TUGAS JARINGAN TELEKOMUNIKASI & MULTIMEDIA

TRANSFORMASI CITRA

Disusun Oleh
NAMA

: I KADEK SUSILA SATWIKA

NIM

: 1491761028

PROGRAM PASCASARJANA
TEKNIK ELEKTRO
UNIVERSITAS UDAYANA
2014

TRANSFORMASI HAAR
Wavelet merupakan sebuah basis. Basis wavelet berasal dari sebuah fungsi penskalaan
atau dikatakan juga sebuah scaling function. Scaling function memiliki sifat yaitu dapat disusun
dari sejumlah salinan dirinya yang telah didilasikan, ditranslasikan dan diskalakan [GLA95].
Fungsi ini diturunkan dari persamaan dilasi (dilation equation), yang dianggap sebagai dasar dari
teori wavelet. Persamaan dilasi berbunyi demikian :

( x) ck (2 x k )
dari persamaan scaling function ini dapat dibentuk persamaan wavelet yang pertama (atau
disebut juga mother wavelet), dengan bentuk sebagai berikut :

0 ( x) (1) k c1 k (2 x k )
k

Dari mother wavelet ini kemudian dapat dibentuk wavelet-wavelet berikutnya (1, 2 dan
seterusnya) dengan cara mendilasikan (memampatkan atau meregangkan) dan menggeser mother
wavelet.
Scaling function yang dapat membentuk wavelet bermacam-macam jenisnya.
Berdasarkan scaling function inilah basis wavelet memiliki nama yang berbeda-beda.

Wavelet Haar memiliki scaling function dengan koefisien c0 = c1 = 1.

Wavelet Daubechies dengan 4 koefisien (DB4) memiliki scaling function dengan

koefisien c0 = (1+3)/4, c1 = (3+3)/4, c2 = (3-3)/4, c3 = (1-3)/4

Wavelet B-Spline kubik memiliki scalilng function dengan koefisien c0 = 1/8, c1 = 4/8, c2
= 6/8, c3 = 4/8, c4 = 1/8.

Suatu citra dapat dianggap sebagai suatu matriks dua dimensi. Kita dapat melakukan
transformasi terhadap baris-baris pada citra, dan dilanjutkan dengan transformasi

LL

terhadap kolom-kolom pada citra, seperti pada gambar di bawah ini

Lowpass terhadap baris
Citra
Highpass terhadap baris

LH

LL: hasil lowpass terhadap baris dan kolom

Lowpass terhadap kolom

Highpass terhadap kolom
Lowpass terhadap kolom
Highpass terhadap kolom

LH: hasil lowpass terhadap baris diteruskan dengan highpass terhadap

H

kolom
HL: hasil highpass terhadap baris diteruskan dengan lowpass terhadap

kolom
HH: hasil highpass terhadap baris dan kolom

Sebagai contoh, Gambar 2.3 adalah hasil dekomposisi terhadap sebuah citra bergambar
ban menggunakan wavelet Haar. Dekomposisi hanya dilakukan dua level (a 0 sampai a2).
Dekomposisi dilakukan menggunakan fasilitas Wavelet Toolbox pada Matlab 6. Pada
bagian kanan bawah dari Gambar 2.3 tersebut diperlihatkan hasil dekomposisi wavelet

dengan keterangan sebagai berikut:

LL2

LH2

HL

HH

2
HL1

LH1

LH1, HL1, dan HH1 merupakan hasil dekomposisi

level 1.
LL2 tidak diperlihatkan pada gambar karena langsung

HH1

didekomposisi lagi menjadi LL2, LH2, HL2 dan HH2

Pada notasi Matlab, bagian LL disebut bagian aproksimasi (A), bagian LH disebut detail vertikal
(V), bagian HL disebut detail horizontal (H), dan bagian HH disebut detail diagonal (D).

Bentuk Basis

Original Image

Transformation

Result

Dari gambar diatas terlihat pada proses transformasi citra semula yang ditransformasikan
dibagi ( didekomposisi menjadi beberapa bagian sesuai dengan jumlah yang diiinginkan. Setiap
sub image akan dibagi menjadi sepersekian kali dari citra aslinya. Sub image pada posisi kanan
atas dan bawah kiri akan tampak seperti versi kasar dari citra asli karena komponen frekwensi
tinggi dari citra asli. Sedangkan untuk sub image atas kiri tampak seperti citra asli dan tampak
lebih halus (smooth) karena berisi komponen frekwensi rendah dari citra asli sub image tersebut
dapat dibagi seperti semula menjadi beberapa sub image baru. Proses demikian dapat diulang
seterusnya sesuai dengan level transformasi yang diinginkan.

