Download - ITS Master 13115 Paper
-
7/25/2019 ITS Master 13115 Paper
1/7
EnhancementCitra Sidik Jari Kotor Menggunakan
Hybrid Method Dan Gabor Filter
Muhammad Nasir1,3)Rahmat Syam2,3) Mochamad Hariadi3)1) Jurusan Teknik Elektro, Politeknik Negeri Lhokseumawe, NAD,24312
2) Jurus an M atemat ika , Univers i i tas Neger i Makassar , Makassar 90222.3) Jurusan Teknik Elektro ITS, Surabaya 60111.
E-mail: [email protected]; [email protected]; [email protected] .ac.id
Abstrak Sistem pengenalan sidik jari bertujuan
untuk mengindentifikasi seseorang, namun kendala
utama dalam pengenalan sidik jari seseorang pada
umumnya citra sidik jari memiliki kualitas yang
rendah, antara lain disebabkan oleh jenis kulit
(berminyak, kering, kotor) dan jenis scanner
fingerprint yang digunakan. Kualitas citra sidik jarimerupakan faktor utama penentu tingkat akurasi
hasil pengenalan citra sidik jari pada sistem
biometrik. Agar citra sidik jari kotor mudah
diinterpretasi oleh manusia maupun mesin, maka
perlu di-enhancement dengan meminimalkan bagian
yang kotor. Penelitian ini bertujuan untuk
enhancement kualitas citra sidik jari kotor dengan
metode Gabor filter. Pada pengujian 200 data citra
sidik jari kotor dihasilkan peningkatan kualitas citra
sidik jari sebesar 87%.
Kata kunci :Enhancement, Gabor Filter,
Peningkatan Kualitas Citra, Sidik Jari
1. PENDAHULUAN
Sistem biometrik adalah sistem untuk
melakukan identifikasi menggunakan ciri-ciri fisik
atau anggota tubuh manusia, seperti sidik jari
(fingerprint), wajah, iris dan retina mata, suara.
Teknologi biometrik memiliki beberapa kelebihan
seperti tidak mudah hilang, tidak dapat lupa, tidak
mudah dipalsukan, dan memiliki keunikan yangberbeda antara manusia satu dengan yang lain [1].
Salah satu anggota tubuh yang sangat sering
digunakan oleh para ahli forensik di dalam
investigasi kriminal dalam sistem biometrik dengan
kehandalan sangat tinggi adalah sidik jari.
Agar citra yang mengalami gangguan mudah
diinterpretasi (baik oleh manusia maupun mesin),
maka citra tersebut perlu dimanipulasi menjadi citra
lain yang kualitasnya lebih baik. Bidang yang terkait
tentang hal ini adalah pengolahan citra (image
processing). Salah satu metode yang digunakan
untuk meningkatkan kualitas citra adalah image
enhancement, yakni proses peningkatan kualitas
pada citra.
Metode image enhancement telah banyak
ditemukan dan digunakan oleh para peneliti dalam
meningkatkan kualitas citra secara umum, antara
lain: Image enhancement, yang dilakukan oleh
(Jianwei Yang, dkk., 2003) telah mempelopori
sebuah teknik memodifikasi sebuah Gabor filter,
dimana peneliti (Jianwei Yang, dkk., 2003)
terinspirasi dari Traditional Gabor Filter (TGF).
Dari hasil penelitiannya dikembangkan sebuahfilter
baru yaitu Modified Gabor Filter(MGF). Dari hasil
modifikasifiltertersebut dapat mengurangi FRR 2%
dan FAR 0,01%. Fingerprint Matching using Gabor
Filters, yang dilakukan oleh (Muhammamd Umer
Munir dan Dr. Muhammmad Younas Javed, 2004)
dimana pencocokan sidik jari ini didasarkan pada
jarakEuclideanantara dua vektor fitur yang sesuai.
Keaslian penerimaan tingkat filter Gabor berbasis
matcher diamati ~ 10% sampai 15% lebih tinggi
daripada minutiae-based matcherdengan nilai rata-
rata rendah. Ekstraksi fitur sidik jari dan pencocokan
mengambil ~ 7,1 detik menggunakan Pentium IV,
prosesor 2,4 GHz.
Namun secara khusus pada peningkatan kualitas
citra sidik jari yang kotor masih kurang didalami.
Oleh karena itu, kami mengusulkan enhancementcitra sidik jari kotor menggunakan Hybrid method
dan Gabor Filter.
