Materi 04

Pengolahan Citra Digital

Perbaikan Citra (Enhancement) dalam
Domain Frekuensi

Tujuan
Memberikan pemahaman kepada
mahasiswa mengenai :
Beberapa tipe filter penghalusan - ideal,
Gaussian, Butterworth beserta contoh
proses filtering
Beberapa tipe filter penajaman - ideal,
Gaussian, Butterworth, Laplacian beserta
contoh proses filtering

Filter Lowpass Ideal

Filter lowpass ideal (ILPF) 2-D adalah filter yang
menghilangkan cut-off semua komponen
frekuensi tinggi dari transformasi Fourier yang
jaraknya dari titik pusat transformasi lebih dari
D0 . from the origin of the (centered) transform.
Fungsi ILPF 2-D adalah :
1
H (u, v)
0

if
if

D(u, v) D0
D(u, v) D0

Filter Lowpass Ideal

D0 adalah sebuah nilai non negatif, dan D(u,v) adalah
jarak dari titik (u,v) ke pusat segiempat frekuensi.
Jika ukuran citra adalah MxN, maka pusat dari
segiempat frekuensi adalah di (u,v)=(M/2,N/2).
Jarak sembarang titik (u,v) ke pusat transformasi Fourier
dapat hitung dengan :

D(u, v) u M / 2 v N / 2
2

2 1/ 2

Filter Lowpass Ideal

Filter Lowpass Ideal

Perhatikan gambar (c). Pada potongan filter lowpass
ideal, titik transisi antara H(u,v)=1 dan H(u,v)=0 disebut
cutoff frequency. Pada gambar tersebut, cutoff
frequency adalah D0.
Cara untuk menetapkan sekumpulan cutoff frequency
standard adalah dengan menghitung lingkaran yang
melingkupi sejumlah power citra total PT, yang
dirumuskan sebagai berikut :
M 1 N 1

PT P(u, v)
u 0 v 0

Filter Lowpass Ideal

Lingkaran berjari-jari r dengan pusat pada titik tengah
segiempat frekuensi melingkupi persen power,
dengan:

100 P(u, v) / PT
u v

Penjumlahan dilakukan terhadap nilai-nilai (u,v) yang

terletak di dalam dan di pinggiran lingkaran.

Filter Lowpass Ideal

Filter Lowpass Ideal

Filter Lowpass Ideal

Proses dalam doman frekuensi berikut :

G(u,v)=H(u,v)F(u,)
ekuivalen dengna proses konvolusi pada
domain spasial berikut :
g(x,y)=h(x,y)*f(x,y)
Dari H(u,v) kita mendapatkan h(x,y) dengan
cara :
1. H(u,v) dikalikan dengan (-1)u+v untuk centering
2. Dihitung inverse DFT
3. Bagian real dari inverse DFT dikalikan dengan (-1)x+y.

10

Ideal Lowpass Filters

11

Filter Lowpass Ideal

Filter h(x,y) memiliki dua karakteristik

utama :
1. Komponen yang dominan pada titik pusat
bertanggung jawab pada pengkaburan
2. Concentric, komponen melingkar di sekitar
komponen dominan pada titik pusat
bertanggung jawab pada ringing

12

Filter Lowpass Ideal

Pada gambar 4.13, f(x,y) adalah citra sederhana
yang terdiri atas 5 buah piksel terang dengan
background gelap. Titik cemerlang ini bisa
dianggap sebagai impuls yang kekuatannya
tergantung pada intensitas titik. Konvolusi antara
h(x,y) dan f(x,y) sebenarnya adalah proses
menyaling h(x,y) pada setiap lokasi impuls.
Sifat reciprocal antara H(u,v) dan h(x,y)
menjelaskan secara matematis mengapa
pengkaburan dan ringing menjadi lebih tajam
ketika filter yang digunakan dalam domain
frekuensi semakin sempit.
13

Filter Lowpass Butterworth

Fungsi filter lowpass Butterworth (BLPF)
dengan orde n, dan cutoff frequency
pada jarak D0 dari titik pusat, didefinisikan
sebagai :

1
H (u , v)
2n
1 D (u , v) / D0

14

Filter Lowpass Butterworth

15

Filter Lowpass Butterworth

Fungsi BLPF tidak memiliki diskontinyuitas yang
tajam, yang menetapkan cutoff yang jelas
antara frekuensi yang dilewatkan dan frekuensi
yang difilter. Untuk filter dengan fungsi transfer
yang smooth, pendefinisian lokasi dari cutoff
frequency adalah ketika H(u,v) turun dengan
prosentase tertentu dari nilai maksimumnya.
H(u,v)=0.5 (turun 50% dari nilai maksimum 1)
ketika D(u,v)=D0.
16

