Penggunaan Transformasi Fourier pada domain Frekuensi

Titi Ellistiowati, 21104644, 4 KB 01, Universitas Gunadarma.

tabby_moshi@student.gunadarma.ac.id

Dokumen : www.fairyprincess.co.cc

Abstraksi

Transformasi Fourier dua dimensi dipergunakan untuk menghitung spektrum energi citra
pada domain frekuensi. Perbaikan penampilan citra dan koreksi linear dapat dilakukan dengan filter
komponen-komponen frekuensi. Pilihan jenis filter tergantung pada frekuensi guling dari peralatan
sistem optik dan faktor linear yang menyebabkan kualitas citra mengalami degradasi. Setelah itu
transformasi Fourier balik pada komponen-komponen frekuensi akan mengembalikan citra
terkoreksi ke domain spasial. Karena data ditra digital sangat besar maka untuk meningkatkan
waktu perhitungan algoritma Transformasi Fourier Cepat (FFT), harus digunakan beberapa unit
pengolah (CPU) yang bekerja secara paralel. Dalam penulisan ini penulis mengajukan pola
interkoneksi untuk komputasi paralel yang sangat cocok untuk meningkatkan kecepatan
perhitungan algoritma FFT, disebut shuffle-exchange atau perfect shuffle yang diterapkan pada
pengolah paralel berbasis Transputer Inmos T800.

