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
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
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 )
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
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
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
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