Anda di halaman 1dari 15

PEMBAHASAN A.

Konvolusi Konvolusi terdapat pada operasi pengolahan citra yang mengalikan sebuah citra dengan sebuah mask atau kernel. Konvolusi adalah perkalian total dari dua buah fungsi f dan g. Operasi yang paling mendasar dalam pengolahan citra adalah operasi konvolusi. Konvolusi dua buah fungsi f(x) dan g(x) didefinisikan sebagai berikut :

h x

g x

f a g x

a da

Integral dari tak hingga sampai tak terhingga. Yang dalam hal ini, tanda * menyatakan operator konvolusi, dan veubah (variabel) a adalah veubah bantu (dummy variabel). Untuk fungsi diskrit , konvolusi didefinisikan sebagai

h x

f x

g x

f a g x

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).

1. Ilustrasi proses konvolusi :

Konvolusi inilah yang banyak digunakan pengolahan citra digital, sayangnya rumus diatas sangat sulit diimplementasikan menggunakan komputer, karena pada dasarnya computer hanya bisa melakukan perhitungan pada data yang diskrit sehingga tidak dapat digunakan untuk menghitung intregral di atas. 2. Filtering Filtering merupakan suatu metode pada proses perbaikan citra, filtering dapat dibagi menjadi 2 bagian yaitu filtering pada domain spasial dan domain frekuensi. Pengertian filtering domain spasial pada konteks ini adalah merujuk pada ruang (plane) dari citra, sedangkan metode filtering pada domain frekuensi didasarkan dari transformasi fourier pada citra. Metode filtering yang dipakai pada tugas akhir ini adalah merupakan metode filtering pada domain spasial, karena itu pada tinjauan pustaka ini hanya akan dijelaskan mengenai filtering pada domain spasial. Metode filtering pada domain spasial adalah sebuah prosedur yang beroperasi secara langsung pada piksel-piksel citra, proses filter pada domain spasial dapat dinyatakan sebagai berikut: g(x,y) = T[f(x,y)] Dimana f(x,y) adalah citra awal, dan g(x,y) adalah citra hasil, sedangkan T adalah operator pada f yang didefinisikan terhadap ketetanggaan (x, y) . Untuk proses reduksi noise, T dapat berupa operasi penjumlahan antar piksel pada citra. Prinsip untuk mendefinisikan arti dari ketetanggaan pada

titik (x,y) adalah dengan menggunakan sebuah area sub-citra yang berbentuk persegi dan memiliki titik pusat (x,y). Titik pusat sub-citra (x, y) akan bergerak dari sudut origin yaitu pada sudut kiri atas. Dan operator T akan diaplikasikan pada piksel-piksel ketetanggan (x, y) untuk menghasilkan keluaran g pada lokasi tersebut. Subcitra tersebut dapat disebut juga sebagai filter, mask, kernel, ataupun window. dimana penamaanpenamaan tersebut mempunyai arti yang sama. ketetanggan 3x3 pada titik (x,y) dalam sebuah citra. Cara kerja dari proses filter spasial adalah dengan menggerakkan mask dari titik ke titik lain dalam citra, dengan titik pusat mask adalah titik (x, y). Keluaran dari filter adalah tergantung dari operasi yang dilakukan pada piksel-piksel dalam mask tersebut kemudian keluarannya akan di letakkan pada posisi (x, y) tersebut. Filtering spasial sendiri dapat dibagi menjadi 2 jenis yaitu linear smoothing filtering dan non linear filtering. perbedaan paling utama dari 2 metode tersebut terdapat pada metode penentuan outputnya. Jika linear filtering outputnya didapat dari hasil konvolusi citra asli dan mask filternya sedangkan output dari non linear filter didapat berdasarkan rangking pada suatu deret yang terdapat pada mask filter.

3. Impulse Response Menurut teori filtering, pada sistem yang ideal, sinyal yang masuk (impulse) sama dengan sinyal yang keluar (impulse response). Hal tersebut dapat digambarkan dengan transfer function dalam bentuk fungsi Delta Dirac. a. Sistem yang ideal

b. Sistem yang tidak ideal Pada sistem yang tidak ideal, sinyal yang masuk mengalami degradasi atau penurunan kwalitas.

