Image Enhancement

Perbaikan Citra pada Domain Frekuensi

 Filtering pada Domain Spasial
Operasi filtering pada domain spasial dikerjakan
dengan mempertimbangkan intensitas piksel
dalam neighborhood dan koefisien filter (atau
mask, atau kernel) yang berdimensi sama
dengan neighborhood.
Untuk mask berukuran m x n, diasumsikan
bahwa m=2a+1 dan n=2b+1, dengan a dan b
adalah integer non-negatif.
 Filtering pada Domain Spasial
Secara umum, filtering linear pada domain
spasial dari sebuah citra f berukuran M x N
dengan filter berukuran m x n dihitung dengan:
a b
g x, y w s, t f x s, y t
s at b

Untuk mendapatkan citra hasil filtering yang

lengkap, persamaan di atas harus dihitung untuk
x=0,1,,M-1 dan y=0,1,,N-1.
Filtering pada Domain Spasial
 Contoh sebuah mask berukuran
W1 W2 W3 3x3.
W4 W5 W6 Filter ini akan diterapkan /
dikonvolusikan pada setiap
W7 W8 W9 jendela ketetanggaan 3x3 pada
citra (anggap filter sudah dalam
G11 G12 G13 G14 Gbentuk
15 terbalik)
G22 = w1 G11 + w2 G12 + w3
G21 G22 G23 G24 G25 G +
13

G31 G32 G33 G34 G35 w4 G21 + w5 G22 + w6 G23

+
G41 G42 G43 G44 G45 w7 G31 + w8 G32 + w9 G33

G51 G52 G53 G54 G55

 Filtering pada Domain Spasial
Proses filtering linear pada domain spasial mirip dengan
proses konvolusi pada domain frekuensi.
Pada proses filtering, apa yang harus dilakukan jika
pusat filter mendekati tepi citra, sehingga neighborhood
menjadi tidak lengkap? Ada beberapa pendekatan,
yaitu:
1. Perhitungan hanya dilakukan pada semua piksel yang berjarak
tidak kurang dari (n-1)/2 piksel dari tepi citra.
2. Perhitungan dilakukan pada semua piksel, dengan mengambil
piksel-piksel yang tersedia saja. Sehingga untuk piksel yang
mendekati tepi citra, jumlah neighborhood yang dilibatkan
dalam perhitungan tidak harus lengkap.
3. Menambahkan baris dan kolom berisi 0 atau konstanta tertentu
pada citra. Bisa juga, mereplikasi baris dan kolom.
 II. Jenis-jenis filter spasial

Smoothing filters:
Lowpass filter (linear filter, mengambil nilai
rata-rata)
Median filter (non-linear filter, mengambil
median dari setiap jendela ketetanggan)

Sharpening filters:
Roberts,Prewitt, Sobel (edge detection)
Highpass filter
Filter Penghalusan
Filter penghalusan digunakan untuk mengaburkan
citra dan untuk mereduksi noise.
Pengkaburan biasa digunakan sebagai langkah pra
pemrosesan, seperti untuk menghilangkan detail
kecil dari suatu citra sebelum dilakukan ekstraksi
objek, dan untuk menghubungkan celah kecil yang
memisahkan garis atau kurva.
Reduksi noise bisa diselesaikan dengan
pengkaburan baik dengan menggunakan filter linier
maupun filter non-linier.
Filter Penghalusan
Output dari filter penghalusan biasanya berupa rata-
rata dari piksel yang terdapat pada neighborhood.
Filter seperti ini biasa juga disebut dengan
averaging filters dan juga lowpass filters.
Dengan mengganti intensitas setiap piksel dalam
citra dengan rata-rata intensitas pada neighborhood,
maka proses ini akan menghasilkan citra dengan
transisi tajam yang sudah berkurang.
Filter Penghalusan
Noise random biasanya memiliki transisi intensitas
yang tajam, sehingga aplikasi nyata dari penghalusan
adalah reduksi noise.
Efek samping yang tidak diinginkan dari proses
penghalusan adalah pengkaburan edge. Padahal edge
seringkali menjadi fitur penting dalam citra yang tidak
ingin dihilangkan.
Kegunaan utama dari filter averaging adalah untuk
mereduksi detail yang tidak relevant dalam suatu citra.
Filter Penghalusan

