Pengolahan Citra Digital– Pertemuan 5

Transformasi Fourier
Prajanto Wahyu Adi
prajanto@dsn.dinus.ac.id
prajanto.blog.dinus.ac.id
Tim Pengampu Mata Kuliah Pengolahan Citra Digital
+689 6263 57775
2020
 Rencana Kegiatan Perkuliahan Semester
# Pokok Bahasan # Pokok Bahasan

8 Kompresi Citra
1 Konsep Dasar PCD 9

2 10
3 Peningkatan Kualitas Citra Segmentasi Citra
11
4 Perbaikan Citra
12
5 Transformasi Fourier Pengenalan Pola
13
6 Transformasi Cosine
7 Responsi 14 Presentasi Tugas Besar

Ujian Tengah Semester Ujian Akhir Semester

Content
1 • Fourier Transform

2 • Discrete Fourier Transform (DFT)

3 • DFT 2 Dimensi

4 • Image Enhancement pada DFT

Fourier Transform
• Fourier Transform (Transformasi Fourier) adalah salah satu teknik untuk mengubah citra dari domain
spasial ke domain frekuensi.
Fourier Transform
• Transformasi fourier diperlukan untuk menyelesaikan masalah-masalah tertentu yang sulit dilakukan
dengan menggunakan metode domain spasial

Problem in Easy Solution in frequency

frequency domain Solution domain
Fourier Inverse Fourier
Transform Transform
Problem in Difficult Solution in
real space Solution real space
Fourier Transform
• Fourier Transform: 


 i 2 .u . x
F (u )  f ( x ).e dx


• Inverse Fourier Transform




i 2 .u . x
f ( x)  F (u ).e du

Dimana:
i ,
x1= domain waktu, dan u = domain frekuensi
Discrete Fourier Transform (DFT)
• Transformasi Fourier bersifat kontinyu dan memerlukan operasi integral, sehingga sangat sulit untuk
dilakukan komputasi
• Untuk kebutuhan pengolahan citra, transformasi yang dilakukan harus bersifat Diskrit
Discrete Fourier Transform (DFT)
• DFT:
N 1 2 .u . x
i
F (u )   f ( x).e
x 0
N

• Inverse DFT:

N 1 2 .u . x
1 i
f ( x) 
N
 F (u ).e
x 0
N
Discrete Fourier Transform (DFT)
• Contoh:
Diketahui f(x) dalam bentuk diskrit berikut:

f(x)
4

0 1 2 3 x
Discrete Fourier Transform (DFT)
• Contoh:
Fungsi tersebut mempunyai N = 4 (0, 1, 2, 3) dan f(x) = {2,4,4,2}
DFT dari f(x) adalah sebagai berikut:
4 1 2 .u . x
i
F (u )   f ( x).e
x 0
4
Discrete Fourier Transform (DFT)
• Contoh:
Untuk u = 0
3
F ( 0)  
x 0
f ( x ).e 0
3
  f ( x)
x 0

 f (0)  f (1)  f ( 2)  f (3)

 2442
 12
Discrete Fourier Transform (DFT)
• Contoh:
Untuk u = 1 3 2 1 x
i
F (1)   f ( x).e
x 0
4

 2 3
i i i
 f (0).e 0  f (1).e 2
 f (2).e 2
 f (3).e 2

     2 2 
 2.1  4.  cos  i sin   4.  cos  i sin 
 2 2   2 2 
 3 3 
 2.  cos  i sin 
 2 2 
 2  ( 4i )  ( 4)  2i
 2  2i
Discrete Fourier Transform (DFT)
• Contoh:
Untuk u = 2 2 2 x
3 i
F ( 2)   f ( x).e
x 0
4

 f (0).e 0  f (1).e i  f ( 2).e i 2  f (3).e i 3

 2.1  4. cos   i sin    4. cos 2  i sin 2 
 2. cos 3  i sin 3 
 2  ( 4)  4  ( 2)
0
Discrete Fourier Transform (DFT)
• Contoh:
Untuk u = 3 3 2 3 x
i
F (3)   f ( x).e
x 0
4

3 6 9
i i i
 f (0).e 0  f (1).e 2
 f ( 2).e 2
 f (3).e 2

 3 3 
 2.1  4. cos  i sin   4. cos 3  i sin 3 
 2 2 
 9 9 
 2. cos  i sin 
 2 2 
 2  4i  ( 4)  ( 2i )
 2  2i
Discrete Fourier Transform (DFT)
• Contoh:
Hasil DFT fungsi f(x) di atas, setelah unsur real dan imaginary dipisahkan adalah:
x Real {F(x)} Im {F(x)}
0 12 0
1 -2 -2i
2 0 0
3 -2 2i
Discrete Fourier Transform (DFT)
Real, Imaginary, Amplitude/Magnitude(A), & Phase(ϴ)
x Real {F(x)} Im {F(x)}
0 12 0
1 -2 -2i
2 0 0
3 -2 2i
 Discrete Fourier Transform (DFT)
Real, Imaginary, Amplitude/Magnitude(A), & Phase(ϴ) Im
3
x Real {F(x)} Im {F(x)}
0 12 0
1 -2 -2i 2
2 0 0
3 -2 2i A
1
ϴ
Amplitude/Magnitude: -3 -2 -1 Re
A Re 2  Im 2

