Isi Makalah
-
Upload
ichad-pugalu -
Category
Documents
-
view
163 -
download
8
Transcript of Isi Makalah
PEMBAHASAN
A. Konvolusi
Konvolusi terdapat pada operasi pengolahan citra yang mengalikan sebuah
citra dengan sebuah mask atau kernel. Konvolusi adalah perkalian total dari dua
buah fungsi f dan g. Operasi yang paling mendasar dalam pengolahan citra adalah
operasi konvolusi. Konvolusi dua buah fungsi f(x) dan g(x) didefinisikan sebagai
berikut :
h x f x g x f a g x a da
Integral dari – tak hingga sampai tak terhingga.
Yang dalam hal ini, tanda * menyatakan operator konvolusi, dan veubah
(variabel) a adalah veubah bantu (dummy variabel).
Untuk fungsi diskrit , konvolusi didefinisikan sebagai
h x f x g x f a g x a
g(x) disebut dengan kernel konvolusi (filter) , kernel g(x) merupakan jendela yang
dioperasikan secara bergeser pada sinyal masukan f(x) hasil konvolusi dinyatakan
dengan keluaran h(x).
1
1. Ilustrasi proses konvolusi :
2
Konvolusi inilah yang banyak digunakan pengolahan citra digital,
sayangnya rumus diatas sangat sulit diimplementasikan menggunakan komputer,
karena pada dasarnya computer hanya bisa melakukan perhitungan pada data
yang diskrit sehingga tidak dapat digunakan untuk menghitung intregral di atas.
2. Filtering
Filtering merupakan suatu metode pada proses perbaikan citra,
filtering dapat dibagi menjadi 2 bagian yaitu filtering pada domain spasial dan
domain frekuensi. Pengertian filtering domain spasial pada konteks ini adalah
merujuk pada ruang (plane) dari citra, sedangkan metode filtering pada
domain frekuensi didasarkan dari transformasi fourier pada citra. Metode
filtering yang dipakai pada tugas akhir ini adalah merupakan metode filtering
pada domain spasial, karena itu pada tinjauan pustaka ini hanya akan
dijelaskan mengenai filtering pada domain spasial. Metode filtering pada
domain spasial adalah sebuah prosedur yang beroperasi secara langsung pada
piksel-piksel citra, proses filter pada domain spasial dapat dinyatakan sebagai
berikut:
g(x,y) = T[f(x,y)]
Dimana f(x,y) adalah citra awal, dan g(x,y) adalah citra hasil,
sedangkan T adalah operator pada f yang didefinisikan terhadap ketetanggaan
(x, y) . Untuk proses reduksi noise, T dapat berupa operasi penjumlahan antar
piksel pada citra. Prinsip untuk mendefinisikan arti dari ketetanggaan pada
3
titik (x,y) adalah dengan menggunakan sebuah area sub-citra yang berbentuk
persegi dan memiliki titik pusat (x,y).
Titik pusat sub-citra (x, y) akan bergerak dari sudut origin yaitu pada
sudut kiri atas. Dan operator T akan diaplikasikan pada piksel-piksel
ketetanggan (x, y) untuk menghasilkan keluaran g pada lokasi tersebut. Sub-
citra tersebut dapat disebut juga sebagai filter, mask, kernel, ataupun window.
dimana penamaanpenamaan tersebut mempunyai arti yang sama. ketetanggan
3x3 pada titik (x,y) dalam sebuah citra. Cara kerja dari proses filter spasial
adalah dengan menggerakkan mask dari titik ke titik lain dalam citra, dengan
titik pusat mask adalah titik (x, y). Keluaran dari filter adalah tergantung dari
operasi yang dilakukan pada piksel-piksel dalam mask tersebut kemudian
keluarannya akan di letakkan pada posisi (x, y) tersebut.
Filtering spasial sendiri dapat dibagi menjadi 2 jenis yaitu linear
smoothing filtering dan non linear filtering. perbedaan paling utama dari 2
metode tersebut terdapat pada metode penentuan outputnya. Jika linear
filtering outputnya didapat dari hasil konvolusi citra asli dan mask filternya
sedangkan output dari non linear filter didapat berdasarkan rangking pada
suatu deret yang terdapat pada mask filter.
