Konvolusi Dan

Transformasi Fourier

Materi pertemuan ke 4
Eri Prasetyo W

1
 Teori Konvolusi
• Konvolusi dua buah fungsi f(x) dan g(x)
didefinisikan sebagai berikut :

h x f x g x f a g x a da

Integral dari – tak hingga sampai tak terhingga

Untuk fungsi diskrit , konvolusi didefinisikan sebagai

h x f x g x f a g x a

g(x) disebut dengan kernel konvolusi (filter) , kernel

g(x) merupakan jendela yang dioperasikan secara
bergeser pada sinyal masukan f(x) hasil konvolusi
dinyatakan dengan keluaran h(x)

Perhitungan hasil konvolusi diperlihatkan pada gambar

a – f, dan hasil konvolusi ditunjukkan pada gambar g

x/2 , 0 <= x <= 1

f(x) * g(x) = X – x/2, 1<= x <= 2

0, Lainnya
2
Ilustrasi proses konvolusi

3
 f(x)*g(x)

1/2

x
1 2
(g)

Contoh ilustrasi konvolusi lain adalah impulse

Fungsi Impulse
Fungsi Delta Dirac pada domain kontinue dan
Fungsi Delta Kronecker pada domain diskrit
d(x) yang mempunyai nilai 1 pada suatu x dan
mempunyai nilai 0 pada x lainnya.

d(x)
1

4
 Impulse Response

• Impulse Response
– Menurut teori filtering, pada sistem yang
ideal, sinyal yang masuk (impulse) sama
dengan sinyal yang keluar (impulse
response). Hal tersebut dapat
digambarkan dengan transfer function
dalam bentuk fungsi Delta Dirac.
• Sistem yang ideal
proses konvolusi

f(x) d(x) f(x)*d(x)

5
 POINT SPREAD FUNCTION (PSF)
(FUNGSI SEBARAN TITIK)

• Sistem yang tidak ideal

– Pada sistem yang tidak ideal, sinyal yang
masuk mengalami degradasi atau
penurunan kwalitas.
• Blurring proses
konvolusi

f(x) g(x) f(x)*g(x)

an impulse is a point g(x) blurs the point

of light (optical
phenomenon yang disebut point
spread function - PSF)
g(x) juga disebut sebagai
impulse response function
6
 Konvolusi pada fungsi Dwimatra

• Fungsi malar

h x f x,y g x,y f a , b g x a , y b da db

• Fungsi diskrit

h x,y f x,y g x,y

f a ,b g x a , y b

Fungsi penapis g(x,y) disebut juga convolution filter,

convolution mask, convolution kernel atau template.
Dalam bentuk diskret kernel konvolusi dinyatakan dalam
bentuk matriks, misal 2x2, 3x3, 2x1 atau 1x2

7
 Ilustrasi konvolusi

F(i,j)=Ap1+Bp2+Cp3+Dp4+Ep5+Fp6+Gp7+Hp8+Ip9

Contoh: misal citra f(x,y) yang berukuran 5x5 dan sebuah

kernel dengan ukuran 3x3, matriks sebagai berikut :
44354 0 -1 0
66552 g(x,y)= -1 4 -1
F(x,y)= 5 6 6 6 2 0 -1 0
67553
35244

Operasi konvolusi antara citra f(x,y) dengan kernel g(x,y),

F(x,y)*g(x,y)
8
• Menghitung hasil konvolusi
1. Menempatkan kernel pada sudut kiri atas ,
kemudian hitung nilai pixel pada posisi (0,0)
dari kernel :
hasil = 3
2. Geser kernel satu pixel ke kanan ,kemudian
hitung nilai pixel pada posisi (0,0) dari kernel:
hasil = 0
3. Selanjutnya dengan cara yang sama geser ke
kanan, dst
4. Geser kernel satu pixel ke bawah, lakukan
perhitungan seperti diatas
5. Nilai pixel citra tepi tidak berubah

