Konvolusi Dan

Transformasi Fourier

Materi pertemuan ke 4
Eri Prasetyo W

Teori 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

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)
Perhitungan hasil konvolusi diperlihatkan pada gambar
a f, dan hasil konvolusi ditunjukkan pada gambar g
x/2 , 0 <= x <= 1

f(x) * g(x) =

X x/2, 1<= x <= 2

0, Lainnya

Ilustrasi proses konvolusi

f(x)*g(x)

1/2

(g)

x
2

Contoh ilustrasi konvolusi lain adalah impulse

Fungsi Impulse
Fungsi Delta Dirac pada domain kontinue dan
Fungsi Delta Kronecker pada domain diskrit
d(x) yang mempunyai nilai 1 pada suatu x dan
mempunyai nilai 0 pada x lainnya.

d(x)
1
x

Impulse Response
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.

Sistem yang ideal

proses konvolusi

f(x)

d(x)

f(x)*d(x)

POINT SPREAD FUNCTION (PSF)

(FUNGSI SEBARAN TITIK)

Sistem yang tidak ideal

Pada sistem yang tidak ideal, sinyal yang
masuk mengalami degradasi atau
penurunan kwalitas.

Blurring
f(x)
an impulse is a point
of light

proses
konvolusi

g(x)

f(x)*g(x)

g(x) blurs the point

(optical phenomenon yang
disebut point spread function PSF)
g(x) juga disebut sebagai
impulse response function
6

Konvolusi pada fungsi Dwimatra

Fungsi malar

h x

f x,y

g x,y

f a , b g x a , y b da db

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 1x2

Ilustrasi konvolusi

F(i,j)=Ap1+Bp2+Cp3+Dp4+Ep5+Fp6+Gp7+Hp8+Ip9

Contoh: misal citra f(x,y) yang berukuran 5x5 dan sebuah

kernel dengan ukuran 3x3, matriks sebagai berikut :
44354

-1

66552

g(x,y)= -1

-1

F(x,y)= 5 6 6 6 2

-1

67553
35244
Operasi konvolusi antara citra f(x,y) dengan kernel g(x,y),
F(x,y)*g(x,y)
8

Menghitung hasil konvolusi

1.

Menempatkan kernel pada sudut kiri atas ,

kemudian hitung nilai pixel pada posisi (0,0)
dari kernel :
hasil = 3
Geser kernel satu pixel ke kanan ,kemudian
hitung nilai pixel pada posisi (0,0) dari kernel:
hasil = 0
Selanjutnya dengan cara yang sama geser ke
kanan, dst
Geser kernel satu pixel ke bawah, lakukan
perhitungan seperti diatas
Nilai pixel citra tepi tidak berubah

2.

3.
4.
5.

4 4
6 3
5 0
6 6
3 5

3 5
0 2
2 6
0 2
2 4

4
2
2 = hasil konvolusi
3
4

Transformasi Fourier
Mengapa perlu transformasi ?
Setiap orang pada suatu saat
pernah menggunakan suatu
teknik 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
10

 Transformasi juga diperlukan bila kita

ingin mengetahui suatu informasi tertentu
yang tidak tersedia sebelumnya
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
Transformasi citra, sesuai namanya,
merupakan proses perubahan bentuk
citra untuk mendapatkan suatu informasi
tertentu
Transformasi bisa dibagi menjadi 2 :
Transformasi piksel/transformasi
geometris:
Transformasi ruang/domain/space
11

Transformasi Pixel
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
Transformasi ruang merupakan proses
perubahan citra dari suatu ruang/domain ke
ruang/domain lainnya, contoh: dari ruang spasial
ke ruang frekuensi
Masih ingat istilah ruang ? Ingat-ingat kembali
pelajaran Aljabar Linier tentang Basis dan Ruang

Contoh : Ruang vektor. Salah satu basis yang

merentang ruang vektor 2 dimensi adalah [1 0]
dan [0 1]. Artinya, semua vektor yang mungkin
ada di ruang vektor 2 dimensi selalu dapat
direpresentasikan sebagai kombinasi linier
dari basis tersebut.
12

