Di dalam pengolahan citra, sebuah citra sering dilakukan proses penapisan (image filtering) untuk memperoleh citra sesuai dengan tujuan yang diinginkan.
Ringkasan, Abstrak, dan Sintesis (Pengertian, Contoh, dan Kaidah Penulisan).pdf
Pengolahan Citra Diskusi Pertemuan Ke-6.pdf
1. 1
Modul Pengolahan Citra Sesi Ke-6
Nama : Hendro Gunawan
NIM : 200401072103
Kelas : IT-801
6. Konvolusi
• Di dalam pengolahan citra, sebuah citra sering dilakukan proses penapisan (image filtering) untuk
memperoleh citra sesuai dengan tujuan yang diinginkan.
Gambar 6.1. Image filtering
• Penampilan citra berarti memodifikasi pixel-pixel di dalam citra berdasarkan transformasi terhadap
nilai-nilai pixel tentangnya.
Gambar 6.2. Transformasi pixel
• Penapisan citra termasuk ke dalam tipe operasi aras lokal.
f(x,y) g(x,y)
filtering
filtering
5 1
4
1 7
1
5 3
10
Local image data
7
Modified image data
transformasi
x,y
( ) x,y )
(
Input image f(x,y) Output image g(x,y)
( -1)
x-1,y
+1)
x+1,y
(
2. 2
Gambar 6.3. Area or Mask Processing Methods.
• Sebuah operator khusus untuk penapisan citra adalah konvolusi (convolution) atau linear filtering.
6.1. Teori Konvolusi
• Konvolusi 2 buah fungsi f(x) dan g(x) didefinisikan sebagai berikut:
𝒉(𝒙) = 𝒇(𝒙) ∗ 𝒈(𝒙) = ∫ 𝒇(𝒂)𝒈(𝒙 − 𝒂)𝒅𝒂
∞
−∞
• Tanda * menyatakan operator konvolusi, dan peubah a adalah peubah bantu (dummy variable).
• g(x) disebut kernel atau mask konvolusi.
• Kernel g(x) dapat dibayangkan sebagai sebuah jendela yang dioperasikan secara bergeser pada
sinyal masukan f(x).
• Jumlah perkalian kedua fungsi pada setiap titik merupakan hasil konvolusi yang dinyatakan dengan
sinyal luaran h(x).
Contoh:
Misalkan fungsi f(x) dan g(x) diperlihatkan pada gambar berikut.
Gambar 6.4. Contoh fungsi f(x) dan g(x).
Rumus konvolusi:
ℎ(𝑥) = 𝑓(𝑥) ∗ 𝑔(𝑥) = ∫ 𝑓(𝑎)𝑔(𝑥 − 𝑎)𝑑𝑎
∞
−∞
3. 3
Step 1: Tentukan g(- a) Step 2: Tentukan g(x - a)
Gambar 6.5. Step 1 dan Step 2
Gambar 6.6. Step 3
.
.
4. 4
Gambar 6.7. Case 3 dan Case 4
Gambar 6.8. Fungsi f(x) * g(x)
Hasil akhir:
Gambar 6.9. Hasil akhir
6.2. Konvolusi dengan Fungsi Impuls
• Fungsi impuls disebut juga fungsi delta dirac.
• Fungsi delta dirac bernilai 0 untuk x ≠ 0, dan ‘lebar’ denyutnya sama dengan 1.
• Secara matematis fungsi delta dirac didefinisikan sebagai:
𝛿(𝑥) = 0, 𝑥 ≠ 0
𝑙𝑖𝑚 ∫ 𝛿(𝑥)𝑑𝑥 = 1
𝜀
−𝜀
5. 5
Gambar 6.10. Fungsi impuls (delta dirac)
• Sifat-sifat fungsi delta dirac:
1. ∫ 𝑓(𝑥′)𝛿
∞
−∞
(𝑥 − 𝑥′)𝑑𝑥′
= 𝑓(𝑥)
2. 𝛿 (
𝑎
𝑥
) =
𝛿(𝑥)
|𝑎|
• Bila kita bekerja dengan fungsi diskrit, maka fungsi delta yang digunakan adalah fungsi delta
Kronecker, yang didefinisikan sebagai
𝛿(𝑛) = {
0, 𝑛 ≠ 0
1, 𝑛 = 0
• Dengan sifat:
∑ 𝑓(𝑚)𝛿(𝑛 − 𝑚) = 𝑓(𝑛)
∞
𝑚=−∞
• Hasil konvolusi f(x) dengan delta dirac 𝛿(x)
𝑓(x) ∗ 𝛿(𝑥) = ∫ 𝑓(𝑎)𝛿
∞
−∞
(𝑥 − 𝑎)𝑑𝑎 = 𝑓(𝑥)
(since 𝛿(𝑥 − 𝑎) = 1 𝑖𝑓 𝑎 = 𝑥)
Gambar 6.11. Hasil konvolusi f(x) dengan delta dirac 𝛿(x)
• Kegunaan fungsi impuls: penerokan (sampling) sinyal kontinyu menjadi sinyal diskrit.