TRANSFORMASI SLANT
Matrik transformasi Slant N x N dapat dinyatakan secara rekursif sebagai berikut :

Dengan N = 2n, Im merupakan suatu matrik identitas berukuran M x M, dan

Parameter an dan bn ditentukan secara rekursif sebagai berikut :

Persamaan rekursif di atas dapat dipecahkan dengan cara berikut :

Dengan menggunakan persamaan-persamaan diatas, maka matrik Slant 4 x 4 adalah sebagai

berikut :

Transformasi matrik Slant untuk citra 1D f(x) = [ 9 7 3 5 ] adalah sebagai berikut :

Transformasi Slant pada citra 2D dapat dilakukan dengan melakukan transformasi terhadap baris
demi baris pada citra, kemudian dilanjutkan dengan melakukan transformasi kolom demi kolom
terhadap citra hasil transformasi baris diatas. Hal ini dapat dilakukan karena transformasi Slant
juga memiliki sifat separable dimana proses transformasi terhadap baris dan kolom dapat
dilakukan secara terpisah.

Berikut tampilan Transformasi Hadamard pada matlab.

Bentuk Basis

Original Image

Transformation

Result

TRANSFORMASI WALSH
Transformasi Walsh merupakan transformasi yang bersifat non-sinusoidal dimana fungsi
basis transformasi ini hanya bernilai -1 dan 1. Kompleksitas algoritma Tr. Walsh juga dapat
diefisienkan menjadi N log2 N. Rumus Tr. Walsh 2 dimensi:
1
W (u , v )
N
1
f ( x, y )
N

N 1 N 1

n 1

x 0 y 0

i 0

N 1 N 1

n 1

x 0 y 0

i 0

f ( x, y) (1)
W (u, v) (1)

[ bi ( x ) bn1i ( u ) bi ( y ) bn1i ( v )

[ bi ( x ) bn1i ( u ) bi ( y ) bn1i ( v )

b k(z) adalah bit ke-k dari representasi biner z.

Contoh : n = 3, z = 6 (110) maka b0(z) = 0, b1(z) = 1, b2(z) = 1
Jika digambarkan secara visual, maka untuk N = 4, bentuk basisnya dapat dilihat seperti
gambar dibawah ini.

Karena rumus forward dan invers-nya sama, maka basis ini dapat dipakai baik untuk
forward maupun invers transform

Original Image

Transformation

Result

TRANSFORMASI HADAMARD
Sama dengan transformasi Walsh, trasformasi Hadamard juga merupakan transformasi
yang bersifat non-sinusoidal. Fungsi basis transformasi ini hanya bernilai -1 dan 1.
2.1

Trasformasi Hadamard 1 Dimensi

Trasformasi Hadamard 1 dimensi dari citra f(x) dapat dinyatakan sebagai berikut.
Transformasi Hadamard balik adalah :

1
f ( x )=
N

n1

N1

bi(x)bi (u )

H (u)(1)

u =0

Fungsi basis dari transformasi Hadamard 1 dimensi adalah :

n1

b (x)b (u)
1
g ( x , u )= (1)
N
i

i=0

Table dibawah menunjukan kernel atau fungsi basis dari transformasi Hadamard 1 dimensi untuk
N=8
Tabel Nilai Kernel Transformasi Hadamard 1-D untuk N = 8

Berikut ditunjukkan cara untuk menghitung kernel tersebut untuk u = 1 dan x = 4. Karena N = 8
maka n = 3
Representasi biner dari u = 1 adalah 001, sedangkan representasi biner x = 4 adalah 100, maka :
b0(u) =1,

b1(u) =0,

b2(u) =0

b0(x) =0,

b1(x) =0,

b2(x) =1

sehingga dapat dihitung :

2

g ( 4,1 )=(1 )

bi ( 4 ) bi ( 1 )
0

(1 )( 1) (0 )+(0 )( 0)+( 0) (1 )
10 =1
Berikut adalah contoh untuk u = 4 dan x = 6
Representasi biner dari u = 4 adalah 100, sedangkan representasi biner x = 6 adalah 110, maka :
b0(u) =0,

b1(u) =0,

b2(u) =1

b0(x) =0,

b1(x) =1,

b2(x) =1

sehingga :
2

g ( 6,4 )= (1 )

bi ( 6) bi ( 4 )
0

(1 )( 0) (0 )+(1 )( 0)+( 1) (1)

11=1
Berikut adalah contoh pemanfaatan kernel citra pada table diatas :
f(x) = (10 10 10 10 20 20 20 20). Transformasi Hadamard dari citra f(x) tersebut dapat dihitung
dengan cara berikut.

Sehingga hasil dari transformasi Hadamard untuk citra f(x) diatas adalah :
W(u) = (15 0 0 0 -5 0 0 0).

Berikut tampilan Transformasi Hadamard pada matlab

Bentuk Basis

Original Image

Transformation

Result