Aethera Pixels— Advanced Digital Image Processing (UTS)

Aplikasi pengolahan citra digital berbasis Streamlit dengan pendekatan modular “Pipeline Formula” untuk transformasi, pemulihan, dan peningkatan kualitas citra secara terstruktur.

---

📌 Informasi Akademik

Kategori	Detail
Mata Kuliah	Pengolahan Citra Digital
Semester	5 (Lima)
Jenis Tugas	Ujian Tengah Semester (UTS)
Institusi	Universitas Nusa Putra/Teknik Informatika]
Tahun Akademik	2024/2025
Tanggal Pengumpulan	9 November 2025

---

👥 Tim Pengembang

Nama	NIM	Peran Utama
M. Sechan Alfarisi	20230040094	Project Lead & Core Developer — Arsitektur aplikasi, UI/UX Streamlit, integrasi pipeline, koordinasi tim
M. Akbar Rizky Saputra	20230040236	Document Project - Project Tester - Recording
M. Fathir Bagas	20230040126	Integrasi pipeline Tranformasi
M. Ghibran Muslih	20230040105	Power Point
M. Sinar Agusta	20230040188

---

📖 Daftar Isi

• Aethera Pixels — Advanced Digital Image Processing (UTS)
  • 📌 Informasi Akademik
  • 👥 Tim Pengembang
  • 📖 Daftar Isi
  • 🎯 Ringkasan Proyek
  • 🚀 Fitur Utama
  • 🏗️ Arsitektur & Struktur Proyek
  • 🧪 Pipeline Overview
  • 🔍 Pipeline Detail
    • Super Resolution 4K Enhance
    • Creative Filmic Effect
    • Selective Texture Enhancement
  • 🛠️ Instalasi & Setup
  • 🧭 Panduan Penggunaan
  • 🎚️ Preset & Parameter
    • Super Resolution 4K
    • Creative Filmic Effect
    • Selective Texture Enhancement
  • 📏 Evaluasi & Metrik Kualitas
  • 💡 Contoh Penggunaan
  • 🆘 Troubleshooting
  • 🛣️ Roadmap
  • ⚠️ Batasan Diketahui
  • 🤝 Kontribusi
  • 📄 Lisensi
  • 🗂️ Mapping ke Slide & PDF
  • 📝 Changelog

---

🎯 Ringkasan Proyek

Aethera Pixels adalah aplikasi web interaktif untuk pengolahan citra digital tingkat lanjut. Pendekatan inti adalah Pipeline Formula: pre-processing → core algorithm → post-processing. Aplikasi berorientasi edukasi dan praktis untuk kebutuhan UTS, riset, dan demonstrasi.

Sorotan:

• Antarmuka modern (single-page) dengan kontrol jelas dan log proses.
• Preset cerdas (Conservative, Balanced, Aggressive) + mode fine-tune manual.
• Modular dan extensible: mudah menambah filter/fitur baru.
• Metrik objektif (PSNR, SSIM, dsb.) untuk evaluasi kuantitatif.

---

🚀 Fitur Utama

• Super Resolution hingga 4× (target 4K) dengan pra-denoise dan pasca-sharpen.
• Creative Filmic Effect: tonal mapping (3D LUT), color grading, film grain.
• Selective Texture Enhancement: detail-preserving enhancement lokal.
• Info gambar, log proses, dan tombol unduh hasil.

---

🏗️ Arsitektur & Struktur Proyek

Struktur folder utama:

app.py
presets.json
requirements.txt
app/
  main.py
  components/
  pages/
  utils/
assets/
  sample_images/
  style_presets/
pipeline/
  creative_filmic_effect.py
  enhancement.py
  filters.py
  restoration.py
  selective_texture_enhancement.py
  super_resolution_4k.py
utils/
  io_utils.py
  metrics.py

Catatan:

• UI utama ada di app.py/app/main.py (Streamlit).
• Algoritma ada di pipeline/. Utilitas (I/O, metrik) di utils/.

---

🧪 Pipeline Overview

1. Super Resolution 4K Enhance — Upscaling 2×/3×/4× dengan pra-denoise dan pasca-sharpen. Target: tajam, low halo.

2. Creative Filmic Effect — Efek sinematik/vintage via LUT, histogram/LAB adjustment, dan film grain parametrik.

3. Selective Texture Enhancement — Ekstraksi base/detail (guided filter), boosting detail adaptif, dan fusi kembali.

---

🔍 Pipeline Detail

Super Resolution 4K Enhance

Konsep: membersihkan noise, memperbesar, lalu mempertajam untuk hasil natural.

