PENGOLAHAN SINYAL DIGITAL DAN MULTIMEDIA

Tranformasi Citra dan Video

OLEH :
I Dewa Gede Angga Prastika

1104405018

JURUSAN TEKNIK ELEKTRO

FAKULTAS TEKNIK UNIVERSITAS UDAYANA
BUKIT-JIMBARAN
2014

I.

Pendahuluan

Pengolahan citra merupakan proses pengolahan dan analisis citra yang banyak
melibatkan persepsi visual. Proses ini mempunyai ciri data masukan dan informasi keluaran yang
berbentuk citra. Istilah pengolahan citra digital secara umum didefinisikan sebagai pemrosesan
citra dua dimensi dengan komputer. Dalam definisi yang lebih luas, pengolahan citra digital juga
mencakup semua data dua dimensi. Citra digital adalah barisan bilangan nyata maupun kompleks
yang diwakili oleh bit-bit tertentu.
Seperti pada aljabar linier, transformasi membawa suatu citra ke sistem koordinat baru
yang dibentuk oleh fungsi basis tersebut. Dalam konteks citra, basis ini berupa matriks yang
disebut sebagai n citra basis.
Transformasi bisa dibagi menjadi 2 :
1.

Transformasi piksel/transformasi geometris: Contoh: rotasi, translasi, scaling,

invers, shear, dll, Transformasi piksel masih bermain di ruang/domain yang sama
(domain spasial), hanya posisi piksel yang kadang diubah. Transformasi jenis ini
relatif mudah diimplementasikan dan banyak aplikasi yang dapat melakukannya
(Paint, ACDSee, dan masih banyak lagi).

2.

Transformasi ruang/domain/space adalah Transformasi ruang merupakan proses

perubahan citra dari suatu ruang/domain ke ruang/domain lainnya, contoh: dari
ruang spasial ke ruang frekuensi contoh :

Transformasi Hadamard/Walsh (basis: kolom dan baris yang ortogonal)

Transformasi ruang (basis: cos)

Transformasi Wavelet-Haar (basis: scaling function dan mother WaveletHaar)

Transformasi Fourier (basis: cos-sin)

II. Pembahasan
A. Transformasi Walsh
Transformasi Walsh merupakan suatu transformasi orthogonal yang menjadikan suatu
signal dalam bentuk suatu himpunan gelombang yang tegak lurus (orthogonal) dan segi empat
(rectangular). Dimana transformasi ini memiliki fungsi basis bilangan pecahan dengan interval
-1sampai 1 (sin dan cos), transformasi Walsh merupakan transformasi yang bersifat nonsinusoidal, dimana hanya memiliki fungsi basis dalam 2 jenis yaitu -1 dan 1.
Rumus dimensi 2 Transformasi Walsh:
W (u , v )
f ( x, y )

N 1 N 1

n 1

1
N

1
N

N 1 N 1

n 1

x 0 y 0

i 0

x 0 y 0

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

f ( x, y ) ( 1)
i 0

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

W (u , v) (1)

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

Gambar 1:walsh basic function N=4

Fungsi basis (kernel) transformasi walsh dimensi 2 unutk citra berukuran 4x4 ditunjukkan pada
gambar 1. Setiap blok dari gambar tersebut terdiri piksel 4x4. Elemen dari setiap kernel hanya
memiliki 2 nilai yaitu 1 dan -1.

Gambar 2 : (a) gambar asli (b) transformasi walsh (c)gambar inverse

B. Transformasi Hadamard
Transformasi
Hadamard

merupakan

suatu

metode transformasi

dengan

menggunakan matriks bujur-sangkar yang berisikan hanya 1 dan -1 yang memiliki dua atau
lebih kolom atau baris yang terletak berhadapan yang setengah bagiannya memiliki tanda
yang sama dan setengah bagian lainnya memiliki tanda yang berlawanan. Suatu matriks
Hadamard berukuran n n (Hn) harus mempunyai kotak putih sebanyak n(n-1)/2 nilai -1 dan
kotak hitam sebanyak n(n+1)/2 nilai 1.
Rumus Tr. Hadamard untuk 2 dimensi:
1
H (u , v)
N
1
f ( x, y )
N

n 1

N 1 N 1

f ( x, y )(1)

[ bi ( x ) bi ( u ) bi ( y ) bi ( v )]
i 0

x 0 y 0

n 1

N 1 N 1

H (u, v)(1)

[ bi ( x ) bi ( u ) bi ( y ) bi ( v )]
i 0

x 0 y 0

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 basis FT adalah fungsi cos-sin, maka basis dari transformasi Hadamard adalah kolom dan
baris yang orthogonal. Ilustrasi : input citra 4x4.

