TRANSFORMASI

RANAH FREKUENSI
IRMA AMELIA DEWI.,S.Kom.,MT
TRANSFORMASI FOURIER
• Proses perubahan fungsi dari ranah ranah spasial ke ranah frekuensi dilakukan
melalui Transformasi Fourier
• Sedangkan perubahan fungsi dari ranah frekuensi ke ranah spasial dilakukan
melalui Transformasi Fourier Balikan (invers).
• Umumnya sinyal dinyatakan sebagai plot amplitudo versus posisi spasial (pada
fungsi dwimatra).
• Transformasi Fourier digunakan untuk menganalisis frekuensi pada operasi seperti
perekaman citra, perbaikan kualitas citra, restorasi citra, pengkodean, dan lain-lain.
• Perubahan frekuensi berhubungan dengan spektrum antara gambar yang kabur
kontrasnya sampai gambar yang kaya akan rincian visualnya.
Dimana
x dan y adalah peubah spasial, sedangkan u dan v adalah peubah frekuensi.
Spektrum diperoleh dengan

Dengan sudut fase:

TRANSFORMASI FOURIER DISKRIT
• Pada pengolahan sinyal dengan komputer digital, fungsi dinyatakan oleh himpunan
berhingga nilai diskrit.
• Transformasi Fourier Diskrit (TFD) ditujukan bagi persoalan yang tidak
menghasilkan solusi transformasi Fourier dalam bentuk fungsi malar (terus
menerus). M 1 N 1
1
FT : F (u , v) 
MN
 f ( x, y) exp[2 j (ux / M  vy / N )]
x 0 y 0
M 1 N 1
InversFT : f ( x, y )   F (u , v) exp[2 j (ux / M  vy / N )]
u 0 v 0

M  tinggi citra (jumlah baris)

N  lebar citra (jumlah kolom)
Contoh FT 2 Dimensi

(i) MRI image; (ii) Fourier transform of (i)

6
Contoh FT 2 Dimensi

7
Contoh Soal TFD 1 PEUBAH

Diketahui fungsi sinyal f(t) dengan hasil penerokan

ke dalam nilai-nilai diskrit sebagai berikut (N = 4):
x0 = 0.5, f0 = 2 x2 = 1.0, f2= 4
x1 = 0.75, f1 = 3 x3 = 1.25, f3= 4
Penyelesaian:
x0 = 0.5, f0 = 2 x2 = 1.0, f2= 4
x1 = 0.75, f1 = 3 x3 = 1.25, f3= 4

Spektrum Fouriernya:
 TRANSFORMASI FOURIER
Contoh soal:
Diketahui f(x,y) adalah sebagai berikut, Tentukan TFD 2 dimensi dan spektrum
dari fungsi berikut:
M 1 N 1
1
FT : F (u , v) 
MN
 f ( x, y) exp[2 j (ux / M  vy / N )]
x 0 y 0
M 1 N 1
InversFT : f ( x, y )   F (u , v) exp[2 j (ux / M  vy / N )] 0 1
u 0 v 0

M  tinggi citra (jumlah baris)

N  lebar citra (jumlah kolom) 1 0
TRANSFORMASI WALSH
• Jika FT berdasarkan pada basis fungsi trigonometri (sin-cos), maka Tr. Walsh
berdasarkan pada fungsi basis yang nilainya +1 dan -1
• Kompleksitas algoritma Tr. Walsh juga dapat diefisienkan menjadi N log 2 N

11
TRANSFORMASI WALSH 1
DIMENSI(1)

• Dengan u=0,1,2,…,N-1 dan x=0,1,2,..,N-1 sedangkan nilai n mengikuti aturan:

N=2n
Contoh:
Bila N=8, maka n=3
bi(x) menyatakan bit ke I dari representasi biner x, sebagai contoh bila x=4 maka
representasi binernya adalah 100 dimana:
b0(x)=0, b1(x)=0, b2(x)=1
TRANSFORMASI WALSH 1
DIMENSI(2)
• Demikian juga berlaku untuk bi(u) dimana setiap bit bergantung kepada nilai u
• Transformasi Walsh balik 1 dimensi dapat dilakukan dengan operasi yang sama:

• Fungsi basis (kernel) dari Tr.Walsh adalah:

TRANSFORMASI WALSH 1
DIMENSI(3)
• Tabel dibawah ini menunjukkan fungsi kernel tr.Walsh 1 dimensi untuk N=8 berdasarkan dari persamaan fungsi
basis(kernel)

Berikut ini ditunjukkan cara menghitung kernel u=1, x=4.

