KONVOLUSI DAN TRANSFORMASI FOURIER

Presentasi berjudul: "KONVOLUSI DAN TRANSFORMASI FOURIER"— Transcript presentasi:

1 KONVOLUSI DAN TRANSFORMASI FOURIER
Desita Ria Yusian TB,S.ST.,MT Teknik Informatika Universitas Ubudiyah Indonesia 2017

2 Materi Pembahasan Operasi matematis dalam Pengolahan citra digital konvolusi dan transformasi Fourier

3 Referensi Buku Munir,Rinaldi, 2004, Pengolahan Citra Digital dengan Pendekatan Algoritmik, Penerbit Informatika, Bandung Putra,Darma, 2009, Pengolahan Citra Digital, Penerbit Andi, Jogjakarta Gonzalez, Rafael C and Woods, Richard, 1992, Digital Image Processing, Third Edition Pearson.

4 KONVOLUSI Konvolusi adalah operator metematika yang penting untuk banyak operator dalam image processing. Konvolusi menyediakan cara untuk menggabungkan dua array yang berbeda, tetapi untuk dimensi array yang sama, menghasilkan array ketiga yang mempunyai dimensi yang sama.

5 Konvolusi dapat digunakan dalam image processing untuk menerapkan operator yang mempunyai nilai output dari piksel yang berasal dari kombinasi linear nilai input piksel tertentu. Konvolusi citra adalah teknik untuk menghaluskan suatu citra dengan menggunakan nilai piksel dengan sejumlah nilai piksel yang sesuai atau berdekatan dengan piksel aslinya. Tetapi dengan adanya konvolusi, ukuran citra tetap sama, tidak berubah.

6 FUNGSI KONVOLUSI Konvolusi berguna pada proses pengolahan citra seperti : Perbaikan kualitas citra (image enhancment). Penghilang derau (noise). Mengurangi erotan (mencong/serong). Penghalusan / pembulatan citra. Blur Deteksi Tepi

7 KONVOLUSI DAN TRANSFORMASI FOURIER
Dua operasi matematis yang perlu dipahami dalam mempelajari pengolahan citra digital adalah : Operasi konvolusi (Spatial Filter/Discret Convolution Filter) Transformasi Fourier

8 Operasi Konvolusi Konvolusi terdapat pada operasi pengolahan citra yang mengalikan sebuah citra dengan sebuah mask (convolution mask) atau kernel Secara matematis, konvolusi 2 buah fungsi f(x) dan g(x) didefinisikan sebagai berikut : Untuk fungsi diskrit : Yang dalam hal ini tanda * menyatakan operator konvolusi dan variabel a adalah variabel bantu (dummy variable)

9 Operasi Konvolusi Pada operasi konvolusi di atas, g(x) disebut mask (convolution mask) atau kernel. Kernel g(x) yang akan dioperasikan secara bergeser pada sinyal masukan f(x), yang dalam hal ini, jumlah perkalian kedua fungsi pada setiap titik merupakan hasil konvolusi yang dinyatakan dengan keluaran h (x)

10 Operasi Konvolusi Contoh operasi konvolusi pada data 1 dimensi :
f(x) = {0,1,2,3,2,1,0} g(x) = {1,3,1} Didefinisikan ⊗ adalah operasi konvolusi, maka : h(x) = f(x) ⊗ g(x) = {1,5,10,13,10,5,1}

11 Operasi Konvolusi

12 Operasi Konvolusi Contoh operasi konvolusi pada data 1 dimensi :
f(x) = {0,1,2,3,2,1,0} a = {0,1,2,3,4,5,6} Grafik f(x) = (0,0), (1,1), (2,2), (3,3), (4,2), (5,1), (6,0) g(x) = {1,3,1} h(x) = f(x) ⊗ g(x) = {1,5,10,13,10,5,1} Grafik h(x) = (0,1), (1,5), (2,10), (3,13), (4,10), (5,5), (6,1)