1. Pendahuluan adalah suatu algoritma untuk menghitung

Pada dasarnya kontribusi penelitian fourier
dalam bidang ini, terdapat fungsi perulangan
fungsi periodik sebagai jumlah sudut sin dan
atau cos dari frekuensi yang berbeda, dan
dikalikan dengan kofisien yang berbeda
disebut dengan a fourier series.
Jika fungsi tidak periodik(tetapi area dalam
garis lengkung terbatas) dapat ditunjukan
dengan perkalian integral dari sin dan atau cos
dari fungsi weighing. Formula dalam kasus
ini disebut fourier transform dan kegunaan
dari fungsi ini lebih besar dari fourier series
dalam kebanyakan masalah pratikal.
Gambaran tadi menunjukkan karakteristik
penting dari fungsi. Fungsi fourier series dan
fourier transform dapat menyusun kembali
kelengkapan melalui proses invers yang
hilang dari informasi. Ini adalah salah satu
karakter penting yang ditunjukkan karna
karakteristik tersebut bekerja di "fourier
domain" dan kembali ke domain asli dari
fungsi tanpa kehilangan informasi satupun.
2. Pembahasan
Transformasi Fourier Cepat
Transformasi Fourier cepat (Bahasa Inggris:
Fast Fourier Transform, biasa disingkat FFT)
transformasi Fourier diskrit (Bahasa Inggris:
Discrete Fourier Transform, DFT) dengan
cepat dan efisien. Transformasi Fourier Cepat
diterapkan dalam beragam bidang, mulai dari
pengolahan sinyal digital, memecahkan
persamaan diferensial parsial, dan untuk
algoritma untuk mengalikan bilangan bulat
besar.
Misalkan ''x0, ...., xN-1 merupakan bilangan
kompleks. Transformasi Fourier Diskret
didefinisikan oleh rumus:
(2.1)
Menghitung deret ini secara langsung
memerlukan operasi aritmetika sebanyak
O(N2). Sebuah algoritma FFT hanya
memerlukan operasi sebanyak O(N log N)
untuk menghitung deret yang sama. Secara
umum algoritma tersebut tergantung pada
pemfaktoran N.
Setiap algoritma FFT, dengan penyesuaian,
dapat diterapkan pula untuk menghitung DFT
invers. Ini karena DFT invers adalah sama
dengan DFT, namun dengan tanda eksponen
berlawanan dan dikalikan dengan faktor 1/N.
Tambahan dari dimensi satu DFT dan lowpass filter. Sedangkan karakter filter yang
inversnya yang didalamnya ke dimensi dua sebaliknya dinamakan higpass filter.
adalah straightforward. Fungsi (image) dari
DFT f(x,y) dengan ukuran M x M
Seperti kasus 1-D, untuk ekspresi ini harus Korespondensi antara Filtering Spatial dan
dihitung dengan menggunakan nilai dari u = Frekuensi Domain
0, 1, 2, ... , M-1 dan juga untuk v = 0, 1, 2, ... , Hubungan paling dasar antara filtering spatial
N-1. Dengan cara yang sama , dengan dengan frekuensi domain adalah dengan
dibuktikan dengan hasil yang dikenal dengan
memberikan melalui invers Fourier convolution theorem. Prosesnya adalah kita
transform. memindahkan mask dari pixel ke pixel di
dalam satu image dan menghitung quantitas
Dasar Penyaringan di Frekuensi domain dari setiap pixel.
Penyaringan di frekuensi domain adalah
straightforward. Dengan mengikut langkah-
langkah sebagai berikut: (2.2)
Semua fungsi dari pengembangan
1. Kalikan inputan image dengan
pendahuluan mempunyai ukuran size yang
kedalam tranform
sama, . Maka dari itu, kenyataannya,
2. Hitung , sebagai image dari nomor penetapan filter dalam frekuensi domain dan
1. mengambil invers dari transform untuk
3. Kalikan dengan fungsi filter menghitung ekivalen filter domain spatial dari
. ukuran yang sama tidak terlalu membantu
4. Hitung invers DFT dari hasil kali nomor 3. perhitungan point dari view.
5. Berikan real part untuk result dari nomor Dasar filter, berasal dari fungsi Gaussian,
4. penting karna spesifikasi shape dan antara
fungsi forward dan invers fourier transform
6. Kalikan hasil nomor 5 dengan . dari fungsi Gaussian adalah fungsi nyata dari
Gaussian. melambangkan frekuensi
Alasan mengapa disebut filter, karna domain, fungsi Gaussian Filter menjadi :
menyembunyikan frekuensi tertentu
di dalam transform selama berubahan yang (2.3)
dimana adalah standard deviasi dari garis
lain tidak tetap. Persamaan form,
Gaussian.
mewakili inputan image dari cara nomor 1