6. 6
Gambar 6.12. Kegunaan fungsi impuls: penerokan (sampling) sinyal kontinyu menjadi sinyal diskrit
• Proses penerokan dinyatakan sebagai perkalian sinyal kontinyu f(t) dengan fungsi penerok berupa
rentetan sinyal delta sejarak T satu sama lain.
Gambar 6.13. Proses penerokan dinyatakan sebagai perkalian sinyal kontinyu f(t) dengan fungsi
penerok berupa rentetan sinyal delta sejarak T satu sama lain.
• Fungsi penerok itu dapat dinyatakan sebagai
𝑠(𝑡) = ∑ 𝛿(𝑡 − 𝑛𝑇)
∞
−∞
Dengan demikian,
𝑓𝑎(𝑡) = 𝑓(𝑡)𝑠(𝑡) = 𝑓(𝑡) ∑ 𝛿(𝑡 − 𝑛𝑇) =
∞
−∞
∑ 𝑓(𝑡)𝛿(𝑡 − 𝑛𝑇)
∞
−∞
7. 7
Gambar 6.13. Fungsi penerok itu dapat dinyatakan sebagai
𝑠(𝑡) = ∑ 𝛿(𝑡 − 𝑛𝑇)
∞
−∞
6.3. Konvolusi Pada Fungsi Diskrit
• Konvolusi pada fungsi kontinyu f(x) dan g(x):
ℎ(𝑥) = 𝑓(𝑥) ∗ 𝑔(𝑥) = ∫ 𝑓(𝑎)𝑔(𝑥 − 𝑎)
∞
−∞
𝑑𝑎
• Konvolusi pada fungsi diskrit:
ℎ(𝑥) = 𝑓(𝑥) ∗ 𝑔(𝑥) = ∑ 𝑓(𝑎)𝑔(𝑥 − 𝑎)
∞
−∞
• Konvolusi bersifat komutatif:
f(x) * g(x) = g(x) * f(x)
6.4. Sifat-sifat Konvolusi
• Commutative:
f * g = g * f
• Associative:
(f * g) * h=f * (g * h)
8. 8
• Homogeneous:
f * (𝝀𝒈) = 𝝀𝒇 ∗ 𝒈
• Additive (Distributive):
f * (g + h) = f * g + f * h
• Sift-Invariant:
f * g (x-x0,y-y0)=(f * g)(x-x0, y-y0)
6.5. Konvolusi Pada Fungsi Dwiwarna
• Citra adalah sinyal dwimatra (fungsi dwimatra).
• Untuk fungsi dwimatra (fungsi dengan dua peubah), operasi konvolusi didefinisikan sebagai
berikut:
a. Untuk fungsi kontinyu
ℎ(𝑥, 𝑦) = 𝑓(𝑥, 𝑦) ∗ 𝑔(𝑥, 𝑦) = ∫ ∫ 𝑓(𝑎, 𝑏)𝑔(𝑥 − 𝑎, 𝑦 − 𝑏)𝑑𝑎𝑑𝑏
∞
−∞
∞
−∞
b. Untuk fungsi diskrit
ℎ(𝑥, 𝑦) = 𝑓(𝑥, 𝑦) ∗ 𝑔(𝑥, 𝑦) = ∑ ∑ 𝑓(𝑎, 𝑏)𝑔(𝑥 − 𝑎, 𝑦 − 𝑏)
∞
𝑏=−∞
∞
𝑎=−∞
• g(x,y) dinamakan convolution filter, convolution mask, kernel, atau template
• Dalam ranah diskrit kernel konvolusi dinyatakan dalam bentuk matriks (umumnya 3 x 3, ada juga
2 x 2 atau 2 x 2 atau 1 x 2).
Gambar 6.14. Contoh kernel
• Ilustrasi konvolusi:
9. 9
Gambar 6.15. Ilustrasi konvolusi
• Jadi, konvolusi dapat dipandang sebagai kombinasi linear dari vector pixel dengan vektor kernel.
• Jumlah nilai di dalam kernel > 1, maka f(i,j) dibagi dengan jumlah tersebut.
Jika jumlahnya nol, maka f(i,j) dibagi dengan 1.