N=8n=3
Representasi biner u=1001 dan x=4100, maka
b0(u)=1, b1(u)=0, b2(u)=0
b0(x)=0, b1(x)=0, b2(x)=1
TRANSFORMASI WALSH 1
DIMENSI(4)
• Sehingga dapat dihitung:

• Cari untuk g(6,4)!

TRANSFORMASI WALSH 1 DIMENSI
(5)
• Berikut pemanfaatan kernel pada citra:
• f(x)=(10 10 10 10 20 20 20 20), maka tr.Walsh dari fungsi sinyal tsb adalah:
W(u=0)=1/8(10+10+10+10+20+20+20+20)=120/8=15
W(u=1)=1/8(10+10+10+10-20-20-20-20)=-40/8=-5
W(u=2)=1/8(10+10-10-10+20+20-20-20)=0/8=0
….
….
W(u=7)= 1/8(10-10-10+10-20+20+20-20)=0/8=0
Sehingga hasil Tr.Walsh untuk citra tersebut adalah W(u)=(15 -5 0 0 0 0 0 0)
TRANSFORMASI WALSH 2 DIMENSI(1)
• Rumus Tr. Walsh 2
dimensi:
N 1 N 1 n 1 [ bi ( x ) bn1i ( u )  bi ( y ) bn1i ( v )
1
W (u , v) 
N
 f ( x, y) (1)
x 0 y 0 i 0

N 1 N 1 n 1 [ bi ( x ) bn1i ( u )  bi ( y ) bn1i ( v )
1
f ( x, y ) 
N
W (u, v) (1)
x 0 y 0 i 0

Fungsi basis Tr.Walsh 2 dimensi:

17
Transformasi Walsh
Jika digambarkan secara
visual, maka untuk N = 4,
bentuk basisnya dapat
dilihat seperti gambar
disamping.

Karena rumus forward

dan invers-nya sama,
maka basis ini dapat
dipakai baik untuk
forward maupun invers
transform

18
Fungsi kernel Walsh 2D untuk N=4
• Jika diketahui citra 4x4 pixel sebagai berikut, cari hasil Tr.Walsh 2D!

• Dengan cara yang sama cari Tr.Walsh 2D invers!

TRANSFORMASI HADAMARD
• Rumus Tr. Hadamard untuk 2 dimensi:

n 1

1 N 1 N 1 [ bi ( x ) bi ( u ) bi ( y )bi ( v )]
H (u , v) 
N

x 0 y 0
f ( x, y )( 1) i0
n 1

1 N 1 N 1 [ bi ( x ) bi ( u ) bi ( y )bi ( v )]
f ( x, y ) 
N
 H (u ,
x 0 y 0
v )(  1) i 0

21
TRANSFORMASI HADAMARD 1D (1)
• Fungsi kernel 1D

• Berikut ini adalah tabel kernel Tr.Hadamard 1 D untuk N=8

• Cara menghitung kernel untuk u=1,x=4, karena N=8 maka n=3

TRANSFORMASI HADAMARD 1D (2)
• Representasi u=1001 dan x=4100, maka:
• b0(u)=1, b1(u)=0, b2(u)=0
• b0(x)=0, b1(x)=0, b2(x)=1
• Sehingga dapat dihitung:

• Dengan cara yang sama cari g(6,4)dan g(3,7)!

