Filtering dan Konvolusi Oleh : Ir. H. Sirait, MT Web/Blog : http://www.hsirait.wordpress.com Phone : 081356633766 FB : Hasanuddin MP Sirait TW : @hsirait BBM : 29C01DD4 Keyword : hsirait

KONVOLUSI Konvolusi diskrit banyak digunakan dalam pengolahan citra untuk image smoothing, edge detection dan efek-efek lainnya Konvolusi dilakukan berdasarkan jumlah bobot dari piksel-piksel tetangga Bobot ditentukan berdasarkan ukuran window berupa matriks berukuran kecil yang biasa disebut convolution mask atau convolution kernel

Orde matriks biasanya ganjil sehingga hasil konvolusi tepat berada di tengah-tengah Window atau disebut juga sliding window bergerak sepanjang piksel yang ada pada citra Perlu diperhatikan bahwa nilai piksel hasil konvolusi JANGAN disertakan pada perhitungan konvolusi piksel berikutnya. Semakin besar ukuran window, beban komputasi akan semakin meningkat

ILUSTRASI KONVOLUSI

PROBLEM PADA KONVOLUSI Bagaimana untuk menentukan piksel-piksel yang berada pada batas citra Solusi: Zero padding Treat the empty cells in the convolution window as zero Fit-Position Start convolving at the first position where the window doesn’t overlap the image Enlarging Enlarging the original image before convolving by duplicating the edges Wrapping Wrap the image.

EFEK-EFEK HASIL KONVOLUSI Embossing Blurring low-pass spatial filtering Simulasi out-of-focus Mengaburkan latar belakang Mengurangi Gaussian noise Sharpening High-pass spatial filtering Crispening, mempertajam Metode lain: unsharp masking, high-boost filtering

CONVOLUTION MASKS Embossing Blurring W=9a-1 Sharpening

EDGE DETECTION Jenis-jenis edge Non-convolution methods Homogeneity operator Subtracts each 8 surrounding pixels from the center pixel of 3 x 3 window. The output is the maximum of the absolute value of each difference Difference operator Upperleft-lowerright, middleleft-middleright, lowerleft-upperright, topmiddle-bottommiddle Convolution methods First order derivative operator Second order derivative operator Compass Gradient operator

NON-CONVOLUTION OPERATORS

IMAGE THRESHOLDING One-level (single) thresholding Multi-level (multiple) thresholding

CONVOLUTION METHODS EDGE DETECTION First Order Operator: Second Order Operator Laplacian

FILTERING Median Filtering Averaging Filter Minimum/Maksimum Filter Menghilangkan impulse noise (bedakan dengan Gaussian Noise yang dapat dihilangkan dengan Low-pass filter) Impulse noise has a number of pixels that have conspicuosly wrong intensities like 0 or 255 Averaging Filter Mengganti nilai piksel fokus dengan rata-rata jumlah piksel dalam window Minimum/Maksimum Filter Mengganti nilai piksel fokus dengan nilai piksel minimum/maksimum piksel sekitar