Transformasi Fourier 1 dimensi

(Dosen: Bp. Aziz) Dirangkum oleh: Eko Zulkaryanto (http://zulkaryanto.wordpress.com) Computer Science – Bogor Agricultural University (http://www.ipb.ac.id)

f(x) = sin(x) + sin(3x)/3 + sin(5x)/5 + sin(7x)/7 + sin(9x)/9 … Hasil dalam transformasi fourier

Transformasi Fourier  Mengapa perlu transformasi ? – Setiap orang pada suatu saat pernah menggunakan suatu teknik analisis dengan transformasi untuk menyederhanakan penyelesaian suatu masalah [Brigham,1974] – Contoh: penyelesaian fungsi y = x/z  Analisa konvensional : pembagian secara manual  Analisa transformasi : melakukan transformasi – log(y) = log(x) – log(z) – look-up table  pengurangan  look-up table  Transformasi juga diperlukan bila kita ingin mengetahui suatu informasi tertentu yang tidak tersedia sebelumnya  Contoh : – jika ingin mengetahui informasi frekuensi kita memerlukan transformasi Fourier – Jika ingin mengetahui informasi tentang kombinasi skala dan frekuensi kita memerlukan transformasi wavelet Transformasi Citra  Transformasi citra, sesuai namanya, merupakan proses perubahan bentuk citra untuk mendapatkan suatu informasi tertentu  Transformasi bisa dibagi menjadi 2 : – Transformasi piksel/transformasi geometris: – Transformasi ruang/domain/space Transformasi Pixel 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) Transformasi Ruang  Transformasi ruang merupakan proses perubahan citra dari suatu ruang/domain ke ruang/domain lainnya, contoh: dari ruang spasial ke ruang frekuensi  Masih ingat istilah ‘ruang’ ? Ingat-ingat kembali pelajaran Aljabar Linier tentang Basis dan Ruang  – 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 yang akan kita pelajari, 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) Transformasi Fourier  Pada tahun 1822, Joseph Fourier, ahli matematika dari Prancis menemukan bahwa: setiap fungsi periodik (sinyal) dapat dibentuk dari penjumlahan gelombang-gelombang sinus/cosinus.  Contoh : Sinyal kotal merupakan penjumlahan dari fungsi-fungsi sinus berikut (lihat gambar pada halaman berikut) 

Fungsi kotak sebagai penjumlahan fungsi-fungsi sinus Cobakan juga program matlab berikut untuk melihat sampai batas n berapa fungsi yang dihasilkan sudah berbentuk fungsi kotak. function kotak(n) t = 0:pi/200:8*pi; kot = sin(t); for i = 3 : 2: n kot = kot + (sin(i*t))/i; end plot(kot)

Gambar a) n = 1, b) n =3, c) n = 7, d) n = 99 Contoh lain

Contoh lain

edu/~polikar/WAVELETS/WTtut orial. menggunakan rumus: Rumus FT – 1 dimensi  Rumus FT kontinu 1 dimensi Contoh Penghitungan FT 1 dimensi F (u )   f ( x) exp[ 2 jux]dx    f ( x)   F (u ) exp[ 2 jux]du  Euler' s formula : exp[ 2 jux]  cos 2ux  j sin 2ux  Rumus FT diskret 1 dimensi Contoh Penghitungan FT 1 dimensi  Hasil penghitungan FT biasanya mengandung bilangan real dan imajiner  Fourier Spectrum didapatkan dari magnitude kedua bilangan tersebut shg|F(u)| = [R 2(u) + I 2(u)]1/2  Untuk contoh di halaman sebelumnya.0) = 1. Dari nilai F(u) kemudian dapat diperoleh kembali sinyal awal dengan menghitung f(x).v) + I 2(u.25 |F(3)| = [(0.50 Contoh sinyal 1 Dimensi x(t) Gambar sinyal satu dimensi dengan rumus x(t)= cos(2*pi*5*t) + cos(2*pi*10*t) + cos(2*pi*20*t) + cos(2*pi*50*t) Rumus FT – 2 dimensi FT dari sinyal tersebut FT dari sinyal tersebut. f(1.5590 Transformasi fourier 2 dimensi (Bp. Fourier Spectrumnya adalah sebagai berikut:  |F(0)| = 3. f(0.10.10. Aziz) Rumus FT – 2 dimensi F (u )  Contoh FT 1 dimensi Contoh berikut diambil dari Polikar 1 N 1  f ( x) exp[ 2 jux / N ] N x 0 1 N 1 f ( x)   x 0 F (u ) exp[ 2 jux / N ] N (http://engineering.20. 50 (nilai maksimum F(u) berada pada angka 5.25)2]1/2 = 0.rowan. f(1.5)2+(0. pertanyaan berikutnya yang muncul adalah: – Jika saya memiliki sebuah sinyal sembarang.FT – Motivasi  Jika semua sinyal periodik dapat dinyatakan dalam penjumlahan fungsi-fungsi sinus-cosinus.1) =3.v)|= [R 2(u.0)=4 Hitung nilai F(0.10.html) Misalkan kita memiliki sinyal x(t) dengan rumus sbb: x(t) = cos(2*pi*5*t) + cos(2*pi*10*t) + cos(2*pi*20*t) + cos(2*pi*50*t) Sinyal ini memiliki empat komponen frekuensi yaitu 5.v)]1/2 Rumus FT – 2 dimensi    Contoh perhitungan f(0.25)2]1/2 = 0. 20.v)  Magnitude F(u.y)  Domain frekuensi  u dan v pada F(u. bagaimana saya tahu fungsi-fungsi cos – sin apa yang membentuknya ?  Atau dengan kata lain – Berapakah frekuensi yang dominan di sinyal tersebut ?  Pertanyaan di atas dapat dijawab dengan menghitung nilai F(u) dari sinyal tersebut. Terlihat bahwa FT dapat menangkap frekuensi-frekuensi yang dominan dalam sinyal tersebut. 20. 50)  Domain spatial  x dan y pada f(x.1) = 2. yaitu 5.5590  |F(2)| = 0.25 |F(1)| = [(-0.0)! Karakteristik domain frekuensi (1) .v) adalah |F(u.5)2+(0.

