
vektor transformasi yang berkoresponden terhadap MoMi.
measure of match sekarang dan vektor transformasi
sekarang untuk titik i pada iterasi ke-n dinotasikan sebagai
MoMi(n) dan wi(n).

Algoritma Automatic Iterative Point Correspondence

sebagaimana yang ditunjukkan pada Gambar 3 adalah
sebagai berikut :
1) Inisialisasi
i.
wi = (0, 0, 0, 1), i = 1, 2, ..., N
ii.
MoMi = MoM( Ai(0)(IR), Twi (Ai(0))(IF))
iii.
n=0
2) While n < nmax :
i.
Generate random perturbation dw(n) = (dw1(n),
dw2(n), . . . , dwK(n))
ii.
Hitung nilai measure of match sekarang MoMi(n)
untuk parameter transformasi baru wi(n) + dw(n)
sesuai dengan persamaan :
MoMi (n) = MoM(Ai(n)(IR),Twi+dwi(n)(Ai(n))(IF))
iii.

(6)

Melakukan update vektor transformasi pada tiap

titik sesuai dengan persamaan :

wi (n) = wi + (MoMi (n))dw(n) + (1- (MoMi(n)))(i,n) (7)

dimana dan adalah fungsi yang selanjutnya dijelaskan.
iv.

Menghitung kembali nilai MoM untuk vektor

transformasi yang telah diupdate sesuai persamaan
berikut :
MoMi (n) = MoM(Ai(n)(IR),Twi(n)(Ai(n))(IF))

v.

(8)

Membandingkan dan menyimpan nilai MoM dan

weight yang lebih baik.
Jika MoMi(n) > MoMj , maka wi=wi(n) dan MoMi
= MoMi(n)

vi.

n=n+1

Sebagaimana yang telah dijelaskan sebelumnya,

vektor transformasi wi diberikan pada tiap titik i.
perturbation dari parameter transformasi dihasilkan secara
iterasi oleh bilangan random. Pada tiap iterasi, vektor
transformasi diupdate sesuai dengan persamaan (7). Proses
update bergantung pada dua faktor, perturbation random
dari parameter transformasi dw(n) dan interaksi antara titik
i dengan titik-titik tetangganya yang diekspresikan dengan
fungsi (i,n). Sejauh mana masing-masing dari salah satu
faktor berkontribusi terhadap update vektor transformasi
ditentukan oleh fungsi (MoMi(n)). Fungsi akan
melakukan soft thresholding pada nilai MoM sekarang, dan
didefinisikan sebagai berikut :

(9)
Dimana :
s = nilai steepnes area linear dari fungsi
c = nilai dimana (c) = 0.5

Gambar 3. Blok diagram algoritma automatic iterative point

correspondence

Fungsi mewakili kontribusi akumulatif dari titik-titik

tetangga untuk proses update vektor transformasi. Fungsi
adalah sebagai berikut :

(10)
dimana :
h(i,j) = e^(||Pi-Pj||2/ 2 )
2

(11)

Dimana h(i,j) adalah fungsi Gaussian neighborhood dari

titik i dengan standar deviasi yang akan menentukan
sejauh mana interaksi antara titik i dengan titik j. Dan K(i)
= {k {1,2,.....,N} : ||Pi-Pj||<3 dan MoMk > MoMi}
Sebagaimana
dijelaskan
pada
definisi
K(i),
penjumlahan pada persamaan (10) sejauh titik j yang
terletak dalam neighborhood titik i yang memiliki jarak
kurang dari 3 dari titik i dan memiliki nilai MoM yang
lebih baik dari titik i, MoMk > MoMi. Jadi titik-titik yang
terletak dekat dengan titik i dan memiliki nilai MoM yang
lebih baik dari titik i akan mempengaruhi vektor
transformasi sekarang.

2.4 Estimasi Parameter Transformasi

Geometri

Pada radiografi gigi intra-oral. Pasien dan tube sinar X

dianggap memiliki posisi yang tetap namun sensor mungkin
dirotasi dan ditranslasi pada semua arah dalam ruang 3
dimensi, tiap piksel (x,y) pada citra diperoleh sebelum
pemindahan sensor, berubah menjadi posisi (x , y) setelah
sensor berpindah seperti yang diilustrasikan pada Gambar
4. transformasi geometri ini dikenal sebagai proyeksi
perspektif [7] dan ditentukan oleh persamaan berikut :

dan

(12)

dimana parameter a1..a8 menentukan proyeksi.