Hal ini dapat ditunjukkan bahwa
dan sebagai Fourier transform. koresponding filter di domain spatial
. Filter image
didapatkan secara sederhana dengan (2.4)
Dua ekuasi tadi menunjukkan hasil penting
mengambil invers dari Fourier dengan dua alasan: (1) membentuk pasangan
transform : Filter image = . fourier transform, dan komponen yang
Image akhir didapatkan dengan mengambil didalamnya adalah Gaussian dan real. (2)
real part dari hasil filter image dan pengkalian fungsi tersebut berjalan saling berbalas
dengan merespon satu sama lain.
dari untuk membatalkan banyak
perkalian dari inputan image. Smoothing Frequency-Domain Filters
Low-frequency pada Fourier transform Edge dan transisi ketajaman lainnya (seperti
berperan dalam penampilan gray-level dari noise) pada gray level sebuah image, memuat
suatu image di area yang lebih smooth, secara signifikan high-frequency content pada
sedangkan high-frequency berperan dalam Fourier transformnya. Smoothing (blurring)
detail, seperti edge dan noise. Sebuah filter dapat dilakukan dengan menurunkan range
yang mengurangi high-frequency selama pada komponen high-frequency dari
’melewatkan’ low-frequency dinamakan
transformasi image tersebut. Ada tiga tipe
lowpas filters, yaitu: ideal, Butterworth, dan
Gaussian (dengan range mulai dari yang
paling sharp/tajam ke yang paling
smooth/lembut). Butterworth filter merupakan
transisi dari kedua tipe lainnya, dikarenakan
memiliki parameter filter order, jika nilai
parameter ini tinggi hasil filteringnya akan
mendekati ke ideal filter, sebaliknya jika nilai
parameter ini rendah hasil filteringnya akan
mendekati ke Gaussian filter.
Ideal Lowpass Filters
Lowpass filter yang paling untuk diperkirakan
gambaran hasilnya adalah filter yang
menghilangkan semua high-frequency
component dari Fourier transform pada jarak
yang lebih besar daripada jarak spesifik
(dari pusat transformasi). Filter semacam ini
dinamakan two-dimensional (2-D)Ideal
Lowpass filter (ILPF).
(2.5)
Dimana D(u,v) adalah jarak dari titik (u,v) ke
pusat dari kotak frekuensi (titik pusat
transformasi). Ideal filter mengindikasikan
bahwa semua frequency di dalam radius
lingkaran dilewatkan tanpa melalui
attenuasi (pengurangan), sedangkan semua
frequency di luar radius dilewatkan dengan
atenuasi. Pada ideal lowpass filter cross
section, titik yang merupakan transisi antara
dan dinamakan cutoff
frequency.
Cara untuk mendapatkan sekelompok
standard cutoff frequency lock adalah dengan
menghitung lingkaran yang mendekati jumlah
spesifik dari total image power . nampak jelas bila order filternya semakin
Perhitungan ini didapat dengan
menjumlahkan semua komponen dari power
spectrum tiap titik . merupakan keputusan yang tepat jika
. (2.6)
Transformasi yang dipusatkan tersebut,
merupakan sebuah lingkaran dengan radius r
pada titik pusat, dan mendekati persen dari
power (semakin mendekati 100% semakin
bagus). Hasil penjumlahan spectrum tersebut
terdapat di dalam lingkaran yang
bersangkutan. Semakin tinggi radius
filterisasi, maka akan semakin sedikit power
image yang terbuang, dan keburamannya
akan semakin berkurang.
Berdasarkan formula Fourier transform, dapat
dicari formula lain yang berkaitan dengan
proses pada domain yang memakan ruang,
yaitu:
g(x,y) = h(x,y) * f(x,y) (2.7)
Dimana, h(x,y) merupakan invers dari fungsi
transfer filter H(x,y). h(x,y) memiliki dua
karakteristik utama: komponen dominant dari
origin, dan komponens sirkular dan terpusat
dari center component. Center component
inilah yang paling berperan untuk
memburamkan. Sedangkan concentric
component berperan melingkari area
karakteristik dari ideal filter.
Butterworth Lowpass Filters
Fungsi transfer dari Butterworth lowpass
filter (BLPF) dengan order n, dan dengan
cutoff frequency pada jarak dari origin,
yaitu:
(2.8)
Tidak seperti ILPF, fungsi transfer BLPF
tidak memiliki ketajaman berkelanjutan yang
menghasilkan cutoff yang jelas antara
frequency yang dilewatkan dan frequency