4
3. Impulse Response
Menurut teori filtering, pada sistem yang ideal, sinyal yang masuk
(impulse) sama dengan sinyal yang keluar (impulse response). Hal tersebut
dapat digambarkan dengan transfer function dalam bentuk fungsi Delta Dirac.
a. Sistem yang ideal
b. Sistem yang tidak ideal
Pada sistem yang tidak ideal, sinyal yang masuk mengalami degradasi
atau penurunan kwalitas.
4. Konvolusi pada fungsi Dwimatra
a. Fungsi malar
5
f(x) d(x) f(x)*d(x)
proses konvolusi
f(x) g(x) f(x)*g(x)
proses konvolusi
h x f x , y g x , y f a ,b g x a , y b da db
b. Fungsi diskrit
h x , y f x , y g x , y
f a ,b g x a , y b
Fungsi penapis g(x,y) disebut juga convolution filter, convolution mask,
convolution kernel atau template. Dalam bentuk diskret kernel konvolusi
dinyatakan dalam bentuk matriks, misal 2x2, 3x3, 2x1 atau 1x.
1. Ilustrasi konvolusi pada fungsi Dwimatra
F(i,j)=Ap1+Bp2+Cp3+Dp4+Ep5+Fp6+Gp7+Hp8+Ip9
6
Contoh: misal citra f(x,y) yang berukuran 5x5 dan sebuah kernel dengan
ukuran 3x3, matriks sebagai berikut :
4 4 3 5 4 0 -1 0
6 6 5 5 2 g(x,y)=-1 4 -1
F(x,y)= 5 6 6 6 2 0 -1 0
6 7 5 5 3
3 5 2 4 4
Operasi konvolusi antara citra f(x,y) dengan kernel g(x,y),
F(x,y)*g(x,y).
Hasil konvolusinya adalah sebagai berikut :
4 4 3 5 4
6 3 0 2 2
5 0 2 6 2
6 6 0 2 3
3 5 2 4 4
2. Cara menghitung hasil konvolusi :
1. Menempatkan kernel pada sudut kiri atas , kemudian hitung nilai pixel
pada posisi (0,0) dari kernel :
7
hasil = 3
2. Geser kernel satu pixel ke kanan ,kemudian hitung nilai pixel pada
posisi (0,0) dari kernel:
hasil = 0
3. Selanjutnya dengan cara yang sama geser ke kanan, dst.
4. Geser kernel satu pixel ke bawah, lakukan perhitungan seperti diatas.
5. Nilai pixel citra tepi tidak berubah.
B. Transformasi Fourier
Pada tahun 1822, Joseph Fourier, ahli matematika dari Prancis
menemukan bahwa: setiap fungsi periodik (sinyal) dapat dibentuk dari
penjumlahan gelombang-gelombang sinus/cosinus.
Transformasi Fourier merupakan transformasi paling penting di dalam
bidang pengolahan sinyal (singnal processing), khususnya pada bidang
pengolahan citra.
Umumnya sinyal dinyatakan sebagai bentuk plot amplitudo versus waktu
(pada fungsi satu matra) atau plot amplitudo versus posisi spasial (pada fungsi
dwimatra). Pada beberapa aplikasi pengolahan sinyal, terdapat kesukaran
melakukan operasi karena fungsi dalam ranah waktu/spasial, misalnya pada
8
operasi konvolusi di atas. Operasi konvolusi dapat diterapkan sebagai bentuk
perkalian langsung bila fungsi berada dalam ranah frekuensi.
Transformasi fourier adalah kakas (tool) untuk mengubah fungsi dari
ranah waktu/spasial keranah frekuensi. Untuk perubahan sebaliknya digunakan
transformasi Fourier balikan. Intisari dari transformasi Fourier adalah
menguraikan sinyal atau gelombang menjadi sejumlah sinusoida dari berbagi
frekuensi, yang jumlahnya ekivalen dengan gelombang asal.
Di dalam pengolahan citra, transformasi fourier digunakan untuk
menganalisis frekuensi pada operasi seperti perekaman citra, perbaikan kualitas
citra, restorasi citra, pengkodean, dan lain-lain. Dri analisis frekuensi, kita dapat
melakukan perubahan frekuensi pada gambar. Perubahan frekuensi berhubungan
dengan spectrum antara gambar yang kabur kontrasnya sampai gambar yang kaya
akan rincian visualnya. Sebagai contoh, pada proses perekaman citra mungkin
terjadi pengaburan kontras gambar. Pada gambar yang mengalami kekaburan
kontras terjadi perubahan intensitas secara perlahan, yang berarti kehilangan
informasi frekuensi tinggi. Untuk meningkatkan kualitas gambar, kita
menggunakan penapis frekuensi tinggi sehingga pixel yang berkontras kabur
dapat dinaikkan intensitasnya.
