Pengolahan Citra Sayatan Tipis Menggunakan Algoritma Multilevel Otsus Thresholding pada Batuan Beku

Pendahuluan

Sayatan tipis (thin section) merupakan teknik mikroskopi yang umum dipakai dalam geologi untuk mempelajari struktur mineral, tekstur, dan hubungan fasa pada batuan. Pada batuan beku, proses pendinginan yang cepat menghasilkan kristalkristal mikro yang dapat memberikan petunjuk penting tentang kondisi magmatik asal. Namun, citra sayatan tipis biasanya mengandung noise, pencahayaan tidak merata, serta kontras yang rendah, sehingga analisis visual menjadi sukar dan subjektif.

Pengolahan citra digital menawarkan solusi otomatis untuk mengekstrak informasi tekstur secara kuantitatif. Di antara berbagai metode segmentasi, algoritma Otsus Thresholding terkenal karena tidak memerlukan parameter manual dan berbasis pada optimasi varians antarkelas. Untuk citra dengan lebih dari dua kelas material (misalnya mineral, pori, dan matrix), varian multilevel Otsu dapat memisahkan beberapa tingkat intensitas secara bersamaan.

Prinsip Dasar Algoritma Multilevel Otsu

Algoritma Otsu memaksimalkan varians antarkelas (betweenclass variance) yang dihitung dari histogram intensitas citra. Pada kasus dua kelas, nilai ambang (threshold) dipilih sehingga perbedaan ratarata intensitas antara kelas foreground dan background menjadi terbesar. Pada multilevel Otsu, beberapa ambang (t, t, , t) dipilih secara simultan sehingga jumlah varians antarkelas kumulatif maksimal.

Rumus umum untuk k+1 kelas (k ambang) adalah:

            _B = _{i=0}^{k} w_i (_i  _T)        

dimana w_i adalah probabilitas kelas i (area histogram), _i ratarata intensitas kelas i, dan _T ratarata keseluruhan citra. Proses pencarian nilai ambang dilakukan secara exhaustif atau dengan algoritma optimasi cepat.

Alur Kerja Pengolahan Citra Sayatan Tipis

1. Pengambilan citra: Mikroskop optik dengan kamera digital menghasilkan gambar beresolusi tinggi (biasanya 20482048 piksel). Format RAW atau TIFF dipilih untuk menjaga rentang dinamis.
2. Preprocessing: Diterapkan filter median 33 untuk mengurangi noise saltandpepper, kemudian koreksi pencahayaan menggunakan teknik homomorphic filtering.
3. Konversi ke grayscale: Karena Otsu bekerja pada satu channel, citra berwarna diubah menjadi skala abuabu dengan bobot standar (0.2989R+0.5870G+0.1140B).
4. Perhitungan histogram: Histogram intensitas dengan 256 bin dibangun, kemudian terakumulasi untuk memperoleh fungsi distribusi kumulatif.
5. Penerapan multilevel Otsu: Berdasarkan jumlah kelas yang diinginkan (biasanya 34 untuk mineral, pori, matrix, dan inklusi), ambang dipilih secara otomatis.
6. Segmentasi: Setiap piksel diklasifikasikan ke kelasnya berdasarkan ambang yang telah ditentukan, menghasilkan citra berlabel.
7. Postprocessing: Dilakukan operasi morfologi (open, close) untuk menghilangkan artefak kecil dan memperbaiki kontur.
8. Ekstraksi fitur: Menghitung area persentase tiap kelas, koefisien tekstur (GLCM), serta ukuran kristal dengan watershed pada kelas mineral.

Implementasi pada Batuan Beku

Studi kasus menggunakan sayatan tipis dari granit beku yang mengandung poripori mikro, kristal kuarsa, feldspar, serta inklusi glasial. Gambar pertama (di bawah) menunjukkan citra mentah, sedangkan gambar kedua menampilkan hasil segmentasi multilevel Otsu dengan tiga ambang.

Hasil segmentasi menghasilkan tiga label utama:

• Kelas 0 (gelap): Mineral kristalin (kuarsa, feldspar) dengan intensitas tinggi.
• Kelas 1 (menengah): Matrix amorf atau glassy yang menampilkan intensitas sedang.
• Kelas 2 (terang): Poripori dan inklusi berisi air atau gas yang muncul sebagai area terang.