Sudut Fase/Phase:
 Im 
  tan 1  
 Re 
Discrete Fourier Transform (DFT)
Real, Imaginary, Amplitude/Magnitude(A), & Phase(ϴ)
Im(y)

Re(x)

z = x + iy
DFT 2 Dimensi
• Citra digital direpresentasikan oleh matrix 2 dimensi.
• Diperlukan transformasi 2 dimensi yang biasa disebut DFT 2 Dimensi ( karena citra adalah objek 2
dimensi, kadang ‘DFT 2 Dimensi’ disebut dengan ‘DFT’ saja)
DFT 2 Dimensi
• DFT 2 Dimensi:  ux vy 
x  M 1 y  N 1  2i   
F (u , v )   
x 0 y 0
f ( x, y ).e  M N 
dxdy

• Inverse DFT 2 Dimensi:

M 1 N 1  ux vy 
1 2i   
f ( x, y ) 
MN
  F (u, v).e
u 0 v 0
M N 
dxdy
DFT 2 Dimensi
• Hasil DFT 2 dimensi pada digital

Citra Asli Sudut Fase Magnitude

DFT 2 Dimensi
• Terlihat bahwa warna putih hanya berada di pojok kanan-kiri atas dan bawah saja, sedangkan bagian
tengah tampak berwarna hitam.
• Hal ini disebabkan oleh sifat simetri dari transformasi Fourier, yang membagi citra menjadi 4 bagian
yang sama dan saling bersimetri

Citra Asli Sudut Fase Magnitude

DFT 2 Dimensi
• Bila kita mengacu pada ¼ bagian kiri atas, posisi kiri atas menyatakan frekuensi rendah dan posisi
kanan bawah menyatakan frekuensi tinggi. Ini berarti semakin kekanan (v semakin besar) atau
semakin kebawah (u semakin besar) menunjukkan nilai frekuensi semakin besar.

Citra Asli Sudut Fase Magnitude

DFT 2 Dimensi
• Untuk kebutuhan analisis citra, akan lebih mudah lagi bila titik pusat koordinat frekuensi berada di
pusat citra.

Citra Asli Sudut Fase Magnitude

DFT 2 Dimensi
• Dengan sedikit modifikasi fungsi, yaitu :
G(u,v) = D(u,v).(−1)u+v
diperoleh titik pusat koordinat frekuensi sekarang bergeser di pusat citra.

Citra Asli Sudut Fase Magnitude

DFT 2 Dimensi
• Sampai tahap ini, citra siap dianalisa dan dimanipulasi

Citra Asli Sudut Fase Magnitude

Image Enhancement pada DFT
• Peningkatan kualitas citra pada domain frekuensi pada dasarnya adalah memfilter frekuensi tertentu
dan menyembunyikan frekuensi yang lain .
• Langkah-langkah penyaringan pada domain frekuensi adalah sebagai berikut:
1. Kalikan inputan image f(x,y) dengan (-1)x+y
2. Hitung transformasi Fourier F( u,v)
3. Kalikan F( u,v) dengan fungsi filter H( u,v)
4. Hitung invers dari hasil kali nomor 3.
5. Berikan real part untuk hasil dari nomor 4.
6. Kalikan hasil nomor 5 dengan (-1)x+y.
Image Enhancement pada DFT
Ideal Lowpass Filter
• Ideal Lowpass Filter adalah filter yang menghilangkan semua komponen frekuensi tinggi dari
transformasi Fourier pada jarak yang lebih besar daripada jarak yang ditentukan (dari pusat
transformasi). Filter semacam ini dinamakan Ideal Lowpass filter (ILPF).

D(u,v) adalah jarak dari titik (u,v) ke titik pusat transformasi

1 if D (u , v )  D0
H (u , v )  
0 if D (u , v )  D0
Image Enhancement pada DFT
Ideal Lowpass Filter
• Contoh:
Ideal Lowpass Filter dengan D0 = 50
Image Enhancement pada DFT
Ideal Highpass Filter
• Ideal Highpass Filter (IHPF) merupakan kebalikan dari ILPF. IHPF memberikan nilai 0 untuk semua
frekuensi di dalam lingkarang radius ketika dilewati, tanpa pengurangan, semua frekuensi di luar
lingkaran diset menjadi 1.

D(u,v) adalah jarak dari titik (u,v) ke titik pusat transformasi

0 if D (u , v )  D0
H (u , v )  
1 if D (u , v)  D0
Image Enhancement pada DFT
Ideal Lowpass Filter
• Contoh:
Ideal Highpass Filter dengan D0 = 50
Sekian

TERIMAKASIH