0) = (10x1) + (10x1) + (40x1) + … + (60x1) + (80x1) + (50x1) = 650 DFT 2D .Some properties (2) Filtering in the frequency domain (1) • Equalizer – Equalizer mengubah lagu menjadi frekuensi-frekuensi sesuai alat musik yang digunakan.] = 1 F(0.y) –  Sebagai contoh untuk F(0. – Filtering pada domain frekuensi dapat dianalogikan dengan mengatur equalizer ketika kita mendengarkan . – Shifting – Menggeser DC ke tengah matrik DFT 2D . misalnya.Some properties (1)  DFT as spatial filter – exp[…. k = konstanta DFT 2D . Citra filter – F(0.Some properties (3) • Koefisien DC – F(0.0) merupakan hasil filtering f(0.Some properties (4) • Shifting – Menggeser DC ke tengah matrik Karakteristik domain frekuensi (4) Displaying transforms Fourier transforms in matlab DFT 2D .] independent terhadap f(x.0) maka nilai exp[….0) dengan filter berukuran mxn dan elemen = 1.• It usually is impossible to make direct associations between specific components of image & its transform  General statement: frequencies in the fourier transform associate with patterns of intensity variations in an image Karakteristik domain frekuensi (2)  Example: an image of a room – Slowest varying frequency component corresponds to smooth gray level variations on the walls and floor – The higher frequency corresponds to faster and faster gray level changes in the image edges of object Karakteristik domain frekuensi (3) Citra SEM DFT 2D citra SEM  Separability – Kolom dan baris dihitung terpisah – Linearity – F(f+g) = F(f) + F(g) – F(kf) = k F(f).0) = jumlah semua pixel. Frekuensi drum berbeda dengan gitar.

shifted so that the DC coeficient is in the centre. tentang Fast Fourier Transforms (F F T) DFT 2D. which is a binary matrix m defined by: DFT 2D lowpass firlter (2) • D = 15  ideal lowpass filter • • The circle (c ) displayed is just such a matrix. 1 halaman A4. and values away from the centre are either removed or minimized.lagu dari mp3 player. f(1.0)= 10. Apakah kita ingin memperjelas bass atau treble.0)=20.lowpass filter (3) Caranya ? • Ambil citra (cm) lalu lakukan DFT (cf) • Lakukan lowpass filter (cf ) * (c)  element wise multiplication • Transformasi invers . f(0.misalnya.lowpass firlter (4) • Ideal lowpass filter • Butterworth lowpass filter • Filtering in the frequency domain (3) Gaussian lowpass filter Tugas: • dikumpulkan 19-11-2009 1. feature extraction & image processing. 2002.lowpass firlter (1) Suppose we have a Fourier transform matrix F. Hitung transformasi fourier untuk data citra berikut: f(0.1)=30 dan f(1. (Nixon & Aguado. tulis tangan.1) = 40! 2. we can perform low pass filtering by multiplying the transform by a matrix in such a way that centre values are maintained. Buat ulasan. ) Filtering in the frequency domain (2) DFT 2D. One way to do this is to multiply by an ideal low-pass matrix. with D=15 Then the inverse Fourier transform of the elementwise product of F and m is the result we require: DFT 2D. Since the low frequency components are towards the centre.

Sign up to vote on this title
UsefulNot useful