100 100 50

50

100 100 50

50

50

50

100 100

50

50

100 100

Gambar 3: Hadamard basic function N=4

Untuk memperoleh transformasinya, kalikan basis dengan citra input (putih untuk +,
hitam untuk -). Satu posisi pada H(u,v) hanya menggunakan satu blok.
H(0,0) = (100+100+50+50+100+100+50+50+50+50+100+100+50+50+100+100)/4
= 1200/4 = 300
H(0,1) = (100+100-50-50+100+100-50-50+50+50-100-100+50+50-100-100)/4 = 0
H(0,2) = (100-100-50+50+100-100-50+50+50-50-100+100+50-50-100+100)/4 = 0
H(0,3) = (100-100+5050+100-100+50-50+50-50+100-100+50-50+100-100)/4 = 0
Perhatikan bahwa nilainya besar hanya pada koordinat (0,0) dan (1,1). Nilainya pada
H(1,1) besar karena polanya sama dengan citra input. Perhatikan juga bahwa jika kita hanya
perlu menyimpan nilai yang bukan nol, maka representasi citra yang kita miliki juga menjadi
sangat kecil (dapat dikompresi).

300

100

Dari citra hasil transformasi, diperoleh gambar asal (dengan melihat kembali pada basis, satu
posisi f(x,y) menggunakan semua blok pada posisi tertentu (x,y).
f(0,0) = (300+0+0+0+0+100+0+0+0+0+0+0+0+0+0+0)/4 = 400/4 = 100
f(0,1) = (300......+100.......)/4 = 400/4 = 100
f(0,2) = (300......-100.......)/4 = 200/4 = 50
f(0,3) = (300......-100.......)/4 = 200/4 = 50
f(1,0) = (300......+100.......)/4 = 400/4 = 100
f(1,1) = (300......+100.......)/4 = 400/4 = 100
f(1,2) = (300......-100.......)/4 = 200/4 = 50
f(1,3) = (300......-100.......)/4 = 200/4 = 50
f(2,0) = (300......-100.......)/4 = 200/4 = 50
f(2,1) = (300......-100.......)/4 = 200/4 = 50
f(2,2) = (300......+100.......)/4 = 400/4 = 100
f(2,3) = (300......+100.......)/4 = 400/4 = 100
f(3,0) = (300......-100.......)/4 = 200/4 = 50
f(3,1) = (300......-100.......)/4 = 200/4 = 50
f(3,2) = (300......+100.......)/4 = 400/4 = 100
f(3,3) = (300......+100.......)/4 = 400/4 = 100
Citra rekonstruksi yang dihasilkan persis dengan citra awal.

Gambar 4 : (a) gambar asli (b) transformasi Hadamard (c)gambar inverse

C. 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 merupakan hasil basic 4x4 transformasi slant :

Gambar 5: Slant basic function N=4

Gambar 6 : (a) gambar asli (b) transformasi Slant (c)gambar inverse

D. Transformasi Wavelet-Haar-Haar
Seperti halnya Transformasi Fourier, Transformasi Wavelet-Haar digunakan juga untu
menganalisis sinyal ataupun data. Transformasi Wavelet-Haar (TW) adalah suatu alat untuk
memilah-milah data, fungsi atau operator ke dalam komponen frekuensi yang berbeda-beda,
kemudian mempelajari setiap komponen dengan suatu resolusi yang cocok dengan skalanya.
Dahulu teknik ini ditemukan sebagai alat dalam menyelesaikan persoalan dalam matematika
murni, misalnya Calderon (1994), fisika dalam mekanika kuantum oleh Aslaken dan Klauder
(1968), Hamiltonian atom Hidrogen oleh Paul (1985) dan dalam ilmu teknik dikenalkan oleh
Esteban dan Galland (1977) dalam mendesain filter QMF, filter QMF ini kemudian
dikembangkan dengan konstruksi eksak oleh Smith dan Barnwell (1986), dalam teknik
kelistrikan lainnya oleh Vetterli (1986) dan pada tahun 1983 Wavelet-Haar digunakan dalam
menganalisis data seismic oleh J. Morlet. Pada kurun waktu lima tahun terakhir ini telah terlihat
suatu sintesis antara semua pendekatan yang berbeda, yang telah sangat kaya dengan harapan
untuk semua lapangan yang dikaji. Dengan menggunakan metoda Wavelet-Haar telah secara
umum dilakukan dengan sukses penyelesaian numerik persamaan diferensial parsial, pengolahan
sinyal seismik dan geofisika, pengolahan sinyal dan citra biomedik/medis, komunikasi dan
bahkan dikombinasikan dengan fractal untuk digunakan salah satunya menghilangkan noise
dalam musik. Dalam penginderaan jauh salah satunya Marcello Melis dan Andrea Lazzori
menggunakan transformasi Wavelet-Haar untuk mereduksi noise pada citra ERS-1 yang
dilaporkan pada First ERS-1 Pilot Project Workshop di Toledo Spanyol tahun 1994.