13 Operasi Konvolusi f(x) = 1,7,8,9,8,7,1 g(x) = {1,3,1)
h(x) = f(x) ⊗ g(x) = {10,30,40,43,40,30,10} Grafik f(x) = (0,1), (1,7), (2,8), (3,9), (4,8), (5,7), (6,1) Grafik h(x) = (0,10), (1,30), (2,40), (3,43), (4,40), (5,30), (6,10) f(x) = 1,7,8,9,8,7,1 g(x) = {1,3,1) a = {0,1,2,3,4,5,6}

14 Operasi Konvolusi Sedangkan pemakaian teknik spatial filtering pada citra, umumnya titik yang akan diproses beserta titik-titik disekitarnya dimasukkan ke dalam sebuah matrix 2 dimensi yang berukuran N x N. Matrix ini dinamakan matrix neighbor (matrix tetangga), dimana N ini besarnya tergantung dari kebutuhan, tetapi pada umumnya N ini selalu kelipatan ganjil karena titik yang akan diproses diletakkan di tengah dari matrix Untuk citra, konvolusi dituliskan : h(x,y) = f(x,y) ⊗ g(x,y)

15 Operasi Konvolusi Contoh matrix tetangga 3 x 3 :
Selain digunakannya matrix tetangga, teknik spatial filtering menggunakan sebuah matrix lagi yaitu matrix convolution (mask/kernel) yang ukurannya sama dengan matrix tetangga.

16 Operasi Konvolusi Citra dengan 5 x 5 pixel dan 8 grayscale :
Dikonvolusi dengan image mask -2 -1 1 2 5 4 1 6 3 7 2 8 Hasil konvolusi = (0 x -2)+ (5 x -1) + (5 x 0) + (0 x -1) + (0 x 0) + (5 x 1) + (1 x 0) + (6 x 1) + (1 x 2) = 8

17 Operasi Konvolusi Citra dengan 5 x 5 pixel dan 8 grayscale :
Dikonvolusi dengan image mask -2 -1 1 2 5 4 1 6 3 7 2 8 -4 Hasil konvolusi = (5 x -2)+ (5 x -1) + (4 x 0) + (0 x -1) + (5 x 0) + (4 x 1) + (6 x 0) + (1 x 1) + (3 x 2) = -4

18 Operasi Konvolusi Citra dengan 5 x 5 pixel dan 8 grayscale :
Dikonvolusi dengan image mask -2 -1 1 2 5 4 1 6 3 7 2 Normalisasi 5 15 12 11 13 8 -4 -6 -13 19 20 3 -12 18 2 9 -5 -2 -19 -17 5 7 3 2 Hasilnya

19 Hasil Pengujian Konvolusi Pada Citra
Smooth Berikut adalah perbandingan hasil pengolahan citra dengan menggunakan konvolusi smooth yaitu menghaluskan citra yang mengalami gangguan noise (Gambar 1). (a) (b) Gambar 1 (a) Image asli yang mengalami noise; (b) Hasil konvolusi smooth.

20 Hasil Pengujian Konvolusi Pada Citra
B. Sharpen File gambar yang mengalami sharpen akan mengalami perubahan dimana warna-warna menjadi lebih tajam. Konvolusi sharpen sangat berguna untuk citra yang terlihat halus atau blur dimana berguna untuk memperjelas interpretasi citra itu sendiri dan hasilnya juga bisa nampak lebih baik dari citra sebelumnya. Hasil evaluasi citra yang telah diolah dengan konvolusi sharpen dapat dilihat pada Gambar 3. Dapat dilihat bahwa warna yang dihasilkan tampak lebih tajam dan terang. (a) (b) Gambar 3 (a) Citra asli; (b) citra yang telah mengalami sharpening

21 Hasil Pengujian Konvolusi Pada Citra
C. Mean Removal Konvolusi mean removal memberikan ketajaman lebih pada citra. Konvolusi mean removal berbeda dengan konvolusi sharpen walaupun sama-sama mempertajam citra. Perbedaan itu terletak pada mask konvolusi yang digunakan. Ketajaman citra yang diberikan pada mean removal lebih tajam daripada ketajaman sharpen. Namun, user dapat menggunakan keduanya sesuai dengan kebutuhan yang diperlukan. Hasil evaluasi mean removal dapat dilihat pada Gambar 4. Citra yang dihasilkan terlihat lebih tajam dan nampak nyata. Pewarnaan yang dihasilkan lebih baik dari citra aslinya. (a) (b) Gambar 4 (a) citra asli; (b) citra yang telah mengalami mean removal

22 Hasil Pengujian Konvolusi Pada Citra
D. Emboss Emboss adalah membuat citra seolah diukir pada permukaaan selembar nikel. Hasil pengujian konvolusi emboss diberikan dalam Gambar 5, dengan arah kiri, kanan, atas, dan bawah.