Gambar 5. contoh landmark yang ditandai secara manual oleh pengguna.

Gambar 4. proses terjadinya displacement dalam pengambilan citra

radiografi

Sebagaimana yang telah dijelaskan di awal, metode

registrasi citra berdasar titik akan melakukan proses
registrasi menggunakan fitur titik-titik correspondence
antara dua citra. Titik-titik correspondence ini juga bisa
disebut sebagai landmark. Gambar 5 menunjukkan contoh
beberapa landmark pada citra radiografi gigi. Pada gambar
tersebut beberapa titik telah ditandai secara manual oleh
pengguna.
Koordinatkoordinat (x ,y) dan (x,y) dari
corresponding landmark antara kedua citra radiografi gigi
selanjutnya dapat digunakan untuk menentukan parameter
ai dari proyeksi perspektif dengan memetakan beberapa
corresponding landmark dari citra radiografi satu terhadap
citra radiografi dua. Penggunaan beberapa pasang
landmark, maka persamaan pada (12) akan menjadi suatu
persamaan sistem overdetermined (Az = b) berikut :

Karena matriks A = AT A yang berdimensi 8 x 8

merupakan matriks symmetric positive definite, maka
terdapat matriks segitiga unik C dengan dimensi 8 x 8
dimana A = C CT. Faktorisasi ini dikenal sebagai
faktorisasi Cholesky dan C disebut sebagai segitiga
Cholesky.
Dengan menggunakan faktorisasi Cholesky pada
persamaan (14) akan menghasilkan beberapa persamaan
berikut :
AT A z = A z = (C CT)z = C(CT z) = C z = AT b

(15)

Selanjutnya, permasalahan least square akan menjadi solusi

dari sistem-sistem persamaan segitiga Cholesky : C z = AT
b dan CT z = z .
Langkah untuk mendapatkan kumpulan nilai dari parameter
z = (a1, .... ,a8)T adalah sebagai berikut :
i.
ii.
iii.

Hitung nilai A dimana A = AT A

Hitung faktorisasi cholesky dari matriks A
Dengan menggunakan eliminasi backward
dan forward, Hitung persamaan C z = AT b

2.5 Registrasi Citra

(13)
Secara umum, tidak mungkin untuk mendapatkan
kumpulan nilai dari parameter z = (a1, .... ,a8)T yang akan
memenuhi persamaan (12) untuk semua n = 1, ...., N.
Pendekatan optimal dalam mendapatkan kumpulan
parameter z adalah dengan menggunakan metode least
square.
Pada persamaan (13) data matriks A berdimensi 2N x
8, vektor observasi b berdimensi 2N x 1 dan vektor z
berdimensi 8 x 1. Didefinisikan suatu persamaan berikut.
AT Az = ATb

(14)

Registrasi citra merupakan suatu proses transformasi

sejumlah kumpulan data berbeda ke dalam satu sistem
koordinat. Sebelum menentukan dua buah citra simetris
atau tidak, kedua citra harus diregistrasi terlebih dahulu.
Tujuannya adalah untuk meminimalkan perbedaan spasial
pada kedua citra tersebut. Registrasi citra pada pengujian
ini adalah dengan menggunakan persamaan (12). Tiap
koordinat pada citra reference (x,y) ditransformasi
menggunakan persamaan (12) sehingga menghasilkan
(x,y).