yang difilter. Dalam BLPF, transisi
pemburaman bisa dinyatakan sebagai fungsi
peningkatan cutoff frequency. Terlebih lagi,
tidak mudah untuk melihat ringing
(pelingkaran) pada setiap image yang diproses
dengan menggunakan BLPF, mengingat
atribut dari transisi terletak antara low dan
high frequency. Tetapi ringing akan semakin
tinggi pula. Order 20 pada Butterworth akan
menampilkan karakteristik yang sama dengan
ILPF. Pada umumnya, BLPF order 2
menyangkut lowpass filtering yang efektif
dan memiliki karakteristik ringing yang dapat
diterima.
Gaussian Lowpass Filters
Gaussian Lowpass filters (GLPF) bisa
dimanfaatkan untuk mengetahui lebih dalam
relasi antara spatial dengan frequency
domain. merupakan ukuran penyebaran dari
kurva Gaussian. Dengan = , persamaan
nya akan menjadi :
(2.9)
dimana adalah cutoff frequency. Bila
D(u,v)=D0, filter akan turun hingga 0,607
dari nilai maximum. GLPF tidak dapat
mencapai hasil yang sama smoothnya dengan
BLPF order 2 pada nilai cutoff frequency yang
sama. Tidak ada ringing pada GLPF, tidak
seperti BLPF yang pemunculan ringing nya
bisa diatur melalui filter order.
Aditional Examples of Lowpass Filtering
Beberapa aplikasi yang menerapkan lowpass
filtering, di antaranya adalah: character
recognition, printing and publishing industry,
dan processing satellite and aerial images.
Pada pengiriman teks melalui fax yang
berulang-ulang, terkadang menyebabkan
beberapa bagian dari teks mengalami
kerusakan sehingga sulit dibaca, Dengan
menerapakan Gaussian filter pada character
recognition, nantinya huruf-huruf dari teks
yang rusak tersebut akan “diperbaiki” menjadi
lebih mudah dibaca. Lowpass filtering juga
bisa dimanfaatkan untuk memperbaiki image
agar lebih indah dipandang, misalnya: pada
image wajah seseorang, cacat atau kelemahan
pada wajahnya dapat “ditutupi” dengan cara
diblurr (disamarkan). Lowpass filtering
membantu memudahkan analisa dengan
merata-rata fitur yang penting agar jumlah
fitur yang perlu diperhatikan menjadi lebih
kecil.
Sharpening Frequency Domain Filters
Image sharpening (penajaman) bisa didapat di
frequency domain dengan menggunakan
proses high-pass filtering, dengan
mengurangi komponen low-frequency tanpa
mengganggu informasi high-frequency pada
transformasi Fourier-nya. High-pass filtering
merupakan kebalikan dari low-pass filtering,
persamaannya:
(2.10)
dimana merupakan fungsi transfer
dari lowpass filter yang berkaitan. Oleh sebab
itu, bila lowpass filter mengurangi
(mengatenuasi) frequency, higpass filter akan
melewatkannya, begitu pula sebaliknya.
Ideal Highpass Filters
Ideal Highpass Filter (IHPF) merupakan
kebalikan dari ILPF. IHPF memberikan nilai
0 untuk semua frequency di dalam lingkarang
radius ketika dilewati, tanpa pengurangan,
semua frequency di luar lingkaran diset
menjadi 1. IHPF memiliki ringing properties
sama seperti ILPF. Semakin besar nilai
tampilan yang dihasilkan akan semakin tajam,
dengan edge yang semakin jelas, dan objek-
objek lain yang lebih kecil akan terfilter
dengan makin sempurna.
Butterworth Highpass Filters
Sama seperti kasus pada lowpass filtering,
hasil dari Butterworth Highpass Filter
(BHPF) order 2 pada yang diset sama
dengan IHPF, akan nampak lebih smooth
daripada hasil IHPF. Persamaannya adalah:
(2.11)
Transisi cutoff frequency ke nilai yang lebih
tinggi, akan menampilkan hasil yang lebih
lembut dengan menggunakan BHPF.
Gaussian Highpass Filters
Fungsi transfer pada Gaussian Highpass Filter
(GHPF) dengan cutoff frequency terletak pada
jarak dari origin, adalah:
(2.12)
Tampilan yang dihasilkan akan nampak lebih
lembut bila dibandingkan dengan dua filter
sebelumnya, meskipun filtering dari objek-
objek yang lebih kecil nampak lebih bersih
dengan Gaussian filter.
The Laplacian in the Frequency Domain
Laplacian dapat diimplementasikan di
frequency domain dengan menggunakan
filter.
Sama seperti semua operasi filtering,
diasumsikan bahwa origin F(u,v) dipusatkan
dengan menggunakan operasi
prior untuk menerapkan