Dua buah filter penghalusan (smoothing, averaging)

berukuran 3x3. Konstanta pengali di depan setiap filter
sama dengan jumlah koefisien di dalam filter (itulah
sebabnya disebut averaging).
Filter Penghalusan
Proses filtering suatu citra berukuran MxN
dengan filter averaging berukuran mxn (m
dan n ganjil) dirumuskan sebagai berikut:
a b

w s, t f x s, y t
g x, y s at b
a b

w s, t
s at b
Filter Penghalusan
ab
cd
ef
a. Citra asal
berukuran 500 x
500 piksel.
b-f. Hasil penghalusan
dengan filter
averaging square
berukuran n = 3, 5,
9, 15, dan 35.
Filter Penghalusan

a. Citra dari Teleskop Hubble Spac.

b. Citra diproses dengan filter averaging 15 x 15
c. Hasil thresholding dengan nilai threshold sama dengan 25% intensitas
tertinggi dalam citra (b)
Order-Statistics Filters
Order-statistics filters adalah filter spasial nonlinear
yang responnya didasarkan pada pengurutan
(ranking) dari intensitas piksel-piksel yang dilingkup
oleh filter. Selanjutnya, intensitas piksel pada pusat
filter diganti dengan intensitas hasil pengurutan.
Order-statistics filter yang banyak digunakan
adalah filter median, yang mengganti intensitas
piksel pada pusat filter dengan median dari
intensitas neighborhood.
Order-Statistics Filters
Filter median cukup efektif untuk menghilangkan impulse noise,
atau disebut juga salt-and-pepper noise karena kemunculan
noise yang seperti titik putih dan hitam dalam citra.
Median, , dari sekumpulan nilai adalah suatu nilai yang dipilih
sedemikian rupa sehingga separuh dari kumpulan nilai kurang
dari atau sama dengan , dan separuhnya lagi lebih besar atau
sama dengan .
Pertama kali, intensitas piksel dalam neighborhood diurutkan,
menentukan nilai median, dan selanjutnya mengganti intensitas
piksel pada pusat neighborhood dengan median. Jika ukuran
neighborhood adalah 3 x 3, maka median adalah nilai terbesar
ke 5.
Order-Statistics Filters
Klaster piksel terang atau gelap yang terisolasi
di tengah tetangganya, dan memiliki luas kurang
dari n2/2, dapat dihilangkan dengan filter median
n x n.
Order-statistics filters lain yang bisa digunakan
adalah max filter (memilih nilai terbesar), yang
berguna untuk memilih intensitas paling terang
dalam citra. Selain itu, bisa juga digunakan min
filter dan mean filter.
Order-Statistics Filters
Filter Penajaman

Tujuan utama penajaman adalah untuk

menonjolkan detail dalam citra atau untuk
mempertajam detail yang kabur karena
kesalahan pada saat mendapatkan data citra.
Pengkaburan citra bisa dilakukan dengan
merata-rata piksel dalam neighborhood. Karena
rata-rata analog dengan integrasi, maka
merupakan hal yang logis untuk menyimpulkan
bahwa penajaman bisa dilakukan dengan
derivatif (penurunan).
Filter Penajaman
Derivatif (turunan) dari suatu fungsi digital
didefinisikan berkaitan dengan differences (selisih).
Ada beberapa cara untuk mendefinisikan differences.
Sembarang definisi bisa digunakan untuk turunan
pertama, asalkan memenuhi syarat berikut:
1. Harus nol pada segmen yang datar (area dengan tingkat
keabuan konstan).
2. Harus tidak nol pada titik awal dari step atau ramp.
3. Harus tidak nol sepanjang ramp.
Filter Penajaman
Sedangkan definisi dari turunan kedua
harus memenuhi syarat berikut:
1. Harus nol pada segmen yang datar (area
dengan tingkat keabuan konstan).
2. Harus tidak nol pada titik awal dari step atau
ramp.
3. Harus nol di sepanjang ramp dengan
kemiringan konstan.
Filter Penajaman
Definisi dasar dari turunan pertama fungsi
satu dimensi f(x) adalah selisih :
f/x = f(x+1) f(x)
Sedangkan definisi dari turunan kedua
adalah selisih :
2f/x2 = f(x+1) + f(x-1) f(x)
Filter Penajaman
Filter Penajaman
Perbandingan respons antara turunan pertama
(TS) dan turunan kedua (TD) :
1. TS umumnya menghasilkan edge yang lebih tebal.
2. TD memiliki respon yang lebih kuat terhadap detail
gambar, seperti garis tipis dan titik terisolasi.
3. TS umumnya memiliki respon yang lebih kuat pada
step.
4. TD menghasilkan respon ganda pada perubahan step.
Pada banyak aplikasi, TD lebih cocok dibanding
TS karena kemampuannya untuk memperbaiki
detail dari citra.
TD untuk Perbaikan Laplacian