10. 10
Gambar 6.16. Ilustrasi Konvolusi
• Operasi konvolusi dilakukan dengan menggeser kernel konvolusi pixel per pixel.
Hasil konvolusi disimpan di dalam matriks yang baru.
• Catatan: Lakukan operasi clipping jika hasil konvolusi menghasilkan nilai pixel negatif atau lebih
besar dari nilai keabuan maksimum 7 Misal dijadikan 0 jika hasil konvolusi negatif, dijadikan 255
jika hasil konvolusi lebih besar dari 255.
• Contoh 1:
Misalkan citra f(x,y) berukuran 5 x 5 dikonvolusi dengan sebuah kernel atau mask berukuran 3 x 3,
masing-masing adalah sebagai berikut:
Gambar 6. 17. Contoh 1
• Operasi konvolusi f(x,y) * g(x,y) adalah sebagai berikut:
11. 11
1) Tempatkan kernel pada sudut kiri atas, kemudian hitung nilai pixel pada posisi (0,0) dari
kernel.
Gambar 6.18. Hasil konvolusi = 3
2) Geser kernel satu pixel ke kanan, kemudian hitung nilai pixel pada posisi (0,0) dari kernel:
Gambar 6.19. Hasil konvolusi = 0
3) Geser kernel satu pixel ke kanan, kemudian hitung nilai pixel pada posisi (0,0) dari kernel:
Gambar 6. 20. Hasil konvolusi = 2
12. 12
4) Selanjutnya, geser kernel satu pixel ke bawah, lalu mulai lagi melakukan konvolusi dari sisi
kiri citra. Setiap kali konvolusi, geser kernel satu pixel ke kanan:
Gambar 6.21. Hasil konvolusi = 0
Gambar 6.22. Hasil konvolusi = 2
14. 14
6.7. Contoh Lain
Gambar 6.25. Contoh lain
• Masalah timbul bila pixel yang dikonvolusi adalah pixel pinggir (border), karena beberapa
koefisien konvolusi tidak dapat diposisikan pada pixel-pixel citra (efek “menggantung”).
Gambar 6.26. Efek menggantung
• Masalah “menggantung” seperti ini selalu terjadi pada pixel-pixel pinggir kiri, kanan, atas, dan
bawah.
• Solusi untuk masalah ini adalah:
1. Pixel-pixel pinggir diabaikan, tidak dikonvolusi. Solusi ini banyak dipakai di dalam pustaka
fungsi-fungsi pengolahan citra. Dengan cara seperti ini, maka pixel-pixel pinggir nilainya tetap
sama seperti citra asal.
15. 15
Gambar 6.27. Solusi untuk pixel menggantung. Pixel-pixel pinggir (yang tidak diarsir) tidak
dikonvolusi (dari contoh 1).
2. Duplikasi elemen citra, misalnya elemen kolom pertama disalin ke kolom M+1, begitu juga
sebaliknya, lalu konvolusi dapat dilakukan terhadap pixel-pixel pinggir tersebut.
3. Elemen yang ditandai dengan “?” diasumsikan bernilai 0 atau konstanta yang lain, sehingga
konvolusi pixel-pixel dapat dilakukan.
• Solusi dengan ketiga pendekatan di atas mengasumsikan bagian pinggir citra lebarnya sangat
kecil (hanya satu pixel) relatif dibanding dengan ukuran citra, sehingga pixel-pixel pinggir tidak
memperlihatkan efek yang kasat mata.
Gambar 6.28. Algotirma konvolusi citra dengan sebuah mask yang berukuran 3 x 3.
Pixel yang dikonvolusi adalah elemen (i,j). Delapan buah pixel yang bertetangga dengan pixel (i,j)
adalah sbb:
16. 16
Gambar 6.29. Pixel yang dikonvolusi.
Konvolusi berguna pada proses pengolahan citra seperti:
• Perbaikan kualitas citra (image enhancement)
• Penghilangan derau.
• Mengurangi erotan.
• Penghalusan/pelembutan citra.
• Deteksi tepi, penajam tepi
• Dll.
Contoh:
Untuk mempertajam citra, sebuah penapis Gaussian digunakan. Penapis Gaussian adalah sebuah mask
berukuran 3 x 3:
Gambar 6.30. Contoh Penapis Gaussian
17. 17
6.8. Some Other Kernel Examples
Gambar 6.31. Contoh lain
Referensi
[1] Syahid Abdullah, S. M. (2024, April 09). Pengolahan Citra Pertemuan 6.pdf. Diambil kembali
dari Edlink Universitas Siber Asia: https://edlink.id/panel/classes/733659. Diakses pada tanggal
10 April 2024.
Link File