Skip to main content

Modul teori — Operasi morfologi dasar pada citra biner

Pengolahan Citra Digital (PCD), pertemuan ke-9

0.1 Tujuan pembelajaran

Setelah mempelajari modul ini, mahasiswa diharapkan mampu:

  1. Menjelaskan representasi citra biner dan hubungannya dengan himpunan piksel di grid diskret.
  2. Mendefinisikan operasi ketetanggaan pada grid, membedakan peran konektivitas vs elemen penstruktur dalam morfologi biner.
  3. Mendefinisikan elemen penstruktur (structuring element) serta membedakan konektivitas 4- dan 8-tetangga.
  4. Memformulasikan erosi, dilasi, opening, dan closing dalam notasi himpunan dan mengaitkannya dengan efek geometris pada objek.
  5. Memilih operasi atau urutan sederhana untuk masalah pembersihan bentuk pada citra biner hasil segmentasi.
  6. Menjelaskan manfaat aplikatif erosi, dilasi, opening, dan closing dalam tahapan pengolahan citra nyata.
  7. Mengimplementasikan ilustrasi dasar dengan pustaka NumPy/SciPy (scipy.ndimage).

1 Citra biner sebagai himpunan

Pada morfologi klasik di grid 2D diskret, kita mengidentifikasi foreground (objek) sebagai himpunan lokasi piksel \(A \subset \mathbb{Z}^2\). Background adalah komplemen \(A^c = \mathbb{Z}^2 \setminus A\) (atau ROI terbatas sesuai citra).

Cara membaca \(A \subset \mathbb{Z}^2\) dan \(A^c = \mathbb{Z}^2 \setminus A\). Baca: “\(A\) adalah subset dari \(\mathbb{Z}^2\)” — artinya \(A\) kumpulan titik grid berkoordinat bilangan bulat \((i,j)\) yang dianggap objek.

  • \(A\) — himpunan indeks piksel foreground (objek).
  • \(\subset\) — “bagian dari / terkandung dalam”.
  • \(\mathbb{Z}^2\) — pasangan bilangan bulat \((i,j)\); model grid citra diskret tak hingga; pada praktik dibatasi ROI/citra.
  • \(A^c\) — komplemen \(A\): semua titik grid yang bukan foreground (background), dalam domain yang sama dengan pembicaraan (sering ROI citra).
  • \(\setminus\) — “dikurangkan sebagai himpunan”: \(\mathbb{Z}^2 \setminus A\) berarti “semua titik di \(\mathbb{Z}^2\) yang tidak termasuk \(A\)”.

Konvensi nilai: dalam pemrograman, foreground sering disimpan sebagai True / 1 / 255 dan background False / 0. Yang penting konsisten: operasi scipy.ndimage.binary_* mengharapkan boolean atau interpretasi nilai nonzero sebagai foreground—selalu periksa dokumentasi dan pratinjau visual.

Konektivitas menentukan definisi “bertetangga” saat kita membahas objek terhubung:

  • 4-tetangga: atas, bawah, kiri, kanan.
  • 8-tetangga: termasuk empat diagonal.
Gambar 1: Piksel pusat (merah) dan tetangganya pada grid: kiri hanya empat arah kartesian (4-tetangga); kanan termasuk empat diagonal (8-tetangga).

Operasi morfologi bukan sekadar mengubah label konektivitas; tetapi pilihan elemen penstruktur yang “mirip” 4- vs 8-tetangga akan memengaruhi hasil bentuk (terutama pada sudut diagonal).

2 Operasi ketetanggaan dan hubungannya dengan morfologi

Operasi ketetanggaan (neighborhood operation) pada citra diskret adalah aturan yang, untuk setiap posisi piksel \(z\), menghitung nilai keluaran hanya dari intensitas (atau label) pada himpunan piksel di sekitar \(z\) menurut pola tetap — sering shift-invariant (pola relatif sama saat digeser ke semua \(z\)). Keluarga luas ini mencakup filter linear (konvolusi), filter urut seperti median, dan — pada modul ini — morfologi biner yang memakai logika himpunan, bukan rata-rata berbobot.

