Pertemuan ke-4
KONVOLUSI DAN
•
Dua operasi matematis penting dalam
pengolahan citra:
Operasi konvolusi (spatial flter/
discret convolution flter)
Transformasi Fourier
•
Konvolusi 2 buah fungsi f(x) dan g(x)
didefnisikan sebagai berikut:
Tanda * menyatakan operator konvolusi,
dan peubah (variable) a adalah peubah
bantu (dummy variable)
Cont.
•
Konvolusi merupakan proses penting
pada analisis domain frekwensi
karena f(x)*g(x) dan F(u)G(u)
membentuk suatu pasangan
transformasi Fourier (Fourier
transform pair).
•
Teori konvolusi:
Konvolusi pada Domain
Diskrit
Bila A adalah periode dalam diskritisasi f(x)
dan B
adalah periode dalam diskritisasi g(x), maka
hasil konvolusi akan mempunyai periode M
dimana M=A+B
Periode f(x) dan g(x) masing-masing
dibesarkan menjadi M dengan menyisipkan 0
f(x)=f(x) bila 0 ≤ x ≤ A-1 dan f(x)=0 bila A ≤
x ≤ M-1
g(x)=g(x) bila 0 ≤ x ≤ B-1 dan f(x)=0 bila B
≤ x ≤ M-1
Konvolusi diskrit dilakukan melalui proses fip
dan shift terhadap fungsi g(x).
Cont.
g(x) disebut kernel konvolusi
atau kernel penapis (flter).
Kernel g(x) merupakan suatu
jendela yang dioperasikan secara
bergeser pada sinyal masukan f(x),
yang dalam hal ini, jumlah
perkalian kedua fungsi pada setiap
titik merupakan hasil konvolusi
Pendekatan Rumus
Konvolusi
Kita lihat kembali rumusan konvolusi:
Proses Konvolusi pada Citra 2-D
Contoh : citra f(x,y) berukuran 5 X
3
5
dengan kernel atau mask 3 X
• f(x,y) * g(x,y)
• Operasinya :
Tempatkan kernel pada sudut kiri atas kemudian
pada posisi (0,0) dari kernel hitung nilai piksel
Geser kernel satu piksel ke kanan kemudian hitung nilai piksel
• Dengan cara
Hasil konvolusi :
• Jika nilai piksel (-), nilai tsb dijadikan
level maka dilakukan clipping 0, jika nilai > nilai max gray • Untuk masalah piksel pinggir, solusi untuk masalah ini adalah :
–
– Piksel pinggir diabaikan, tidak dikonvolusiDuplikasi elemen citra, elemen kolom ke-1 disalin ke kolom M+1, begitu juga sebaliknya lalu konvolusikan.
Elemen yang ditandai dengan (?) diasumsikan bernilai 0 atau konstanta yang lain sehingga konvolusi piksel pinggir dapat dilakukan.
–
Proses Konvolusi dan Dekonvolusi (1)
•
Blurring merupakan efek pemerataan (integrasi),
sedangkan deblurring / sharpening / outlining
merupakan efek differensiasi
Proses blurring dapat diperoleh dengan
mengaplikasikan low pass filter dan sebaliknya,
proses sharpening dapat diperoleh dengan
mengaplikasikan high pass filter
Filtering akan dipelajari pada proses
peningkatan mutu citra (image enhancement)
•
Proses Konvolusi dan Dekonvolusi (2)
•
Contoh efek blurring (bayangkan
piksel citra 2-dimensi)
bila terjadi pada
point response function ideal response (averaging)
TRANSFORMASI
Mengapa perlu transformasi ?
CITRA
•
– Setiap orang pada suatu saat pernah menggunakan suatu analisis dengan transformasi untuk menyederhanakan penyelesaian suatu masalah [Brigham,1974]
Contoh: penyelesaian fungsi y = x/z
• Analisa konvensional : pembagian secara manual • Analisa transformasi : melakukan transformasi
– log(y) = log(x) – log(z)
– look-up table pengurangan look-up table
teknik
–
Transformasi Citra
• Contoh :
– jika ingin mengetahui informasi frekuensi kita memerlukan transformasi Fourier
– Jika ingin mengetahui informasi tentang kombinasi skala dan frekuensi kita memerlukan transformasi wavelet
• Transformasi citra, sesuai namanya, merupakan proses perubahan bentuk citra untuk mendapatkan suatu informasi tertentu
• Transformasi bisa dibagi menjadi 2 :
Transformasi Piksel dan Ruang
• Transformasi piksel masih bermain di ruang/domain yang sama (domain spasial), hanya posisi piksel yang kadang diubah
Contoh: rotasi, translasi, scaling, invers, shear, dll.