Operator turunan isotropic (rotation invariant)

yang paling sederhana adalah Laplacian. Untuk
fungsi citra f(x,y) dua variable, didefinisikan :
2f = 2f/x2 + 2f/y2
Definisi untuk turunan partial kedua pada arah x:
2f/x2 = f(x+1,y)+f(x-1,y) - 2f(x,y)
dan pada arah y:
2f/y2 = f(x,y+1)+f(x,y-1) - 2f(x,y)
TD untuk Perbaikan Laplacian
Implementasi digital dari Laplacian 2D adalah :
2f = [f(x+1,y)+f(x-1,y)+ f(x,y+1)+f(x,y-1)]
4f(x,y)
Fitur background bisa dikembalikan dengan
tetap mempertahankan efek dari operasi
Laplacian. Caranya adalah dengan
menambahkan/mengurangkan citra asal
dengan citra hasil Laplacian.
TD untuk Perbaikan Laplacian
TD untuk Perbaikan Laplacian

Penggunaan Laplacian untuk perbaikan citra

sebagai berikut:
1. g(x,y)=f(x,y)- 2f(x,y), jika koefisien pada pusat
filter Laplacian bernilai negatif.
2. g(x,y)=f(x,y) + 2f(x,y), jika koefisien pada
pusat filter Laplacian bernilai positif.
TD untuk Perbaikan Laplacian
 Unsharp masking dan high-
boost filtering
Proses yang digunakan selama beberapa tahun
dalam industri penerbitan untuk menajamkan
citra adalah mengurangkan versi kabur dari
citra, ke citra asalnya. Proses ini dirumuskan
sebagai berikut:
fs(x,y)=f(x,y)-fb(x,y)
fs(x,y) menyatakan citra yang sudah ditajamkan
dengan unsharp masking, dan fb(x,y)
menyatakan versi kabur dari citra f(x,y).
 Unsharp masking dan high-
boost filtering
Generalisasi dari unsharp masking disebut
dengan high-boost filtering.
Citra hasil dari high-boost filtering, fhb,
didefinisikan:
fhb(x,y)=Af(x,y)-fb(x,y)
dengan A>=a dan fb adalah versi kabur dari
citra f.
 Unsharp masking dan high-
boost filtering
Persama sebelumnya bisa ditulis ulang:
fhb(x,y)=(A-1)f(x,y)+fs(x,y)
Jika kita memilih Laplacian untuk melakukan
penajaman, maka bisa ditulis:
fhb=Af(x,y) - 2f(x,y), jika koefisien pada pusat
filter Laplacian bernilai negatif..
fhb=Af(x,y) + 2f(x,y), jika koefisien pada pusat
filter Laplacian bernilai positif.
 Unsharp masking dan high-
boost filtering