Filter Lowpass Butterworth

17

Filter Lowpass Butterworth

18

Filter Lowpass Gaussian

Bentuk dari filter lowpass Gaussian 2-D
dirumuskan :

H (u, v) e

D2 (u ,v ) / 2 2

adalah ukuran penyebaran kurva

Gaussian. Digunakan =D0, dengan D0
adalah cutoff frequency.
19

Filter Lowpass Gaussian

20

Filter Lowpass Gaussian

21

Aplikasi Praktis dari Lowpass Filtering

Gambar di bawah memberikan contoh tentang pengenalan karakter.
Contoh teks dengan resolusi rendah dibandingkan dengan hasil
filtering menggunakan filter lowpass Gaussian dengan D0=80. Citra
berukuran 444 x 508 piksel.

22

Aplikasi Praktis dari Lowpass Filtering

Gambar di bawah mencontohkan cosmetic processing
sebelum pencetakan.

23

Filter Penajaman
Penajaman citra bisa dilakukan pada domain
frekuensi dengan filtering menggunakan filter
highpass, yang menurunkan komponen
frekuensi rendah dan melewatkan komponen
frekuensi tinggi dari transformasi Fourier.
Fungsi filter highpass dihitung dengan :

H hp (u , v) 1 H lp (u , v)
Filter highpass : ideal, Butterworth, Gaussian,
and Laplacian.
24

Filter Penajaman

25

Filter Penajaman

Representasi spasial dari filter pada

domain frekuensi bisa dihitung dengan :
1. Kalikan H(u,v) dengan (-1)u+v untuk
centering
2. Hitung inverse DFT
3. Kalikan bagian real dari inverse DFT dengan
(-1)x+y

26

Filter Penajaman

27

Filter Highpass Ideal

Filter highpass ideal 2-D (IHPF)
didefinisikan :
0 if
H (u, v)
1 if

D(u, v) D0
D(u, v) D0

Filter akan menset nol semua komponen

frekuensi di dalam lingkaran dengan jarijari D0, dan melewatkan semua komponen
frekuensi di luar lingkaran.
28

Filter Highpass Ideal

29

Filter Highpass Butterworth

Fungsi filter highpass Butterworth (BHPF)
dengan oder n dan cutoff frequency pada
jarak D0 dari titik pusat dirumskan :
1
H (u , v)
2n
1 D0 / D (u , v)

30

Filter Highpass Butterworth

31

Filter Highpass Gaussian

Fungsi filter highpass Gaussian (GHPF)
dengan cutoff frequency berjarak D0 from
dari titik pusat dirumuskan :

H (u, v) 1 e

D2 (u ,v ) / 2 D0 2

32

Filter Highpass Gaussian

33

Laplacian pada Domain

Frekuensi
Laplacian bisa diimplementasikan pada
domain frekuensi menggunakan filter :

H (u , v) u M / 2 v N / 2
2

Pada domain spasial, citra yang sudah

diperbaiki bisa didapatkan dengan :
g ( x, y ) f ( x, y ) 2 f ( x, y )

34

Laplacian pada Domain

Frekuensi
Citra hasil filtering dengan Laplacian bisa dihitung
dengan inverse transform Fourier dari H(u,v) F(u,v) :

f ( x, y) u M / 2 v N / 2 F (u, v)
2

Seperti pada domain spasial, dimana citra yang sudah

diperbaiki bisa didapatkan dengan single mask, maka
dimungkinkan pula untuk melakukan keseluruhan
perhitungan pada domain frekuensi hanya dengan satu
filter, yang dinyatakan dengan :

H (u , v) 1 u M / 2 v N / 2
2

35

Laplacian pada Domain

Frekuensi
Citra yang sudah diperbaiki didapat
dengan sebuah operasi inverse
transformasi :

f ( x, y ) 1 u M / 2 v N / 2 F (u, v)
2

36

Laplacian pada Domain

Frekuensi

37

Laplacian pada Domain

Frekuensi

38

Referensi
Bab 4, Image Enhancement in the
Frequency Domain, Digital Image
Processing, edisi 2, Rafael C. Gonzales
dan Richard E. Woods, Prentice Hall,
2002

39