Dua gagasan tetangga yang sering tertukar:

  • Konektivitas 4 vs 8 (gambar di atas): menjawab pertanyaan “dua piksel foreground dianggap saling terhubung lewat jalur mana?” — dipakai saat membahas objek terhubung, label komponen, atau batas topologi. Mengubah 4 ↔︎ 8 dapat mengubah jumlah komponen atau keberadaan “jembatan” diagonal satu piksel.
  • Elemen penstruktur \(B\) pada morfologi: menjawab pertanyaan “pola piksel mana yang dicek sekaligus saat ‘sonde’ diletakkan di \(z\)?” — himpunan relatif \(B\) (sering berpusat di origin) memilih subset dari kisi sekitar \(z\); bentuknya tidak harus kotak penuh dan tidak harus sama dengan definisi tetangga graf untuk konektivitas.

Hubungan langsung ke erosi dan dilasi: untuk setiap \(z\), erosi memeriksa semua posisi dalam \(B_z\): syarat lolos adalah AND logis “semua anggota \(B_z\) termasuk \(A\)”. Dilasi (dengan konvensi refleksi pada \(B\)) setara dengan: ada minimal satu titik di \(A\) yang “disentuh” oleh \(B_z\) — intuisi sentuhan pada tetangga yang diindeks oleh \(B\). Jadi morfologi adalah operasi ketetanggaan nonlinear yang sepenuhnya ditentukan oleh bentuk dan ukuran \(B\), bukan oleh satu kernel konvolusi tunggal.

Parameter di pustaka: pada scipy.ndimage.binary_erosion dan sejenisnya, argumen structure adalah mask boolean \(B\); opsi connectivity=1 atau 2 hanyalah shortcut untuk membangkitkan \(B\) standar (salib \(3\times3\) vs kotak \(3\times3\)). Untuk disk digital atau garis panjang, \(B\) dibangun manual — tetap operasi ketetanggaan, tetapi bukan sekadar mengganti definisi konektivitas pada graf yang sama.

3 Elemen penstruktur (structuring element)

Elemen penstruktur \(B\) adalah himpunan kecil di \(\mathbb{Z}^2\), biasanya berpusat di titik acuan (origin, sering \((0,0)\) dalam koordinat relatif). Saat “diletakkan” di posisi \(z\), translasi didefinisikan:

\[ B_z = \{ z + b \mid b \in B \}. \]

Cara membaca \(B_z = \{ z + b \mid b \in B \}\). Baca: “\(B_z\) adalah himpunan semua titik yang diperoleh dengan menggeser setiap titik \(b\) dalam elemen penstruktur \(B\) sebesar vektor \(z\).”

  • \(B\) — elemen penstruktur (himpunan kecil titik relatif terhadap acuan, biasanya pusat).
  • \(z\) — posisi acuan (origin) saat \(B\) “ditempel” pada grid (mis. koordinat piksel pusat mask).
  • \(b\) — satu titik anggota \(B\) dalam koordinat relatif.
  • \(z + b\) — translasi titik \(b\) ke posisi absolut di citra.
  • \(\{\,\cdot \mid \cdot\,\}\) — “himpunan semua … sedemikian sehingga …” (notasi pembentuk himpunan).

Sifat praktis:

  • Ukuran dan bentuk \(B\) mengatur skala detail yang bisa dihapus atau diisi: detail lebih kecil dari “lebar” \(B\) pada arah tertentu mudah terhapus oleh erosi atau terisi oleh dilasi.
  • Simetri: banyak \(B\) yang dipakai simetris terhadap pusat; pada kasus itu refleksi \(B\) (muncul dalam definisi dilasi formal) tidak mengubah bentuk.
  • Dekomposisi (lanjutan): beberapa \(B\) besar dapat dinyatakan sebagai dilasi morfologi dari \(B\) kecil, sehingga operasi dengan \(B\) besar setara dengan beberapa pass—berguna untuk efisiensi, tidak dibahas rinci di sini.

