TRANSFORMASI CURVELET

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.

Ekstraksi Ciri dengan Curvelet

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 ] merupakan sinyal dari matriks citra mxn dimana persamaan umum

sinyal adalah sebagai berikut

D

a , b , [ m, n ] = A sin (t +)

Transformsi Curvelet digital diimplementasikan dengan menggunakan Fast Discrete

Curvelet Transform (FDCT) wrapping based. Pada dasarnya FDCT ini di hitung pada
domain spektral untuk menggali kelebihan dari Fast Fourier Transform (FFT).
Gambar dibawah menunjukan proses Fast Discrete Curvelet Transform wrapping
based.

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.

Rectangular Frequency Tiling dari Sebuah Gambar dengan 5 Skala Curvelet

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

Gambar 2. 1 Wrapping Data; awalnya dalam sebuah jajar genjang,

kemudian berada dalam sebuah persegi panjang

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

dimana M x N adalah ukuran dari gambar dan

Curvelet ( x , y )
y
E ( , )=

adalah

energi transformasi Curvelet dari citra pada skala a dan orientasi .

Sedangkan nilai standar deviasi dihitung dengan menggunakan rumus

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.