[signal processing]

2012

LAPLACIAN of GAUSSIAN (LOG) GRAPH IN MATLAB

Laplacian merupakan filter turunan yang fungsinya dapat mendeteksi area yang memiliki perubahan cepat (rapid changes) seperti tepi (edge) pada citra. Namun, laplacian ini sangat rentan atau sensitif terhadap kehadiran derau. Untuk itu, citra yang akan dideteksi tepinya perlu dihaluskan terlebih dahulu dengan menggunakan Gaussian. Dengan demikian dikenal adanya fungsi turunan baru yakni LOG atau Laplacian of Gaussian. LOG memiliki bentuk , = , = , + ,

Dalam artikel ini, kita menggunakan fungsi gaussian sebagai filter untuk smoothing, jadi untuk laplacian kita akan menurunkan rumus dari gaussian ini. Perhatikan penurunan rumus berikut ini: Formulasi gaussian untuk 2 dimensi adalah , Konstanta = 1

merupakan koefisien normalisasi pada fungsi gaussian, sehingga bisa kita

singkirkan terlebih dahulu untuk memudahkan penurunan rumus laplacian, , Maka, Turunan pertamanya adalah , , = = UV + UV =

Turunan keduanya dengan menerapkan relasi derivative UV , = 1

[janshendry@gmail.com{ee&it UGM, Indonesia}]

Page 1

[signal processing]

2012

= Hal yang sama dapat dilakukan pada nilai y, , Sehingga formulasi untuk LoG adalah = Jika koefisien normalisasi ,

= + 2

dimasukkan kembali, maka dihasilkan formulasi akhir , = 1 1 + 2

Laplacian 2 dimensi berbentuk seperti ini

Dengan cara yang sama, kita bisa mendapatkan Laplacian of Gaussian untuk 1 dimensi yakni =

[janshendry@gmail.com{ee&it UGM, Indonesia}]

Page 2

[signal processing]

2012

Sehingga didapat grafik untuk 1 dimensi sebagai berikut

Sebagai perbandingan, kita meletakkan isyarat gaussian, turunan pertama dan turunan kedua (laplacian) dalam 1 skema sebagai berikut

[janshendry@gmail.com{ee&it UGM, Indonesia}]

Page 3

[signal processing]

2012

Untuk mendapatkan grafik-grafik di atas, dapat digunakan program matlab berikut:

clear all; close all; clc; x=-3:.1:3; m=0; s=1; %% LoG 1 dimensi % L=-(1/(pi*s^4))*(1-(x.*x)/(2*s^2)).*exp(-((x-m).^2/(2*s^2))); G=exp(-((x-m).^2/(2*s^2))); Ldiv1=(-x/(s^2)).*exp(-((x-m).^2/(2*s^2))); Ldiv2=(x.*x-s.*s/(s^4)).*exp(-((x-m).^2/(2*s^2))); plot(x,G,'r',x,Ldiv1,'g',x,Ldiv2,'m'); xlabel('x'); ylabel('L(x)'); title('1-D Laplacian'); grid on; legend('Gaussian','1st derivative','2nd derivative') % %% LoG 2 dimensi [X,Y]=meshgrid(x); L2=-(1/(pi*s^4))*(1-(X.*X+Y.*Y)/(2*s^2)).*exp(-(((X-m).^2+(Y-m).^2)/(2*(s^2)))); figure, meshc(X,Y,L2); xlabel('x'); ylabel('y'); zlabel('L(x,y)'); title('2-D Laplacian'); %%

Dengan menggunakan LoG kita bisa mendeteksi tepi dari sebuah citra menggunakan konsep zero crossing. Gaussian digunakan sebagai filter untuk memperhalus citra sebelum diproses dengan laplacian. Seperti yang telah dikatakan di atas, bahwa laplacian sangat sensitif terhadap kehadiran derau. Pada artikel selanjutnya akan dibahas mengenai pemanfaatan laplacian of gaussian (LoG) sebagai deteksi tepi dari sebuah citra. @ thanks...

Sumber: http://fourier.eng.hmc.edu/e161/lectures/gradient/node10.html http://homepages.inf.ed.ac.uk/rbf/HIPR2/zeros.htm

[janshendry@gmail.com{ee&it UGM, Indonesia}]

Page 4