High-boost filtering (hbf) bisa diimplementasikan dengan sekali

perhitungan dengan menggunakan salah satu di antara dua filter
(mask) di atas. Jika A=1, hbf menjadi penajaman Laplacian
standard. Ketika nilai A bertambah melebihi 1, kontribusi penajaman
menjadi semakin berkurang. Ketika A cukup besar, citra high-boost
akan mirip dengan citra asal yang dikalikan dengan suatu konstanta.
Unsharp masking dan high-
boost filtering
Referensi
Bab 3, Image Enhancement in the Spatial
Domain, Digital Image Processing, edisi
2, Rafael C. Gonzales dan Richard E.
Woods, Prentice Hall, 2002
Tujuan
Memberikan pemahaman kepada mahasiswa
mengenai :
Transformasi Fourier 1 dimensi dan 2 dimensi
Makna representasi citra pada domain frekuensi
Langkah-langkah filtering pada domain frekuensi
Keterkaitan proses filtering pada domain spasial
dengan proses filtering pada domain frekuensi
Beberapa filter penghalusan pada domain frekuensi
Tujuan
Memberikan pemahaman kepada
mahasiswa mengenai :
Beberapa tipe filter penghalusan - ideal,
Gaussian, Butterworth beserta contoh
proses filtering
Beberapa tipe filter penajaman - ideal,
Gaussian, Butterworth, Laplacian beserta
contoh proses filtering
Ide Fourier
Sembarang fungsi yang secara periodik
mengulang dirinya sendiri, bisa diekspresikan
sebagai penjumlahan fungsi sinus dan/atau
cosinus dengan frekuensi berbeda-beda,
masing-masing dikalikan dengan koefisien yang
berbeda. Penjumlahan ini disebut deret Fourier.
Fungsi yang tidak periodik (tetapi area di bawah
kurva memiliki luas berhingga) bisa
diekspresikan sebagai integral dari fungsi sinus
dan/atau cosinus yang masing-masing dikalikan
dengan koefisien tertentu. Rumusan ini disebut
transformasi Fourier.
Ide Fourier
Suatu fungsi yang diekspresikan baik dengan
deret Fourier maupun transformasi Fourier,
bisa direkonstruksi kembali (secara lengkap)
dengan proses kebalikannya, tanpa
kehilangan informasi.
Karakteristik ini memungkinkan kita untuk
bekerja dalam Fourier domain dan
selanjutnya kembali ke domain asal dari
fungsi, tanpa kehilangan informasi.
Ide Fourier
Transformasi Fourier 1-D
Transformasi Fourier dari suatu fungsi diskrit (DFT) satu
variabel, f(x), x=0,1,2, , M-1, dirumuskan sebagai
berikut :
1 M 1
F (u )
M x 0
f ( x ) e j 2ux / M
for u 0,1,..., M 1

Dari F(u), kita bisa mendapatkan kembali fungsi asal

dengan menggunakan kebalikan dari transformasi
Fourier diskrit (IDFT) :
M 1
f ( x) F (u )e j 2ux / M for x 0,1,..., M 1
u 0
Transformasi Fourier 1-D
Nilai u disebut dengan domain frekuensi.
Masing-masing dari M buah of F(u) disebut
komponen frekuensi dari transformasi.
Transformasi Fourier seringkali dianalogikan
dengan prisma kaca. Prisma kaca adalah suatu
alat yang dapat memisahkan cahaya menjadi
berbagai komponen warna. Masing-masing
komponen warna memiliki panjang gelombang
yang berbeda.
Transformasi Fourier 1-D

|F(u)| = [R2(u) + I2(u)]1/2 disebut magnitude

atau spektrum dari transformasi Fourier
dan :
I (u )
(u ) tan 1

R (u )

disebut sudut fase atau spektrum fase dari

transformasi.
Transformasi Fourier 1-D
Contoh :
u F(x) F(u)
1 13 85
2 3 1.0451 - 13.625i
3 10 -0.48936 + 21.768i
4 15 -4.5451 - 0.77954i
5 10 22.989 - 7.5757i
6 13 7
7 0 22.989 + 7.5757i
8 2 -4.5451 + 0.77954i
9 13 -0.48936 - 21.768i

10 6 1.0451 + 13.625i
Transformasi Fourier 2-D
DFT dari fungsi citra f(x,y) berukuran M x N diberikan
dengan persamaan berikut:
1 M 1 N 1
F (u , v )
MN x 0 y 0
f ( x , y ) e j 2 ( ux / M vy / N )

untuk u=0,1,2,,M-1 dan v=0,1,,N-1

Dari F(u,v), kita bisa mendapatkan kembali f(x,y)
menggunakan IDFT dengan rumusan sebagai berikut:
M 1 N 1
f ( x, y )
u 0 v 0
F (u , v ) e j 2 ( ux / M vy / N )

untuk x=0,1,,M-1 dan y=0,1,,N-1

Transformasi Fourier 2-D
Variabel u dan v adalah variabel transformasi atau variabel
frekuensi, sedangkan x dan y adalah variabel spasial atau variabel
citra.
Spectrum Fourier, sudut fase, dan power spectrum didefinisikan
sebagai berikut:

F (u , v ) R 2 ( x, y ) I 2 ( x, y )
1/ 2

I (u , v )
(u , v ) tan 1
R (u , v )

2
P (u , v ) F (u , v )
R 2
(u , v ) I 2
R(u,v) dan I(u,v) adalah bagian real dan(u , v )
imajiner dari F(u,v).
Transformasi Fourier 2-D
Fungsi citra input biasanya dikalikan dulu
dengan (-1)x+y sebelum dilakukan perhitungan
transformasi Fourier, karena titik pusat dari
transformasi Fourier perlu digeser.

f ( x, y )(1) x y F (u M / 2, v N / 2)
Persamaan di atas menetapkan bahwa titik
pusat Transformasi Fourier dari fungsi f(x,y)(-
1)x+y [yaitu F(0,0)] berada pada lokasi u=M/2 dan
v=N/2.
Transformasi Fourier 2-D
Nilai transformasi pada (0,0) adalah
M 1 N 1
1
F (0,0)
MN
f ( x, y )
x 0 y 0

yang merupakan rata-rata dari f(x,y).

Jika f(x,y) adalah citra, nilai dari Transformasi Fourier pada titik
pusat menyatakan tingkat keabuan rata-rata dari citra.
Spektrum dari transformasi Fourier transform adalah simetris,
artinya:
F (u , v) F (u ,v)
Sifat simetris dan pemusatan dari transformasi Fourier
menyederhanakan spesifikasi dari filter simetris sirkular pada
domain frekuensi.
Transformasi Fourier 2-D
Filtering pada Domain Frekuensi
Karena frekuensi dikaitkan dengan rata-rata perubahan, maka
frekuensi-frekuensi dari transformasi Fourier dikaitkan dengan
pola-pola variasi intensitas dalam citra.
Komponen frekuensi dengan variasi paling rendah (u=v=0)
berkaitan dengan tingkat keabuan rata-rata dalam citra.
Ketika agak menjauh dari titik pusat transformasi, frekuensi-
frekuensi rendah berkaitan dengan komponen citra yang memiliki
variasi intensitas yang rendah.
Ketika semakin menjauh dari titik pusat transformasi, frekuensi-
frekuensi yang lebih tinggi berkaitan dengan komponen citra yang
memiliki variasi intensitas yang tinggi. Yaitu tepi dari objek dan
komponen citra lainnya yang perubahan tingkat keabuannya
cukup cepat, misalnya noise.
Filtering pada Domain Frekuensi
Filtering pada Domain Frekuensi

Langkah-langkah filtering pada domain

frekuensi adalah:
1. Kalikan citra input dengan (-1)x+y untuk memusatkan
transformasi.
2. Hitung F(u,v), DFT dari citra pada langkah (1).
3. Kalikan F(u,v) dengan fungsi filter H(u,v).
4. Hitung inverse DFT dari citra pada langkah (3).
5. Gunakan bagian real dari citra pada langkah (4)
6. Kalikan hasil (5) dengan (-1)x+y.
Filtering pada Domain Frekuensi
Filtering pada Domain Frekuensi
Filter yang didefinisikan sebagai berikut:
0 if (u , v) ( M / 2, N / 2)
H (u , v)
1 otherwise

disebut filter notch karena filter tersebut

adalah fungsi konstan dengan sebuah
lubang (notch) di pusatnya.
Filtering pada Domain Frekuensi
Filtering pada Domain Frekuensi
Filter lowpass adalah filter yang mengubah
(menurunkan) komponen frekuensi tinggi, dan
melewatkan (passing) komponen frekuensi rendah.
Citra yang difilter menggunakan filter lowpass memiliki
detail yang kurang tajam dibandingkan citra asal.
Filter highpass adalah filter yang mengubah
(menurunkan) komponen frekuensi rendah, dan
melewatkan (passing) komponen frekuensi tinggi.
high frequencies. Citra yang difilter menggunakan
filter highpass memiliki detail yang lebih tajam
dibandingkan citra asal.
Filtering pada Domain Frekuensi
Filtering pada Domain Frekuensi
Filtering pada Domain Spasial vs Domain Frekuensi