TRANSFORMASI HADAMARD 1D (3)
• Berikut ini adalah pemanfaatan kernel pada fungsi f(x)=(10 10 10 10 20 20 20 20),
maka Tr.Hadamard diperoleh sbb:
H(u=0)=1/8(10+10+10+10+20+20+20+20)=120/8=15
H(u=1)=1/8(10-10+10-10+20-20+20+20)=0/8=0
….
…
H(u=7)=1/8(10-10-10-10-20+20+20-20)=0/8=0
Sehingga hasil Tr.Hadamard untuk fungsi f(x) adalah:
W(u)=(15 0 0 0 -5 0 0 0 )
 TRANSFORMASI HADAMARD 2D
• Jika digambarkan secara visual, untuk N=4, nilai (-1) (…) dapat dilihat sbb:

25
Transformasi Hadamard

• Jika basis FT adalah fungsi cos-sin, maka

basis dari transformasi Hadamard adalah
100 100 50 50
kolom dan baris yang ortogonal
100 100 50 50
50 50 100 100
• Ilustrasi : input citra 4x4
50 50 100 100

26
Contoh Tr. Hadamard
• Untuk memperoleh transformasinya, kalikan basis dengan citra input (putih untuk +,
hitam untuk -). Satu posisi pada H(u,v) hanya menggunakan satu blok.

• H(0,0) = (100+100+50+50+100+100+50+50+50+50+100+100+50+50+100+100)/4 = 1200/4 =

300
• H(0,1) = (100+100-50-50+100+100-50-50+50+50-100-100+50+50-100-100)/4 = 0
• H(0,2) = (100-100-50+50+100-100-50+50+50-50-100+100+50-50-100+100)/4 = 0
• H(0,3) = (100-100+5050+100-100+50-50+50-50+100-100+50-50+100-100)/4 = 0

27
Contoh Tr. Hadamard
• H(1,0) = (.......)/4 = 0
300 0 0 0
• H(1,1) = (.......)/4 = 400/4 = 100 0 100 0 0
• H(1,2) = (.......)/4 = 0 0 0 0 0
• H(1,3) = (.......)/4 = 0 0 0 0 0

• H(2,0) = (.......)/4 = 0 Perhatikan bahwa nilainya besar hanya pada

• H(2,1) = (.......)/4 = 0 koordinat (0,0) dan (1,1). Nilainya pada H(1,1)
• H(2,2) = (.......)/4 = 0 besar karena polanya sama dengan citra input.
• H(2,3) = (.......)/4 = 0 Perhatikan juga bahwa jika kita hanya perlu
menyimpan nilai yang bukan nol, maka
• H(3,0) = (.......)/4 = 0
representasi citra yang kita miliki juga menjadi
•
sangat kecil (dapat dikompresi).
H(3,1) = (.......)/4 = 0
• H(3,2) = (.......)/4 = 0
• H(3,3) = (.......)/4 = 0
28
Contoh Tr. Hadamard
• Dari citra hasil transformasi, diperoleh gambar asal (dengan melihat kembali pada basis, satu posisi
f(x,y) menggunakan semua blok pada posisi tertentu (x,y).

f(0,0) =
(300+0+0+0+0+100+0+0+0+0+0+0+0+0+0+0)/4 = 400/4 = 100
f(0,1) = (300......+100.......)/4 = 400/4 = 100
f(0,2) = (300......-100.......)/4 = 200/4 = 50
f(0,3) = (300......-100.......)/4 = 200/4 = 50
f(1,0) = (300......+100.......)/4 = 400/4 = 100
f(1,1) = (300......+100.......)/4 = 400/4 = 100
f(1,2) = (300......-100.......)/4 = 200/4 = 50
f(1,3) = (300......-100.......)/4 = 200/4 = 50
29
Contoh Tr. Hadamard
f(2,0) = (300......-100.......)/4 = 200/4 = 50
f(2,1) = (300......-100.......)/4 = 200/4 = 50
f(2,2) = (300......+100.......)/4 = 400/4 = 100
f(2,3) = (300......+100.......)/4 = 400/4 = 100
f(3,0) = (300......-100.......)/4 = 200/4 = 50
f(3,1) = (300......-100.......)/4 = 200/4 = 50
f(3,2) = (300......+100.......)/4 = 400/4 = 100
f(3,3) = (300......+100.......)/4 = 400/4 = 100