2. PENGOLAHAN CITRA DIGITAL
2.1 Citra Digital
Pengolahan citra adalah pemrosesan citra,khususnya menggunakan komputer menjadi citra
yang kualitasnya lebih baik. Sebagai contoh, citrasidik jari yang tampak agak gelap, lalu dengan
operasi pengolahan citra kontrasnya diperbaikisehingga menjadi lebih terang dan tajam seperti padaGambar 2.1.
-
7/25/2019 ITS Master 13115 Paper
2/7
Gambar 2.1 Pengolahan Citra Sidik Jari(a) Citra Asli; (b) Hasil Pengolahan Citra Digital
(Maltoni, 2003)
Sebuah citra diubah ke bentuk digital agar dapat
disimpan dalam memori komputer atau media lain.Proses mengubah citra ke bentuk digital bisadilakukan dengan beberapa perangkat, misalnyascanner, kamera digital, dan handycam. Ketikasebuah citra sudah diubah ke dalam bentuk digital(selanjutnya disebut citra digital), bermacam-macamproses pengolahan citra dapat diperlakukan terhadap
citra tersebut [3].
Teknik-teknik pengolahan citra digital dapat
dilakukan sebagai berikut :
1. Perbaikan kualitas citra (image enhancement).
Jenis operasi ini bertujuan untuk memperbaikikualitas citra dengan cara memanipulasiparameter-parameter citra. Dengan cara operasiini, maka ciri-ciri khusus yang terdapat di dalamcitra dapat ditonjolkan. Contoh dari operasi iniyaitu perbaikan kontras (gelap/terang),
perbaikan tepi obyek (edge enhancement),penajaman (sharpening), reduksi derau [4].
2. Segmentasi citra (image segmentation). Jenisoperasi ini bertujuan untuk memecah danmemilih suatu area ke dalam beberapa segmen
dengan suatu kriteria tertentu. Dalam operasiini, kasus yang sering terjadi terkait dengan
pengenalan pola. Misal segmentasi mata,hidung, wajah atau yang lainnya.
2.2. Sidik Jari
Sidik jari adalah suatu bentuk pola garis (ridge)pada permukaan sebuah ujung jari. Sebuah sidik jariberkualitas baik dapat dibedakan berdasarkan pola-pola dan ciri-ciri (feature) yang menyediakanekstraksi feature yang bermanfaat untukpencocokan sidik jari. Sebuah algoritma pencocokansidik jari otomatis berbasis minutiae menggunakanciri-ciri yang membandingkan karakteristik-karakteristik ridge lokal (minutiae) dari dua sidikjari.
Berdasarkan pola garis (ridge) dan lembah(valley), sidik jari dapat diklasifikasikan menjadi
tiga kelas utama, yaitu: Arch, Loop dan Whorl(Prabakar).[2]
(a) (b) (c)
Gambar 2.2 Klasifikasi Jenis Sidik Jari(a)Arch,(b)Loop dan (c) Whorl
Dari klasifikasi ini dapat di bagi menjadibeberapa subklasifikasi (prabhakar), yaitu :
1. Arch merupakan bentuk pokok sidik jari yangsemua garis-garisnya datang dari satu sisilukisan, mengalir atau cenderung mengalir kesisi yang lain dari lukisan itu, denganbergelombang naik ditengah-tengah. Arch
terdiri dari :Plain Arch adalah bentuk pokok sidik jari
dimana garis-garis dating dari sisi lukisanyang satu mengalir ke arah sisi yang lain,dengan sedikit bergelombang naikditengah.
Tented arch adalah bentuk pokok sidik jari
yang memiliki garis tegak (upthrust), sudut(angle) atau dua dan tiga ketentuan loop.
dari beberapa populasi arch mempunyaipresentasi sebesar 5%.
2. Loop adalah bentuk pokok sidik jari dimanasatu garis atau lebih datang dari satu sisi
lukisan, melereng, menyentuh atau melintasisuatu garis bayangan yang ditarik antara delta
dan core, berhenti atau cenderung berhentikearah sisi semula. Loop dibagi menjadi leftloop, right loop dan double loop. Berbedadengan arch, jumlah individu yangmempunyai klasifikasi loop sangat besaryaitu sebesar 60 %
3. Whorl adalah bentuk pokok sidik jari,mempunyai 2 delta dan sedikitnya satu garis
melingkar di dalam pattern area, terletakdiantara kedua delta. Pada klasifikasi inijumlah prosentasi individu sebesar 35%.