Elemen penstruktur datar (flat) pada citra biner cukup diwakili sebagai pola 0/1. Morfologi grayscale memakai elemen “non-flat” dengan tinggi; untuk PCD biner, fokus pada pola 0/1 sudah memadai.

4 Erosi (erosion)

4.1 Definisi

\[ A \ominus B = \{ z \in \mathbb{Z}^2 \mid B_z \subseteq A \}. \]

Cara membaca \(A \ominus B\). \(\ominus\) dibaca “erosi \(A\) oleh \(B\)” (atau “Minkowski subtraction” dalam konteks morfologi). Ruas kanan: “kumpulan semua posisi \(z\) sedemikian sehingga \(B_z\) seluruhnya berada di dalam \(A\).”

  • \(A \ominus B\) — hasil erosi: himpunan titik \(z\) yang lolos tes “mask \(B\) sepenuhnya di dalam \(A\)”.
  • \(\{ z \in \mathbb{Z}^2 \mid \ldots \}\) — semua titik grid \(z\) yang memenuhi syarat setelah tanda |.
  • \(B_z\) — \(B\) yang sudah ditranslasi ke acuan \(z\) (lihat definisi di atas).
  • \(\subseteq\) — subset atau sama: setiap titik \(B_z\) harus anggota \(A\).

Interpretasi: \(z\) termasuk foreground hasil erosi jika seluruh piksel \(B\) yang diposisikan di \(z\) berada di dalam foreground \(A\). Jika satu saja piksel \(B_z\) jatuh ke background, maka \(z\) ditolak.

4.2 Konsekuensi geometris

  • Penyusutan wilayah foreground: batas objek “mundur” ke dalam (dari sudut pandang foreground).
  • Penghapusan protrusi yang lebih tipis dari \(B\): jembatan satu piksel, duri kecil, noise titik.
  • Perlebaran lubang internal (area background di dalam objek): karena batas dalam foreground juga surut, lubang tampak membesar.
  • Monotonis terhadap himpunan: jika \(A_1 \subseteq A_2\), maka \(A_1 \ominus B \subseteq A_2 \ominus B\).

4.3 Contoh mikroskopis (satu posisi)

Misalkan \(B\) adalah 4-tetangga plus berpusat di piksel tengah. Untuk memeriksa apakah posisi \(z\) masuk \(A \ominus B\), bayangkan menempelkan plus di \(z\): kelima piksel (pusat + empat arah) harus bernilai foreground pada \(A\). Jika lengan plus ada yang menembus background, \(z\) bukan anggota hasil erosi.

5 Dilasi (dilation)

5.1 Definisi

Definisi standar memakai refleksi \(B^s\) dari \(B\) terhadap asal (titik acuan):

\[ A \oplus B = \{ z \mid (B^s)_z \cap A \neq \emptyset \}. \]

Cara membaca \(A \oplus B\). \(\oplus\) dibaca “dilasi \(A\) oleh \(B\)”. Ruas kanan: “semua \(z\) sedemikian sehingga \(B\) (direfleksi) yang ditempel di \(z\) berpotong dengan \(A\).”

  • \(A \oplus B\) — hasil dilasi: titik \(z\) ditambahkan ke foreground jika mask \((B^s)_z\) menyentuh \(A\).
  • \(B^s\) — refleksi \(B\) terhadap asal (titik acuan); untuk \(B\) simetris, \(B^s = B\).
  • \((B^s)_z\) — elemen penstruktur yang sudah direfleksi lalu ditranslasi ke \(z\).
  • \(\cap\) — irisan himpunan: “ada titik yang sama di kedua himpunan”.
  • \(\neq \emptyset\) — irisan tidak kosong (setidaknya satu piksel foreground bersinggungan).

Untuk \(B\) yang simetris (umum pada plus/kotak \(3\times3\) berpusat), \(B^s = B\), sehingga intuisi sering disederhanakan: \(z\) foreground jika \(B\) yang diposisikan di \(z\) bersentuhan dengan setidaknya satu foreground \(A\).