4. Konvolusi pada fungsi Dwimatra a. Fungsi malar

h x

f x,y g x,y

f a ,b g x a , y b da db
5

b. Fungsi diskrit

h x, y
f

x, y
x

x,y
b

a ,b g

a, y

Fungsi penapis g(x,y) disebut juga convolution filter, convolution mask, convolution kernel atau template. Dalam bentuk diskret kernel konvolusi dinyatakan dalam bentuk matriks, misal 2x2, 3x3, 2x1 atau 1x. 1. Ilustrasi konvolusi pada fungsi Dwimatra

F(i,j)=Ap1+Bp2+Cp3+Dp4+Ep5+Fp6+Gp7+Hp8+Ip9 Contoh: misal citra f(x,y) yang berukuran 5x5 dan sebuah kernel dengan ukuran 3x3, matriks sebagai berikut :
6

4 6 F(x,y)= 5 6 3

4 6 6 7 5

3 5 6 5 2

5 5 6 5 4

4 2 2 3 4 antara citra

0 g(x,y)=-1 0

-1 4 -1

0 -1 0

Operasi F(x,y)*g(x,y).

konvolusi

f(x,y)

dengan

kernel

g(x,y),

Hasil konvolusinya adalah sebagai berikut : 4 6 5 4 3 3 0 0 2 5 4

2 2 6 2 2 3 4 4

6 6 0 3 5 2

2. Cara menghitung hasil konvolusi : 1. Menempatkan kernel pada sudut kiri atas , kemudian hitung nilai pixel pada posisi (0,0) dari kernel : hasil = 3

2. Geser kernel satu pixel ke kanan ,kemudian hitung nilai pixel pada posisi (0,0) dari kernel: hasil = 0 3. Selanjutnya dengan cara yang sama geser ke kanan, dst. 4. Geser kernel satu pixel ke bawah, lakukan perhitungan seperti diatas. 5. Nilai pixel citra tepi tidak berubah. B. 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. Transformasi Fourier merupakan transformasi paling penting di dalam bidang pengolahan sinyal (singnal processing), khususnya pada bidang pengolahan citra. Umumnya sinyal dinyatakan sebagai bentuk plot amplitudo versus waktu (pada fungsi satu matra) atau plot amplitudo versus posisi spasial (pada fungsi dwimatra). Pada beberapa aplikasi pengolahan sinyal, terdapat kesukaran melakukan operasi karena fungsi dalam ranah waktu/spasial, misalnya pada operasi konvolusi di atas. Operasi konvolusi dapat diterapkan sebagai bentuk perkalian langsung bila fungsi berada dalam ranah frekuensi.
8

Transformasi fourier adalah kakas (tool) untuk mengubah fungsi dari ranah waktu/spasial keranah frekuensi. Untuk perubahan sebaliknya digunakan transformasi Fourier balikan. Intisari dari transformasi Fourier adalah menguraikan sinyal atau gelombang menjadi sejumlah sinusoida dari berbagi frekuensi, yang jumlahnya ekivalen dengan gelombang asal. Di dalam pengolahan citra, transformasi fourier digunakan untuk menganalisis frekuensi pada operasi seperti perekaman citra, perbaikan kualitas citra, restorasi citra, pengkodean, dan lain-lain. Dri analisis frekuensi, kita dapat melakukan perubahan frekuensi pada gambar. Perubahan frekuensi berhubungan dengan spectrum antara gambar yang kabur kontrasnya sampai gambar yang kaya akan rincian visualnya. Sebagai contoh, pada proses perekaman citra mungkin terjadi pengaburan kontras gambar. Pada gambar yang mengalami kekaburan kontras terjadi perubahan intensitas secara perlahan, yang berarti kehilangan informasi frekuensi tinggi. Untuk meningkatkan kualitas gambar, kita menggunakan penapis frekuensi tinggi sehingga pixel yang berkontras kabur dapat dinaikkan intensitasnya. Contoh :Sinyal kotak merupakan penjumlahan dari fungsi-fungsi sinus berikut (lihat gambar berikut) Fungsi kotak sebagai penjumlahan fungsi-fungsi sinus. Cobakan juga program matlab berikut untuk melihat sampai batas n berapa fungsi yang dihasilkan sudah berbentuk fungsi kotak.

