Tugas praktik: Segmentasi threshold global & Otsu (dashboard eksperimen)
Pengolahan Citra Digital (PCD), pertemuan ke-12
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,streamlitataugradio(mis.print(cv2.__version__))
Persiapan
Paket
pip install numpy scipy matplotlib opencv-python streamlit
# alternatif antarmuka:
# pip install gradioStarter-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.pyBagian A — Bedah masalah: kegagalan threshold statis
A.1 Jalankan kode starter cacat
Dari folder pcd12_starter/:
python starter_broken.pyAmati 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):
- Apa yang salah secara klinis pada mask (bukan hanya “jelek”)?
- Mengapa satu ambang untuk seluruh citra gagal pada citra kontras rendah?
- 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 medianBagian C — Eksperimen & Log Analisis
C.1 Instruksi
Pada dashboard Anda, uji minimal empat kombinasi pra-pemrosesan. Untuk setiap baris log:
- Catat nilai slider / metode.
- Baca \(T\) Otsu dari aplikasi.
- Simpan screenshot mask atau overlay.
- 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)
- Saat \(\sigma\) blur naik, \(T\) naik atau turun? Jelaskan dengan bentuk histogram.
- Foreground Anda definisikan sebagai struktur terang atau gelap? Apakah mask konsisten?
- 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:
- Tuliskan definisi formal \(t^* = \arg\max_t \sigma_B^2(t)\) dan kaitkan dengan baris terbaik di Log Eksperimen.
- Mengapa \(\sigma_W^2(t) + \sigma_B^2(t) = \sigma_{\text{total}}^2\) berarti memaksimalkan \(\sigma_B^2\) ≈ meminimalkan \(\sigma_W^2\)?
- 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.