Penapisan Citra dan Konvolusi

IF4073 Interpretasi dan Pengolahan Citra

Oleh: Rinaldi Munir

Program Studi Teknik Informatika

Sekolah Teknik Elektro dan Informatika
Institut Teknologi Bandung
2019
• Di dalam pengolahan citra, sebuah citra sering dilakukan proses penapisan
(image filtering) untuk memperoleh citra sesuai dengan tujuan yang diinginkan.

f(x,y) g(x,y)

filtering

filtering

Sumber gambar: Image Fitering, CS485/685 Computer Vision, Prof. George Bebis
• Penapisan citra berarti memodifikasi pixel-pixel di dalam citra berdasarkan
transformasi terhadap nilai-nilai pixel tetangganya.

Input image f(x,y) Output image g(x,y)

(x-1,y-1)

(x,y) (x,y)

(x+1,y+1)

10 5 3 transformasi
4 5 1 7
1 1 7

Local image data Modified image data

• Penapisan citra termasuk ke dalam tipe operasi aras lokal

• Sebuah operator khusus untuk penapisan citra adalah konvolusi

(convolution) atau linear filering.
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.
 

Rumus konvolusi: h( x )  f ( x ) * g ( x )   f (a ) g ( x  a )da



Step 1: Tentukan g(-a) Step 2: Tentukan g(x – a )

.
.
Hasil akhir:
Sumber gambar: Concolution, CS485/685 Computer Vision, Prof. George Bebis
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 definisikan sebagai
 (x )
 ( x )  0, x  0

lim  ( x)dx  1
 0 

x
• Sifat-sifat fungsi delta dirac:

• Bila kita bekerja dengan fungsi diskrit, maka fungsi delta yang
digunakan adalah fungsi delta Kronecker, yang didefinisikan sebagai
0, n  0
 (n )  
1, n  0


dengan sifat  f (m) (n  m)  f (n)

m  
• Hasil konvolusi f(x) dengan delta dirac (x)

f(x) (x)
• Hasil konvolusi fungsi f(x) dengan fungsi g(x) =(x + T) + (x) + (x – T):

f(a) g(a)

A A

a a
b -T T -T b T
(a) (b) (c)
• Kegunaan fungsi impuls: penerokan (sampling) sinyal kontinu menjadi
sinyal diskrit.
• Proses penerokan dinyatakan sebagai perkalian sinyal kontinu f(t) dengan fungsi
penerok berupa rentetan sinyal delta sejarak T satu sama lain.

T
• Fungsi penerok itu dapat dinyatakan sebagai

dengan demikian,
 f(t)

s(t)

f(t)s(t)

t
Konvolusi pada fungsi diskrit
• Konvolusi pada fungsi kontinu 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 )
a  

• Konvolusi bersifat komutatif:

Sifat-sifat konvolusi
• Commutative:
f*g = g*f
• Associative:
(f*g)*h = f*(g*h)
• Homogeneous:
f*(g)=  f*g
• Additive (Distributive):
f*(g+h)= f*g+f*h
• Shift-Invariant
f*g(x-x0,y-yo)= (f*g) (x-x0,y-yo)
Konvolusi pada fungsi dwimatra
• Citra adalah sinyal dwimatra (fungsi dwimatra).
• Untuk fungsi dwimatra (fungsi dengan dua peubah), operasi konvolusi
didefinisikan sebagai berikut:
a) untuk fungsi kontinu
 
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)
a   b  

• g(x,y) dinamakan convolution filter, convolution mask, kernel, atau template

• Dalam ranah diskrit kernel konvolusi dinyatakan dalam bentuk
matriks (umumnya 3  3, ada juga 2  2 atau 2  1 atau 1  2).
• Ilustrasi konvolusi:

A B C
p1 p2 p3
p4 p5 p6 f(i,j)
D E F
p7 p8 p9

G H I
kernel

citra

• Jadi, konvolusi dapat dipandang sebagai kombinasi linier dari vektor pixel dengan
vektor kernel.
f(i,j) = (A p1 + B p2 + C p3 + D p4 + E p5 + F p6 + G p7 + H p8 + I p9

• Jika jumlah nilai di dalam kernel > 1, maka f(i,j) dibagi dengan jumlah tersebut.
Jika jumlahnya nol, maka f(i,j) dibagi dengan 1.
• 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  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  5 dikonvolusi dengan sebuah kernel

atau mask berukuran 3  3, masing-masing adalah sbb:

Catatan:
Jumlah nilai di dalam kernel =
-1 + 4 – 1 – 1 – 1 = 0.
Bagi hasil konvolusi dengan 1
• Operasi konvolusi f(x, y) * g(x, y) adalah sebagai berikut:
Sumber: Image Convolution, Jamie Ludwig, Satellite Digital Image Analysis, 581
Portland State University
Sumber: Image Convolution, Jamie Ludwig, Satellite Digital Image Analysis, 581
Portland State University
• Masalah timbul bila pixel yang dikonvolusi adalah pixel pinggir
(border), karena beberapa koefisien konvolusi tidak dapat dapat
diposisikan pada pixel-pixel citra (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 di-konvolusi. 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

Gambar 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 pinggir dapat dilakukan.

• Solusi dengan ketiga pendekatan di atas mengasumsikan bagian

pinggir citra lebarnya sangat kecil (hanya satu pixel) relatif
dibandingkan denagn ukuran citra, sehingga pixel-pixel pinggir tidak
memperlihatkan efek yang kasat mata
Algoritma Konvolusi citra dengan sebuah mask yang berukuran 3  3.

void konvolusi(citra Image, citra ImageResult, imatriks Mask, int N, int M)

/* Mengkonvolusi citra Image yang berukuran N  M dengan mask 3  3. Hasil
konvolusi disimpan di dalam matriks ImageResult.
*/
{ int i, j;

for (i=1; i<=N-3; i++)

for(j=1; j<=M-3; j++)
ImageResult[i][j]=
Image[i-1][j-1]*Mask[0][0] +
Image[i-1][j+1]*Mask[0][1] +
Image[i-1][j]*Mask[0][2] +
Image[i][j-1]*Mask[1][0] +
Image[i][j]*Mask[1][1] +
Image[i][j+1]*Mask[1][2] +
Image[i+1][j-1]*Mask[2][0] +
Image[i+1][j]*Mask[2][1] +
Image[i+1][j+1]*Mask[2][2];
}
Pixel yang dikonvolusi adalah elemen (i, j). Delapan buah pixel yang
bertetangga dengan pixel (i, j) adalah sbb:
Konvolusi berguna pada proses pengolahan citra seperti:
• perbaikan kualitas citra (image enhancement)
• penghilangan derau
• mengurangi erotan
• penghalusan/pelembutan citra
• deteksi tepi, penajaman tepi
• dll
Contoh: Untuk mempertajam citra, sebuah penapis Gaussian
digunakan. Penapis Gaussian adalah sebuah mask berukuran 3 3:
Sumber: Image Convolution, Jamie Ludwig, Satellite Digital Image Analysis, 581
Portland State University