Filtering

Pendahuluan
Perbaikan Citra (Image Enhancement)
Perbaikan terhadap suatu citra dapat dilakukan dengan:
1. operasi titik (point operation)
2. operasi spasial (spatial operation)
3. operasi geometri (geometric operation)
4. operasi aritmatik (arithmetic operation)
 Prinsip Filter Dalam Image Processing
Gambar selalu berada pada frekwensi rendah, hal ini
karena setiap titik pada gambar mempunyai banyak
kemiripan warna dengan titik-titik tetangganya.
Bila suatu gambar menunjukkan frekwensi tinggi
maka pada gambar tersebut banyak titik yang nilai
gray-scalenya (warna) yang berbeda jauh dengan titik-
titik tetangganya.

Frekwensi rendah Frekwensi Tinggi

 Prinsip Filter Dalam Image Processing
Untuk membuang titik yang berbeda dengan titik-titik
tetangganya (proses reduksi noise) maka dilakukan Low-
Pass Filter (LPF), suatu bentuk filter yang mengambil
data pada frekwensi rendah dan membuang data pada
frekwensi tinggi
Untuk mempertahankan titik yang berbeda dengan titik-
titik tetangganya (proses deteksi tepi) maka dilakukan
High-Pass Filter (HPF), suatu bentuk filter yang
mengambil data pada frekwensi tinggi dan membuang
data pada frekwensi rendah.
Untuk mempertahankan titik yang dekat dengan titik-titik
tetangganya, dan titik yang berbeda dengan titik-titik
tetangganya (sharperness) maka dilakukan Band Pass
Filter, yang berguna mempertahankan frekwensi rendah
dan tinggi yang tidak terlalu rendah dan tinggi.
Kernel & Konvolusi
Proses spasial filtering tidak dapat dilepaskan dari teori
kernel (mask) dan konvolusi.
Sebelum pembahasan operasi spasial maka akan diawali
dengan konsep kernel dan konvolusi
Kernel & Konvolusi (2)
Kernel
adalah matrik yang pada umumnya berukuran kecil dengan
elemen-elemennya adalah berupa bilangan.
Kernel digunakan pada proses konvolusi. Oleh karena itu
kernel juga disebut dengan convolution window (jendelan
konvolusi).
Ukuran kernel dapat berbeda-beda, seperti 3x3, 5x5 dan
sebagainya. Elemen-elemen kernel yang juga disebut bobot
(weight) merupakan bilangan-bilangan yang membentuk
pola-pola tertentu. Kernel biasa juga disebut dengan filter,
template, mask serta sliding window. Contoh Kernel
Kernel & Konvolusi (3)
Contoh Kenel 3 x 3
Kernel & Konvolusi (4)
Konvolusi
didefinisikan secara sederhana sebagai operasi
penjumlahan dari perkalian dengan notasi operasi ( * ),
yang mengalikan sebuah citra dengan sebuah maks
atau kernel
Kernel & Konvolusi (5)
Konvolusi dalam notasi matematika didefinisikan
sebagai berikut:

dimana :
I’(u,v) : hasil konvolusi
I (u,v) : Citra asli
h(i,j): kernel
Kernel & Konvolusi (6)
Operasi
 konvolusi → menggeser kernel pixel per pixel
‐ hasil disimpan dalam matriks baru

Ilustrasi konvolusi
kernel
Citra Asli

F(i,j) = Ap1 + Bp2 + Cp3 + Dp4 + Ep5 + Fp6 + Gp7 +

Hp8 + Ip9
Contoh Konvolusi
Citra f(x,y) berukuran 5 x 5 dan dibuat kernel
berukuran
3x3
 Contoh Konvolusi (2)
-1 0 1 4 4 3 5 4          
-1 0 -1 0 6 6 5 5 2   3      
0 -1 4 -1 5 6 6 6 2          
1 0 -1 0 6 7 5 5 3          
3 5 2 4 4          

4 4 3 5 4          
6 6 5 5 2   3 0    
5 6 6 6 2          
6 7 5 5 3          
3 5 2 4 4          

4 4 3 5 4          
6 6 5 5 2   3 0 2  
5 6 6 6 2          
6 7 5 5 3          
3 5 2 4 4          
 Contoh Konvolusi (3)
4 4 3 5 4           4 4 3 5 4          
6 6 5 5 2   3 0 2   6 6 5 5 2   3 0 2  
5 6 6 6 2   0       5 6 6 6 2   0 2 6  
6 7 5 5 3           6 7 5 5 3   6      
3 5 2 4 4           3 5 2 4 4          

4 4 3 5 4           4 4 3 5 4          
6 6 5 5 2   3 0 2   6 6 5 5 2   3 0 2  
5 6 6 6 2   0 2     5 6 6 6 2   0 2 6  
6 7 5 5 3   6 0    
6 7 5 5 3          
3 5 2 4 4          
3 5 2 4 4          

4 4 3 5 4          
4 4 3 5 4          
6 6 5 5 2   3 0 2  
6 6 5 5 2   3 0 2  
5 6 6 6 2   0 2 6  
5 6 6 6 2   0 2 6  
6 7 5 5 3   6 0 2  
6 7 5 5 3          
3 5 2 4 4          
3 5 2 4 4          
Hasil Akhir Contoh Konvolusi
4 4 3 5 4