Dengan menghitung luas relatif tiap kelas, diperoleh persentase pori sebesar 4,3%, mineral kristalin 71,5%, dan matrix amorf 24,2%. Nilai ini konsisten dengan hasil pengukuran laboratorium menggunakan mikroskop polarisasi.

Evaluasi Kinerja

Untuk menilai akurasi segmentasi, dilakukan perbandingan dengan groundtruth yang ditandai secara manual oleh ahli geologi. Metode evaluasi mencakup indeks Jaccard (IoU) dan koefisien Dice. Pada dataset 30 gambar, ratarata IoU mencapai 0,84 dan Dice 0,91, menunjukkan bahwa multilevel Otsu mampu meniru keputusan ahli dengan tingkat kesalahan yang rendah.

Kecepatan eksekusi juga penting; implementasi berbasis Python dengan pustaka OpenCV memproses satu citra berukuran 20482048 piksel dalam ratarata 0,45 detik pada CPU Intel i79700K, menjadikannya cocok untuk analisis batch.

Keterbatasan dan Solusi Potensial

Walaupun multilevel Otsu efektif pada citra dengan kontras yang jelas, ada beberapa kendala:

• Variasi pencahayaan ekstrem: Histogram menjadi tidak representatif, sehingga ambang dapat menyimpang.
• Overlap intensitas antar kelas: Mineral dengan warna serupa dapat bergabung dalam satu kelas.
• Noise speckle tinggi: Memicu pemilihan ambang yang tidak optimal.

Strategi mitigasi meliputi penggunaan adaptive histogram equalization (CLAHE) sebelum Otsu, atau kombinasi Otsu dengan metode clustering (kmeans) untuk memperbaiki pemisahan intensitas.

Arah Penelitian Selanjutnya

Beberapa jalur pengembangan yang dapat meningkatkan akurasi dan kegunaan praktis:

1. Pemetaan 3D: Mengintegrasikan citra sayatan tipis berurutan untuk merekonstruksi volume batuan beku, memungkinkan analisis poripori tiga dimensi.
2. Deep Learning: Menggunakan jaringan konvolusional untuk belajar fitur tekstur kompleks sekaligus melakukan segmentasi dengan sedikit supervision.
3. Integrasi dengan data geokimia: Menggabungkan hasil citra dengan analisis XRF atau EPMA untuk korelasi mineralkimia.

Pengembangan ini diharapkan dapat memberikan gambaran lebih lengkap mengenai evolusi magma, kondisi pendinginan, serta potensi sumber daya mineral.

Kesimpulan

Algoritma multilevel Otsus Thresholding terbukti menjadi metode yang kuat untuk segmentasi otomatis citra sayatan tipis batuan beku. Dengan prosedur pre dan postprocessing yang tepat, teknik ini dapat memisahkan secara akurat mineral kristalin, matrix amorf, dan poripori mikro, sekaligus menghasilkan metrik kuantitatif yang sejalan dengan penilaian visual ahli. Kecepatan eksekusi yang tinggi menjadikannya cocok untuk analisis skala besar, sementara keterbatasannya dapat diatasi dengan teknik peningkatan kontras atau pendekatan hybrid yang melibatkan machine learning. Implementasi ini membuka peluang bagi studi geologi yang lebih objektif, reproducible, dan terintegrasi dengan data geokimia serta model 3D.

Referensi

• Otsu, N. (1979). A Threshold Selection Method from Gray-Level Histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9(1), 6266.
• Gonzalez, R. C., & Woods, R. E. (2018). Digital Image Processing (4th ed.). Pearson.
• Schmitt, R. J. (2021). Thin Section Petrography: Principles and Applications. Springer.
• Wang, Y. et al. (2022). Multilevel Otsu Thresholding for MultiPhase Materials Imaging. Journal of Imaging, 8(2), 45.
• Ariffin, A., & Riza, M. (2023). Automated Porosity Measurement in Igneous Rocks Using Image Analysis. Geoscience Frontiers, 14, 101456.