 Ada beberapa transformasi ruang yang

akan kita pelajari, yaitu :
Transformasi Fourier (basis: cos-sin)
Transformasi Hadamard/Walsh (basis:
kolom dan baris yang ortogonal)
Transformasi DCT (basis: cos)
Transformasi Wavelet (basis: scaling
function dan mother wavelet)

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.
Contoh : Sinyal kotal merupakan penjumlahan
dari fungsi-fungsi sinus berikut (lihat gambar
pada halaman berikut)
f(x) = sin(x) + sin(3x)/3 + sin(5x)/5 +
sin(7x)/7 + sin(9x)/9
13

Hasil dalam transformasi fourier

Fungsi kotak sebagai penjumlahan

fungsi-fungsi sinus
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)
14

(a)

(c)

(b)

(d)

Gambar a) n = 1, b) n =3, c) n = 7,
d) n = 99

15

FT - Motivasi
Jika semua sinyal periodik dapat
dinyatakan dalam penjumlahan fungsifungsi 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 nilai F(u) dari sinyal tersebut.
Dari nilai F(u) kemudian dapat diperoleh
kembali sinyal awal dengan menghitung
f(x), menggunakan rumus:

16

Rumus FT 1 dimensi
Rumus FT kontinu 1 dimensi

F (u ) f ( x) exp[2 jux]dx

f ( x) F (u ) exp[2 jux]du

Euler' s formula : exp[2 jux] cos 2ux j sin 2ux

Rumus FT diskret 1 dimensi

1
N 1
F (u ) x 0 f ( x) exp[2 jux / N ]
N
1
N 1
f ( x) x 0 F (u ) exp[2 jux / N ]
N
Contoh berikut diambil dari Polikar
(http://engineering.rowan.edu/~polikar/WAVELETS/W
Ttutorial.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

17

Contoh FT 1 dimensi
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

18

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)
(Sumber: Polikar)

19

FT dari sinyal tersebut

FT dari sinyal tersebut.
Terlihat bahwa FT dapat menangkap frekuensifrekuensi yang dominan dalam sinyal tersebut, yaitu
5,10, 20, 50
(nilai maksimum F(u) berada pada angka 5,10, 20,
50)

20

Contoh Penghitungan FT 1
dimensi (Gonzalez hlm 9092)
1 N 1
1 N 1
f
(
x
)
exp[

2
j

ux
/
N
]

f ( x)(cos(2ux / N ) j sin(2ux / N ))]

x 0
x 0
N
N
contoh : f (0) 2, f (1) 3, f (2) 4, f (3) 4
1 N 1
F (0) x 0 f ( x)(cos(2 0 x / N ) j sin(2 0 x / N ))]
N
1
[ f (0) f (1) f (2) f (3)] 3.25
4
1 3
F (1) x 0 f ( x)(cos(2x / 4) j sin(2x / 4))]
4
1
[2(1 0) 3(0 j ) 4(1 0) 4(0 j )
4
1
1
(2 3 j 4 4 j ) (2 j ) 0.5 0.25 j
4
4
1
1
F (2) [1] 0.25
F (3) [2 j ] 0.5 0.25 j
4
4
F (u )

21

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

22

Rumus FT 2 dimensi
Rumus FT 2
dimensi

1 M 1 N 1
FT : F (u, v)
f ( x, y) exp[2 j (ux / M vy / N )]

MN x0 y 0
M 1 N 1

InversFT : f ( x, y) F (u, v) exp[2 j (ux / M vy / N )]

u 0 v 0

M tinggi citra (jumlah baris)

N lebar citra (jumlah kolom)

23

Contoh FT 2 Dimensi
Sumber:
http://www.icaen.uiowa.edu/~dip/LECTURE/LinTransforms
.html

Untuk menampilkan nilai FT suatu citra, karena keterbatasan

display, seringkali digunakan nilai D(u,v)= c log [1 +
|F(u,v)|]
24

25