5.2 Konsekuensi geometris

  • Pelebaran foreground; celah sempit antar objek bisa menyatu jika lebar celah lebih kecil dari “jangkauan” \(B\).
  • Penutupan lubang kecil di dalam objek (lubang yang lebih sempit dari skala \(B\)).
  • Pembesaran noise foreground kecil: titik salt bisa “membengkak” — sehingga dilasi saja jarang menjadi satu-satunya langkah pembersihan.

5.3 Hubungan dual dengan komplemen

Sering dirumuskan (untuk citra berhingga/ROI dengan bingkai yang konsisten):

\[ (A \ominus B)^c = A^c \oplus B^s \]

Cara membaca rumus dualitas. Tanda \(^c\) pada seluruh \((A \ominus B)\) berarti “bukan hasil erosi”: komplemen dari foreground hasil erosi. Ruas kanan: dilasi background \(A^c\) dengan \(B\) yang direfleksi.

  • \((A \ominus B)^c\) — piksel yang tidak lolos sebagai pusat erosi penuh — setara operasi dilasi pada komplemen.
  • \(A^c\) — background sebagai himpunan titik.
  • Hubungan ini menjembatani analisis “apa yang hilang dari erosi” dengan “apa yang menyentuh background”.

Intuisi: “tidak lolos tes erosi” berkaitan dengan sentuhan dilasi pada background. Memahami dualitas membantu menganalisis efek pada lubang versus tonjolan secara simetris.

6 Opening dan closing

6.1 Opening

\[ A \circ B = (A \ominus B) \oplus B. \]

Cara membaca \(A \circ B\). \(\circ\) dibaca “opening \(A\) oleh \(B\)”: baca dari dalam kurung dulu — erosi \(A\) oleh \(B\), baru hasilnya didilasi lagi oleh \(B\) yang sama.

  • \((A \ominus B)\) — foreground yang “survive” setelah erosi (bagian tebal).
  • \(\oplus B\) — dilasi balik untuk memulihkan ketebalan kasar tanpa mengembalikan fitur yang sudah terpotong erosi.

Intuisi: erosi menghapus bagian yang “terlalu ramping” untuk \(B\), lalu dilasi mengembalikan ketebalan kasar tanpa mengembalikan detail yang sudah terhapus sepenuhnya oleh erosi.

Sifat berguna:

  • Anti-ekstensif relatif terhadap \(A\): umumnya \(A \circ B \subseteq A\) (setara foreground tidak “tumbuh” di luar batas asal).
  • Idempoten: \((A \circ B) \circ B = A \circ B\) pada kondisi umum (opening sekali lagi stabil).

Aplikasi dan contoh visual: §7.

6.2 Closing

\[ A \bullet B = (A \oplus B) \ominus B. \]

Cara membaca \(A \bullet B\). \(\bullet\) (titik tebal) dibaca “closing \(A\) oleh \(B\)”: dilasi dulu, lalu erosi dengan \(B\) yang sama.

  • \((A \oplus B)\) — foreground melebar/menutup celah sempit.
  • \(\ominus B\) — tarik kembali batas luar agar tidak “melebar berlebihan”.

Intuisi: dilasi menutup celah dan menyambung bagian yang nyaris putus, lalu erosi menarik kembali lebihan lebar agar ketebalan tidak “meledak” tanpa kendali.

Sifat:

  • Ekstensif relatif terhadap \(A\): umumnya \(A \subseteq A \bullet B\).
  • Idempoten: \((A \bullet B)\bullet B = A \bullet B\).

Aplikasi dan contoh visual: §7.

7 Memilih elemen penstruktur

Pilihan Dampak kasar
\(B\) kecil (\(3\times3\)) Perubahan halus; detail tipis tetap sensitif
\(B\) lebih besar Perubahan agresif; fitur halus hilang atau celah besar tertutup
Bentuk anisotropik (mis. garis panjang horizontal) Lebih agresif pada arah tertentu — cocok misalnya untuk menghilangkan goresan vertikal tipis pada dokumen

Kiat: mulai dari \(B\) kecil dan konektivitas 4; naikkan ukuran atau gunakan 8-tetangga hanya bila hasil 4-tetangga belum memadai, karena 8-tetangga cenderung lebih “mengisi” diagonal.

