Skip to main content

Tugas praktik: Segmentasi threshold global & Otsu (dashboard eksperimen)

Pengolahan Citra Digital (PCD), pertemuan ke-12

Penulis

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

Petunjuk umum

Kerjakan praktikum ini selama satu sesi ±180 menit (lokal atau sesuai jadwal kelas). Anda boleh memakai ChatGPT, Claude, Cursor, atau alat sejenis untuk membantu menulis kode — tetapi yang dinilai adalah log eksperimen, dashboard interaktif yang Anda bangun, dan pertahanan lisan saat sesi audit, bukan sekadar salinan kode jadi.

Rujukan teori:

Lingkungan: Python 3 dengan numpy, matplotlib, scipy, opencv-python (cv2), dan Streamlit atau Gradio untuk antarmuka interaktif.

Yang dinilai: pemahaman kegagalan threshold global statis; dashboard dengan slider pra-pemrosesan dan histogram + \(T\) Otsu; Log Eksperimen (≥ 4 baris) dengan analisis klinis; kemampuan menjelaskan hubungan histogram–Otsu saat audit; refleksi singkat \(\sigma_B^2\) / \(\sigma_W^2\); kelengkapan pengumpulan.

Artefak pengumpulan: berkas .py atau .ipynb dashboard + Log Eksperimen (Markdown) + tangkapan layar mask terbaik; unggah ke GitHub / LMS sesuai tenggat dosen.


Alur kerja sesi (±180 menit)

Tahap Durasi Apa yang Anda kerjakan
A — Bedah masalah ±20 mnt Jalankan kode starter cacat; tulis problem statement
B — Dashboard ±40 mnt Bangun aplikasi Streamlit/Gradio dengan slider & histogram
C — Eksperimen ±60 mnt Uji kombinasi parameter; isi Log Eksperimen
D — Audit ±40 mnt Demo aplikasi + jawab pertanyaan pengajar
E — Refleksi & submit ±20 mnt Tulis refleksi teori; kumpulkan berkas

Identitas (Markdown pertama di laporan / README repo)

  • Nama lengkap dan NIM
  • Kelas / rombel
  • Tanggal pengerjaan
  • Lingkungan: OS + Python lokal / Colab
  • Framework UI: Streamlit / Gradio
  • Versi paket: numpy, scipy, opencv-python, streamlit atau gradio (mis. print(cv2.__version__))

Persiapan

Paket

pip install numpy scipy matplotlib opencv-python streamlit
# alternatif antarmuka:
# pip install gradio

Starter-pack

Unduh folder pcd12_starter/ dari LMS / repositori kelas. Isinya:

  • citra_medical.png — citra grayscale kontras rendah (radiograf, thorax, atau mikroskop)
  • starter_broken.py — kode Python dengan cacat logika (Bagian A)
  • otsu_utils.py — fungsi Otsu benar (boleh dipakai mulai Bagian B)

Jika starter-pack belum tersedia, buat citra uji sendiri (lihat § Referensi citra uji) atau jalankan skrip sintetis di bagian tersebut.

Menjalankan dashboard

streamlit run app_segmentasi_otsu.py

Bagian A — Bedah masalah: kegagalan threshold statis

A.1 Jalankan kode starter cacat

Dari folder pcd12_starter/:

python starter_broken.py

Amati keluaran hook_hasil_buruk.png. Mask segmentasi buruk: anatomi penting hilang atau noise masuk foreground karena T = 127 hard-code, konversi grayscale salah, dan/atau konvensi f > T terbalik.

A.2 Problem statement

Tulis 3–5 kalimat di laporan (Markdown / notebook):

  1. Apa yang salah secara klinis pada mask (bukan hanya “jelek”)?
  2. Mengapa satu ambang untuk seluruh citra gagal pada citra kontras rendah?
  3. Metode apa dari modul teori yang akan Anda uji hari ini?

AI memang bisa menulis kode OpenCV, tetapi tidak tahu anatomi mana yang harus jadi foreground. Tugas Anda: menjinakkan pipeline Otsu lewat analisis histogram dan pra-pemrosesan — bukan copy-paste tanpa berpikir.