6 6 5 5 2 3 0 2

5 6 6 6 2 0 2 6

6 7 5 5 3 6 0 2

3 5 2 4 4

Bila hasil konvolusi negatif, maka nilai dijadikan

0. (clipping)
Bila hasil konvolusi > derajat keabuan maksimum,
maka nilai diubah ke derajat keabuan maksimum.
(clipping)
Filtering
Beberapa filter yang sering digunakan:
Low pass (Mean Filter, Gaussian Filter)
High pass
Median
Low Pass Filter
 Low Pass Filter (LPF) adalah suatu bentuk filter yang
mengambil frekwensi rendah dan membuang frekwensi tinggi.
 LPF digunakan untuk melakukan proses efek blur dan reduksi
noise.
 Ciri-ciri kernel dari LPF adalah semua nilainya positif dan
jumlah dari semua nilainya sama dengan satu

H ( x, y )  0 dan
 H ( x, y )  1
xy
Low Pass Filter
Low Pass Filter menghasilkan citra yang lebih lembut
(smooth) sehingga terkesan kabur (blur)

Yang tergolong low pass filter adalah:

 Mean filter /averaging filter
Linear
 Gaussian filter
filter
Mean filter
Pada averaging filter untuk mendapatkan nilai pixel baru
yaitu dengan nilai rata-rata dari pixel tetangga dan pixel
citra aslinya.
Mean filter (2)
Contoh filter mean 3 x 3

Secara matematis dapat dituliskan:

1/16 X
Contoh Low pass filter
Filter Matrik Citra Asli Matrik Hasil Filtering

Cara Menghitung
I’(1,1) = (1* 1/9) + (1*1/9) + (3*1/9)+
(1*1/9) + (1*1/9) + (4*1/9)+
(2*1/9) + (1*1/9) + (3*1/9)
= 1.89 = 2
Atau
Contoh Low pass filter (2)
Filter Matrik Citra Asli Matrik Hasil Filtering

I’(2,2) = (1+1+3+1+1+4+2+1+3)/9
= 1.89 = 2
I’(2,3) = (1+3+3+1+4+4+1+3+3)/9
= 2.56 = 3
dst
Linnear Filter
Gaussian Filter
Filter Gaussian adalah salah satu filter
linear dengan nilai pembobotan untuk setiap
anggotanya dipilih berdasarkan bentuk
fungsi Gaussian.
Filter Gaussian digunakan untuk proses
penghalusan (smoothing), pengaburan
(bluring) dan menghilangkan derau (noise).
Gaussian 1 Dimensi (1-D)
Fungsi Gaussian 1 dimensi (1-D) dapat dinyatakan
sebagai berikut

dengan δ menyatakan standar deviasi dari distribusi.

Gaussian 1 Dimensi (1-D) (2)
Gambar Distribusi Gaussian 1-D
dengan mean = 0 dan δ =1
Gaussian 1 Dimensi (1-D) (3)
 Kernel Gaussian 1D dengan δ = 1 filter 1 x 9

dst
Maka, kernel gaussian dapat dituliskan
Gaussian 2 Dimensi (2-D)
Fungsi Gaussian 2 dimensi (2-D) dapat dinyatakan
sebagai berikut:
Gambar Distribusi Gaussian 2-D
dengan mean = (0,0) dan δ =1
Contoh Gaussian 1D
Kernel matrik citra asli hasil filter gaussian
Contoh Gaussian 2-D
Gaussian 2-D merupakan 2 x 1-D
Hasil Gaussian 1-D di lakukan perhitungan gaussian 1-
D sehingga menghasilkan gaussian 2-D
Hasil Gaussian 1-D Filter gaussian hasil
High Pass Filter
High Pass Filter (HPF) adalah suatu bentuk filter
yang mengambil frekwensi tinggi dan membuang
frekwensi rendah.
HPF digunakan untuk melakukan proses deteksi tepi.
Ciri-ciri kernel dari HPF adalah nilai-nilainya terdiri
positif, nol dan negatif, dan jumlah dari semua

 H ( x, y )  0
nilainya sama dengan nol
xy
High Pass Filter (2)
Contoh high pass filter 3 x 3
Contoh High Pass Filter
Matrik Citra Asli Filter Matrik Citra Hasil
Contoh High Pass Filter (2)
Matrik Citra Asli Filter Matrik Citra Hasil

Cara menghitung

O(22) = (0*0) + (0*(-1)) + (0*0) +(0*(-1)) + (1*4) + (1*(-1)) +

(0 * 0) + (1*(-1)) + (1*0)
=2
Contoh High Pass Filter (3)
Matrik Citra Asli Filter Matrik Citra Hasil

Cara menghitung

O(23) = (0*0) + (0*(-1)) + (0*0) +(1*(-1)) + (1*4) + (1*(-1)) +

(1 * 0) + (1*(-1)) + (1*0)
=1
Dan seterusnya sampai posisi O(74)
Contoh High Pass Filter (4)
Matrik Citra Asli Filter Matrik Citra Hasil

Cara menghitung

O(23) = (6*0) + (1*(-1)) + (0*0) +(1*(-1)) + (1*4) + (1*(-1)) +

(0 * (-1)) + (1*(-1)) + (0*0)
=1
Median Filter
Filter median merupakan filter spasial nonlinear, yang
hasil prosesnya berdasarkanpada peringkat (rangking)
nilai pixel
Median dalam statistik berarti mencari nilai yang
berada di tengah deretan semua angka yang telah
diurutkan
Median ini bermanfaat untuk mengatasi masalah derau
(noise).
Contoh Median Filter
Kernel yang digunakan 3 x 3
Citra Asli Citra Hasil
 Contoh Median Filter (2)
Cara menghitung :
Citra asli citra asli yg telah Citra hasil
Diurutkan
 Contoh Median Filter (3)
Cara menghitung :
Citra asli citra asli yg telah Citra hasil
diurutkan

Dan seterusnya sampai posisi O(7,4)

 Contoh Median Filter (4)
Cara menghitung :
Citra asli citra asli yg telah Citra hasil
diurutkan