Ilustrasi ukuran \(B\) (bukan konektivitas): tiga elemen berbentuk disk digital berbeda radius pada baris atas; baris bawah memakai satu mask sintetis yang sama lalu satu kali erosi dengan masing-masing \(B\). Makin besar “jejak” \(B\), penyusutan dan penghapusan tonjolan sempit makin agresif — sejalan dengan baris tabel di atas. (Perbedaan konektivitas B4 vs B8 pada kisi \(3\times3\) ada pada figur fig-structuring-elements dan panel sintetis di bawah; tetangga 4 vs 8 dijelaskan di bagian awal modul.)

Gambar 2: Atas: elemen penstruktur disk digital radius \(r=1,2,3\) (kisi \(3\times3\), \(5\times5\), \(7\times7\)). Bawah: mask yang sama setelah satu erosi — \(B\) lebih besar menghapus lebih banyak piksel di perimeter dan tonjolan tipis.

8 Manfaat operasi morfologi dalam pengolahan citra

Subbagian berikut merinci manfaat per operasi; contoh gambar sintetis empat skenario mengiringi penjelasan.

8.1 Manfaat erosi

  • Menghilangkan tonjolan dan noise foreground yang lebih tipis dari elemen penstruktur (misalnya serabut halus pada mask hasil segmentasi).
  • Memisahkan objek yang hampir menyentuh tetapi masih dihubungkan oleh jembatan piksel sangat tipis (setelah erosi, komponen terhubung bisa terpisah sehingga penghitungan objek lebih andal).
  • Mengecilkan objek sebagai langkah awal estimasi kerangka (skeleton) atau untuk “mengikis” batas hingga stabil (sering dikombinasikan dengan operasi lain).
  • Menghaluskan batas kasar pada skala kasar (dengan trade-off: objek menyusut; lubang internal tampak membesar).

8.2 Manfaat dilasi

  • Menutup celah sempit pada kontur (misalnya putusnya goresan teks pada citra dokumen biner, atau gap pada tepi objek industri).
  • Menyambung fragmen foreground yang seharusnya satu kesatuan (misalnya huruf terpotong pada OCR pra-pemrosesan).
  • Membesarkan wilayah untuk menutup lubang kecil di dalam objek (efek yang lebih terkendali sering dicapai dengan closing).
  • Dilasi juga dipakai dalam rekonstruksi morfologi dan pendeteksian (mis. hit-or-miss lanjutan)—topik di luar cakupan singkat ini.

8.3 Manfaat opening

  • Menghapus noise “garam” (salt) pada representasi foreground tanpa menambal lubang besar: erosi menghapus bintik kecil, dilasi mengembalikan ketebalan objek utama secara kasar.
  • Menghaluskan kontur dengan membuang duri kecil sambil relatif mempertahankan ukuran objek dibanding erosi murni (yang sering membuat objek terlalu kecil).
  • Stabil secara idempoten untuk banyak pola: membantu desain pipeline yang tidak “terus-menerus berubah” jika opening diulang.

8.4 Manfaat closing

  • Menutup lubang kecil di dalam objek (misalnya area hitam bocor di dalam mask organ medis atau karakter teks hasil threshold).
  • Menyambung gap tipis antar bagian objek yang seharusnya menyatu (mirip dilasi tetapi diikuti erosi agar lebihan lebar tidak bertahan).
  • Mengurangi retakan tipis pada mask biner tanpa harus membesarkan seluruh objek secara permanen seperti dilasi saja.