2.6 Subtraksi Citra

Proses subtraksi citra merupakan tahap akhir dari
proses registrasi citra. Proses ini dilakukan untuk
mengetahui perbedaan antara kedua citra. Nilai piksel dari
tiap koordinat yang bersesuaian antara kedua citra dicari
selisihnya.
Awalnya tingkat perbedaan kedua citra (Id) dihitung
dengan mengurangkan nilai piksel citra reference dari nilai
piksel citra floating[8]. Perbedaan kedua citra secara ideal
seharusnya tidak bernilai nol pada area dimana terjadi
perubahan pada struktur. Kemudian citra hasil subtraksi
(Isubtract) didapat sebagai fungsi linear dari perbedaan kedua
citra seperti pada persamaan 2.33 berikut :
Isubtract (x,y) = ( Id(x,y) + 255 ) / 2

(16)

Hasil subtraksi yang menunjukkan pertambahan tulang

akan tampak sebagai area yang lebih terang, sebaliknya
hasil subtraksi yang menunjukkan pengurangan tulang akan
tampak sebagai area yang lebih gelap.

3.

HASIL

Citra yang digunakan untuk ujicoba ini berasal dari

citra radiografi gigi. Citra tersebut diperoleh dari database
Fakultas Kedokteran Gigi Universitas Airlangga. Pasien
yang melakukan kontrol kemudian diambil gambar
radiografi giginya. Pada tiap pengambilan gambar
radiografi ini memiliki interval waktu tertentu tergantung
dari kondisi, kebutuhan dan saran dari dokter. Citra pada
database ini terdiri dari beberapa pasien, dan tiap-tiap
pasien memiliki jumlah citra radiografi yang berbeda-beda,
dari pasien-pasien tersebut kemudian dipilih citra-citra
radiografi gigi yang memiliki kualitas bagus yang layak
untuk dilakukan ujicoba evaluasi.
Uji coba normalisasi rentang tingkat kecerahan
dilakukan pada tiga buah citra radiografi gigi yang dipilih
secara acak. Citra yang diuji memiliki tingkat kecerahan
yang bervariasi antara lain citra berwarna terang atau gelap
pada keseluruhan area citra dan citra berwarna terang atau
gelap pada beberapa area citra saja, sehingga rentang
tingkat kecerahannya tidak merata. Keberhasilan
normalisasi rentang tingkat kecerahan ditunjukkan dengan
citra hasil normalisasi yang memiliki tingkat kecerahan
berada pada rentang nilai tertentu, sehingga tidak ada lagi
citra yang areanya tampak menonjol karena lebih terang
atau lebih gelap dibanding area lainnya.
Uji coba ekstraksi titik distinctive dilakukan pada tiga
buah citra radiografi gigi yang dipilih secara acak.
Keberhasilan uji coba ekstraksi titik distinctive ditunjukkan
dengan citra hasil uji coba yang terdapat tanda titik-titik
berwarna pada area di sekitar tepi gigi. Pengubahan nilai
parameter Rc dan Rn pada proses ekstraksi juga akan ikut
mengubah letak titik-titik distinctive pada citra hasil proses
seperti yang ditunjukkan pada Gambar 6.

Gambar 6. Beberapa proses ekstraksi titik distinctive dengan mengubah

parameter Rn dan Rc. (a) citra asli (b) citra dengan Rn = 1, Rc = 1 (c) citra
dengan Rn = 3, Rc = 5 (d) citra dengan Rn = 5, Rc = 10

Uji coba pendeteksian titik-titik correspondence

dilakukan pada empat pasangan citra radiografi. Masingmasing pasangan citra yang akan diuji adalah citra milik
pasien yang melakukan kontrol giginya dengan interval
waktu tertentu dan area gigi yang sama. Untuk mendeteksi
titik-titik correspondence digunakan nilai measure of match
seraca iteratif yang akan membandingkan nilai kemiripan
area pada citra reference dengan citra floating seperti yang
ditunjukkan pada tabel 1. Pada pengujian ini digunakan
jumlah iterasi maksimal = 500.
Tabel 1. Nilai measure of match pasangan citra uji sebelum registrasi dan
sesudah registrasi

No
1
2
3
4
5
6

Citra 1

Citra 1

I01.png
I01.png
I01.png
I02.png
I02.png
I03.png

I02.png
I03.png
I04.png
I03.png
I04.png
I04.png

measure of match
Sebelum
Sesudah
Registrasi
Registrasi
0.97029
0.99225
0.97269
0.99775
0.96701
0.99634
0.97135
0.99291
0.98088
0.99021
0.89104
0.98981