Tahapan:

1. Pre-Denoising (Bilateral/Non-local Means)
2. Upscaling (ESRGAN/Lightweight 4× atau interpolasi LANCZOS sebagai fallback)
3. Post-Sharpening (Unsharp Mask) + halo guard ringan

Formula utama:

• Bilateral Filter: $I_p = \frac{1}{W_p} \sum_{q \in \Omega} I_q,G_{\sigma_s}(\lVert p-q \rVert),G_{\sigma_r}(|I_p - I_q|)$
• Unsharp Mask: $I_{out} = I + \alpha,(I - G_\sigma(I))$

File terkait: pipeline/filters.py, pipeline/super_resolution_4k.py

---

Creative Filmic Effect

Konsep: grading sinematik/retro dengan tonal mapping, penyesuaian warna, dan simulasi grain.

Tahapan:

1. Tonal Mapping (3D LUT)
2. Color Grading (Histogram Matching/LAB Adjustment)
3. Film Grain Overlay (Gaussian/Perlin/Chromatic)

File terkait: pipeline/enhancement.py, pipeline/creative_filmic_effect.py

---

Selective Texture Enhancement

Konsep: meningkatkan detail pada area bertekstur tanpa menambah noise pada area halus.

Tahapan:

1. Detail Extraction (Guided Filter) → Base + Detail
2. Adaptive Sharpening (Boost detail layer)
3. Fusion (Laplacian pyramid / weighted blend)

File terkait: pipeline/selective_texture_enhancement.py, pipeline/filters.py

---

🛠️ Instalasi & Setup

Prerequisites:

• Python 3.10+
• pip
• (Opsional) GPU CUDA 11.8+ untuk akselerasi model

Langkah (Windows PowerShell):

cd C:\Users\user\aethera-pixelis

# (Opsional) Buat virtual environment
python -m venv venv
./venv/Scripts/Activate.ps1

# Install dependencies
pip install -r requirements.txt

# Jalankan aplikasi
streamlit run app.py

URL lokal: http://localhost:8501

---

🧭 Panduan Penggunaan

1. Upload gambar (JPG/PNG; disarankan ≥1280×720, <200 MB).
2. Pilih Pipeline: Super Resolution / Filmic Effect / Texture Enhancement.
3. Pilih Preset (Conservative, Balanced, Aggressive) atau aktifkan Fine-tune.
4. Tekan “Process Image”; amati log proses dan metrik ringkas.
5. Unduh hasil dan bandingkan dengan input.

Tips presentasi: jadikan tiap tahapan pipeline sebagai satu slide dengan screenshot UI.

---

🎚️ Preset & Parameter

Preset intensitas (rekomendasi default; dapat disesuaikan):

Super Resolution 4K

• Conservative: denoise_sigma=40, scale_factor=2, sharpen_amount=0.6
• Balanced: denoise_sigma=70, scale_factor=3, sharpen_amount=1.0
• Aggressive: denoise_sigma=100, scale_factor=4, sharpen_amount=1.4

Creative Filmic Effect

• Conservative: color_preset="Warm", grain_intensity=0.1, grain_type="Gaussian"
• Balanced: color_preset="Teal & Orange", grain_intensity=0.2, grain_type="Perlin"
• Aggressive: color_preset="Cinematic", grain_intensity=0.35, grain_type="Chromatic"

Selective Texture Enhancement

• Conservative: detail_radius=15, enhancement_gain=1.2, edge_threshold=0.02
• Balanced: detail_radius=30, enhancement_gain=1.8, edge_threshold=0.01
• Aggressive: detail_radius=45, enhancement_gain=2.4, edge_threshold=0.005

Catatan parameter:

• denoise_sigma (10–150), scale_factor (2/3/4×), sharpen_amount (0.0–2.0)
• color_preset (Cinematic/Teal & Orange/Warm/Cool), grain_intensity (0.0–0.5)
• detail_radius (5–50), enhancement_gain (1.0–3.0), edge_threshold (0.001–0.1)

---

📏 Evaluasi & Metrik Kualitas

Metrik objektif yang digunakan:

• PSNR (Peak Signal-to-Noise Ratio) — lebih tinggi lebih baik. Implementasi: utils/io_utils.py (kelas ImageMetrics).
• SSIM (Structural Similarity Index) — 1 = identik. Implementasi: utils/io_utils.py.
• Laplacian Variance, Edge Response, Local Contrast, Noise Estimation, Histogram Spread — utils/metrics.py.

