Karakteristik:
Curvelet sangat menarik karena efisien mengatasi masalah dimana Wavelet tidak optimal
mengatasi masalah tersebut, seperti 3 contoh kasus berikut:
1. Curvelet optimal dalam merepresentasikan objek bertepi terutama garis lengkung.
2. Curvelet optimal dalam me-representasikan wave propagator.
3. Optimal dalam hal merekonstruksi citra yang rusak.
Untuk mendapatkan ciri dari citra yang dicari maka dilakukan transformasi Curvelet
digital pada 2-D Cartesian grid f[m,n], 0 m < M, 0 n < N atau 2D Fast Fourier
Transform (FFT) dari citra
D
C ( a , b , )=
f [ m ,n ] a , b , [m ,n ]
0 m M
0< n< N
Dimana
a , b , [ m, n ] = A sin (t +)
Diberikan sebuah citra, maka citra dan Curvelet ditransformasikan kedalam domain frekuensi
dengan FFT untuk menggali kelebihan dari metode spektral, lalu dilakukan perkalian matriks
(.*) untuk menghasilkan sebuah citra hasil yang kita sebut dengan citra produk. Setelah
didapatkan citra produk dilakukan Inverse Fast Fourier Transform (IFFT) pada domain
spektral untuk mendapatkan koefisien Curvelet pada skala dan orientasi Curvelet tertentu.
Namun,terdapat kendala pada saat akan melakukan Inverse Fast Fourier Transform (IFFT),
kendala tersebut adalah pada domain frekuensi dimana wedge tidak sesuai dengan persegi
berukuran ~ 2j x 2j/2 seperti ditunjukan pada gambar diatas. Untuk mengatasi permasalahan
tersebut dilakukan wrapping data dengan mengumpulkan daerah koefisien persegi di pusat.
Proses wrapping data seperti terlihat pada gambar dibawah
Setelah dilakukan Fast Discrete Curvelet Transform, dihasilkan matriks koefisien Curvelet.
Setelah didapatkan koefisien Curvelet lalu digunakan metode spasial/metode statistik untuk
mendapatkan ciri tekstur dari distribusi statistik intensitas koefisien Curvelet. Nilai statistik
tersebut adalah mean dan standar deviasi. Nilai mean tersebut menyimpan informasi yang
terkandung didalam koefisien Curvelet. Sedangkan deviasi sebagai informasi seberapa jauh
sebaran nilai yang mendekati nilai mean. Nilai mean dihitung dengan rumus berikut:
E ( , )
MxN
Curvelet ( x , y )
y
E ( , )=
adalah
STD =
( f ( i, j ) )
i=1 j=1
MxN
Dari setiap Curvelet, didapatkan dua ciri tekstur yaitu mean dan standar deviasi.
Dengan kata lain, jika n Curvelet digunakan untuk transformasi maka didapatkan 2n
ciri tekstur. 2n dimensi vektor ciri tekstur inilah yang nantinya merepresentasikan
citra di dalam sistem identifikasi batu ini.