Bagian B — Dashboard interaktif

B.1 Tugas

Bangun aplikasi Streamlit atau Gradio (boleh dibantu AI) dengan fitur berikut:

Fitur Wajib Keterangan
Unggah / muat citra ✅ Default: citra_medical.png
Slider kecerahan & kontras ✅ alpha, beta atau setara
Slider Gaussian blur (\(\sigma\) atau ukuran kernel) ✅ Rentang min–max jelas
CLAHE atau median filter ✅ salah satu Via slider
Histogram + garis vertikal \(T\) Otsu ✅ Berubah real-time saat slider digeser
Citra pra-proses, mask, overlay ✅ Side-by-side atau tab
Label numerik \(T\) ✅ Dari Otsu, bukan hard-code

Implementasi penuh threshold adaptif lokal tidak wajib di dashboard; cukup uji singkat di Bagian C.5.

B.2 Contoh prompt untuk AI

Salin dan sesuaikan:

Buat aplikasi Streamlit untuk segmentasi Otsu pada citra medis grayscale. Pra-pemrosesan: slider brightness, contrast, Gaussian sigma. Tampilkan histogram 256 bin dengan garis merah di T Otsu, citra asli, citra setelah pra-proses, mask biner, dan overlay merah semi-transparan. Gunakan OpenCV cv2.threshold(..., cv2.THRESH_BINARY + cv2.THRESH_OTSU). Jangan hard-code T=127.

B.3 Kerangka kode (lanjutkan sendiri)

Simpan sebagai app_segmentasi_otsu.py:

"""Kerangka dashboard PCD12 — lengkapi histogram & CLAHE/median."""
import cv2
import numpy as np
import streamlit as st
from pathlib import Path

from otsu_utils import threshold_otsu  # opsional; bisa pakai cv2.THRESH_OTSU


def load_gray(path: Path) -> np.ndarray:
    img = cv2.imread(str(path), cv2.IMREAD_GRAYSCALE)
    if img is None:
        raise FileNotFoundError(path)
    return img


def adjust_brightness_contrast(img: np.ndarray, alpha: float, beta: float) -> np.ndarray:
    out = alpha * img.astype(np.float64) + beta
    return np.clip(out, 0, 255).astype(np.uint8)


def preprocess(img: np.ndarray, alpha: float, beta: float, sigma: float) -> np.ndarray:
    g = adjust_brightness_contrast(img, alpha, beta)
    if sigma > 0:
        k = int(max(3, 2 * round(3 * sigma) + 1))
        g = cv2.GaussianBlur(g, (k, k), sigmaX=sigma)
    return g


def segment_otsu(img: np.ndarray) -> tuple[np.ndarray, int]:
    T, mask = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    return (mask > 0).astype(np.uint8), int(T)


def overlay_mask(gray: np.ndarray, mask: np.ndarray, alpha: float = 0.45) -> np.ndarray:
    rgb = cv2.cvtColor(gray, cv2.COLOR_GRAY2RGB)
    red = np.array([220, 50, 50], dtype=np.float64)
    m = mask.astype(bool)
    rgb[m] = (rgb[m].astype(np.float64) * (1 - alpha) + red * alpha).astype(np.uint8)
    return rgb


st.set_page_config(page_title="PCD12 — Otsu Medis", layout="wide")
st.title("Segmentasi Otsu — citra medis")

default_path = Path("citra_medical.png")
uploaded = st.file_uploader("Unggah citra grayscale", type=["png", "jpg", "tif"])
if uploaded:
    buf = np.frombuffer(uploaded.read(), np.uint8)
    img0 = cv2.imdecode(buf, cv2.IMREAD_GRAYSCALE)
else:
    img0 = load_gray(default_path) if default_path.exists() else None

if img0 is None:
    st.warning("Letakkan citra_medical.png di folder yang sama atau unggah file.")
    st.stop()

col1, col2, col3 = st.columns(3)
with col1:
    alpha = st.slider("Kontras (alpha)", 0.5, 2.0, 1.0, 0.05)
with col2:
    beta = st.slider("Kecerahan (beta)", -80, 80, 0, 5)
with col3:
    sigma = st.slider("Gaussian sigma", 0.0, 5.0, 0.0, 0.1)

proc = preprocess(img0, alpha, beta, sigma)
mask, T = segment_otsu(proc)

st.subheader(f"Ambang Otsu: T = {T}")
c1, c2, c3 = st.columns(3)
c1.image(img0, caption="Asli", use_container_width=True)
c2.image(proc, caption="Pra-proses", use_container_width=True)
c3.image(overlay_mask(proc, mask), caption="Overlay", use_container_width=True)

