1. Pengantar: Apa Itu Perbaikan Kualitas Citra?

Perbaikan kualitas citra (Image Enhancement) adalah proses untuk meningkatkan tampilan visual citra tanpa mengubah makna informasinya. Teknik ini digunakan dalam berbagai bidang, seperti medis, pengawasan, dan visi komputer (computer vision).

Salah satu bentuk perbaikan citra adalah dengan mengubah tingkat kecerahan (brightness) dan kontras (contrast), serta memanfaatkan distribusi intensitas piksel melalui histogram.

2. Operasi Piksel (Pixel Operation)

Operasi piksel merupakan dasar dari pengolahan citra digital. Setiap piksel pada citra diubah berdasarkan nilainya sendiri atau dalam hubungan dengan piksel di sekitarnya. Persamaan umum operasi brightness dan contrast dapat ditulis sebagai:

I'(x,y) = α × I(x,y) + β

• α (alpha) → pengatur kontras
• β (beta) → pengatur kecerahan

Implementasi Python OpenCV:

import cv2

def adjust_bc(img, alpha=1.2, beta=20):
    return cv2.convertScaleAbs(img, alpha=alpha, beta=beta)

3. Histogram Citra

Histogram citra adalah grafik yang menunjukkan distribusi frekuensi nilai intensitas piksel (0–255). Pada citra grayscale, histogram memiliki satu kanal, sedangkan pada citra berwarna (RGB) terdiri dari tiga histogram terpisah: merah (R), hijau (G), dan biru (B).

Secara matematis, histogram h didefinisikan sebagai:

h(g) = jumlah piksel dengan nilai intensitas g

Contoh visualisasi histogram RGB:

colors = ['r', 'g', 'b']
for i, c in enumerate(colors):
    data = img[:, :, i].ravel()
    plt.hist(data, bins=256, range=(0, 255), color=c, alpha=0.5, label=c.upper())
plt.legend()

4. Perataan Histogram (Histogram Equalization)

Tujuan utama dari Histogram Equalization adalah meratakan penyebaran nilai intensitas agar kontras citra meningkat. Metode ini mengubah tingkat keabuan piksel berdasarkan fungsi kumulatif dari distribusi histogram.

import cv2

def equalize_histogram(img):
    gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
    return cv2.equalizeHist(gray)

Secara teoritis, fungsi transformasi dari intensitas r ke s adalah:

s = T(r) = (L - 1) × Σ p(r_j)

di mana p(r_j) adalah probabilitas intensitas r_j dan L adalah jumlah tingkat keabuan (biasanya 256).

5. Contoh Implementasi GUI (Tkinter + OpenCV)

Kode Python berikut menggabungkan OpenCV dan Tkinter untuk menampilkan hasil operasi citra secara interaktif:

tk.Button(bc_frame, text="Terapkan B/C", command=self.op_bc_apply).pack()

def op_bc_apply(self):
    alpha = float(self.alpha_var.get())
    beta = int(self.beta_var.get())
    out = adjust_bc(self.img_rgb, alpha=alpha, beta=beta)
    self._render(out, title=f"Brightness/Contrast (α={alpha:.2f}, β={beta})")

Hasilnya divisualisasikan bersama histogram yang terus diperbarui setiap kali pengguna menerapkan perubahan pada citra.

6. Hubungan dengan Deep Learning

Teknik Image Enhancement juga menjadi bagian penting dalam tahap preprocessing pada model Convolutional Neural Networks (CNN). Dengan citra yang lebih jelas dan kontras yang optimal, akurasi model dalam deteksi objek dan klasifikasi gambar akan meningkat.

• Object Detection
• Face Recognition
• Image Classification

7. Kesimpulan

Perbaikan kualitas citra adalah langkah penting dalam pengolahan citra digital. Dengan memahami operasi piksel, histogram, dan equalization, kita dapat meningkatkan tampilan serta mempersiapkan citra untuk proses analisis lebih lanjut seperti deep learning.

• Brightness & Contrast → operasi dasar berbasis piksel.
• Histogram → analisis distribusi intensitas.
• Histogram Equalization → peningkatan kontras otomatis.