Jika kita memiliki filter pada domain frekuensi, maka kita bisa
mendapatkan filter pasangannya pada domain spasial
dengan cara menghitung Inverse Fourier transform (IFT)
terhadap filter pada domain frekuensi. Kebalikannya juga
bisa dilakukan.
Jika kedua filter (di domain spasial dan domain frekuensi)
berukuran sama, maka secara komputasional akan lebih
efisien untuk melakukan filtering pada domain frekuensi.
Kita bisa menspesifikasikan filter pada domain frekuensi,
menghitung transformasi inverse-nya, dan selanjutnya
menggunakan filter padanan pada domain spasial sebagai
petunjuk untuk menyusun filter spasial dengan ukuran yang
lebih kecil.
Filtering pada Domain Spasial vs Filtering pada
Domain Frekuensi
Misal H(u) menyatakan fungsi filter Gaussian
pada domain frekuensi dengan persamaan
berikut : 2 2
D / 2
H (u ) Ae
dengan adalah deviasi standard dari fungsi
Gaussian. Filter padanannya pada domain
spasial adalah :
2 2 2 x 2
h( x) 2 Ae
Filtering pada Domain Spasial vs Filtering pada
Domain Frekuensi
Filter highpass yang disusun dari selisih fungsi
Gaussian berikut :
D 2 / 2 12 D 2 / 2 22
H (u ) Ae Be
dengan AB dan 1>2. Filter padanannya pada
domain spasial adalah :

2 2 12 x 2 2 2 22 x 2
h( x) 2 1 Ae 2 2 Be
Filtering pada Domain Spasial vs Filtering pada
Domain Frekuensi
Filtering pada Domain Spasial vs Filtering pada
Domain Frekuensi
Domain frekuensi bisa dianggap sebagai sebuah
laboratorium untuk mempelajari keterkaitan antara frekuensi
dan bentuk citra. Beberapa tugas perbaikan citra yang sulit
(atau bahkan tidak mungkin) untuk dirumuskan secara
langsung pada domain spasial, akan menjadi cukup mudah
untuk diselesaikan pada domain frekuensi. Begitu kita telah
memilih suatu filter melalui eksperimen pada domain
frekuensi, maka implementasi yang sesungguhnya dilakukan
pada domain spasial. Caranya adalah dengan
menspesifikasikan filter padanan pada domain spasial yang
berukuran kecil dan yang mewakili intisari dari fungsi filter
(yang berukuran lebih besar) pada domain spasial.
Filter Penghalusan (LPF)
Tepi objek dan transisi tajam yang lain
(seperti noise) memiliki kontribusi yang
cukup besar pada komponen frekuensi
tinggi dalam transformasi Fourier.
Sehingga penghalusan (pengkaburan)
bisa dilakukan pada domain frekuensi
dengan cara menurunkan range tertentu
dari komponen frekuensi tinggi.
Filter Penghalusan
Model filtering pada domain frekuensi adalah :
G(u,v) = H(u,v) F(u,v)
dengan F(u,v) adalah transformasi Fourier dari
citra yang akan dihaluskan.
Tujuannya adalah memilih fungsi filter H(u,v)
yang menghasilkan G(u,v) dengan menurunkan
komponen frekuensi tinggi dari F(u,v).
Filter Penghalusan

Ada tiga tipe filter lowpass, yaitu:

1. Filter Ideal fungsi filter yang sangat tajam.
2. Filter Gaussian fungsi filter yang sangat halus.
3. Filter Butterworth transisi di antara dua fungsi
ekstrim. Filter Butterworth memiliki parameter yang
disebut order filter. Nilai order filter tinggi
mendekati filter Ideal. Nilai order filter rendah
mendekati filter Gaussian.
Filter Lowpass Ideal
Filter lowpass ideal (ILPF) 2-D adalah filter yang
menghilangkan cut-off semua komponen
frekuensi tinggi dari transformasi Fourier yang
jaraknya dari titik pusat transformasi lebih dari
D0 . from the origin of the (centered) transform.
Fungsi ILPF 2-D adalah :
1 if D (u , v ) D0
H (u , v )
0 if D (u , v ) D0
Filter Lowpass Ideal
D0 adalah sebuah nilai non negatif, dan D(u,v) adalah
jarak dari titik (u,v) ke pusat segiempat frekuensi.
Jika ukuran citra adalah MxN, maka pusat dari
segiempat frekuensi adalah di (u,v)=(M/2,N/2).
Jarak sembarang titik (u,v) ke pusat transformasi Fourier
dapat hitung dengan :

D(u , v) u M / 2 v N / 2
2

2 1/ 2
Filter Lowpass Ideal
Filter Lowpass Ideal
Perhatikan gambar (c). Pada potongan filter lowpass
ideal, titik transisi antara H(u,v)=1 dan H(u,v)=0 disebut
cutoff frequency. Pada gambar tersebut, cutoff
frequency adalah D0.
Cara untuk menetapkan sekumpulan cutoff frequency
standard adalah dengan menghitung lingkaran yang
melingkupi sejumlah power citra total PT, yang
dirumuskan sebagai berikut :
M 1 N 1
PT P (u , v)
u 0 v 0
Filter Lowpass Ideal
Lingkaran berjari-jari r dengan pusat pada titik tengah
segiempat frekuensi melingkupi persen power,
dengan:

100

P(u, v) / P
u v
T

Penjumlahan dilakukan terhadap nilai-nilai (u,v) yang

terletak di dalam dan di pinggiran lingkaran.
Filter Lowpass Ideal
Filter Lowpass Ideal
Filter Lowpass Ideal
Proses dalam doman frekuensi berikut :
G(u,v)=H(u,v)F(u,)
ekuivalen dengna proses konvolusi pada
domain spasial berikut :
g(x,y)=h(x,y)*f(x,y)
Dari H(u,v) kita mendapatkan h(x,y) dengan
cara :
1. H(u,v) dikalikan dengan (-1)u+v untuk centering
2. Dihitung inverse DFT
3. Bagian real dari inverse DFT dikalikan dengan (-1)x+y.
Ideal Lowpass Filters
Filter Lowpass Ideal
Filter h(x,y) memiliki dua karakteristik
utama :
1. Komponen yang dominan pada titik pusat
bertanggung jawab pada pengkaburan
2. Concentric, komponen melingkar di sekitar
komponen dominan pada titik pusat
bertanggung jawab pada ringing
Filter Lowpass Ideal
Pada gambar 4.13, f(x,y) adalah citra sederhana yang
terdiri atas 5 buah piksel terang dengan background
gelap. Titik cemerlang ini bisa dianggap sebagai impuls
yang kekuatannya tergantung pada intensitas titik.
Konvolusi antara h(x,y) dan f(x,y) sebenarnya adalah
proses menyalin h(x,y) pada setiap lokasi impuls.
Sifat reciprocal (keterhubungan/timbal balik) antara
H(u,v) dan h(x,y) menjelaskan secara matematis
mengapa pengkaburan dan ringing menjadi lebih
tajam ketika filter yang digunakan dalam domain
frekuensi semakin sempit.
Filter Lowpass Butterworth

Fungsi filter lowpass Butterworth (BLPF)

dengan orde n, dan cutoff frequency
pada jarak D0 dari titik pusat, didefinisikan
sebagai :
1
H (u, v)
1 D(u , v) / D0
2n
Filter Lowpass Butterworth
Filter Lowpass Butterworth
Fungsi BLPF tidak memiliki diskontinyuitas yang
tajam, yang menetapkan cutoff yang jelas
antara frekuensi yang dilewatkan dan frekuensi
yang difilter. Untuk filter dengan fungsi transfer
yang smooth, pendefinisian lokasi dari cutoff
frequency adalah ketika H(u,v) turun dengan
prosentase tertentu dari nilai maksimumnya.
H(u,v)=0.5 (turun 50% dari nilai maksimum 1)
ketika D(u,v)=D0.
Filter Lowpass Butterworth
Filter Lowpass Butterworth
Filter Lowpass Gaussian
Bentuk dari filter lowpass Gaussian 2-D
dirumuskan :
D 2 ( u ,v ) / 2 2
H (u , v) e

