Skip to main content

Praktikum — Morfologi citra biner & deteksi tepi

Pengolahan Citra Digital (PCD), pertemuan 9–10

Penulis

Anggit Wirasto, S.Si., M.Eng.

Petunjuk umum

Kerjakan di Jupyter Notebook (lokal) atau Google Colab. Laporan dikumpulkan sesuai aturan dosen (misalnya PDF hasil ekspor notebook + berkas sumber .ipynb).

Rujukan teori:

Lingkungan Python: numpy, matplotlib, scipy (komponen ndimage). Dataset scipy.datasets membutuhkan dependensi opsional pooch; jika unduhan gagal, gunakan citra sintetis seperti pada contoh kerangka di bawah.


Identitas (cell Markdown pertama di notebook Anda)

  • Nama lengkap dan NIM
  • Kelas / rombel
  • Tanggal pengerjaan
  • Jupyter lokal / Colab
  • Versi utama paket: numpy, scipy, matplotlib (mis. print(np.__version__))

Persiapan

Paket

pip install numpy scipy matplotlib jupyter ipykernel pooch

Colab

Tambahkan sel instalasi bila perlu: !pip install scipy matplotlib pooch.


Bagian A — Morfologi biner (scipy.ndimage)

A.1 Citra biner uji

Bangkitkan mask biner \(9\times9\) berikut (foreground = True / 1): persegi penuh \(7\times7\) di tengah, lubang \(3\times3\) di pusat persegi, tonjolan satu piksel keluar dari sisi kanan, dan dua bintik salt (1 piksel) di background. Simpan sebagai mask0. Tampilkan dengan imshow(..., cmap="Greys_r") dan sumbu dinonaktifkan.

A.2 Elemen penstruktur

  1. Bangkitkan B4 dan B8 dengan scipy.ndimage.generate_binary_structure(rank=2, connectivity=1) dan connectivity=2.
  2. Visualisasikan keduanya (dua subplot) dan tuliskan interpretasi: mana yang “plus”, mana yang “kotak” \(3\times3\).

A.3 Empat operasi dasar

Pada mask0 yang sama, hitung dan tampilkan satu baris gambar berisi: asli, erosi (1 iterasi, B4), dilasi (1 iterasi, B4), opening (1 iterasi, B4), closing (1 iterasi, B4). Beri judul per subplot.

A.4 Efek iterasi

Dengan B4 pada mask0, plot erosi untuk iterations = 1, 2, 3 (tiga gambar). Jelaskan secara singkat: apa yang hilang lebih dulu dan mengapa (kaitkan dengan definisi \(A \ominus B\)).

A.5 B4 vs B8

Ulangi opening sekali dengan B4 dan dengan B8 pada mask0 (atau mask sintetis Anda yang memuat sudut diagonal tipis). Jelaskan perbedaan visual pada sudut atau diagonal (rujuk bagian operasi ketetanggaan pada modul teori 09).

A.6 (Opsional) Data ascent

Jika from scipy.datasets import ascent berhasil, ambil potongan grayscale, binarkan dengan ambang (Otsu manual atau persentil), lalu tunjukkan opening + closing untuk membersihkan mask. Jika gagal, lewati dan catat pesan error.


Bagian B — Deteksi tepi (ndimage)

B.1 Citra grayscale

Muat potongan ascent atau citra grayscale sintetis (mis. kombinasi persegi + sinus 2D). Normalisasi ke rentang \([0,1]\) sebagai f.

B.2 Gradien Sobel manual

  1. Definisikan kernel Sobel \(3\times3\) (sama seperti modul teori) untuk sumbu yang konsisten dengan konvensi Anda.
  2. Hitung gx, gy dengan ndimage.convolve(f, kernel, mode="reflect").
  3. Hitung magnitud \(M = \sqrt{g_x^2+g_y^2}\). Tampilkan f dan M (mis. cmap="magma" untuk \(M\)).
  4. Bandingkan dengan ndimage.sobel / magnitud dari axis=0 dan axis=1 — laporkan selisih maksimum absolut (harus kecil jika konvensi sumbu cocok).

B.3 LoG dan zero-crossing sederhana

  1. Hitung L = ndimage.gaussian_laplace(f, sigma=1.2) (coba juga sigma=2.0).
  2. Implementasikan petunjuk zero-crossing 4-tetangga: tandai piksel di mana tanda L berbeda dari minimal satu tetangga atas/bawah/kiri/kanan (abaikan tepi frame atau potong ROI dalam). Tampilkan L (mis. RdBu_r) dan peta boolean zero-cross.
  3. Jelaskan mengapa peta zero-crossing “berisik” tanpa ambang magnitud LoG atau langkah Marr–Hildreth lengkap.

B.4 (Opsional) Citra kedua

Ulangi B.2–B.3 pada potongan citra dengan tekstur lebih kaya (mis. face luminansi jika tersedia). Bandingkan kerapatan respons Sobel vs pola LoG.


Bagian C — Refleksi singkat (Markdown)

Jawab dalam 3–5 kalimat per pertanyaan:

  1. Kapan Anda memilih opening vs closing pada mask segmentasi?
  2. Apa trade-off menaikkan sigma pada LoG terhadap lokasi tepi dan noise?
  3. Satu hal yang paling Anda pahami baru setelah membandingkan magnitud gradien vs LoG.

Checklist pengumpulan


Rubrik penilaian (indikatif)

Aspek Indikator
Kode Morfologi memakai binary_* / structure benar; tepi memakai konvolusi/Sobel/LoG yang jalan
Visual Gambar berjudul, mudah dibaca; perbandingan B4/B8 dan iterasi terlihat
Analisis Penjelasan singkat selaras definisi himpunan / gradien / LoG
Kelengkapan Identitas, checklist, dan (jika diminta) ekspor PDF rapi

Catatan integritas akademik

Tulis sendiri analisis dan kode. Jika memakai contoh dari internet atau asisten AI, cantumkan sumber dan jelaskan adaptasi yang Anda lakukan.