transformasi ke image.
Image yang telah difilter dengan Laplacian di
spatial domain didapatkan dengan
menghitung invers transformasi Fourier dari
H(u,v)F(u,v).
Laplacian tersubstraksi dari (dibandingkan
menambahkan ke) original. Sama seperti di
spatial domain, dimana akan didapatkan
enhanced image dengan single mask, ini
memungkinkan untuk menjalankan seluruh
operasi dalam frequency domain hanya
dengan menggunakan satu filter,
(2.13)
Dalam hal ini, enhanced image didapatkan
dengan sebuah invers operasi transformasi
single:
(2.14)
Agar dapat membuat hasil yang tepat dengan
implementasi tersebut, perlu diperharikan
penskalaan filter, karena variable squared
filter dapat terdiri dari beberapa order
magnitude yang lebih besar dar 1.
Unsharp Masking, High-Boost Filtering,
and high-Frequency Emphasis Filtering
Pada image-image yang terfilter dengan
menggunakan filterisasi-filterisasi di atas,
memiliki satu kesamaan: Intensitas rata-rata
backgroundnya direduksi hingga mendekati
hitam. Hal ini disebabkan bahwa, pada
highpass filter, penerapan ke image adalah
dengan menghilangkan zero-frequency
component dari transformasi Fourier-nya.
Solusi untuk masalahini adalah dengan
menambahkan porsi dari image ke hasil yang
terfilter. Dalam hal ini, penambahan dengan
menggunakan Laplacian telah dilakukan
dengan tepat. Terkadang akan ada keuntungan
dengan meningkatkan konstribusi yang dibuat
oleh original image ke semua hasil yang
terfilter. Pendekatan ini dinamakab high-boost
filtering, merupakan generalisasi dari unsharp
masking.
Unsharp masking memuat pembangkitan
sebuah image yang tajam dengan substraksi
dari versi buram image itu sendiri.
High-boost filtering menggenerasi ini dengan
mengalikan f(x,y) dengan konstanta :
(2.15)
High-boost filtering memberikan fleksibilitas
untuk meningkatkan konstribusi yang dibuat
oleh image ke seluruh hasilnya. Hasil tersebut
didasarkan pada highpass daripada lowpass
image. Ketika , high-boost filtering
mereduksi ke highpass filtering. High-boost
filtering dapat diimplemetasikan dengan
composite filter:
(2.16)
Terkadang menguntungkan untuk menekanka
konstribusi ke penambahan yang dibuat oleh
high-frequency component suatu image.
Dalam hal ini, kita mengkalikan sebuah
fungsi highpass filter dengan suatu konstanta
dan menmbahkan suatu cabang, sehingga zero
frequency dalam hal ini tidak tereliminasi
oleh filter. Proses ini dinamakan high-
frequency emphasi, yang biasanya digunakan
untuk memperjelas gambar hasil X-ray.
Homomorphic Filtering
Pada filtering ini sebuah image f(x,y)
menjalani suatu proses filtering tertentu
sehingga menghasilkan enhanched image
g(x,y) yang diinginkan. Pendekatan
Homomorphic secara singkat dideskripsikan
oleh bagan:
Gambar 2.2 Bagan Homomorphic
Kunci dari pendekatan ini adalah pemisahan
antara komponen pencahayaan dengan
komponen pemantulan -- dicapai pada tahap
DFT -- sehingga fungsi homomorphic --
H(u,v) dapat dioperasikan pada kedua
komponen ini secara terpisah.
Penjelasan Bagan:
1. Pada tahap pertama terdapat image f(x,y).
(2.17)
Namun karena Fourier transform dari
perkalian produk kedua fungsi tidak dapat
dipisahkan maka kita perlu melakukan
pendekatan lain.
2. Kita bisa menentukan bentuk ln dari f(x,y)
(2.18)
3. Kemudian dilakukan Fourier transform
terhadap ln i(x,y) dan ln r(x,y)
(2.19)
4. Selanjutnya Z(u,v) diproses dengan fungsi
filter H(u,v)
 5. Separability
(2.20) Kita dapat menghitung 2-D transform dengan
5. Berikutnya dilakukan inverse Fourier menghitung 1-D transform sepanjang tiap
transform terhadap hasil proses baris pada image inputan kemudian dari
(H(u,v)Fi(u,v)) dan H(u,v))Fr(u,v))) tersebut hasilnya dihitung 1-D transform sepanjang
tiap kolom. Dan sebaliknya. Hal yang sama
(2.21) juga berlaku untuk inverse Fourier transform
6. Hasil akhirnya adalah enhanced image yang disebut Algoritma Forward
g(x,y) Transform. Pada algoritma ini bagian
conjugate yang kompleks dapat diabaikan,
yang perlu dihitung hanyalah bagian yang
real.
(2.22)