2.3.EnhancementCitraDefinisi dari enhancement citra adalah
berasal dari kata enhancement yang artinyamempertinggi atau meningkatkan, jadi enhancementcitra memiliki arti secara utuh adalah mempertinggiatau meningkatkan kualitas citra dengan metode-metode tertentu. Proses-proses dalam enhancement
citra terdiri dari sekumpulan teknik yang dilakukanuntuk meningkatkan tampilan visual dari sebuah
citra, atau untuk mengkonversikan citra ke dalambentuk yang lebih cocok untuk analisa mata manusiaatau analisa mesin. Untuk pemprosesan mesin,definisi dari enhancement citra adalah untuk
(a) (b)
-
7/25/2019 ITS Master 13115 Paper
3/7
menghentikan data-data yang hilang dalam ekstraksicitra. Sebagai sebuah contoh, sebuah sistemenhancement citra menguatkan garis tepi sebuahcitra dengan menggunakan filtering denganfrekuensi tinggi. Gambar yang telah di-enhance
kemudian digunakan sebagai inputke dalam sebuahmesin yang akan melacak garis tepi dari sebuah
objek dan mungkin saja membuat sebuahpengukuran dari bentuk dan ukuran dari objektersebut.
Saat ini pada dasarnya tidak ada teoripenyatuan umum dari enhancement citra, karenatidak ada standar umum dari kualitas citra yangdapat digunakan sebagai desain ukuran untuk sebuahenhancement processorcitra.
2.4 Gabor Filter
Saat informasi ridge orientasi dan ridge
frekuensi telah di tentukan, parameter-parameter inidigunakan untuk membentuk simetrik genap GaborFilter. Sebuah Gabor filterdua dimensi terdiri atasdua gelombang sinusoida dari orientasi danfrekuensi, di modulasikan oleh sebuah envelope(sampul) Gaussian [9]. Gabor filter bekerja padafrekuensi dan orientasi yang selektif sesuai sifatnya.
Sifat-sifat ini membuat filter di tuning agarmenghasilkan respon maksimal pada ridge orientasidan ridge frekuensi tertentu dalam pencitraan sidikjari. Untuk itu, tuning yang sempurna dari gaborfilter dapat digunakan secara efektif untukmempertahankan struktur ridge saat terjadi
pengurangan noise.Gabor filtersimetrik genap adalah bagian nyata
dari fungsi gabor, yang diberikan oleh gelombangcosinus yang di modulasi oleh Gaussian (Gambar2.12). Gabor filterdalam domain spatialditentukanoleh [9]:
2.1
,sincos
yxx = 2.2
,cossin
yxy += 2.3
Dimana adalah orientasi gabor filter, f adalah
frekuensi gelombang cosinus, x dan y adalah
deviasi standar sifat gaussian sepanjang sumbu
x dan y , dan
x dan
y mendefinisikan sumbu
x dan y dari koordinatfilter.
Gambar 2.3 Gabor filtersimetris genap dalamspatial domain(Thai Raymond, 2003 )
Gabor Filterditerapkan pada citra sidik jarisecara spasial pada konvolusi citra dengan filter.
Konvolusi piksel ( )ji, pada citra memerlukan
kesesuaian orientasi nilai ( )jiO , dan nilai frekuensiridge
( )jiF , pada pikselnya . Oleh karena itu,
penerapan gabor filter G untuk memperoleh
peningkatan citra Edilakukan sesuai rumus:
2.4
dimana O adalah orientasi citra, Fadalah frekuensi
ridge citra, Nadalah citra sidik jari yang telah
dinormalkan, xw dan yw adalah lebar dan tinggi
dari mask Gabor filter.
Bandwidthfilter, yang menentukan rentangrespon frekuensi filter, ditentukan oleh parameter
standar deviasi x dan y . Karena bandwidth
filter diatur untuk menyesuaikan frekuensi ridgelokal, maka dapat disimpulkan bahwa pemilihan
parameter x dan y harus terkait dengan
frekuensi ridge. Namun, pada algoritma originalnya
Hong. dkk, x dan y secara empiris diatur pada
tetapan nilai masing-masing 4.0 dan 4.0.
Sebuah kelemahan menggunakan nilai yang
tetap adalah bahwa kekuatan untuk bandwidth selalukonstan, tidak memperhitungkan variasi yangmungkin terjadi dalam nilai-nilai frekuensi ridge.Misalnya, jika sebuah filter dengan bandwidthkonstan diterapkan untuk citra sidik jari yang manamenunjukkan variasi yang signifikan pada nilai
frekuensi, dapat menyebabkan enhancement secaranon-uniform atau enhancement tambahan lainnya.