Contoh :Sinyal kotak merupakan penjumlahan dari fungsi-fungsi sinus berikut
(lihat gambar berikut) Fungsi kotak sebagai penjumlahan fungsi-fungsi sinus.
9
Cobakan juga program matlab berikut untuk melihat sampai batas n berapa fungsi
yang dihasilkan sudah berbentuk fungsi kotak.
function kotak(n)
t = 0:pi/200:8*pi;
kot = sin(t);
for i = 3 : 2: n
kot = kot + (sin(i*t))/i;
end
plot(kot)
10
11
1. Rumus FT – 1 dimensi
a. Rumus FT kontinu 1 dimensi
b. Rumus FT diskret 1 dimensi
12
F (u)=∫−∞
∞f ( x )exp [−2 jπ ux ]dx
f ( x )=∫−∞
∞F (u )exp [2 jπ ux ]du
Euler's formula :exp [−2 jπ ux ]=cos2π ux− jsin 2 πux
F (u)=1N ∑x=0
N−1f ( x )exp [−2 jπ ux /N ]
f ( x )=1N∑x=0
N−1F (u)exp [2 jπ ux /N ]
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 frekuensi yaitu 5,10,20,50.
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)
13
FT dari sinyal tersebut terlihat bahwa FT dapat menangkap frekuensi-frekuensi yang
dominan dalam sinyal tersebut, yaitu 5,10, 20, 50 (nilai maksimum F(u) berada pada
angka 5,10, 20, 50).
FT dari sinyal tersebut terlihat bahwa FT dapat menangkap frekuensi-frekuensi yang
dominan dalam sinyal tersebut, yaitu 5,10, 20, 50 (nilai maksimum F(u) berada pada
angka 5,10, 20, 50),
14
Contoh Penghitungan FT 1 dimensi (Gonzalez hlm 90-92).
15
F (u)=1N ∑x=0
N−1f ( x )exp [−2 jπ ux /N ]=
1N ∑x=0
N−1f ( x )(cos (2π ux /N )− j sin(2π ux /N )) ]
contoh : f (0 )=2 , f (1 )=3 , f (2)=4 , f (3 )=4
F (0)=1N∑x=0
N−1f ( x )(cos(2 π 0x /N )− j sin(2 π 0x /N )) ]
¿14
[ f (0)+ f (1)+ f (2)+ f (3) ]=3 .25
F (1)=14∑x=0
3f ( x )( cos(2πx /4 )− j sin(2 πx /4 )) ]
¿14
[ 2(1−0 )+3(0− j )+4 (−1−0)+4(0+ j)
¿14
(2−3 j−4+4 j )=14
(−2+ j )=−0 .5+0 .25 j
F (2)=−14
[1 ]=−0 .25 F (3 )=−14
[ 2+ j ]=−0 .5−0 .25 j
Contoh Penghitungan FT
a. Hasil penghitungan FT biasanya mengandung bilangan real dan imajiner
b. Fourier Spectrum didapatkan dari magnitude kedua bilangan tersebut shg
|F(u)| = [R 2(u) + I 2(u)]1/2
c. Untuk contoh di halaman sebelumnya, Fourier Spectrumnya adalah sebagai
berikut:
1. |F(0)| = 3.25 |F(1)| = [(-0.5)2+(0.25)2]1/2 = 0.5590
2. |F(2)| = 0.25 |F(3)| = [(0.5)2+(0.25)2]1/2 = 0.5590
2. Rumus FT – 2 dimensi
16
FT :F (u , v )=1MN
∑x=0
M−1
∑y=0
N−1
f ( x , y )exp [−2 jπ (ux /M+vy /N ) ]
InversFT : f ( x , y )=∑u=0
M−1
∑v=0
N−1
F(u , v )exp[ 2 jπ(ux /M+vy /N ) ]
M=tinggi citra ( jumlah baris)N=lebar citra ( jumlah kolom)