Anda di halaman 1dari 11

Penerapan Metode Transformasi Fourier Untuk

Perbaikan Citra Digital


in Artikel

Pada pengolahan citra digital, metode frequency domain dapat digunakan untuk
menyelesaikan masalah-masalah tertentu yang sulit jika dilakukan dengan menggunakan
metode spatial domain. Pada metode frequency domain, informasi citra digital
ditransformasikan lebih dulu dengan transformasi Fourier, kemudian dilakukan manipulasi
pada hasil transformasi Fourier tersebut. Setelah manipulasi selesai, dilakukan inverse
transformasi Fourier untuk mendapatkan informasi citra kembali. Noise yang dapat
dihilangkan atau dikurangi dengan metode ini adalah noise yang menghasilkan pola tertentu
pada spektrum Fouriernya, misalnya berupa garis lurus.

PENERAPAN METODE TRANSFORMASI


FOURIER UNTUK PERBAIKAN CITRA
DIGITAL
LANDASAN TEORI

Metode Frequency Domain

Secara umum, metode yang digunakan dalam pemrosesan citra digital dapat
dibagi menjadi dua kelompok, yaitu metode spatial domain dan metode frequency
domain. Pada metode spatial domain, pemrosesan dilakukan dengan cara memanipulasi
nilai pixel dari citra tersebut secara langsung.
Sedangkan pada pengolahan citra digital dengan metode frequency domain,
informasi citra digital ditransformasikan lebih dulu dengan transformasi Fourier,
kemudian dilakukan manipulasi pada hasil transformasi Fourier tersebut. Setelah
manipulasi selesai, dilakukan inverse transformasi Fourier untuk mendapatkan informasi
citra kembali.
Metode frequency domain ini dapat digunakan untuk menyelesaikan masalah-
masalah tertentu yang sulit jika dilakukan dengan menggunakan metode spatial domain.

Transformasi Fourier

Transformasi Fourier dari f(x), didefinisikan sebagai berikut:


di mana

Sebaliknya, jika diketahui F(u), maka f(x) dapat diperoleh dengan Inverse
Transformasi Fourier berikut:

Kedua persamaan di atas disebut dengan pasangan transformasi Fourier.


Jika f(x) adalah bilangan real, biasanya F(u) merupakan bilangan kompleks yang
bisa diuraikan menjadi:

F(u) = R(u) + jI(u)

dimana R(u) dan I(u) adalah komponen real dan imajiner dari F(u).
Persamaan di atas juga sering dituliskan sebagai:

F(u) = | F(u) | ejφu

dimana | F(u) | adalah magnitude dari F(u), yang diperoleh dari :

| F(u) | = [ R2(u) + I2(u) ]1/2

φ(u) = tan-1[ I(u) / R(u) ]

Fungsi magnitude | F(u) | disebut juga spektrum Fourier dari f(x), dan φ(u) disebut
dengan sudut fase dari f(u).

Jika f(x) dijadikan diskrit maka persamaan transformasi Fourier diskrit adalah:

Karena pada pengolahan citra digital, data yang digunakan berbentuk


digital/diskrit maka dapat digunakan kedua persamaan diatas untuk melakukan
transformasi dan inverse transformasi Fourier.
Untuk menganalisa citra pada frequency domain, hasil transformasi Fourier dapat
ditampilkan sebagai citra, dimana intensitasnya proporsional dengan besarnya | F(u) | atau
spektrum Fourier. Namun karena dynamic range dari spektrum Fourier biasanya sangat
besar, maka sebelum ditampilkan sebagai citra harus diubah menjadi:
D(u,v) = c log ( 1 + |F(u,v)| )

dimana c adalah konstanta. Selanjutnya yang ditampilkan sebagai citra adalah nilai dari
D(u,v). Nilai D(u,v) ini akan memiliki dynamic range yang lebih kecil daripada |F(u,v)|.
Berikut ini adalah contoh gambar beberapa citra dengan spektrum Fouriernya.

CARA PENELITIAN

Untuk mengimplementasikan proses pengolahan citra dengan metode frequency


domain, penulis membuat program dengan menggunakan MATLAB. Secara garis besar
program ini akan melakukan langkah-langkah berikut:

• membuka file citra digital


• menampilkan citra digital
• melakukan transformasi Fourier pada citra
• menampilkan spektrum Fourier dari citra
• melakukan perubahan pada hasil transformasi Fourier
• menampilkan spektrum Fourier yang telah diubah
• melakukan inverse transformasi Fourier
• menampilkan citra digital hasil proses

Pada MATLAB telah tersedia beberapa fungsi yang dapat langsung digunakan
untuk membantu mempercepat pembuatan program. Adapun fungsi-fungsi MATLAB
yang sangat penting dan digunakan di program ini antara lain:

• IMREAD
Fungsi ini berguna untuk membaca citra dari suatu file. Jika citra yang dibaca
memiliki format warna grayscale, fungsi ini akan menghasilkan array dua dimensi
yang berisi informasi intensitas grayscale dari citra tersebut. Fungsi ini mendukung
format BMP, JPEG, TIF, PNG, HDF, PCX, dan XWD.