Dengan demikian, daripada menggunakan nilai
tetap, maka dipilih nilai x dan y menjadi fungsi
parameter frekuensi ridge, yang didefinisikansebagai berikut:
( ),,jiFkxx = 2.5
( ) ( ),2cos2
1exp,;,
2
2
2
2
'
'
'
'
fx
yxfyxG
yx
+=
f
xy
( ) ( ) ( )( ) ( ) = =
=2
2
2
2
,,,,;,,
x
x
y
y
w
wu
w
wv
vjuiNjiFjiOvuGjiE
-
7/25/2019 ITS Master 13115 Paper
4/7
( ),,jiFkyy = 2.6
dimana F merupakan frekuensi ridge citra,
xk adalah variabel konstan untuk x , dan yk
adalah variabel konstan untuky . Hal ini
memungkinkan pendekatan yang lebih adaptif untuk
digunakan, sebagai nilai-nilai x dan y sekarang
dapat ditentukan secara adaptif sesuai dengan
frekuensi ridge lokal dari citra sidik jari.
Selanjutnya, dalam algoritma asal, lebar
dan tinggi dari mask filter sama-sama diatur padanilai tetap. Ukuranfiltermengontrol luas spasial dari
filter, yang idealnya dapat secara umummengakomodasi manfaat informasi sinyal Gabor.Namun, nilai filter yang tetap akan tidak optimalkarena tidak dapat mengakomodasi sinyal Gabordengan bandwidth yang berbeda. Oleh karena itu,agar memungkinkan ukuran filter bervariasi secara
otomatis mengikuti bandwidth sinyal Gabor, makaditetapkan ukuran filter menjadi fungsi yangmemakai standar deviasi sebagai parameter:
`2.7
2.8
2.5Learning Vector Quantization(LVQ)
Merupakan suatu metode untuk melakukan
pelatihan terhadap lapisan-lapisan kompetitif yangterawasi.Suatu lapisan kompetitif akan secaraotomatis belajar untuk mengklasifikasikan vektor-vektor input.Jika dua vektor input memiliki nilaiyang mendekati atau hampir sama maka dalamlapisan kompetitif akan mengenali kedua vektorinput tersebut pada kelas yang sama. Jadi LVQadalah metode untuk klasifikasi (pengelompokkan)
pola dan memiliki outputyang mewakili dari kelastertentu.
Algoritma LVQ bertujuan akhir mencari nilaibobot yang sesuai untuk mengelompokkan vektor-vektor input kedalam kelas tujuan yang telahdiinisialisasi pada saat pembentukan Jaringan LVQ.Sedangkan algoritma pengujiannya adalahmenghitung nilai output, yang terdekat dengan
vektor input, atau dapat disamakan dengan prosespengklasifikasian (pengelompokkan). Dimana nilaivektor yang berdekatan dikelompokkan kedalamkelas yang sama sesuai dengan hasil perhitungan
dengan mencari nilai kelas terdekat.
Perbaikan bobot pada metode Learning VectorQuantization(LVQ) adalah:
Jika T = jC maka:
))(()()( lamawxlamawbaruw jjj += 2.9
Jika makajCT= :
))(()()( lamawxlamawbaruw jjj = 2.10
4. DATA DAN METODOLOGI
Secara umum, penelitian enhancement citra
sidik jari kotor ini melalui beberapa tahapan proses,seperti ditunjukan dalam Gambar 3.1.
Gambar 3.1. Blok Diagram Penelitian
Pada penelitian ini, pengambilan data citra sidikjari dilakukan dari berbagai latar belakang pekerjaan
subyek penelitian (mahasiswa, karyawan, buruh,petani). Data sidik jari akan diambil dengan merujukpada pedoman pengambilan data FingerprintVerification Competition (FVC) Database-2 (DB2),yakni menggunakan optical sensor fingerprint
U.are.U 4000 yang diproduksi oleh digital personadengan mendapatkan ukuran citra 208x154piksel
grayscale dalam format bitmap. Data diambil dariibu jari 20 orang dengan 10 sampel per jari (200citra sidik jari).