4 4 3 5 4
6 3 0 2 2
5 0 2 6 2 = hasil konvolusi
6 6 0 2 3
3 5 2 4 4

9
 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

10
• 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
11
 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.
12
• 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)

f(x) = sin(x) + sin(3x)/3 + sin(5x)/5 +

sin(7x)/7 + sin(9x)/9 …

13
Hasil dalam transformasi fourier

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)
14
 (a) (b)

(c) (d)
Gambar a) n = 1, b) n =3, c) n = 7,
d) n = 99 15
 FT - Motivasi
• Jika semua sinyal periodik dapat
dinyatakan dalam penjumlahan fungsi-
fungsi sinus-cosinus, pertanyaan
berikutnya yang muncul adalah:
– Jika saya memiliki sebuah sinyal sembarang,
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.
Dari nilai F(u) kemudian dapat diperoleh
kembali sinyal awal dengan menghitung
f(x), menggunakan rumus:

16
 Rumus FT – 1 dimensi
• Rumus FT kontinu 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

1
F (u )   x 0 f ( x ) exp[2 jux / N ]
N 1

N
1
f ( x)   x 0 F (u ) exp[2 jux / N ]
N 1

Contoh berikut diambil dari Polikar

(http://engineering.rowan.edu/~polikar/WAVELETS/W
Ttutorial.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)
17
Sinyal ini memiliki empat komponen frekuensi
yaitu 5,10,20,50
 Contoh FT 1 dimensi

Contoh berikut diambil dari Polikar

(http://engineering.rowan.edu/~polikar/WAVELETS/
WTtutorial.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 5,10,20,50

18
 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)

(Sumber: Polikar)

19
 FT dari sinyal tersebut

FT dari sinyal tersebut.

Terlihat bahwa FT dapat menangkap frekuensi-
frekuensi yang dominan dalam sinyal tersebut, yaitu
5,10, 20, 50

(nilai maksimum F(u) berada pada angka 5,10, 20,

50)

20
 Contoh Penghitungan FT 1
dimensi (Gonzalez hlm 90-
92)
1 N 1 1 N 1
F (u ) 
N
 x 0
f ( x ) exp[2 j ux / N ] 
N
 x0
f ( x)(cos(2ux / N )  j sin( 2ux / N ))]

contoh : f (0)  2, f (1)  3, f (2)  4, f (3)  4

1 N 1
F (0)   x 0 f ( x)(cos(2 0 x / N )  j sin( 2 0 x / N ))]
N
1
 [ f (0)  f (1)  f (2)  f (3)]  3.25
4
1 3
F (1)   x 0 f ( x)(cos(2x / 4)  j sin(2x / 4))]
4
1
 [2(1  0)  3(0  j )  4(1  0)  4(0  j )
4
1 1
 (2  3 j  4  4 j )  (2  j )  0.5  0.25 j
4 4
1 1
F (2)   [1]  0.25 F (3)   [2  j ]  0.5  0.25 j
4 4

21
 Contoh Penghitungan
FT
• 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,
Fourier Spectrumnya adalah sebagai
berikut:

• |F(0)| = 3.25 |F(1)| = [(-0.5)2+(0.25)2]1/2 = 0.5590

• |F(2)| = 0.25 |F(3)| = [(0.5)2+(0.25)2]1/2 = 0.5590

22
 Rumus FT – 2 dimensi

• Rumus FT 2
dimensi
1 M 1 N 1
FT : F (u, v)  
MN x 0 y 0
f ( x, y ) exp[2 j (ux / M  vy / N )]

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)

23
 Contoh FT 2 Dimensi
Sumber:
http://www.icaen.uiowa.edu/~dip/LECTURE/LinTransforms
.html

Untuk menampilkan nilai FT suatu citra, karena keterbatasan

display, seringkali digunakan nilai D(u,v)= c log [1 + |
F(u,v)|] 24
25