Implementasi Fourier Transform Shuffle-Exchange

1. Propeti tambahan untuk 2-D Fourier
Transform Translation
Yaitu ketika u0 = M/2 dan v0=N/2 maka:
Pada kasus ini
Pada model ini, tidak ada dilatasi – 1 pada
pohon binomial. Efisiensi algoritma ini jika
jumlah digabungkan secara berpasangan.
Angka logaritma dari tahapan penggabungan
dapat menemukan total akhir. Setelah
log p shuffle exchange, prosesor O
mendapatkan total akhir prosesor.

Parameter n (Number of elements to add)

menjadi P (Number of processing elements)
Global j
Local local set size, local value [1... n/p ], sum,
DAN tmp
Begin
menjadi For all Pi, where ( ) ≤ i ≤ p – 1 do
If i < (n modulo p) then
Local.set.size Å n/p
2. Distribusifitas dan Penskalaan
Else
Fourier transform bersifat distributif pada
Local.set.size Å n/p
penjumlahan tetapi TIDAK pada perkalian. Endif
Sifat yang sama berlaku untuk inverse Fourier Sum Å 0
transform dan untuk dua skalar a dan Endfor
3. Rotasi
For j Å 1 to n/p do
Merotasikan f(x,y) dengan sudut akan For all Pi, Where 0 ≤ i ≤ P-1 do
merotasikan F(u,v) dengan sudut yang sama
If local.set.size ≥ j then
pula, dan sebaliknya.
Sum Å sum + local.value[j]
4. Periodikitas dan simetri konjugasi
Endif
Properti periodikitas (keperiodikan)
Endfor
menunjukkan F(u) memiliki panjang periode
Endfor
M dan properti simetri mengindikasikan
For j Å 0 to log p-1 do
spektrum berpusat pada origin. Karena
For all Pi, Where 0 ≤ i ≤ P-1 do
Fourier transform diformulasikan untuk nilai
u pada interfal [0,M-1] maka ia mengandung Shuffle (sum) ⇐ sum
dua buah setengah period ([0,M/2] dan Exchange (tmp) ⇐ sum
[M/D,M-1]) yang merupakan refleksi satu Sum Å sum + tmp
sama lain di titik M/2. Untuk menampilkan Endfor
satu period penuh maka origin transform Endfor
harus dipindahkan ke u=M/2. Yaitu dengan END
cara mengalikan f(x) dengan (-1)^x.
Waktu Kompleksitas : (n/p + log p) 3. Kesimpulan
Transformasi Fourier Cepat
merupakan algoritma yang sangat cocok
dalam perhitungan spektrum energi citra pada
frekuensi domain. Hal ini disebabkan karena
Algitma ini memiliki waktu yang cepat dalam
penyelesaiannya dan juga agoritma yang
sederhana. Namun penggunaan algoritmaini
tidak terlepas pula dari faktor-faktor
pendukung seperti CPU dan media
penghubung yang lainnya.

Daftar Pustaka

[1]

http://id.wikipedia.org/wiki/Transformasi_Fo
urier_cepat

[2]

http://www.unri.ac.id/jurnal/jurnal_natur/vol6
(1)/Elfizar.pdf

[3]
Gambar 2.1 Algoritma Shuffle Exchange
http://www2.eepis-its.edu/~riyanto/citra-
bab6.pdf

[4]

http://agusza.its-
sby.edu/kuliah/citra/bab4_detail.html

[5]

M.T. Suryadi, Perancangan dan Analisis

Algoritma Paralel 1, Gunadarma, Jakarta,
1996.