# Lengkapi: histogram matplotlib + axvline(T); slider CLAHE atau median

Bagian C — Eksperimen & Log Analisis

C.1 Instruksi

Pada dashboard Anda, uji minimal empat kombinasi pra-pemrosesan. Untuk setiap baris log:

  1. Catat nilai slider / metode.
  2. Baca \(T\) Otsu dari aplikasi.
  3. Simpan screenshot mask atau overlay.
  4. Tulis analisis klinis — struktur anatomi mana yang tersegmentasi, apa yang masih salah.

C.2 Template Log Eksperimen

Salin ke laporan dan isi dengan data Anda sendiri:

Eks. Metode pra-pemrosesan \(T\) Otsu Kualitas segmentasi medis (analisis)
1 Tanpa filter (citra asli)
2 Gaussian blur (\(5\times5\) atau \(\sigma \approx 1{,}5\))
3 CLAHE + median (\(k=3\)) atau kontras \(\alpha > 1\)
4 Kombinasi terbaik menurut Anda
5 (opsional) Citra ramp / iluminasi tidak seragam Mengapa Otsu global gagal sebagian?

Contoh gaya penulisan (angka dan analisis harus dari eksperimen Anda, jangan salin mentah):

Eks. Metode pra-pemrosesan \(T\) Otsu Kualitas segmentasi medis (analisis)
1 Tanpa filter 84 Buruk: noise latar masuk foreground; tepi struktur pudar
2 Gaussian \(5\times5\) 112 Cukup: batas densitas lebih jelas, masih ada titik salt
3 CLAHE + median 3 125 Baik: objek terpisah dari latar; verifikasi foreground = anatomi target
4 \(\alpha=1{,}2\), \(\sigma=1{,}0\) 118 Terbaik untuk ROI ini; area korona terlihat, akar masih lemah

C.3 Pertanyaan panduan (jawab singkat di laporan)

  1. Saat \(\sigma\) blur naik, \(T\) naik atau turun? Jelaskan dengan bentuk histogram.
  2. Foreground Anda definisikan sebagai struktur terang atau gelap? Apakah mask konsisten?
  3. Kombinasi mana yang paling siap lanjut ke morfologi opening/closing (PCD 09)?

C.4 (Opsional) Citra dengan iluminasi tidak seragam

Pada citra ramp cahaya (lihat modul teori atau buat sintetis), bandingkan Otsu global vs cv2.adaptiveThreshold (mean). Screenshot keduanya; jelaskan kapan satu \(T\) global tidak cukup — persiapan untuk pertanyaan audit.


Bagian D — Sesi audit (pertahanan lisan)

Coding dihentikan. Anda dapat dipanggil untuk demo slider dan menjawab 1–2 pertanyaan. Siapkan jawaban dari eksperimen Anda sendiri, bukan dari chatbot.

Pertanyaan yang sering muncul

Histogram & Otsu

  • Geser blur ke maksimum. Mengapa \(T\) berubah? Hubungkan dengan histogram.
  • Otsu memaksimalkan varians antar-kelas \(\sigma_B^2\) — apa dua kelas pada histogram citra Anda?
  • Jika histogram trimodal, apakah Otsu dua-kelas selalu benar?

Klinis & pipeline

  • Tunjuk area anatomi yang harus masuk foreground. Apakah mask Anda benar?
  • Setelah mask terbaik, operasi morfologi apa untuk menghapus noise putih kecil?

Generalisasi

  • Untuk banyak citra dengan pencahayaan berbeda, apakah satu \(T\) global cukup? Apa alternatif di modul teori?
  • Kapan CLAHE membantu vs memperburuk noise?

Integritas

  • Bagian kode mana yang Anda ubah setelah output AI? Mengapa?

