Trasformazioni di Immagini

Slides:



Advertisements
Presentazioni simili
DI3 – Dip. Ing.Industriale e dell’Informazione
Advertisements

Strumentazione per bioimmagini
Elaborazione (digitale) delle immagini
Analisi di Immagini e Dati Biologici
Analisi di Immagini e Dati Biologici
Analisi di Immagini e Dati Biologici
Analisi di Immagini e Dati Biologici Edge detection and sharpening L7 38.
Trattamento delle immagini numeriche Marcello Demi CNR, Institute of Clinical Physiology, Pisa, Italy.
Statistica : scienza che ha come fine lo studio quantitativo e qualitativo di un “collettivo”. L’etimologia della parola pare derivi dal vocabolo “stato”e.
1 Filtraggio di immagini digitali attraverso combinazione adattativa di filtri di Wiener e Rule Based Filter Facoltà di ingegneria Tesi di laurea in ingegneria.
Rappresentazioni grafiche di una distribuzione di frequenze 1)Istogramma e poligono delle frequenze ● Dati raggruppati in classi ● Costituito da un insieme.
1 Simulazione Numerica dei Fenomeni di Trasporto Necessità di introduzione dei tensori  11  12  13  23  21  22 Vogliamo descrivere in un modo che.
Elaborazione delle Immagini Operatori Puntuali Luigi Cinque
Analisi di Immagini Filtri L
Corso di Analisi Statistica per le Imprese Indici di variabilità ed eterogeneità Prof. L. Neri a.a
Precorso di Statistica per le Lauree Magistrali
Analisi di Immagini e Dati Biologici
Analisi di MR di tumore al retto: status e prospettive
Distribuzioni limite La distribuzione normale
Georeferenziazione di immagini
Imaging in Biologia e Medicina
PICCOLA GUIDA PER FUNZIONI REALI A DUE VARIABILI
Le immagini digitalizzate
Scuola Navale Militare F. Morosini
PRIN 2005 Metodi ed Algoritmi integrati per la diagnostica
Le equazioni di II°Grado
STATISTICA Statistica : scienza che ha come fine lo studio quantitativo e qualitativo di un “collettivo”. L’etimologia della parola pare derivi dal vocabolo.
Corso di Analisi Statistica per le Imprese Indici di variabilità ed eterogeneità Prof. L. Neri a.a
L’analisi monovariata
PRESUPPOSTI DEL LAVORO:
G. Grossi Modelli e applicazioni
Confronto fra 2 popolazioni
DISTRIBUZIONI TEORICHE DI PROBABILITA’
4 < 12 5 > −3 a < b a > b a ≤ b a ≥ b
Dal problema al processo risolutivo
Velocita' di rotazione di una galassia
x : variabile indipendente
Equazioni differenziali
Corso di Laurea in Scienze e tecniche psicologiche
APPUNTI DI STATISTICA INFERENZIALE
Intervalli di Fiducia Introduzione Intervalli di fiducia per la media – Caso varianza nota Intervalli di fiducia per la media – Caso varianza non nota.
Luigi Cinque Contorni e regioni Luigi Cinque
Velocità dei soluti in una separazione cromatografica Il soluto si muove lungo la colonna cromatografica solo quando si trova in fase mobile.
Precorso di Statistica per le Lauree Magistrali
Corso di Finanza Aziendale
Operatori differenziali
Specchio concavo ondivaghiamo.unipv.it
La Statistica Istituto Comprensivo “ M. G. Cutuli”
Diffrazione e Ottica di Fourier
ANALISI DEI GRUPPI I.
ANALISI DEI GRUPPI I.
Caratterizzazione di un tessuto
ANALISI DELLE DISTRIBUZIONI STATISTICHE
Analisi di Immagini e Dati Biologici
Rappresentazione dei Numeri
Momenti e valori attesi
Statistica Scienza che studia i fenomeni collettivi.
ALMA MATER STUDIORUM – UNIVERSITA’ DI BOLOGNA
P.Ferraro Città della Scienza 18 Maggio 2001
ANALISI DEI GRUPPI I.
ANALISI DEI GRUPPI I.
Da carta e penna alla computer graphics
Strapazziamo le immagini…
Dithering di una immagine digitale
Precorso di Statistica per le Lauree Magistrali
Relazione tra due insiemi:
I sistemi di equazioni di I grado
COME E’ FATTA UN’IMMAGINE: TRA MATRICI E MATEMATICA
Flusso del campo elettrico e teorema di Gauss
I sistemi di equazioni di 1° grado
Transcript della presentazione:

Trasformazioni di Immagini Filtri L3-2017 51

Filtri Trasformazione di un immagine che non si limita alla trasformazione di intensità di un pixel Il singolo pixel è ricalcolato in funzione del suo valore e del valore dei pixel circostanti

Filtri Lineari Definizione: Kernel di un filtro Funzione di due variabili che determina i valori della matrice H La matrice H è un ‘campionamento’ del kernel

Matrice di un filtro lineare Matrice di bassa dimensione rispetto all’immagine Quasi sempre le matrici hanno ordine dispari in modo che sia determinato il loro centro Per gli elementi del filtro usiamo un sistema di coordinate centrato nel centro della matrice H(i,j) La forma di un filtro è determinata dal supporto del filtro (l’insieme degli elementi della matrice diversi da 0)