• Citra rekonstruksi yang dihasilkan persis dengan citra awal

30
TRANSFORMASI WAVELET
• Pada tahun 1987, wavelet telah menjadi pendekatan baru yang sangat baik dalam
pemrosesan dan analisis sinyal.
• Wavelet adalah fungsi matematika yang memotongmotong data menjadi kumpulan-
kumpulan frekuensi yang berbeda, sehingga masing masing komponen tersebut
dapat dipelajari dengan menggunakan skala resolusi yang berbeda.
• Transformasi wavelet menggunakan dua komponen penting dalam melakukan
transformasi yakni fungsi skala (scaling function) dan fungsi wavelet (wavelet
function).
• Fungsi skala (scaling function) disebut juga sebagai Lowpass Filter, sedangkan
fungsi wavelet (wavelet function) disebut juga sebagai Highpass Filter.
• Kedua fungsi ini digunakan pada saat transformasi wavelet dan inverse
transformasi wavelet.
1. Fungsi wavelet
disebut juga highpass filter yang mengambil citra dengan gradiasi
intensitas yang tinggi dan perbedaan intensitas yang rendah akan
dikurangi atau dibuang.
2. Fungsi skala
disebut juga lowpass filter yang mengambil citra dengan gradiasi
intensitas yang halus dan perbedaan intensitas yang tinggi akan
dikurangi atau dibuang.
Kedua komponen diatas dapat disebut sebagai mother
wavelet yang harus memenuhi kondisi :

yang menjamin terjaminnya sifat ortogonalitas vektor.

Transformasi Wavelet Diskrit
• Transformasi wavelet diskrit secara umum merupakan dekomposisi citra pada
frekuensi subband citra tersebut dimana komponennya dihasilkan dengan cara
penurunan level dekomposisi.
• Implementasi transformasi wavelet diskrit dapat dilakukan dengan cara melewatkan
sinyal frekuensi tinggi atau highpass filter dan frekuensi rendah atau lowpass filter.
 DEKOMPOSISI PERATAAN DAN
PENGURANGAN(1)
• Dekomposisi perataan (Averages) dan pengurangan (Differences) memegang
peranan penting dalam Tr.Wavelet. Berikut ini adalah contoh penerapannya dalam
1D dengan dimensi 8:
37 35 28 28 58 18 21 15

• Rumus perataan dilakukan dengan rumus:

p=(x+y)/2
• Rumus pengurangan dilakukan dengan rumus:
p=(x-y)/2
Maka hasil contoh diatas adalah:
DEKOMPOSISI PERATAAN DAN
PENGURANGAN(2)
• Hasil perataan untuk soal diatas adalah:

• Hasil pengurangan untuk soal diatas adalah:

• Sehingga hasil dekomposisi perataan dan pengurangan sbb:

36 28 38 18 1 0 20 3

• Hasil perataan disimpan di depan dan hasil pengurangan disimpan dibelakang

DEKOMPOSISI PERATAAN DAN
PENGURANGAN(3)
• Untuk membuat citra semula dari hasil dekomposisi, maka dapat dilakukan proses
rekonstruksi sbb:
DEKOMPOSISI PERATAAN DAN
PENGURANGAN(4)
• Berikut ini adalah proses transformasi penuh dan hanya menyisakan 1 pixel

• Pada setiap level,dekomposisi dilakukan pada bagian hasil proses perataan dan hasil
dekomposisi adalah gabungan proses perataan dengan seluruh hasil proses
pengurangan.
DEKOMPOSISI PERATAAN DAN
PENGURANGAN(5)
• Citra hasil dekomposisi penuh adalah:
30 2 4 10 1 0 20 3

• Pada citra 2D, dekomposisi perataan dan pengurangan sama dengan proses pada
citra 1D. Hanya proses dekomposisi dilakukan dalam 2 tahap yaitu tahap pertama
proses dekomposisi dilakukan pada seluruh baris kemudian tahap kedua pada citra
hasil tahap pertama dilakukan proses dekomposisi dalam arah kolom.
DEKOMPOSISI PERATAAN DAN
PENGURANGAN 2 DIMENSI
• Dekomposisi citra 2D di bawah ini

• Langkah pertama melakukan dekomposisi pada arah baris.