function kotak(n) t = 0:pi/200:8*pi; kot = sin(t); for i = 3 : 2: n kot = kot + (sin(i*t))/i; end plot(kot)

10

1. Rumus FT 1 dimensi a. Rumus FT kontinu 1 dimensi


F (u ) f ( x) exp[2 jux]dx

f ( x) F (u ) exp[2 jux]du

Euler' s formula : exp[2 jux] cos 2ux j sin 2ux

b. Rumus FT diskret 1 dimensi


F (u ) 1 N 1 f ( x) exp[2 jux / N ] N x 0 1 N 1 f ( x) x 0 F (u ) exp[2 jux / N ] N

11

Contoh berikut diambil dari Polikar (http://engineering.rowan.edu/~polikar/WAVELETS/WTtutorial.html) Misalkan kita memiliki sinyal x(t) dengan rumus sbb: x(t) = cos(2*pi*5*t) + cos(2*pi*10*t) + cos(2*pi*20*t) + cos(2*pi*50*t) Sinyal ini memiliki empat komponen frekuensi yaitu 5,10,20,50. Gambar sinyal satu dimensi dengan rumus x(t)= cos(2*pi*5*t) + cos(2*pi*10*t) + cos(2*pi*20*t) + cos(2*pi*50*t)

12

FT dari sinyal tersebut terlihat bahwa FT dapat menangkap frekuensi-frekuensi yang dominan dalam sinyal tersebut, yaitu 5,10, 20, 50 (nilai maksimum F(u) berada pada angka 5,10, 20, 50). FT dari sinyal tersebut terlihat bahwa FT dapat menangkap frekuensi-frekuensi yang dominan dalam sinyal tersebut, yaitu 5,10, 20, 50 (nilai maksimum F(u) berada pada angka 5,10, 20, 50),

13

Contoh Penghitungan FT 1 dimensi (Gonzalez hlm 90-92).

1 N 1 1 N 1 x0 f ( x) exp[2 jux / N ] N x0 f ( x)(cos(2ux / N ) j sin(2ux / N ))] N contoh : f (0) 2, f (1) 3, f (2) 4, f (3) 4 1 N 1 F (0) x 0 f ( x)(cos(2 0 x / N ) j sin(2 0 x / N ))] N 1 [ f (0) f (1) f (2) f (3)] 3.25 4 1 3 F (1) x 0 f ( x)(cos(2x / 4) j sin(2x / 4))] 4 1 [2(1 0) 3(0 j ) 4(1 0) 4(0 j ) 4 1 1 (2 3 j 4 4 j ) (2 j ) 0.5 0.25 j 4 4 1 1 F (2) [1] 0.25 F (3) [2 j ] 0.5 0.25 j 4 4 F (u )
14

Contoh Penghitungan FT a. Hasil penghitungan FT biasanya mengandung bilangan real dan imajiner b. Fourier Spectrum didapatkan dari magnitude kedua bilangan tersebut shg |F(u)| = [R 2(u) + I 2(u)]1/2 c. Untuk contoh di halaman sebelumnya, Fourier Spectrumnya adalah sebagai berikut: 1. |F(0)| = 3.25 2. |F(2)| = 0.25 2. Rumus FT 2 dimensi |F(1)| = [(-0.5)2+(0.25)2]1/2 = 0.5590 |F(3)| = [(0.5)2+(0.25)2]1/2 = 0.5590

1 M 1 N 1 FT : F (u, v) f ( x, y) exp[2 j (ux / M vy / N )] MN x 0 y 0 InversFT : f ( x, y ) F (u, v) exp[2 j (ux / M vy / N )]


u 0 v 0 M 1 N 1

M tinggi citra (jumlah baris) N lebar citra (jumlah kolom)

15