pak fadli 11

APLIKASI FFT PADA IMAGE PROCESSING
Image processing merupakan fungsi spasial yang bisa dikonversi menjadi domain frequensi.  Untuk citra dua dimensi, citra memiliki informasi spasial (dua dimensi) yang terkandung di dalam setiap elemen pikselnya. Dalam tahap perkembangannya, FFT memiliki teknik algortima yang bervariasi. Terima kasih pada Image-J, terkait dengan artikel saya sebelumnya, fungsi FFT sudah tersedia sebagai fungsi bawaan. Pada artikel ini saya akan menjelaskan aplikasi penggunaan FFT pada pengolahan citra, secara spesifik untuk teknik filtering dengan menggunakan aplikasi Image-J.

Berikut ini adalah contoh penggunaan fungsi FFT pada image processing:


Gambar di atas menunjukkan sebuah citra yang memiliki struktur periodic yang unik. Dalam contoh kasus ini, kita ingin menghilangkan background dari citra ini dengan menggunakan operasi FFT. Untuk itu kita akan menggunakan fungsi FFT dari Image-J yang sudah tersedia. Untuk melakukan Fourier transformation dengan menggunakan Image-J, kita harus menggubah citra ke dalam bentuk format 8-bit grayscale:


Kemudian dengan memilih opsi FFT pada aplikasi Image-J akan dihasilkan:


Sinyal yang terletak ditengah adalah sinyal low frequency atau sinyal dari background yang ingin kita eliminasi. Cara untuk mengeliminasi frekuensi rendah ini adalah dengan memblok area dari hasil transformasi fourier citra seperti tergambar pada gambar berikut:


Arti dari pemblokan low frequency ini adalah mengalikan semua nilai piksel frekuensi rendah dengan piksel hitam yang bernilai keabuan 0. Dengan melakukan ini, kita sudah mengaplikasikan high pass filter pada citra kita. Untuk melihat hasil dari high pass filter ini, kita harus melakukan operasi inverse FFT. Hasil dari inverse FFT bisa kita lihat pada gambar berikut:

Dengan melakukan inverse FFT, maka filtering berbasis frekuensi, dalam contoh kasus ini high pass filter telah berhasil dilakukan.

Komentar

Posting Komentar

Postingan populer dari blog ini

menghitung konvolusi sirkular

Gambar
Perhitungan Konvolusi Sirkular Untuk mengetahui bagaimana metoda untuk menghitung konvolusi sirkular, perhatikan contoh berikut: Diketahui urutan yang pertama: x = {1, 2, 3, 4, 5, 6} dan uruta yang kedua: h = {7, 8, 9, 3}. Tentukan !  Jawab: Langkah 1 : Gambarkan kedua urutan tersebut secara bertumpuk, urutan pertama di atas urutan kedua, dan tambahkan padding berupa angka 0 agar ukuran urutan kedua sama dengan urutan pertama: Langkah 2: Putar urutan h, sehingga komponen pertama menjadi kelima, kedua menjadi keempat, dan seterusnya. Sebut urutan ini menjadi h’: Langkah 3: Geser urutan h’ ke kiri sehingga komponen kelima dari h’ berada di bawah komponen pertama dari x: Posisi ini adalah  posisi awal  yang paling penting!! Langkah 4: Untuk mencari y[0], posisi awal ke kanan sejauh 0 satuan. Dalam hal ini berarti tidak ada pergeseran: Langkah 5: Pindahka...
Baca selengkapnya

Mengatur RPM Motor Encoder/Rotary Encoder dan Sensor Suhu LM35 Berbasis Arduino

Gambar
"Motor Encoder/Rotary Encoder dan Sensor Suhu LM35" Assalamualaikum Wr Wr. Pada artikel kali ini, saya akan berbagi ilmu sederhana mengenai bagaimana mengatur Rpm Motor Encoder/Rotary Encoder dan Sensor Suhu pada Aplikasi Proteus berbasis arduino. 1. Motor Encoder/Rotary Encoder Secara umum prinsip kerja rotary encoder ini dapat diilustrasikan sebagai berikut. Dua buah sensor optis (Channel A dan B) pendeteksi “hitam dan putih” digunakan acuan untuk menentukan arah gerakan. Searah jarum jam (clock-wise, CW) atau (counter clock-wise, CCW). Sedangkan jumlah pulsa (baik A atau B) dapat dihitung (menggunakan prinsip counter) sebagai banyak langkah yang ditempuh. Dengan demikian arah gerakan dan posisi dapat dideteksi. Contoh rotary encoder. Biasanya encoder ini dipasang segaris dengan poros (shaft) motor, gearbox, sendi datau bagian berputar lainnya. Beberapa tipe encoder memiliki poros berlubang (hollow shaft encoder) yang didesain untuk ...
Baca selengkapnya

Cara Kerja Backpropagation

Gambar
Arsitektur : Dalam metode Backpropagation, biasanya digunakan jaringan multilayer. Pada gambar, unit input dilambangkan dengan X, hidden unit dilambangkan dengan Z, dan unit output dilambangkan dengan Y. Bobot antara X dan Z dilambangkan dengan v sedangkan bobot antara Z dan Y dilambangkan dengan w. Seperti yang diperlihatkan pada gambar diatas bahwa jaringan Backpropagation terdiri dari 3 sel neuron pada lapisan input yaitu x1,x2,dan x3; 2 sel neuron pada lapisan tersembunyi yaitu z1 dan z2; serta 1 sel neuron pada lapisan output yaitu y. Nilai bias  b1 yang di berikan pada lapisan tersembunyi bertujuan untuk mengolah data input ditambah bobot Vij yang masuk ke dalam sel-sel pada lapisan tersembunyi dengan bantuan fungsi aktifasi. Begitupula dengan nilai bias b2 yang diberikan pada lapisan keluaran adalah untuk mengolah data yang berasal dari keluaran sel pada lapisan tersembunyi ditambah bobot Wij yang masuk kedalam lapisan keluaran dengan bantuan fungsi aktifasi. Cara Kerja :...
Baca selengkapnya