Pengambilan sidik jari kotor, terlebih dahulumelalui tahapan dengan memberikan tinta atau debu
yang disesuikan dengan seberapa kepekaan scandapat membaca data sidik jari. Bila sidik jari terlalukotor,maka data sidik jari tidak dapat dibaca olehscan fingerprint. Gambar 3.2 merupakan contohcitra sidik jari kotor yang diambil dengan scan
fingerprint U are U 4000.
Gambar 3.2 Contoh Data Sidik Jari Kotor
,6 xxw =
yyw 6=
-
7/25/2019 ITS Master 13115 Paper
5/7
Selanjutnya data sidik jari di proses dalam beberapatahap, antara lain :
1. Normalisasi2. Binarisasi3. Gabor Filter
4.
Thinning5. Minutiae Extraction, dan
6. Learning Vector Quantization(LVQ)
5. HASIL DAN PEMBAHASAN
Pada penelitian ini diperoleh hasil sebagai berikut:
4.1. Pengujian Normalisasi
Proses normalisasi dilakukan untukmenstandartisasi atau menyeragamkan nilai
intensitas citra sidik jari kotor dengan menyesuaikancakupan derajat keabuan sehingga berada pada
cakupan nilai yang diharapkan. Gambar 4.1merupakan hasil dari normalisasi suatu citra sidik
jari yang mempunyai nilai mean nol dan variancesatu. Histogram citra asli yang ditunjukkan pada
Gambar 4.1(c) menggambarkan bahwa semua nilaipiksel tidak merata pada intensitas citra 0-255.Setelah melalui proses normalisasi maka nilaijumlah piksel di rata-ratakan sepanjang nilaiintensitas seperti yang di tunjukkan pada Gambar4.1 (d). Pada histogram di perlihatkan adanya
penyeragaman nilai piksel gelap dan terang. Oleh
karena itu normalisasi citra diperlukan untukmeningkatkan kontras antara ridge dan valley padacitra sidik jari.
Gambar 4.1 Hasil Normalisasi Cita(a) Citra Asli; (b) Citra Ternormalisasi;
(c)Histogramdari Citra Asli; (d)Histogramdari
Citra Ternormalisasi
4.2. Pengujian Binerisasi
Binarisasi adalah proses dimana citra grayscaleditingkatkan ke dalam suatu konversi citra biner.
Sebuah citra grayscale adalah mempunyai jumlahtingkat satu grayscale yang spesifik. Untuk 8 bitcitra grayscalebisa merepresentasikan 28 - 1 = 255intensitas atau tingkat abu-abu. Pada penelitian inidilakukan dengan memakai beberapa nilai threshold
dengan tujuan untuk melihat mana yang terbaikdalam proses binarisasi. Adapun nilai thresholdyang
di pilih antara lain 130, 150 dan 160.
Gambar 4.2 Hasil Binarisasi dengan Nilai
ThresholdBerbeda (a) Citra Asli; (b) Threshold
130; (c) Threshold150; (d) Threshold160
4.3. Pengujian Thinning
Setelah melalui beberapa tahapan segmentasi
yaitu normalisasi dan binarisasi maka selanjutnya
citra sidik di thinning. Penerapan algoritma thinning
pada citra sidik jari yang mempertahankan
konektivitas sementara struktur ridge akan
membentuk bagian penulangan (skeleton) dari citra
biner. Skeletoncitra ini kemudian digunakan dalam
ekstraksi minutiae selanjutnya. Gambar 4.3
memperlihatkan hasil proses thinning.
Gambar 4.3 Hasil Proses Thinning
4.4Enhancementdengan Gabor Filter
(d)
(a)
(c)
(b)
(a) (b)
(d)(c)
-
7/25/2019 ITS Master 13115 Paper
6/7
Pada penelitian ini proses enhancement dilakukan dengan menggunakan gabor filter, dimanacitra sidik jari yang telah ternormalisasikan dikonvolusi dengan 8 buah Filter Gabor dengan arahorientasi yang berbeda (0o, 22.5o, 45o, 67.5o, 90o,
112.5o
, 135o
, 157.5o
). Sehingga pada akhirnyaterbentuk 8 buah citra baru terfilterisasi. Hasil dari
proses orientasi Gabor filter untuk enhancement
sperti yang ditunjukkan pada Gambar 4.4. Padapenelitian nilai deviasi ditetapkan sebesar 32 dank = 10, dimana k adalah nilai perioda.
Gambar 4.4 Hasil Proses 8 Orientasi Gabor Filter
Untuk tampilan Gabor Filtersimetris genap untuk = 22.5oseprti diperlihatkan pada Gambar 4.5.