• IMSHOW
Fungsi ini digunakan untuk menampilkan citra pada layar.
• IMWRITE
Fungsi ini digunakan untuk menyimpan citra ke dalam file. Fungsi ini merupakan
kebalikan dari fungsi IMREAD.

• FFT2
Fungsi ini digunakan untuk melakukan transformasi Fourier terhadap array 2
dimensi. Hasil yang diperoleh juga akan berbentuk array 2 dimensi.

• FFTSHIFT
Fungsi ini digunakan untuk melakukan pergeseran dari hasil transormasi Fourier,
sehingga memudahkan analisa visualisasi dari spektrum Fourier. Karena spektrum
Fourier bersifat periodik, pergeseran ini tidak akan berpengaruh pada citra yang
dihasilkan jika dilakukan inverse transformasi Fourier.

• IFFT2
Fungsi ini digunakan untuk melakukan inverse transformasi Fourier terhadap array
2 dimensi. Hasil yang diperoleh juga akan berbentuk array 2 dimensi.

Langkah pertama yang dilakukan adalah membaca file citra yang akan diproses dan
menyimpan informasi graylevel dari semua pixelnya ke dalam sebuah matriks. Perintah
yang digunakan adalah:

nmfile = 'flo_nois.bmp';
img = imread(nmfile);

Selanjutnya dilakukan transformasi Fourier dan dilanjutkan dengan penggeseran


(shifting) hasil transformasi Fourier tersebut supaya hasil visualisasinya lebih mudah
diamati dan dianalisa. Untuk itu digunakan perintah:

% Transformasi Fourier dengan FFT


img_f = fft2(img);
img_fs = fftshift(img_f);

Setelah itu baru digunakan perintah imshow untuk menampilkan citra maupun
spektrum Fouriernya. Namun pada saat spektrum Fourier akan ditampilkan, karena
dynamic range dari spektrum Fourier sangat besar, lebih dulu dilakukan proses dengan
perintah berikut:

img_spectrum = log(1+abs(img_fs));

Proses ini akan memperkecil dynamic range sehingga dapat ditampilkan di layar dengan
lebih jelas dan lebih mudah untuk dianalisa.
Untuk menghilangkan noise, lebih dulu dibuat sebuah matriks h yang dimensinya
sama dengan dimensi dari matriks untuk menyimpan hasil transformasi Fourier, yaitu 256
x 256. Matriks h ini dinisialisasi dengan diisi nilai satu pada setiap elemennya dengan
menggunakan perintah:
h = ones(256);

Selanjutnya bagian tertentu dari matriks yang menunjukkan area dimana noise berada
pada spektrum Fourier citra diubah menjadi nol, dengan menggunakan perintah:

% Memilih area frekuensi yang akan difilter


% untuk menghapus noise.
for ix = 1:256,
for iy = 1:256,
% Noise berasal dari frekuensi yang membentuk garis
% vertikal di bagian tengah spektrum.
% Nilai pada area ini akan dihilangkan dengan cara
% dikalikan 0.
if (iy > 127) & (iy < 130) & ((ix < 123) | (ix > 134))
h(ix,iy) = 0;
end
end
end

Perintah di atas hanya berlaku untuk noise yang ada pada citra yang digunakan oleh
penulis. Jika noise pada spektrum Fourier citra lainnya berada di area yang berbeda,
tentunya perintah di atas harus dimodifikasi angka-angkanya sehingga sesuai dengan area
noise pada spektrum Fourier yang akan dihilangkan.
Setelah bagian tertentu dari matriks tersebut diberi nilai nol, sedangkan yang lainnya
tetap bernilai satu, maka masing-masing elemen matriks tersebut dikalikan dengan
elemen-elemen yang bersesuaian dari matriks spektrum Fourier citra, dengan perintah:

g = img_fs .* h;

Perkalian ini akan menghasilkan spektrum Fourier baru dimana area noise telah
hilang karena dikalikan dengan nol. Pada visualisasi spektrum Fourier hilangnya area
noise ini ditunjukkan dengan warna hitam di area tersebut.
Langkah berikutnya adalah melakukan inverse transformasi Fourier dari spektrum
Fourier yang baru untuk mendapatkan informasi citra kembali, dengan perintah:

hasil = uint8(abs(ifft2(g)));

Digunakannya uint8 adalah supaya informasi citra yang diperoleh memiliki tipe
data pixel 8-bit atau 256 graylevel, sehingga sama dengan citra asalnya.
Program selengkapnya yang disertai dengan penjelasan mengenai perintah-
perintah yang digunakan dapat dilihat pada lampiran.
HASIL DAN PEMBAHASAN

Program yang dibuat telah diujicobakan untuk beberapa file citra yang memiliki
berbagai jenis noise yang dapat terlihat pada spektrum Fouriernya.