Wavelet-Haar merupakan sebuah basis. Basis Wavelet-Haar 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. Fungsi ini diturunkan dari persamaan dilasi (dilation equation), yang dianggap
sebagai dasar dari teori Wavelet-Haar. Persamaan dilasi berbunyi demikian :
( x)

c (2 x k )
k

dari persamaan scaling function ini dapat dibentuk persamaan Wavelet-Haar yang pertama (atau
disebut juga mother Wavelet-Haar), dengan bentuk sebagai berikut :
0 ( x) ( 1) k c1 k ( 2 x k )
k

Dari mother Wavelet-Haar ini kemudian dapat dibentuk Wavelet-Haar-Wavelet-Haar

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

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

Wavelet-Haar 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-Haar 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. Yang dapat melakukan
transformasi terhadap baris-baris pada citra, dan dilanjutkan dengan transformasi
terhadap kolom-kolom pada citra, seperti pada gambar di bawah ini

Gambar 7: Bagan

transformasi terhadap baris-baris pada citra

LL

LH

HL HH

Gambar 8: dekomposisi 1

LL: hasil lowpass terhadap baris dan kolom

LH: hasil lowpass terhadap baris diteruskan dengan highpass terhadap kolom
HL: hasil highpass terhadap baris diteruskan dengan lowpass terhadap kolom
HH: hasil highpass terhadap baris dan kolom
Sebagai contoh, Gambar 8 adalah hasil dekomposisi terhadap sebuah citra bergambar
yang menggunakan Wavelet-Haar Haar. Dekomposisi hanya dilakukan dua level (a 0 sampai a2).
Dekomposisi dilakukan menggunakan fasilitas Wavelet-Haar Toolbox pada Matlab 6. Pada
bagian kanan bawah dari Gambar 8 tersebut diperlihatkan hasil dekomposisi Wavelet-Haar
dengan keterangan sebagai berikut:
LL2

LH2

HL2 HH2

HL1

LH1

HH1

Gambar 9: dekomposisi 2

LH1, HL1, dan HH1 merupakan hasil dekomposisi level 1.

LL2 tidak diperlihatkan pada gambar karena langsung 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).

Gambar 10: Wavelet-Haar basic function N=4

Gambar 11 : (a) gambar asli (b) transformasi Wavelet-Haar (c)gambar inverse

Dari gambar diatas terlihat pada proses transformasi citra diaali dengan transformasikan
pembagian (didekomposisi) menjadi beberapa bagian sesuai dengan jumlah yang diinginkan.
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.

Referensi

Yudhi Prabowo#1, Achmad Hidayatno#2, Ajub Ajulian Zahra#3, KOMPRES

CITRA

DIGITAL

ARAS-KEABUAN

MENGGUNAKAN

METODE

HADAMARD, Jurusan Teknik Elektro, Fakultas Teknik, Universitas Diponegoro

http://yusan.wordpress.com/2010/08/16/transformasi-citra/
http://books.google.co.id/books?
id=NectMutqXJAC&pg=PA63&lpg=PA63&dq=perbedaan+transformasi+Hadam
ard+dan+Walsh&source=bl&ots=C1hA40vTn1&sig=p-jmny8WpmMFP8lqdCqiqWZdY&hl=en&sa=X&ei=f5R1VMjaOYziuQSs_YDYCQ&ved=0CEEQ6AEwBQ#v=

onepage&q&f=false
Munir, R., Pengolahan Citra Digital dengan Pendekatan Algoritmik, Penerbit

Informatika, Bandung, 2004.

Staff.ui.ac.id/internal/130522693/material/citra5d.ppt