Histogram Citra, Konvolusi,

Transformasi Fourier
a. Algoritma Perhitungan Histogram
b. Teori Konvolusi
c. Konvolusi pada fungsi dwimatra
d. Transformasi Fourier
e. Transformasi Faurier Malar, Diskrit
 a. HISTOGRAM CITRA
Pengertian
Histogram citra adalah grafik yang menggambarkan
penyebaran nilai-nilai intensitas pixel dari suatu citra aau
bagian tertentu di dalam citra. Secara grafis ditampilkan
dengan diagram batang.

Dari histogram dapat diketahui :

•frekuensi kemunculan nisbi(relative) dari intensitas pada citra
tersebut.
•Kecerahan (brigtness) dan kontras (contrast) dari sebuah
citra.
MEMBUAT HISTOGRAM CITRA(1)
Sebuah citra digital memilki L derajat keabuan, yaitu dari 0
sampai L-1 (misal citra dengan kuantisasi derajat keabuan 8
bit, maka nilai derajat keabuan dari 0 sampai 255)
Secara matematis perhitungan histogram sbb:

hi = ni / n , i= 0,1,…,L-1
Keterangan:
ni = jumlah pixel yang memiliki derajat keabuan i
n = jumlah seluruh pixel di dalam citra
MEMBUAT HISTOGRAM CITRA(2)
Histogram citra
MEMBUAT HISTOGRAM CITRA(3)
Contoh:
Sebuah matriks citra digital berukuran 8x8 pixel dengan
derajat keabuan dari 0 sampai 15 ( ada 16 derajat keabuan).
 MEMBUAT HISTOGRAM CITRA(4)
Perhitungan histogram
ni hi=ni/n (n=64)
0 8 0.125
1 4 0.0625
2 5 0.078125
3 2 0.03125
4 2 0.03125
5 3 0.046875
6 1 0.015625
7 3 0.046875
8 6 0.09375
9 3 0.046875
10 7 0.109375
11 4 0.0625
12 5 0.078125
13 3 0.046875
14 4 0.0625
15 3 0.046875
 MEMBUAT HISTOGRAM CITRA(5)
Histogram citra banyak memberikan informasi penting:
1.Nilai hi menyatakan peluang pixel, P(i) dengan derajat
keabuan i. Jumlah seluruh nilai hi = 1
2.Puncak histogram menunjukkan intensitas pixel yang
menonjol. Lebar dari puncak menunjukkan rentang kontras
dari citra.
Citra yang mempunyai kontras terlalu terang
(overexposed) atau terlalu gelap (underexposed) memiliki
histogram yang sempit.
Histogramnya terlihat hanya menggunakan setengah
dari derajat keabuan.
Citra yang baik memiliki histogram yang mengisi daerah
derajat keabuan secara penuh dengan distribusi yang merata
pada setiap nilai intensitas pixel.
MEMBUAT HISTOGRAM CITRA(5)
 B. Teori Konvolusi
Konvolusi merupakan salah satu operasi matematis yang
digunakan pada pengolahan citra.
Konvolusi 2 buah fungsi f(x) dan g(x) didefinisikan sbg:
h(x) = f(x) * g (x) = ∫ ~ f(a) g(x-a) da
Tanda * menyatakan operator konvolusi dan variabel a adalah
variabel bantu (dummy variable).
g(x) disebut dengan kernel konvolusi atau kernel penapis (filter).
Kernel g(x) merupakan suatu jendela yang dioperasikan secara
bergeser pada sinyal masukan f(x), dalam hal ini jumlah perkalian
kedua fungsi pada setiap titik merupakan hasil konvolusi yang
dinyatakan dengan keluaran h (x).
 C. Konvolusi pada Fungsi Dwimatra(2 dimensi)
Untuk fungsi dengan 2 variabel (fungsi 2 dimensi), operasi
konvolusi didefinisikan sebagai berikut:
a)Fungsi malar
b)Fungsi diskrit
Fungsi penapis g(x,y) disebut convolution filter, convolution mask,
convolution kernel atau template. Dalam ranah diskrit kernel
konvolusi dinyatakan dalam bentuk matriks ( 3x3, 2x2, 2x1, 1x2)
Ukuran matriks ini biasanya lebih kecil dari ukuran citra. Setiap
elemen matriks disebut koefisien konvolusi. Operasi konvolusi
dilakukan dengan menggeser kernel konvolusi pixel per pixel, hasil
konvolusi disimpan di dalam matriks yang baru.
 C. Konvolusi pada Fungsi Dwimatra(2 dimensi)
Gambar ilustrasi konvolusi
 C. Konvolusi pada Fungsi Dwimatra(2 dimensi)
Contoh:
Sebuah citra f(x,y) berukuran 5x5 dan sebuah kernel / mask ukuran
3x3 masing-masing sbg:
Tanda * menyatakan posisi (0,0) dari kernel
 C. Konvolusi pada Fungsi Dwimatra(2 dimensi)
Operasi konvolusi antara citra f(x,y) dengan kernel g(x,y) adalah
f(x,y) * g(x,y)
1)Tempatkan kernel pada sudut kiri atas, kemudian hitung nilai
pixel pada posisi (0,0) dari kernel:

Hasil konvolusi = 3. nilai ini dihitung dengan cara:

(0x4)+(-1x4)+(0x3)+(-1x6)+(4x6)+(-1x5)+(0x5)+(-1x6)+(0x6)
 C. Konvolusi pada Fungsi Dwimatra(2 dimensi)
2) Geser kernel satu pixel ke kanan, kemudian hitung nilai pixel
pada posisi (0,0) dari kernel:

Hasil konvolusi = 0. nilai ini dihitung dengan cara:

(0x4)+(-1x3)+(0x5)+(-1x6)+(4x5)+(-1x5)+(0x6)+(-1x6)+(0x6)
 C. Konvolusi pada Fungsi Dwimatra(2 dimensi)
3) Geser kernel satu pixel ke kanan, kemudian hitung nilai pixel
pada posisi (0,0) dari kernel:

Hasil konvolusi = 2. nilai ini dihitung dengan cara:

(0x3)+(-1x5)+(0x4)+(-1x5)+(4x5)+(-1x2)+(0x6)+(-1x6)+(0x2)
 C. Konvolusi pada Fungsi Dwimatra(2 dimensi)
4) Selanjutnya, geser kernel satu pixel ke bawah, lalu mulai lagi
melakukan konvolusi dari sisi kiri citra. Setiap kali konvolusi,
geser kernel satu pixel ke kanan:

Hasil konvolusi = 0. nilai ini dihitung dengan cara:

(0x6)+(-1x6)+(0x5)+(-1x5)+(4x6)+(-1x6)+(0x6)+(-1x7)+(0x5)
 C. Konvolusi pada Fungsi Dwimatra(2 dimensi)

Hasil konvolusi = 2. nilai ini dihitung dengan cara:

(0x6)+(-1x5)+(0x5)+(-1x6)+(4x6)+(-1x6)+(0x7)+(-1x5)+(0x5)
 C. Konvolusi pada Fungsi Dwimatra(2 dimensi)

Hasil konvolusi = 6. nilai ini dihitung dengan cara:

(0x5)+(-1x5)+(0x2)+(-1x6)+(4x6)+(-1x2)+(0x5)+(-1x5)+(0x3)
 C. Konvolusi pada Fungsi Dwimatra(2 dimensi)
Dengan cara yang sama seperti tadi, maka pixel-pixel pada baris
ketiga dikonvolusi sehingga menghasilkan:
 C. Konvolusi pada Fungsi Dwimatra(2 dimensi)
Keterangan:
Jika hasil konvolusi menghasilkan nilai pixel negatif, maka nilai
tersebut dijadikan 0, sebaliknya jika hasil konvolusi
menghasilkan nilai pixel lebih besar dari nilai keabuan
maksimum, maka nilai tersebut dijadikan ke nilai kebuan
maksimum.

Persoalan timbul : JIKA PIXEL YANG DIKONVOLUSI ADALAH PIXEL

PINGGIR karena beberapa koefisien konvolusi tidak dapat
diposisikan pada pixel-pixel citra(efek menggantung.
 C. Konvolusi pada Fungsi Dwimatra(2 dimensi)
Masalah menggantung: selalu terjadi pada pixel-pixel pinggir kiri,
kanan atas dan bawah. Solusinya:
1. Pixel-pixel pinggir diabaikan, tidak dikonvolusi. Sehingga pixel-
pixel pinggir nilainya tetap sama seperti citra asal.
2. Elemen yang menggantung atau ditandai dengan tanda ?
Diasumsikan bernilai 0 atau konstanata yang lain sehingga
konvolusi pixel-pixel pinggir dapat dilakukan.

Solusi-solusi tersebut mengasumsikan bagian pinggir citra lebarnya

sangat kecil (hanya satu pixel) relatif dibandingkan dengan
ukuran citra sehingga pixel-pixel pinggir tidak memperlihatkan
efek yang kasat mata.
 D. Transformasi Fourier
Adalah: proses perubahan fungsi dari ranah spasial (waktu) ke ranah frekuensi.
Untuk perubahan sebaliknya digunakan Transformasi Fourier Balikan.
Inti dari TF adalah menguraikan sinyal atau gelombang menjdai sejumlah
sinusoida dari berbagai frekuensi, yang jumlahnya ekivalen dengan
gelombang asal.
Dalam PC, TF digunakan untuk menganalisis frekuensi pada operasi seperti
perekaman citra,perbaikan kualitas citra , restorasi citra dsb.
Dari analisis frekuensi dapat dilakukan pengubahan frekuensi pada gambar.
Pengubahan frekuensi ini berhubungan dengan spektrum antara gambar
yang kabur kontrasnya sampai gambar yang kaya akan rincian visualnya.
Pada gambar yang mengalami kekaburan kontras terjadi perubahan intensitas
secara perlahan, artinya kehilangan informasi frekuensi tinggi.
Untuk meningkatkan kualitas gambar, menggunakan penapis frekuensi tinggi
sehingga pixel yang berkontras kabur dapat dinaikkan intensitasnya.
 D. Transformasi Fourier Diskrit (TFD)
Pasangan TFD untuk fungsi satu peubah :
 D. Transformasi Fourier Diskrit (TFD)
Kesamaan Euler:

Sehingga pasanngan TFD dapat ditulis sbg:

 D. Transformasi Fourier Diskrit (TFD)
Interpretasi TFD sbg:
TFD mengkonversi data diskrit menjadi sejumlah sinusoida diskrit yang
frekuensinya dinomori dengan u=0,1,2,…,N-1 dan amplitudinya diberikan
oleh F(u). Faktor 1/N pada persamaan F(u) adalah faktor skala yang dapat
disertakan dalam persamaan F(u) atau dalam persamaan f(x) tetapi tidak
kedua-duanya.

Contoh:
Diketahui fungsi sinyal f(t) dengan hasil penerokan ke dalam nilai-nilai diskrit sbg
(N=4) :
X0 = 0.5, f0 = 2
X1 = 0.75, f1= 3
X2= 1.0, f2 = 4
X3= 1.25, f3= 4