Checklist sebelum audit


Bagian E — Refleksi & pengumpulan

E.1 Refleksi teori

Jawab 3–5 kalimat per poin:

  1. Tuliskan definisi formal \(t^* = \arg\max_t \sigma_B^2(t)\) dan kaitkan dengan baris terbaik di Log Eksperimen.
  2. Mengapa \(\sigma_W^2(t) + \sigma_B^2(t) = \sigma_{\text{total}}^2\) berarti memaksimalkan \(\sigma_B^2\) ≈ meminimalkan \(\sigma_W^2\)?
  3. Langkah berikutnya setelah mask: morfologi (PCD 11) → fitur / klasifikasi (PCD 14–15).

E.2 Checklist pengumpulan


Referensi kode starter

starter_broken.py (Bagian A)

"""
Starter cacat — jalankan di Bagian A sebelum memperbaiki pipeline.
"""
import cv2
import numpy as np
import matplotlib.pyplot as plt
from pathlib import Path

path = Path("citra_medical.png")
if not path.exists():
    raise SystemExit("Letakkan citra_medical.png di folder ini.")

bgr = cv2.imread(str(path))
f = bgr  # seharusnya: cv2.cvtColor(bgr, cv2.COLOR_BGR2GRAY)

T = 127  # seharusnya: Otsu dari histogram

mask = (f < T).astype(np.uint8) * 255  # konvensi sering terbalik untuk objek terang

fig, ax = plt.subplots(1, 3, figsize=(12, 4))
ax[0].imshow(cv2.cvtColor(bgr, cv2.COLOR_BGR2RGB))
ax[0].set_title("Input (BGR)")
ax[1].imshow(mask, cmap="gray")
ax[1].set_title(f"Mask T={T}")
ax[2].hist(f.ravel(), bins=256)
ax[2].axvline(T, color="r")
ax[2].set_title("Histogram")
for a in ax:
    a.axis("off")
plt.tight_layout()
plt.savefig("hook_hasil_buruk.png", dpi=120)
print("Lihat hook_hasil_buruk.png — identifikasi tiga bug di laporan A.2")
plt.show()

otsu_utils.py

"""Otsu — NumPy murni (setara modul teori PCD 12)."""
import numpy as np


def threshold_otsu(f: np.ndarray) -> int:
    hist, _ = np.histogram(f.ravel(), bins=256, range=(0, 256))
    p = hist.astype(np.float64)
    total = p.sum()
    if total == 0:
        return 0
    p /= total
    omega = np.cumsum(p)
    mu = np.cumsum(p * np.arange(256))
    mu_t = mu[-1]
    sigma_b2 = (mu_t * omega - mu) ** 2 / (omega * (1 - omega) + 1e-12)
    sigma_b2[~np.isfinite(sigma_b2)] = 0
    return int(np.argmax(sigma_b2))


def segment_global(f: np.ndarray, T: int) -> np.ndarray:
    return (f > T).astype(np.uint8)

Referensi citra uji

Sumber Catatan
citra_medical.png dari starter-pack kelas Kontras rendah, ROI jelas
Open-i / PubMed Central Cari “dental x-ray”; patuhi lisensi
Citra sintetis (skrip di bawah) Jika starter-pack belum ada
import numpy as np
rng = np.random.default_rng(12)
h, w = 256, 256
yy, xx = np.mgrid[0:h, 0:w]
f = np.full((h, w), 45.0)
f[((xx - 128) ** 2 + (yy - 100) ** 2) < 40 ** 2] = 180
f += rng.normal(0, 12, (h, w))
f = np.clip(f, 0, 255).astype(np.uint8)
# cv2.imwrite("citra_medical.png", f)

Rubrik penilaian (indikatif)

Aspek Indikator
Dashboard Slider pra-proses, histogram + \(T\), overlay; stabil saat demo
Log eksperimen ≥ 4 baris, \(T\) selaras screenshot, analisis klinis bukan generik
Audit Jawaban selaras histogram, Otsu, keterbatasan threshold global
Refleksi & kelengkapan \(\sigma_B^2\), identitas, berkas lengkap

Catatan integritas akademik

AI boleh membantu antarmuka dan boilerplate. Wajib mencantumkan bagian yang Anda ubah sendiri; Log Eksperimen harus dari slider Anda; jawaban audit tanpa membaca chatbot. Cantumkan sumber citra jika bukan dari starter-pack kelas.