Eka Juliantara, M.

Tr,Kes(ID)
Dua Operasi matematis yang
penting!
Operasi Konvolusi (Spatial Filter)
Operasi pengolahan citra yang mengalikan sebuah citra
dengan sebuah mask atau kernel (Convolution Mask)
Transformasi Fourier
Citra dimanipulasi dalam ranah (domain) frekuensi ketimbang
dalam ranah spasial.
Konvolusi
Konvolusi diskrit sangat banyak dipergunakan dalam
pengolahan citra untuk
• Memperhalus (smoothing)
• Menajamkan (sharpening)
• Mendeteksi tepi (edge detection)
Konvolusi = jumlah berbobot dari pixel-pixel disekeliling pixel
sumber
Bobot ditentukan oleh matrix kecil yang disebut convolution
mask)
Konvolusi
Dimensi convolution mask biasanya ganjil dan posisi tengahnya
berkaitan dengan posisi pixel output
Frame matriks konvolusi bergerak dengan berpusat pada tiap
pixel pada citra input untuk menghasilkan pixel-pixel yang baru.
Pixel output merupakan citra baru
 Convolution Function
Konvolusi dua buah fungsi f(x) dan g(x) didefinisikan sebagai berikut :

h x f x g x f a g x a da
Integral dari – tak hingga sampai tak terhingga
Untuk fungsi diskrit , konvolusi didefinisikan sebagai

h x f x g x f a g x a
g(x) disebut dengan kernel konvolusi (filter) , kernel g(x) merupakan jendela yang
dioperasikan secara bergeser pada sinyal masukan f(x) hasil konvolusi dinyatakan
dengan keluaran h(x)
Perhitungan hasil konvolusi diperlihatkan pada gambar a – f, dan hasil konvolusi
ditunjukkan pada gambar g
x/2 , 0 <= x <= 1
f(x) * g(x) = X – x/2, 1<= x <= 2
0, Lainnya
Proses Konvolusi
Proses Konvolusi
Proses Konvolusi
Ilustrasi
Contoh
Misalkan citra f(x,y) yang berukuran 5 x 5 dan sebuah kernel
yang berukuran 3 x 3 sebagai berikut:
 Solusi
Operasi konvolusi antara citra f(x,y) dengan penapis g(x,y):
f(x,y)*g(x,y)
Solusi
Solusi
Solusi
Solusi
Solusi
Solusi

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 keabuan maksimim (clipping atau
threshold)
Permasalahan
Solusi Permasalahan
Pixel-pixel pinggir diabaikan, tidak di-konvolusi. Sehingga pixel-
pixel pinggir nilainya tetap sama seperti citra asal.
Duplikasi elemen citra, misalnya elemen kolom pertama disalin
ke kolom M+1, begitu juga sebaliknya, lalu konvolusi dapat
dilakukan terhadap pixel-pixel pinggir tersebut.
Elemen yang ditandai “?” diasumsikan bernilai 0 atau konstanta
yang lain, sehingga konvolusi pixel-pixel pinggir dapat dilakukan.
Hasil
Penerapan Kernel Konvolusi
Embossing
Blurring
Blurring
Sharpening
Contoh di matlab
Permasalahan
Konvolusi dilakukan per pixel, dan untuk setiap pixel dilakukan
operasi perkalian dan penjumlahan, maka jelas konvolusi
mengkonsumsi banyak waktu. Jika citra berukuran N x N dan
kernel berukuran m x m, maka jumlah perkalian adalah N2m2
Contoh: Citra 512 x 512 dan kernel 16 x 16, maka akan ada
sekitar 32 juta perkalian.
Permasalahan ini akan bermasalah untuk sistem realtime.
Solusi mengurangi komputasi adalah transformasi citra dan
kernel ke dalam ranah frekuensi menggunakan Fourier
Transfrom.
Transformasi Fourier

Mengapa perlu transformasi ?

Setiap orang pada suatu saat pernah menggunakan suatu
teknik analisis dengan transformasi untuk menyederhanakan
penyelesaian suatu masalah [Brigham,1974]
Contoh: penyelesaian fungsi y = x/z
Analisa konvensional : pembagian secara manual
Analisa transformasi : melakukan transformasi
log(y) = log(x) – log(z)
look-up table → pengurangan → look-up table
Transformasi Fourier
•Pada tahun 1822, Joseph Fourier, ahli matematika dari Prancis
menemukan bahwa: setiap fungsi periodik (sinyal) dapat
dibentuk dari penjumlahan gelombang-gelombang
sinus/cosinus.
•Contoh : Sinyal kotak merupakan penjumlahan dari
fungsi-fungsi sinus berikut (lihat gambar pada halaman
berikut)

f(x) = sin(x) + sin(3x)/3 + sin(5x)/5 +

sin(7x)/7 + sin(9x)/9 …
Hasil dalam transformasi fourier

Fungsi kotak sebagai penjumlahan fungsi-fungsi sinus

(a) (b)

(c) (d)

Gambara) n = 1, b) n =3, c) n = 7, d) n = 99
Contoh sinyal 1 Dimensi x(t)
FT dari sinyal tersebut
 Contoh FT 2 Dimensi

Untuk menampilkan nilai FT suatu citra, karena keterbatasan display, seringkali

digunakan nilai D(u,v)= c log [1 + |F(u,v)|]