Contoh kasus 1:

Pada gambar berikut ini gambar kiri atas adalah citra yang memiliki noise berupa
garis-garis horisontal. Sedangkan gambar kanan atas adalah spektrum Fourier dari citra
trsebut. Pada spektrum Fourier ini tampak sebuah garis vertikal berwarna terang yang
mewakili noise pada citra tersebut.
Gambar kanan bawah menunjukkan gambar spektrum Fourier yang telah
diproses. Proses dilakukan dengan cara mengalikan nilai spektrum pada area yang dipilih
dengan nol. Area yang dipilih adalah bagian berwarna terang yang membentuk garis
vertikal karena bagian inilah yang mewakili adanya noise. Sedangkan area di bagian
pusat spektrum tidak dihilangkan karena area ini mengandung informasi citra itu sendiri.
Jika area pusat spektrum ini juga dijadikan nol, maka citra yang dihasilkan akan menjadi
gelap.
Setelah area yang dipilih dikalikan dengan nol, tampak bahwa warna pada area tersebut
menjadi gelap.
Setelah itu dilakukan inverse transformasi Fourier sehingga didapatkan citra
seperti pada gambar kiri bawah. Terlihat bahwa citra menjadi lebih jelas karena noise
berupa garis-garis horisontal sudah tidak ada lagi.

Contoh kasus 2:

Pada contoh kasus ini prinsipnya sama dengan contoh pertama, hanya bedanya
jenis noise yang ada di sini direpresentasikan dengan adanya dua garis vertikal berwarna
terang pada spektrum Fourier dari citra.
Setelah area spektrum yang dipilih dikalikan nol, kemudian dilakukan inverse
transformasi Fourier, terlihat bahwa citra yang dihasilkan jauh lebih jelas daripada
sebelumnya.

Dari kedua contoh kasus tersebut, terlihat bahwa dengan melakukan pemrosesan
citra digital dengan metode frequency domain, kita dapat melakukan perbaikan pada citra
yang tercemari oleh noise tertentu.
Noise yang dapat dihilangkan atau dikurangi dengan metode ini adalah noise yang
menghasilkan pola tertentu pada spektrum Fouriernya, misalnya berupa garis lurus. Jika
noise yang ada tersebar dan bentuknya tidak teratur, maka akan sulit untuk menentukan
area mana yang menjadi penyebab noise tersebut.
LAMPIRAN

Listing Program

% Image processing pada frequency domain


% untuk menghapus noise berupa garis-garis horisontal.
nmfile = 'flo_nois.bmp';
img = imread(nmfile);
% Transformasi Fourier dengan FFT
img_f = fft2(img);
img_fs = fftshift(img_f);
% Menyiapkan figure sbg tempat untuk menampilkan citra.
h1 = figure;
iptsetpref('ImshowAxesVisible','off');
set(h1, 'Units','pixels', ...
'Position', [10 40 560 530], ...
'MenuBar', 'none', ...
'ToolBar','none');
set(h1, 'NumberTitle', 'off');
set(h1, 'Name', 'Image Processing in Frequency Domain (Press Enter to continue...)');
ah1 = axes('Parent',h1, ...
'Units','pixels', ...
'Position',[5 265 256 256], ...
'XTick',[], ...
'YTick',[], ...
'Box','on', ...
'Tag','Axes3');
ah2 = axes('Parent',h1, ...
'Units','pixels', ...
'Position',[280 265 256 256], ...
'XTick',[], ...
'YTick',[], ...
'Box','on', ...
'Tag','Axes4');
ah3 = axes('Parent',h1, ...
'Units','pixels', ...
'Position',[5 5 256 256], ...
'XTick',[], ...
'YTick',[], ...
'Box','on', ...
'Tag','Axes1');
ah4 = axes('Parent',h1, ...
'Units','pixels', ...
'Position',[280 5 256 256], ...
'XTick',[], ...
'YTick',[], ...
'Box','on', ...
'Tag','Axes2');
% Menampilkan citra asal
axes(ah1);
imshow(img);
pause;
% Kompresi dynamic range dari spektrum Fourier
% untuk menampilkan spektrum Fourier sbg citra (Gonzalez, p.92)
img_spectrum = log(1+abs(img_fs));
axes(ah2);
% Menampilkan spektrum Fourier dari citra
%imshow(r2f2, [3 10]);
imshow(img_spectrum, [3 10]);
pause;
h = ones(256);
% Memilih area frekuensi yang akan difilter
% untuk menghapus noise.
for ix = 1:256,
for iy = 1:256,
% Noise berasal dari frekuensi yang membentuk garis
% vertikal di bagian tengah spektrum.
% Nilai pada area ini akan dihilangkan dengan cara
% dikalikan 0.
if (iy > 127) & (iy < 130) & ((ix < 123) | (ix > 134))
h(ix,iy) = 0;
end
end
end
g = img_fs .* h;
% Kompresi dynamic range dari spektrum Fourier
img_spectrum = log(1+abs(g));
axes(ah4);
% Menampilkan spektrum Fourier yang sudah difilter
imshow(img_spectrum, [3 10]);
pause;
% Inverse Transformasi Fourier
hasil = uint8(abs(ifft2(g)));
axes(ah3);
% Menampilkan citra hasil
imshow(hasil);
pause;
close;