Dari tabel 1, tampak bahwa secara umum nilai measure

of match sebelum dan sesudah registrasi meningkat. Ratarata nilai measure of match setelah registrasi di atas 0.98.
Hal ini menunjukkan bahwa proses registrasi algoritma
automatic iterative point correspondence bekerja dengan
baik. Semakin tinggi nilai measure of match yang
dihasilkan
pada
tahap
pendeteksian
titik-titik
correspondence, semakin baik pula tingkat akurasi dan
kualitas citra hasil subtraksi. Begitu juga sebaliknya,
semakin rendah nilai measure of match yang dihasilkan,
semakin kurang akurat tingkat akurasi dan kualitas citra
hasil subtraksi.
Pada Gambar 7 ditunjukkan citra hasil subtraksi dari
pasangan radiografi milik pasien sama yang diambil pada
interval waktu tertentu.

algorithm for automatic image registration: An

application to dental subtraction radiography
[4] Wijayanti Nurul Khotimah, Agus Zainal Arifin, Anny
Yuniarti. Pendeteksian Microcalcification pada
Mammogram Menggunakan Algoritma Genetika dan
ACO (Ant Colony Optimization)
[5] Bostjan Likar and Franjo Pernus. Automatic extraction
of corresponding points for the registration of medical
images

Gambar 7. (a) citra reference (b) citra floating (c) citra hasil subtraksi

Pada Gambar 7 (a) dan 7(b) diatas tampak bahwa titik-titik

correspondence ditunjukkan oleh titik berwarna hijau dan
biru. Angka di sebelah titik menunjukkan indeks dari titiktitik tersebut. Tanda ellips pada citra hasil subtraksi Gambar
7(c) menunjukkan terdapat beberapa area berwarna gelap.
Hal ini menandakan terjadinya penurunan tulang dari citra
reference ke citra floating.

4.

KESIMPULAN

Penelitian secara umum telah mampu melakukan

normalisasi rentang tingkat kecerahan pada citra yang
memiliki tingkat kecerahan terlalu terang ataupun terlalu
tinggi. Fitur yang digunakan untuk proses registrasi adalah
titik-titik correspondence antara dua citra. Oleh karena itu
untuk mendapatkan titik-titik correspondence, terlebih
dahulu diekstrak titik-titik distinctive pada salah satu citra.
Titik-titik pasangannya pada citra lainnya dideteksi
menggunakan algoritma automatic iterative point
correspondence yang bekerja secara iteratif. Semakin tinggi
nilai measure of match yang didapat pada tahap ini,
semakin baik pula tingkat akurasi registrasi citra. Titik-titik
correspondence yang telah dideteksi selanjutnya digunakan
untuk proses estimasi parameter transformasi geometri.
Sistem persamaan pada proses estimasi parameter
diselesaikan menggunakan faktorisasi cholesky serta
eliminasi backward dan forward. Proses subtraksi
dilakukan dengan mengurangkan piksel-piksel citra
reference terhadap citra floating.

REFERENSI
[1] Barbara Zitova, Jan Flusser.
methods: a survey

Image registration

[2] Yonghak Ahn and Oksam Chae. Automatic Subtraction

Radiography Algorithm for Detection of Periodontal
Disease in Internet Environment
[3] Vasiliki E. Markaki, Pantelis A. Asvestas, George K.
An iterative point correspondence
Matsopoulos.

[6] Wiwin Sulistyo, Yos Richard Bech, Filipus Frans Y.

Analisis penerapan median filter untuk mengurangi
noise pada citra digital. diambil pada 13 Juni 2010 dari
yudiagusta.files.wordpress.com/2009/11/189-195knsi09-035-analisis-penerapan-metode-median-filteruntuk-mengurangi-noise-pada-citra-digital.pdf
[7] TM Lehmann, K Grondahl, H-G Grondahl, W Schmitt
and K Spitzer. Observer-independent registration of
perspective projection prior to subtraction of in vivo
radiographs
[8] EI Zacharaki, GK Matsopoulos, PA Asvestas, KS
Nikita, K Grondahl and H-G Grondahl. A digital
subtraction radiography scheme based on automatic
multiresolution registration