Baris 1: [(10+10)/2 (20+20)/2 (10-10)/2 (20-20)/2 ]

=[10 20 0 0]

Baris 2:[(10+10)/2 (20+20)/2 (10-10)/2 (20-20)/2 ]

=[10 20 0 0]

Baris 3:[(50+50)/2 (30+30)/2 (50-50)/2 (30-30)/2 ]

=[50 30 0 0]

Baris 4:[(50+50)/2 (30+30)/2 (50-50)/2 (30-30)/2 ]

=[50 30 0 0]
• Langkah dekomposisi arah kolom:
Kolom1:[(10+10)/2 (50+50)/2 (10-10)/2 (50-50)/2 ]
=[10 50 0 0]
Kolom2:[(20+20)/2 (30+30)/2 (20-20)/2 (30-30)/2 ]
=[20 30 0 0]
Kolom3:[(0+0)/2 (0+0)/2 (0-0)/2 (0-0)/2 ]
=[0 0 0 0]
Kolom4:[(0+0)/2 (0+0)/2 (0-0)/2 (0-0)/2 ]
=[0 0 0 0]
DEKOMPOSISI PERATAAN DAN
PENGURANGAN(6)
Seperti yang terlihat pada Gambar diatas , jika suatu citra dilakukan proses
transformasi wavelet diskrit dua dimensi dengan level dekomposisi satu, maka akan
menghasilkan
empat buah subband, yaitu :
1. Koefisien Approksimasi (CA j+1) atau disebut juga subband LL
2. Koefisien Detil Horisontal (CD(h) j+1) atau disebut juga subband HL
3. Koefisien Detil Vertikal (CD(v) j+1) atau disebut juga subband LH
4. Koefisien Detil Diagonal (CD(d) j+1) atau disebut juga subband HH
• dengan Level Dekomposisi 1 Subband hasil dari dekomposisi
dapat didekomposisi lagi karena level dekomposisi wavelet
bernilai dari 1 sampai n atau disebut juga transformasi wavelet
multilevel.
• Jika dilakukan dekomposisi lagi, maka subband LL yang akan
didekomposisi karena subband LL berisi sebagian besar dari
informasi citra.
• Jika dilakukan dekomposisi dengan level dekomposisi dua maka
subband LL akan menghasilkan empat buah subband baru, yaitu
subband LL2 (Koefisien Approksimasi 2), HL2 (Koefisien Detil
Horisontal 2), LH2 (Koefisien Detil Vertikal 2), dan HH2
(Koefisien Detil Diagonal 2). Dan begitu juga seterusnya jika
dilakukan dekomposisi lagi.
• Bila citra asli f dengan M x N pixel didekomposisi manjadi empat subband sesuai
frekuensinya yakni LL, LH, HL, dan HH dengan menggunakan transformasi
wavelet dengan filter Haar (Daubechies orde 1), secara matematis dihasilkan
dengan menggunakan persamaan sebagai berikut
• dimana :
- 0 ≤ x < M/2, 0 ≤ y < N/2 dan f(x,y) merupakan nilai piksel pada koordinat (x,y)
pada
citra f.
- ll(x,y), lh(x,y), hl(x,y), dan hh(x,y) secara berturut-turut dalah komponen pada
koordinat (x,y) dari LL, LH, HL,dan HH.
- LL merupakan setengah dari resolusi citra asli, LH merupakan subband detail
vertikal,
- HL merupakan subband detail horisontal, dan HH merupakan subband detail
diagonal.
Hasil Trans. Wavelet 1 level
DAFTAR PUSTAKA
• Gonzales, Rafael C, Digital Image Processing, Addison-Wisley
• Ballard,Dana,H, Computer Vision,Printece Hall,1982
• Munir, Rinaldi, Pengolahan Citra Digital,Informatika,2004