Jawaban UTS Pengolahan Citra Digital Kelompok I

Soal 1: selisih Laplacian of Gaussian (sigma 0,1 dan 0,2).
Soal 2: memecah teks menjadi karakter individual dengan regionprops.
Soal 3: menghitung jumlah koin per ukuran dengan regionprops.

Problem 2/soal2.py

@@ -0,0 +1,89 @@
+"""
+UTS INF301 Pengolahan Citra Digital - Soal 2
+Memecah teks menjadi karakter individual menggunakan regionprops,
+lalu menyimpan setiap karakter sebagai gambar terpisah.
+"""
+import os
+
+import numpy as np
+from skimage import io, color, filters, measure, morphology, transform, util
+
+# Input dan output relatif terhadap folder program ini, sehingga program
+# bisa dijalankan dari folder mana pun.
+FOLDER = os.path.dirname(os.path.abspath(__file__))
+INPUT = os.path.join(FOLDER, "Problem 2 Image.png")
+OUTPUT_DIR = os.path.join(FOLDER, "karakter")
+MIN_AREA = 20  # region lebih kecil dari ini dianggap noise
+# Radius dilasi untuk menggabungkan huruf menjadi kata. Pada citra ini celah
+# antar-huruf dalam satu kata <= 87 piksel dan celah antar-kata >= 104 piksel,
+# sehingga disk radius 48 (menutup celah ~96 piksel) memisahkan keduanya.
+WORD_RADIUS = 48
+# Huruf satu goresan (seperti I) sangat memanjang. Untuk huruf ini sumbu
+# utamanya sendiri lebih tepat dipakai daripada sudut lengkung kata. Pada
+# citra ini eccentricity I = 0.97, huruf lain <= 0.88.
+ELONGATED_ECC = 0.95
+
+# 1. Baca citra lalu ubah ke grayscale (citra asli RGBA)
+img = io.imread(INPUT)
+if img.ndim == 3 and img.shape[2] == 4:
+    img = color.rgba2rgb(img)
+gray = color.rgb2gray(img) if img.ndim == 3 else util.img_as_float(img)
+
+# 2. Segmentasi: threshold Otsu memisahkan teks putih dari latar hitam
+thresh = filters.threshold_otsu(gray)
+binary = gray > thresh
+binary = morphology.remove_small_objects(binary, max_size=MIN_AREA)
+
+# 3. Labeling: setiap komponen terhubung (8-connectivity) = satu karakter
+labels = measure.label(binary, connectivity=2)
+
+# 4. regionprops: ambil bounding box setiap karakter
+regions = measure.regionprops(labels, intensity_image=gray)
+print(f"Jumlah karakter terdeteksi: {len(regions)}")
+
+# 5. Kelompokkan karakter menjadi kata: dilasi menyatukan huruf yang
+#    berdekatan, lalu labeling memberi satu label per kata.
+words = measure.label(morphology.dilation(binary, morphology.disk(WORD_RADIUS)))
+word_of = [words[tuple(region.coords[0])] for region in regions]
+
+# 6. Sudut kemiringan setiap huruf. Baseline kata bisa melengkung
+#    (contoh: TWINPEAK), jadi sudut dihitung per huruf dari garis singgung
+#    lengkung yang melalui centroid huruf-huruf dalam katanya.
+char_angle = [0.0] * len(regions)
+for w in set(word_of):
+    idx = [i for i, k in enumerate(word_of) if k == w]
+    pts = np.array([regions[i].centroid for i in idx])
+    pts = pts - pts.mean(axis=0)
+    # Sumbu utama (PCA) kumpulan centroid = arah umum kata
+    _, _, vt = np.linalg.svd(pts)
+    u_dir, v_dir = vt[0], vt[1]     # vektor (baris, kolom)
+    if u_dir[1] < 0:                # teks dibaca dari kiri ke kanan
+        u_dir = -u_dir
+    u, v = pts @ u_dir, pts @ v_dir
+    # Lengkung kuadratik v = a u^2 + b u + c, kemiringan lokal dv/du = 2au + b
+    a, b, _ = np.polyfit(u, v, 2)
+    for i, ui in zip(idx, u):
+        dr, dc = u_dir + (2 * a * ui + b) * v_dir
+        # baris citra bertambah ke bawah, maka -dr agar sudut berlawanan jarum jam positif
+        char_angle[i] = np.degrees(np.arctan2(-dr, dc))
+
+# 7. Crop, luruskan, dan simpan setiap karakter.
+os.makedirs(OUTPUT_DIR, exist_ok=True)
+for i, (region, w) in enumerate(zip(regions, word_of), start=1):
+    angle = char_angle[i - 1]
+    if region.eccentricity > ELONGATED_ECC:
+        # orientation = sudut sumbu utama terhadap sumbu vertikal (baris);
+        # putar sebesar itu agar goresan menjadi vertikal
+        angle = np.degrees(region.orientation)
+    # image_intensity = piksel karakter ini saja; karakter tetangga yang
+    # masuk ke dalam kotak tidak ikut tersimpan
+    # Putar balik sebesar sudut kata agar huruf tegak; resize=True agar
+    # ujung huruf tidak terpotong.
+    upright = transform.rotate(region.image_intensity, -angle, resize=True)
+    # Kotak baru mengikuti huruf yang sudah tegak
+    rows, cols = np.nonzero(upright > thresh)
+    upright = upright[rows.min():rows.max() + 1, cols.min():cols.max() + 1]
+    char_img = util.img_as_ubyte(np.clip(upright, 0, 1))
+    filename = os.path.join(OUTPUT_DIR, f"karakter_{i:02d}.png")
+    io.imsave(filename, char_img)
+    print(f"{filename}: kata={w}, sudut={angle:.1f} derajat, area={region.area}")