adalah ukuran penyebaran kurva

Gaussian. Digunakan =D0, dengan D0
adalah cutoff frequency.
Filter Lowpass Gaussian
Filter Lowpass Gaussian
Aplikasi Praktis dari Lowpass Filtering
Gambar di bawah memberikan contoh tentang pengenalan karakter.
Contoh teks dengan resolusi rendah dibandingkan dengan hasil
filtering menggunakan filter lowpass Gaussian dengan D0=80. Citra
berukuran 444 x 508 piksel.
Aplikasi Praktis dari Lowpass Filtering
Gambar di bawah mencontohkan cosmetic processing
sebelum pencetakan.
Filter Penajaman
Penajaman citra bisa dilakukan pada domain frekuensi
dengan filtering menggunakan filter highpass, yang
menurunkan komponen frekuensi rendah dan
melewatkan komponen frekuensi tinggi dari
transformasi Fourier.
Fungsi filter highpass dihitung dengan :

H hp (u, v) 1 H lp (u, v)
Filter highpass : ideal, Butterworth, Gaussian, and
Laplacian.
Filter Penajaman
Filter Penajaman
Representasi spasial dari filter pada
domain frekuensi bisa dihitung dengan :
1. Kalikan H(u,v) dengan (-1)u+v untuk centering
2. Hitung inverse DFT
3. Kalikan bagian real dari inverse DFT dengan
(-1)x+y
Filter Penajaman
Filter Highpass Ideal
Filter highpass ideal 2-D (IHPF) didefinisikan :

0 if D(u, v) D0
H (u , v)
Filter akan menset (u , v) Dkomponen
1 ifnol Dsemua 0

frekuensi di dalam lingkaran dengan jari-jari

D0, dan melewatkan semua komponen
frekuensi di luar lingkaran.
Filter Highpass Ideal
Filter Highpass Butterworth
Fungsi filter highpass Butterworth (BHPF)
dengan oder n dan cutoff frequency
pada jarak D0 dari titik pusat dirumskan :
1
H (u , v)
1 D0 / D (u , v)
2n
Filter Highpass Butterworth
Filter Highpass Gaussian
Fungsi filter highpass Gaussian (GHPF)
dengan cutoff frequency berjarak D 0 from
dari titik pusat dirumuskan :
D 2 ( u ,v ) / 2 D0 2
H (u , v) 1 e
Filter Highpass Gaussian
Laplacian pada Domain
Frekuensi
Laplacian bisa diimplementasikan pada
domain frekuensi menggunakan filter :

H (u , v) u M / 2 v N / 2
2 2

Pada domain spasial, citra yang sudah
diperbaiki bisa didapatkan dengan :
g ( x, y ) f ( x, y ) 2 f ( x, y )
Laplacian pada Domain
Frekuensi
Citra hasil filtering dengan Laplacian bisa dihitung
dengan inverse transform Fourier dari H(u,v) F(u,v) :
2 1
2 2

f ( x, y ) u M / 2 v N / 2 F (u, v)
Seperti pada domain spasial, dimana citra yang sudah
diperbaiki bisa didapatkan dengan single mask, maka
dimungkinkan pula untuk melakukan keseluruhan
perhitungan pada domain frekuensi hanya dengan satu
filter, yang dinyatakan dengan :

H (u, v) 1 u M / 2 v N / 2
2 2

Laplacian pada Domain
Frekuensi
Citra yang sudah diperbaiki didapat
dengan sebuah operasi inverse
transformasi :
2 1
2 2

f ( x, y ) 1 u M / 2 v N / 2 F (u, v)
Laplacian pada Domain
Frekuensi
Laplacian pada Domain
Frekuensi
Referensi
Bab 4, Image Enhancement in the
Frequency Domain, Digital Image
Processing, edisi 2, Rafael C. Gonzales
dan Richard E. Woods, Prentice Hall,
2002