8.5 Contoh gambar (sintetis, empat skenario)

Empat baris berikut: asli (kiri) dan hasil operasi yang menonjolkan manfaat (kanan), memakai elemen 4-tetangga \(3\times3\) (connectivity=1). Perhatikan bagaimana erosi memutus jembatan tipis, dilasi menutup celah garis, opening membersihkan bintik, dan closing menambal lubang internal.

import matplotlib

matplotlib.use("Agg")
import matplotlib.pyplot as plt
import numpy as np
from scipy import ndimage

B = ndimage.generate_binary_structure(rank=2, connectivity=1)
h, w = 64, 64
Y, X = np.ogrid[:h, :w]

# (1–2) Erosi: dua blob dihubungkan jembatan satu baris piksel
E_asli = np.zeros((h, w), dtype=bool)
for cy, cx, r in [(22, 18, 10), (22, 46, 10)]:
    E_asli |= (Y - cy) ** 2 + (X - cx) ** 2 <= r**2
E_asli[22, 28:36] = True  # jembatan 1 piksel tinggi
E_hasil = ndimage.binary_erosion(E_asli, structure=B, iterations=1)

# (3–4) Dilasi: garis horizontal putus (celah 3 piksel)
D_asli = np.zeros((h, w), dtype=bool)
D_asli[32, 8:22] = True
D_asli[32, 25:56] = True
D_hasil = ndimage.binary_dilation(D_asli, structure=B, iterations=2)

# (5–6) Opening: persegi + salt
rng = np.random.default_rng(7)
O_asli = np.zeros((h, w), dtype=bool)
O_asli[12:52, 18:46] = True
O_asli |= rng.random((h, w)) < 0.035
O_hasil = ndimage.binary_opening(O_asli, structure=B, iterations=1)

# (7–8) Closing: persegi berlubang
C_asli = np.zeros((h, w), dtype=bool)
C_asli[12:52, 18:46] = True
C_asli[22:28, 28:34] = False
C_asli[36:40, 22:28] = False
C_hasil = ndimage.binary_closing(C_asli, structure=B, iterations=1)

fig, axes = plt.subplots(4, 2, figsize=(5.5, 10))
rows = [
    (E_asli, E_hasil, "Erosi"),
    (D_asli, D_hasil, "Dilasi"),
    (O_asli, O_hasil, "Opening"),
    (C_asli, C_hasil, "Closing"),
]
for i, (asli, hasil, judul) in enumerate(rows):
    axes[i, 0].imshow(asli, cmap="Greys_r", vmin=0, vmax=1)
    axes[i, 0].set_title("Asli")
    axes[i, 0].axis("off")
    axes[i, 1].imshow(hasil, cmap="Greys_r", vmin=0, vmax=1)
    axes[i, 1].set_title(judul)
    axes[i, 1].axis("off")

plt.suptitle("Manfaat morfologi biner (ilustrasi sintetis)", fontsize=12, y=1.01)
plt.tight_layout()
fig
Gambar 3: Contoh sintetis manfaat: (1–2) erosi memutus jembatan tipis; (3–4) dilasi menutup celah garis; (5–6) opening menghapus noise foreground; (7–8) closing menutup lubang kecil di dalam objek.

Pada aplikasi nyata, sesuaikan ukuran dan iterasi \(B\) dengan data representatif agar detail diagnostik tidak ikut terhapus.

8.6 Contoh citra uji klasik (ascent)

Citra ascent (tersedia di scipy.datasets, citra uji klasik SciPy berukuran \(512\times512\)) berisi pola intensitas yang kaya: setelah potongan (crop) dan threshold sederhana (nilai ambang = persentil intensitas), diperoleh citra biner yang merepresentasikan area “terang” versus “gelap”. Dari satu mask biner asli yang sama, empat operasi morfologi di bawah ini menunjukkan perbedaan efek visual pada struktur yang sama (elemen 4-tetangga, beberapa operasi memakai 2 iterasi agar perubahan cukup terlihat di layar perkuliahan).

import matplotlib

matplotlib.use("Agg")
import matplotlib.pyplot as plt
import numpy as np
from scipy import ndimage

gray_full = None
try:
    from scipy.datasets import ascent

    gray_full = ascent().astype(np.float64)
except ImportError:
    pass
if gray_full is None:
    x = np.linspace(0, 6 * np.pi, 512)
    y = np.linspace(0, 6 * np.pi, 512)[:, None]
    gray_full = 128 + 100 * np.sin(x * 0.4) * np.sin(y * 0.35) + 30 * np.sin(x * 0.08)
    gray_full = np.clip(gray_full, 0, 255).astype(np.float64)

gray = gray_full[120:392, 128:400]
thr = float(np.percentile(gray, 52))
binary = gray > thr
B = ndimage.generate_binary_structure(rank=2, connectivity=1)

