Pengolahan Citra Digital (PCD) berfokus pada pemrosesan citra dua dimensi menggunakan komputer digital:

• Jain (1989): Pemrosesan gambar berdimensi-dua melalui komputer digital.
• Efford (2000): Istilah umum untuk berbagai teknik manipulasi dan modifikasi citra guna memenuhi tujuan visual tertentu.

PCD menjadi pondasi komputasi visual yang berhubungan langsung dengan disiplin ilmu serumpun:

• Grafika Komputer (Computer Graphics): Bertolak belakang dengan PCD; grafika komputer memproses deskripsi matematis atau data objek untuk menghasilkan gambar/visual.
• Pengenalan Pola (Pattern Recognition): Menerima luaran citra dari PCD untuk mengenali objek, mengklasifikasi entitas, dan mengambil keputusan tingkat lanjut.

1. Peningkatan Kontras (Enhancement): Memanipulasi sebaran intensitas cahaya dan kontras agar fitur atau pola yang semula samar menjadi tegas bagi mata maupun algoritma deteksi.
2. Penghilangan Derau (Noise Filtering): Membersihkan gangguan piksel acak akibat transmisi sinyal atau sensor lemah, seperti derau blok maupun salt-and-pepper.
3. Pencarian Bentuk & Segmentasi: Mengisolasi area atau objek tertentu dari latar belakang (misal memisahkan area daun dari ranting). Dilanjutkan dengan:
   • Deteksi Tepi (Edge Detection): Menemukan batas fisik/kontur terluar objek.
   • Analisis Dimensi: Menghitung luas piksel, keliling, dan estimasi ukuran geometris secara otomatis.

Citra direpresentasikan sebagai matriks dua dimensi berukuran M baris × N kolom:

• Setiap sel matriks disebut piksel (picture element), diidentifikasi dengan koordinat (x, y) di mana x adalah indeks kolom dan y adalah indeks baris.
• Pojok kiri-atas berkoordinat (0, 0), sedangkan pojok kanan-bawah berkoordinat (N - 1, M - 1).

Kedalaman Nilai Penyusun Piksel:

• Citra Berwarna (RGB): Menggabungkan 3 kanal terpisah (Red, Green, Blue). Tiap piksel memiliki 3 nilai intensitas berkedalaman 24-bit (8-bit per kanal), menghasilkan hingga 16.777.216 kemungkinan kombinasi warna.
• Citra Grayscale (Monokrom): Memiliki 1 nilai intensitas keabuan (8-bit, rentang 0 hingga 255).

Foton cahaya memantul dari permukaan objek menuju lensa kamera, kemudian diproyeksikan secara terbalik ke atas sensor array (CCD/CMOS). Sensor merekam rata-rata energi foton yang jatuh pada tiap grid piksel. Proses digitalisasi ini melewati dua tahap utama:

• Sampling (Spasial): Mendiskritisasi bidang koordinat spasial kontinu ke dalam kotak-kotak piksel diskrit. Skala sampling menentukan resolusi spasial citra.
• Kuantisasi (Amplitudo): Mengelompokkan kontinuum energi intensitas cahaya ke dalam tingkat skala digital diskrit (misal skala integer 0–255 pada kuantisasi 8-bit).

Rancang kerangka kelas dan tata letak window display ganda untuk menampilkan citra asli bersisian dengan citra hasil konversi:

import tkinter as tk
from tkinter import filedialog, ttk
import cv2
import numpy as np
from PIL import Image, ImageTk

class ColorSpaceApp:
    def __init__(self, root):
        self.root = root
        self.root.title("Eksplorasi Ruang Warna & Kanal Citra")
        self.root.geometry("900x650")
        self.cv_img = None
        self.setup_ui()

    def setup_ui(self):
        # Frame Kontrol (Tombol Buka Citra & Dropdown Pilihan Mode)
        # ...
        
        # Dual Display Frame
        body = tk.Frame(self.root, bg="#f8fafc")
        body.pack(fill=tk.BOTH, expand=True, padx=15, pady=10)

        f_left = tk.LabelFrame(body, text="Citra Asli (RGB)")
        f_left.pack(side=tk.LEFT, fill=tk.BOTH, expand=True, padx=5)
        self.lbl_orig = tk.Label(f_left, text="Pilih gambar terlebih dahulu")
        self.lbl_orig.pack(fill=tk.BOTH, expand=True)

        f_right = tk.LabelFrame(body, text="Hasil Transformasi")
        f_right.pack(side=tk.RIGHT, fill=tk.BOTH, expand=True, padx=5)
        self.lbl_result = tk.Label(f_right, text="Belum diproses")
        self.lbl_result.pack(fill=tk.BOTH, expand=True)

OpenCV merepresentasikan citra standar dalam skema urutan BGR. Gunakan metode cv2.cvtColor() untuk melakukan pemetaan ruang warna:

# Konversi BGR ke Grayscale
gray = cv2.cvtColor(self.cv_img, cv2.COLOR_BGR2GRAY)
res = cv2.cvtColor(gray, cv2.COLOR_GRAY2BGR)

# Konversi BGR ke HSV
res = cv2.cvtColor(self.cv_img, cv2.COLOR_BGR2HSV)

# Konversi BGR ke YCrCb
res = cv2.cvtColor(self.cv_img, cv2.COLOR_BGR2YCrCb)

Sesuai konsep matriks citra 3 kanal, kita dapat mengisolasi kanal tertentu dengan mengosongkan nilai intensitas kanal lainnya menjadi nol:

# Struktur array OpenCV: citra[tinggi, lebar, indeks_kanal]
# Kanal 0 = Blue, Kanal 1 = Green, Kanal 2 = Red

# Isolasi Kanal Merah (Red):
r = self.cv_img.copy()
r[:, :, 0] = 0  # Matikan kanal Blue
r[:, :, 1] = 0  # Matikan kanal Green
res = r

# [TUGAS MAHASISWA]
# 1. Tuliskan kode untuk mengisolasi Channel Green:
# 2. Tuliskan kode untuk mengisolasi Channel Blue:

Agar gambar berukuran besar tidak meluap keluar batas window GUI, lakukan penskalaan aspek rasio otomatis sebelum dikonversi ke format ImageTk.PhotoImage:

def render_label(self, cv_img, target_lbl):
    # Konversi BGR ke format RGB (format yang dibaca PIL)
    rgb = cv2.cvtColor(cv_img, cv2.COLOR_BGR2RGB)
    h, w, _ = rgb.shape
    
    # Skala proporsional agar pas dalam batas 400x450 piksel
    scale = min(400 / w, 450 / h)
    disp_w = max(1, int(w * scale))
    disp_h = max(1, int(h * scale))
    
    resized = cv2.resize(rgb, (disp_w, disp_h))
    img_tk = ImageTk.PhotoImage(image=Image.fromarray(resized))
    
    target_lbl.config(image=img_tk, text="")
    target_lbl.image = img_tk  # Menjaga referensi objek di memori