Kaidah evaluasi:

• Jika ground truth tersedia → gunakan PSNR/SSIM.
• Jika tidak ada ground truth → gunakan panel visual + metrik non-referensi (sharpness, contrast, noise).

Rumus SSIM singkat: $$\text{SSIM}(x,y) = \frac{(2\mu_x\mu_y + C1)(2\sigma_{xy} + C2)}{(\mu_x^2 + \mu_y^2 + C1)(\sigma_x^2 + \sigma_y^2 + C2)}$$

---

💡 Contoh Penggunaan

1. Super Resolution pada foto lama 720p → pilih “Super Resolution 4K Enhance”, set denoise_sigma=80, scale_factor=4, sharpen_amount=1.2, proses, unduh hasil 4K.

2. Filmic Effect vintage → pilih “Creative Filmic Effect”, set color_preset="Teal & Orange", grain_intensity=0.2, proses, unduh hasil.

3. Texture Enhancement pada foto bertekstur → pilih “Selective Texture Enhancement”, set detail_radius=35, enhancement_gain=1.8, proses, unduh hasil.

---

🆘 Troubleshooting

• ModuleNotFoundError: cv2 → pip install opencv-python opencv-contrib-python --upgrade
• ModuleNotFoundError: torch → CPU: pip install torch torchvision | GPU (CUDA 11.8): pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118
• Streamlit error → pip install streamlit --upgrade

---

🛣️ Roadmap

• Batch processing untuk banyak gambar sekaligus.
• Before–after slider interaktif.
• Rekomendasi preset otomatis berbasis analisis histogram.
• Penyimpanan preset kustom dan log hasil.

---

⚠️ Batasan Diketahui

1. ESRGAN/SwinIR dapat fallback ke interpolasi jika memori GPU terbatas.
2. Ukuran gambar optimal < 8K untuk kinerja stabil.
3. Proses di CPU lebih lambat; disarankan GPU untuk super resolution.
4. Mayoritas operasi berjalan di ruang warna BGR (standar OpenCV).

---

🤝 Kontribusi

1. Fork repository
2. Buat branch fitur: git checkout -b feature/NamaFitur
3. Commit: git commit -m "Add NamaFitur"
4. Push: git push origin feature/NamaFitur
5. Buka Pull Request

Pedoman pengembangan singkat:

• Tambah filter baru di pipeline/filters.py lalu hubungkan di UI (app.py).
• Tambah pipeline baru sebagai modul di pipeline/ + dokumentasi singkat.

---

📄 Lisensi

Proyek untuk keperluan akademik/educational. Lihat dokumen teknis (jika ada) di docs/dokumen-teknis.pdf.

---

🗂️ Mapping ke Slide & PDF

Rekomendasi struktur slide (presentasi 10–15 menit):

1. Judul & Tim — badge, tagline singkat, tabel tim.
2. Latar Belakang & Tujuan — masalah, motivasi, dan tujuan proyek.
3. Arsitektur — struktur folder dan alur Pipeline Formula.
4. Pipeline Overview — ketiga pipeline dan use-case ringkas.
5. Pipeline Detail: Super Resolution — tahapan + parameter kunci + preset.
6. Pipeline Detail: Filmic Effect — tahapan + preset + contoh visual.
7. Pipeline Detail: Texture Enhancement — tahapan + preset + contoh visual.
8. Demo & Hasil — sebelum/sesudah, metrik (PSNR/SSIM/sharpness).
9. Evaluasi & Diskusi — interpretasi metrik, trade-off kualitas vs waktu.
10. Batasan & Roadmap — limitasi dan rencana lanjutan.
11. Kesimpulan & Referensi.

Rekomendasi Bab PDF (laporan): Pendahuluan → Tinjauan Pustaka → Metode (Pipeline) → Implementasi → Eksperimen & Evaluasi → Diskusi → Kesimpulan & Saran → Lampiran.

---

📝 Changelog

• 1.2.0 (9 Nov 2025): UI single-page stabil, README terstruktur untuk UTS, penambahan mapping slide/PDF, konsistensi metrik & parameter.

---

Terakhir diperbarui: 9 November 2025
Versi: 1.2.0