E = ndimage.binary_erosion(binary, structure=B, iterations=2)
D = ndimage.binary_dilation(binary, structure=B, iterations=2)
Op = ndimage.binary_opening(binary, structure=B, iterations=1)
Cl = ndimage.binary_closing(binary, structure=B, iterations=1)

fig, axes = plt.subplots(2, 3, figsize=(11, 7.2))
axes[0, 0].imshow(gray, cmap="gray", vmin=gray.min(), vmax=gray.max())
axes[0, 0].set_title("Grayscale (crop)")
axes[0, 1].imshow(binary, cmap="Greys_r", vmin=0, vmax=1)
axes[0, 1].set_title(f"Biner asli\n(T = {thr:.0f}, persentil 52%)")
axes[0, 2].imshow(E, cmap="Greys_r", vmin=0, vmax=1)
axes[0, 2].set_title("Erosi (2×)")
axes[1, 0].imshow(D, cmap="Greys_r", vmin=0, vmax=1)
axes[1, 0].set_title("Dilasi (2×)")
axes[1, 1].imshow(Op, cmap="Greys_r", vmin=0, vmax=1)
axes[1, 1].set_title("Opening (1×)")
axes[1, 2].imshow(Cl, cmap="Greys_r", vmin=0, vmax=1)
axes[1, 2].set_title("Closing (1×)")
for ax in axes.ravel():
    ax.axis("off")
plt.suptitle(
    "Satu sumber citra: dari grayscale ke biner, lalu morfologi (B4)",
    fontsize=12,
    y=1.02,
)
plt.tight_layout()
fig
Gambar 4: Atas: potongan grayscale citra uji ascent, mask biner setelah threshold (persentil), dan hasil erosi (2 iterasi). Bawah: dilasi (2 iterasi), opening (1×), dan closing (1×). Semua morfologi memakai structuring element 4-tetangga.

Ambang persentil di sini hanya untuk ilustrasi; pada proyek nyata gunakan histogram, Otsu, atau keluaran segmentasi. Pola erosi/dilasi/opening/closing mengikuti penjelasan pada §3–§5 dan §7.1–§7.4.

9 Ringkasan operasi

Operasi Rumus Efek ringkas pada foreground
Erosi \(A \ominus B\) Susut; hapus tonjolan/noise kecil; lubang tampak membesar
Dilasi \(A \oplus B\) Membesar; tutup celah sempit; noise foreground membesar
Opening \((A\ominus B)\oplus B\) Bersihkan protrusi/bintik, pulihkan ketebalan kasar
Closing \((A\oplus B)\ominus B\) Tutup lubang/gap, rapikan lebihan setelah dilasi

10 Ilustrasi komputasi (Python)

Kode berikut membangkitkan citra biner sintetis (persegi, lubang kecil, tonjolan satu piksel, noise titik), lalu menampilkan hasil empat operasi untuk B4 dan B8. Backend Agg dipakai agar render Quarto tidak membutuhkan tampilan GUI.

import matplotlib

matplotlib.use("Agg")
import matplotlib.pyplot as plt
import numpy as np
from scipy import ndimage

# --- Citra sintetis ---
A = np.zeros((32, 32), dtype=bool)
A[8:24, 8:24] = True
A[10:12, 20:22] = False  # lubang kecil di dalam objek
A[7, 15:17] = True  # tonjolan selebar 1–2 piksel di atas objek
rng = np.random.default_rng(42)
A = np.logical_or(A, rng.random(A.shape) < 0.015)