Gambar 4.5 Hasil Gabor FilterSimetris Genap(a) Tampilan Posisi 0
o; (b) Tampilan Posisi 22.5
o
4.5Learning Vector Quantization (LVQ)
Untuk mengukur tingkat keberhasilanenhancement citra sidik jari kotor pada penelitianini, digunakan metodeLearning Vector Quantization
(LVQ). Pengujian ini dilakukan denganmenggunakan 4 citra sebagai pelatihan pada setiapkelasnya. Adapun jumlah kelas pada pengujian ini
seluruhnya 20 kelas dengan tiap kelas terdiri dari 10citra. Adapun hasil dari LVQ ditunjukkan pada tabel
4.1.
Tabel 4.1 Hasil dariLearning Vector Quantization
(LVQ).
Data
Citra
Input Dikenali Tidak
dikenali
%
Sebelum
Enhancement 43 7 8650
Setelah
Enhancement 43 7 86
Sebelum
Enhancement 83 17 83
100
Setelah
Enhancement 87 13 87
Sebelum
Enhancement 125 25 83.3
150
SetelahEnhancement 124 26 82.3
SebelumEnhancement 165 35 82.5
200
Setelah
Enhancement 164 36 82
Gambar 4.6 Grafik Pengujian LVQ
5. KESIMPULAN
Berdasarkan uji coba dan analisis hasil pengujianterhadap citra sidik jari kotor dengan menggunakan
hybrid morphology dan gabor filter untukmendapatkan citra yang ter-enhancement, dapat
disimpulkan sebagai berikut :
(a) Citra Asli
(c) 22.5o (c) 45o(b) 0o
(e) 90o (f) 112.5o
(g) 135o (h) 157.5o (i) Citra
Enhancemnet
(e) 67.5o
x
y
(a)
x
y
(b)
-
7/25/2019 ITS Master 13115 Paper
7/7
1. Dari hasil penelitian yang dilakukan untukenhancement citra sidik jari yang terbaikmenggunakan 8 orientasi, yaitu 0o, 22.5o, 45o,67.5
o, 90
o, 112.5
o, 135
o, 157.5
o.
2. Untuk mengukur tingkat keberhasilan
enhancement citra sidik jari kotor padapenelitian ini, digunakan metode LearningVector Quantization (LVQ). Dari hasildiperoleh tingkat keberhasilan pengenalanadalah 87%.
DAFTAR REFERENSI
[1] Arun, R. Jain, A. dan Resimen, J., 2002, AHybrid Fingerprint Matcher, Proceedings Of
International Conference on Pattern
Recognition (ICPR), Quebec City, hal. 11-15.
[2] Chaohong Wu, Zhixin Shi, Fingerprint ImageEnhancement Method Using Directional
Median Filter
[3] D. Maltoni, D. Maio, A.K. Jain, S. Prabhakar,2003, Handbook of Fingerprint Recognition,Springer, New York.
[4] Jianwei Yang, Lifeng Liu, Tianzi Jiang, 2003. Amodified Gabor filter design method for
fingerprint image enhancement. 1805-1817,National Laboratory of Pattern Recognition,
Institute of Automation, Chinese Academy of
Sciences
[5] Mehtre, B. M. 1993. Fingerprint Image Analysisfor outomatic Identification. Machine Vision
and Application 6. (124-139).
[6] Munir, Umer Muhammad; Javed,Younas
Muhammad, 2004.Fingerprint MatchingUsing Gabor Filter.
[7] Peng Yang et.al. 2002, Face Recognition UsingAda-Boosted Gabor Feature. Institute ofComputing Technology of Chinese Academy
Science and Microsoft Research Asia,China
[8] Rafel C. Gonzalez, Richard E. Woods. 2002.Digital Image Processing (Second Edition).Prentice-Hall. New Jersey.
[9] Thai Raymond. 2003. Fingerprint ImageEnhancement and Minutiae Extraction
. TheUniversity of Western Australia.
[10] Usman Ahmad. 2005. Pengolahan Citra Diditaldan Teknik Pemrogramannya, Graha Ilmu,Yokyakarta.
[11] Vincent Levesque, 2003, Texture SegmentationUsing Gabor Filters, Center For Intelligent
Machines, McGill University
[12] Yiang Zhang, Yuhua Jiao, A Fingerprint
Enhancement Algorithm using a Federated
Filter.