23 Hasil Pengujian Konvolusi Pada Citra
(b) (c) (d) (e) Gambar 5 (a) citra asli; (b) emboss dari arah kiri; (c) emboss dari arah kanan;(d) emboss dari arah atas; (e) emboss dari arah bawah

24 Hasil Pengujian Konvolusi Pada Citra
E. Edge Detection Tepi suatu obyek dalam citra dinyatakan sebagai titik yang nilai keabuannya berbeda cukup besar dengan titik yang ada disebelahnya. Hasil pengujian konvolusi edge detection dapat dilihat pada Gambar 6. (a) (b) Gambar 6 (a) citra asli; (b) citra yang telah dilakukan edge detection

25 Transformasi Fourier Transformasi Fourier merupakan suatu proses yang banyak digunakan untuk memindahkan domain dari suatu fungsi atau obyek ke dalam domain frekwensi. Di dalam pengolahan citra digital, transformasi fourier digunakan untuk mengubah domain spasial pada citra menjadi domain frekwensi. Analisa-analisa dalam domain frekwensi banyak digunakan seperti filtering. Dengan menggunakan transformasi fourier, sinyal atau citra dapat dilihat sebagai suatu obyek dalam domain frekwensi.

26 Transformasi Fourier Salah satu hal penting dalam transformasi adalah basis citra yang merupakan sekumpulan vektor 2D atau matriks. Seperti pada aljabar linier, transformasi membawa suatu citra ke sistem koordinat baru yang dibentuk oleh fungsi basis tersebut. Dalam konteks citra, basis ini berupa matriks yang disebut sebagai n citra basis.

27 Transformasi Fourier Transformasi bisa dibagi menjadi 2 :
Transformasi piksel/transformasi geometris Transformasi ruang/domain/space

28 Transformasi Fourier Transformasi Piksel
Transformasi piksel masih bermain di ruang/domain yang sama (domain spasial), hanya posisi piksel yang kadang diubah. Contoh: rotasi, translasi, scaling, invers, shear, dll. Transformasi jenis ini relatif mudah diimplementasikan dan banyak aplikasi yang dapat melakukannya (Paint, ACDSee, dll). 

29 Transformasi Fourier 2. Transformasi Ruang
Transformasi ruang merupakan proses perubahan citra dari suatu ruang/domain  ke  ruang/domain lainnya, contoh: dari ruang spasial ke ruang frekuensi. Contoh : Ruang vektor. Salah satu basis yang merentang ruang vektor 2 dimensi adalah [1 0] dan [0 1]. Artinya, semua vektor yang mungkin ada di ruang vektor 2 dimensi selalu dapat direpresentasikan sebagai kombinasi linier dari basis tersebut. Ada beberapa transformasi ruang, yaitu : Transformasi Fourier (basis: cos-sin) Transformasi Hadamard/Walsh (basis: kolom dan baris yang ortogonal) Transformasi DCT (basis: cos) Transformasi Wavelet (basis: scaling function dan mother wavelet

30 Transformasi Fourier Konvolusi per-pixel  Lama, terdapat operasi perkalian dan penjumlahan untuk setiap pixel Untuk mempercepat komputasi : Mengubah citra dari domain spatial ke domain frekuensi, dengan Transformasi Fourier. Keuntungan penggunaan domain frekuensi adalah proses konvolusi dapat diterapkan dalam bentuk perkalian langsung

31 Transformasi Fourier Rumus : Jika : h(x,y) = f(x,y) ⊗ g(x,y)
F(u,v) = Transf.Fourier dari f(x,y) G(u,v) = Transf.Fourier dari g(x,y) Maka berlaku : H(u,v) = F(u,v) .G(u,v) h(x,y) = invers Transf.Fourier dari H(u,v)

32 Selesai