B4 = ndimage.generate_binary_structure(rank=2, connectivity=1)
B8 = ndimage.generate_binary_structure(rank=2, connectivity=2)

titles = ["Asli", "Erosi", "Dilasi", "Opening", "Closing"]
fig, axes = plt.subplots(2, 5, figsize=(14, 5.5))

for row, B in enumerate([B4, B8]):
    row_ops = [
        A,
        ndimage.binary_erosion(A, structure=B),
        ndimage.binary_dilation(A, structure=B),
        ndimage.binary_opening(A, structure=B),
        ndimage.binary_closing(A, structure=B),
    ]
    for col, (im, ttl) in enumerate(zip(row_ops, titles)):
        ax = axes[row, col]
        ax.imshow(im, cmap="Greys_r", vmin=0, vmax=1)
        ax.set_title(ttl if row == 0 else "")
        ax.axis("off")

axes[0, 0].set_ylabel("4-tetangga", fontsize=11)
axes[1, 0].set_ylabel("8-tetangga", fontsize=11)
plt.suptitle("Operasi morfologi pada citra biner (sintetis)", fontsize=12, y=1.02)
plt.tight_layout()
fig
Gambar 5: Panel morfologi: baris atas elemen 4-tetangga, baris bawah 8-tetangga; kolom menunjukkan asli, erosi, dilasi, opening, closing.

Interpretasi panel ini sama dengan §7.5: perhatikan beda B4 (baris atas) dan B8 (baris bawah) pada sudut diagonal.

import matplotlib

matplotlib.use("Agg")
import matplotlib.pyplot as plt
import numpy as np
from scipy import ndimage

B4 = ndimage.generate_binary_structure(2, 1).astype(np.uint8)
B8 = ndimage.generate_binary_structure(2, 2).astype(np.uint8)
fig, axes = plt.subplots(1, 2, figsize=(4, 2))
for ax, B, t in zip(axes, [B4, B8], ["B — 4-tetangga", "B — 8-tetangga"]):
    ax.imshow(B, cmap="Greys_r", vmin=0, vmax=1)
    ax.set_title(t)
    ax.set_xticks(range(B.shape[1]))
    ax.set_yticks(range(B.shape[0]))
    ax.grid(color="gray", linewidth=0.3)
plt.tight_layout()
fig
Gambar 6: Visualisasi elemen penstruktur B4 (kiri) dan B8 (kanan); putih = anggota B.

11 Alur dalam pipeline pengolahan citra

  1. Akuisisi → pra-pemrosesan (kontras, reduksi noise intensitas, dsb.).
  2. Segmentasi (threshold global/adaptif, metode berbasis region, atau deep learning) → citra biner atau hampiran biner.
  3. Morfologi biner untuk membersihkan artefak segmentasi sesuai skala \(B\); artefak campuran (bintik dan lubang) sering ditangani dengan opening lalu closing atau sebaliknya—uji agar fitur halus yang penting tidak ikut hilang.
  4. Analisis lanjut (ekstraksi komponen, deskriptor bentuk, pengukuran) pada hasil yang sudah stabil.

Jika citra masih grayscale, langkah threshold sering didahului; morfologi grayscale memerlukan definisi “umbra” yang berbeda—fokus pertemuan ini tetap pada morfologi biner setelah binarisasi.

12 Latihan mandiri

  1. Buktikan secara intuitif (boleh dengan contoh kecil di kertas) bahwa opening biasanya bersifat anti-ekstensif terhadap \(A\), sedangkan closing ekstensif.
  2. Rancang pola \(9\times 9\) sehingga satu kali closing dengan \(B4\) menyambung dua komponen foreground yang awalnya terputus oleh celah satu piksel, tetapi erosi tunggal dengan \(B4\) tidak menghapus seluruh objek.
  3. Jelaskan risiko menerapkan opening berulang dengan \(B\) yang sama versus opening sekali dengan \(B\) yang lebih besar (petunjuk: idempotensi vs dekomposisi ukuran).

13 Referensi

  • R. C. Gonzalez & R. E. Woods, Digital Image Processing, bab morfologi matematika.
  • P. Soille, Morphological Image Analysis: Principles and Applications.
  • Dokumentasi SciPy: scipy.ndimage — morphology (binary_erosion, binary_dilation, binary_opening, binary_closing, generate_binary_structure).