Transformasi Fourier 1 dimensi f(x) = sin(x) + sin(3x)/3 + sin(5x)/5 +

(Dosen: Bp. Aziz) sin(7x)/7 + sin(9x)/9 …

Dirangkum oleh: Eko Zulkaryanto
(http://zulkaryanto.wordpress.com)
Computer Science – Bogor Agricultural University (http://www.ipb.ac.id) Hasil dalam transformasi fourier
Transformasi Fourier
 Mengapa perlu transformasi ?
– Setiap orang pada suatu saat pernah menggunakan
suatu teknik analisis dengan transformasi untuk Fungsi kotak sebagai penjumlahan fungsi-fungsi sinus
menyederhanakan penyelesaian suatu masalah Cobakan juga program matlab berikut untuk melihat sampai
[Brigham,1974] batas n berapa fungsi yang dihasilkan sudah berbentuk fungsi
– Contoh: penyelesaian fungsi y = x/z kotak.
 Analisa konvensional : pembagian secara manual function kotak(n)
 Analisa transformasi : melakukan transformasi t = 0:pi/200:8*pi;
– log(y) = log(x) – log(z) kot = sin(t);
– look-up table  pengurangan  look-up for i = 3 : 2: n
table kot = kot + (sin(i*t))/i;
 Transformasi juga diperlukan bila kita ingin end
mengetahui suatu informasi tertentu yang tidak plot(kot)
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 Gambar a) n = 1, b) n =3, c) n = 7, d) n = 99
kadang diubah Contoh lain
 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 : Contoh lain
– 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)
FT – Motivasi
 Jika semua sinyal periodik dapat dinyatakan dalam Contoh Penghitungan FT 1 dimensi
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:
Rumus FT – 1 dimensi Contoh Penghitungan FT 1 dimensi
 Rumus FT kontinu 1 dimensi  Hasil penghitungan FT biasanya mengandung
 bilangan real dan imajiner
F (u )   f ( x) exp[ 2 jux]dx  Fourier Spectrum didapatkan dari magnitude kedua

bilangan tersebut shg|F(u)| = [R 2(u) + I 2(u)]1/2

f ( x)   F (u ) exp[ 2 jux]du  Untuk contoh di halaman sebelumnya, Fourier
 Spectrumnya adalah sebagai berikut:
Euler' s formula : exp[ 2 jux]  cos 2ux  j sin 2ux  |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
 Rumus FT diskret 1 dimensi Transformasi fourier 2 dimensi (Bp. Aziz)
Rumus FT – 2 dimensi
1 N 1
F (u )   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
Contoh FT 1 dimensi
Contoh berikut diambil dari Polikar

(http://engineering.rowan.edu/~polikar/WAVELETS/WTtut
orial.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
Contoh sinyal 1 Dimensi x(t)
Gambar sinyal satu dimensi dengan rumus
x(t)= cos(2*pi*5*t) + Rumus FT – 2 dimensi
cos(2*pi*10*t) +
cos(2*pi*20*t) +
cos(2*pi*50*t)

 Domain spatial  x dan y pada f(x,y)

 Domain frekuensi  u dan v pada F(u,v)
 Magnitude F(u,v) adalah
|F(u,v)|= [R 2(u,v) + I 2(u,v)]1/2
FT dari sinyal tersebut Rumus FT – 2 dimensi
FT dari sinyal tersebut.
Terlihat bahwa FT dapat menangkap frekuensi-frekuensi  Contoh perhitungan
yang dominan dalam sinyal tersebut, yaitu 5,10, 20, 50  f(0,0) = 1, f(1,1) = 2, f(0,1) =3, f(1,0)=4
(nilai maksimum F(u) berada pada angka 5,10, 20, 50)  Hitung nilai F(0,0)!

Karakteristik domain frekuensi (1)

 • Separability
– Kolom dan baris dihitung terpisah
 It usually is impossible to make direct associations
between specific components of image & its
transform
 General statement: frequencies in the fourier
– Linearity
transform associate with patterns of intensity
– F(f+g) = F(f) + F(g)
variations in an image
– F(kf) = k F(f), k = konstanta
Karakteristik domain frekuensi (2)
DFT 2D - Some properties (3)
 Example: an image of a room
• Koefisien DC
– Slowest varying frequency component
– F(0,0) = jumlah semua pixel,
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) – Shifting
Citra SEM DFT 2D citra SEM – Menggeser DC ke tengah matrik
DFT 2D - Some properties (4)
• Shifting
– Menggeser DC ke tengah matrik

Karakteristik domain frekuensi (4)

Displaying transforms

Fourier transforms in matlab

DFT 2D - Some properties (1)

 DFT as spatial filter
– exp[….] independent terhadap f(x,y)

– Sebagai contoh untuk F(0,0) maka nilai

exp[….] = 1
– F(0,0) merupakan hasil filtering f(0,0) dengan filter
berukuran mxn dan elemen = 1.
 Citra filter

Filtering in the frequency domain (1)

• Equalizer
F(0,0) = (10x1) + (10x1) + (40x1) + … + – Equalizer mengubah lagu menjadi frekuensi-frekuensi
(60x1) + (80x1) + (50x1) sesuai alat musik yang digunakan. Frekuensi drum
= 650 berbeda dengan gitar, misalnya.
DFT 2D - Some properties (2) – Filtering pada domain frekuensi dapat dianalogikan
dengan mengatur equalizer ketika kita mendengarkan
 lagu dari mp3 player. Apakah kita ingin memperjelas
bass atau treble,misalnya. DFT 2D- lowpass firlter (4)
(Nixon & Aguado. 2002. feature extraction & image • Ideal lowpass filter
processing. )
Filtering in the frequency domain (2)

• Butterworth lowpass filter

• Gaussian lowpass filter

Filtering in the frequency domain (3)

Tugas:
• dikumpulkan 19-11-2009
1. Hitung transformasi fourier untuk data citra berikut:
f(0,0)= 10, f(1,0)=20, f(0,1)=30 dan f(1,1) = 40!
2. Buat ulasan, 1 halaman A4, tulis tangan, tentang Fast
Fourier Transforms (F F T)

DFT 2D- lowpass firlter (1)

Suppose we have a Fourier transform matrix F, shifted so that
the DC coeficient is in the centre.
Since the low frequency components are towards the centre,
we can perform low pass filtering by multiplying the
transform by a matrix in such a way that centre values are
maintained, and values away from the centre are either
removed or minimized.
One way to do this is to multiply by an
ideal low-pass matrix, 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, with

D=15
• Then the inverse Fourier transform of the element-
wise product of F and m is the result we require:

DFT 2D- lowpass filter (3)

Caranya ?
• Ambil citra (cm) lalu lakukan DFT (cf)

• Lakukan lowpass filter (cf ) * (c)  element wise

multiplication

• Transformasi invers