Transformasi jenis ini relatif mudah diimplementasikan dan banyak aplikasi yang dapat melakukannya (Paint, ACDSee, dll)
Transformasi ruang merupakan proses perubahan citra dari suatu ruang/domain ke ruang/domain lainnya, contoh: dari ruang
spasial ke ruang frekuensi
Ada beberapa transformasi ruang yaitu : •
Fourier (basis: cos-sin)
Hadamard/Walsh (basis: kolom dan baris yang
Transformasi Fourier (FT)
• Pada tahun
1822,Joseph Fourier, ahli matematika
dari Prancis menemukan bahwa:
setiap fungsi
periodik (sinyal) dapat dibentuk dari penjumlahan
gelombang-gelombang sinus/cosinus.
•
Contoh : Sinyal kotak merupakan penjumlahan
fungsi sinus berikut dari
Fungsi kotak sebagai penjumlahan
fungsi-fungsi sinus
• Cobakan juga program matlab berikut untuk melihat
sampai batas n berapa fungsi
berbentuk fungsi kotak.
yang dihasilkan sudah
– function kotak(n)
t = 0:pi/200:8*pi; kot = sin(t);
for i = 3 : 2: n
kot = kot + (sin(i*t))/i; end
(a) (b)
(c)
Gambar
(d)
FT - Motivasi
• Jika semua sinyal periodik dapat dinyatakan dalam
penjumlahan fungsi-fungsi sinus-cosinus, pertanyaan
berikutnya yang muncul adalah:
– Jika saya memiliki sebuah sinyal sembarang, bagaimana saya tahu fungsi-fungsi cos – sin apa yang membentuknya ?
Atau dengan kata lain
– Berapakah frekuensi yang dominan di sinyal tersebut ?
Pertanyaan di atas dapat dijawab dengan menghitung
•
•
Rumus FT – 1 D
• Rumus FT kontinu 1 dimensi
f
(
x
) exp[
−
2
j
π
ux
]
dx
• Rumus FT diskret 1 dimensi
Contoh FT 1 D
Contoh berikut diambil dari Polikar
(http://engineering.rowan.edu/~polikar/WAVELETS/WTtutorial.html)
Misalkan kita memiliki sinyal x(t) dengan rumus sbb:
x(t) = cos(2*pi*5*t) + cos(2*pi*10*t) +
cos(2*pi*20*t) + cos(2*pi*50*t)
Sinyal ini memiliki empat komponen
Contoh sinyal 1 Dimensi x(t)
Gambar sinyal satu
dimensi dengan rumus x(t)=
cos(2*pi*5*t) +
cos(2*pi*10*t) +
cos(2*pi*20*t) +
cos(2*pi*50*t)
FT dari sinyal tersebut
FT dari sinyal tersebut. Terlihat bahwa FT dapat menangkap
frekuensi-frekuensi yang dominan dalam sinyal tersebut, yaitu 5,10, 20, 50
(nilai
pada
maksimum F(u)
angka 5,10, 20,
berada
Contoh Penghitungan FT 1 dimensi
(Gonzalez hlm 90-92)
Contoh Penghitungan FT
• Hasil penghitungan FT biasanya mengandung bilangan
real dan imajiner
Fourier Spectrum didapatkan dari magnitude kedua
•
bilangan tersebut shg|
F
(
u
)| = [
R
2(
u
) +
I
2(
u
)]
1/2• Untuk contoh di halaman sebelumnya, Fourier
Spectrumnya adalah sebagai berikut:
|F(0)| = 3.25 |F(1)| = [(-0.5)2+(0.25)2]1/2 = 0.5590
|F(2)| = 0.25 |F(3)| = [(0.5)2+(0.25)2]1/2 = 0.5590
Rumus
Rumus FT 2 dimensi
Contoh FT 2 Dimensi
Sifat-sifat
Separable :
FT 2 dimensi
•
– Pemrosesan FT 2 dimensi dapat
dengan melakukan FT 1 dimensi
kemudian dilanjutkan dengan FT
terhadap baris
Translasi :
dilakukan
terhadap kolom,
1 dimensi
•
f
(
x
,
y
) exp[
−
2
j
π
(
u
0x
+
v
0y
) /
N
]
⇔
F
(
u
−
u
0,
v
−
v
0)
f
(
x
−
x
,
y
−
y
)
⇔
F
(
u
,
v
) exp[
−
2
j
π
(
ux
0+
vy
0) /
Sifat-sifat
Periodik
FT 2 dimensi
•
– FT dan IFT bersifat periodik dengan periode N
adalah jumlah titik)
Rotasi
– Jika kita merotasikan f(x,y) sebanyak θ
0. maka
(N
•
F(u,x)
θ
0, demikian pula
juga akan berotasi sebanyak
sebaliknya.
Distributif
– FT dan IFT bersifat distributif
tapi tidak terhadap perkalian
•
Sifat-sifat
Penskalaan
FT 2 dimensi
•
af
(
x
,
y
)
⇔
aF
(
u
,
v
)
f
(
ax
,
by
)
⇔
1F
(
u
/
a
,
v
/
b
)
ab
• Nilai rata-rata
N −1 N −1
∑ ∑
x = 0 y
= 0
1 1
y )
=
=
f