Hot Spot di un filtro lineare Ogni matrice ha un “hot spot”, generalmente il centro della matrice di un filtro (anche se non necessariamente)

Filtri lineari Modello correlativo del calcolo di un filtro lineare

Filtro di smoothing

Filtro di smoothing Un pixel della nuova immagine è ricalcolato come media dei pixel circostanti Il numero dei pixel dipende dalla dimensione del filtro Il modo in cui viene calcolata la media dipende dal kernel del filtro

Filtro di Smoothing Principale uso: Limitazione del rumore luminoso scorrelato dall'oggetto Costruzione di immagini della distribuzione della luminosità media Rimozione di variazioni del background Preparazione per operazioni di esaltazione del contrasto locale (rafforzamento dei bordi)

Riduzione del Rumore Modello di corruzione da rumore L’immagine rappresentata è la somma di una ipotizzata immagine “vera” indicata da All’immagine incontaminata si somma un rumore scorrelato dall’immagine stessa Il valore medio atteso del rumore è zero Le coordinate u,v all’esterno dell’operatore di media indicano la media spaziale

Riduzione del Rumore L’azione di un filtro di media su questo modello tende a sostituire un pixel con la media dei vicini riducendo il rumore R è legato alla dimensione della matrice di media Negli esempi di media aritmetica delle slide precedenti R = 1 Se valori di intensità dell’immagine sono indipendenti dal rumore

Filtro di Media Esempio per R=1 e H(i,j)=1/9 (kernel = costante)

Azione di un box-filter 10 11 9 1 2 99 I = X 10 1 1 1 1 1 1 H = 1/9 1 1 1 (10x1 + 11x1 + 10x1 + 9x1 + 10x1 + 11x1 + 10x1 + 9x1 + 10x1) / 9 = 10

Azione di un box-filter 10 11 10 1 X X X X X X 9 10 11 1 1 10 7 4 1 X X 10 9 10 2 1 X X I 11 10 9 9 11 X X 10 9 10 11 9 99 11 X X 10 9 9 11 10 10 X X X X X X 1 1 1 1 1 1 H = 1/9 1 1 1 (10x1 + 0x1 + 0x1 + 11x1 + 1x1 + 0x1 + 10x1 + 0x1 + 2x1) / 9 = 34 = 3.7778 ~ 4 (assumendo l’immagine rappresentata come uint8)

Filtri di media gaussiana Gaussian filter: filtro di media ponderata con i coefficienti calcolati dalla funzione di Gauss in 2-D

Esempi di filtri lineari

Filtro di Media Il filtro è di media aritmetica Effetto di blurring su un immagine Il filtro è di media aritmetica Le dimensioni delle matrici sono 3,5,9,15,25,35,45 L’immagine originale è nell’angolo in alto a sx

Applicazione Filtro Gaussiano Originale 3x3, σ=1 5x5, σ=2

Filtro Gaussiano Immagine Originale Immagine + rumore “Sale&Pepe” Immagine + rumore Gaussiano Stesse Immagini dopo l’applicazione di un filtro gaussiano 3x3

Filtro Gaussiano Eliminazione delle alterazioni di luminosità genarate da digitalizzazione di una stampa octave:1> cd Desktop/ octave:2> ht=imread('halftone.tiff'); octave:3> imshow(ht) octave:4> figure octave:5> htf = imfilter(ht,fspecial("gaussian",7,1.5)); octave:6> imshow(htf) octave:7>

Filtro Gaussiano Originale Filtrato Questo tipo di rumore con natura pediodica viene filtrato con miglior efficacia intervenendo sulla struttura della sua Fourier Transform

Octave: fspecial -> fspecial(type,arg1,arg2) Ritorna una matrice basata su un kernel definito dalla stringa passata come primo argomento (type) Controllata da 1,2 o 3 argomenti Tipo di filtro da generare Parametro di controllo 1 Parametro di controllo 2

Octave: fspecial Filtri di smoothing generati Average: filtro di media Gaussian: filtro con kernel gaussiano Disk: analogo del filtro di media ma con supporto circolare

Octave/Matlab: fspecial type = “average” Filtro di media rettangolare. In assenza di altri argomenti genera un filtro 3x3 Se il secondo argomento è un intero = N ritorna il filtro di media rettangolare NxN Se è un vettore di 2 elementi allora vengono interpretati per creare una matrice NxM octave:1> fspecial("average",5) ans = 0.040000 0.040000 0.040000 0.040000 0.040000 octave:2> 0.04*25 ans = 1

Octave/Matlab: fspecial → type = “gaussian” Il secondo argomento è interpretato come per il filtro di media “average” Il terzo argomento è la dispersione σ (“spread”) della funzione octave:3> fspecial("gaussian",5) ans = 6.9625e-08 2.8089e-05 2.0755e-04 2.8089e-05 6.9625e-08 2.8089e-05 1.1332e-02 8.3731e-02 1.1332e-02 2.8089e-05 2.0755e-04 8.3731e-02 6.1869e-01 8.3731e-02 2.0755e-04 octave:4> sum(sum(fspecial("gaussian",5))) ans = 1

Funzione fspecial di Matlab Filtro con supporto a ‘disco’ >> fspecial("disk",5) ans = 0 0 0 0.0012 0.0050 0.0063 0.0050 0.0012 0 0 0 0 0.0000 0.0062 0.0124 0.0127 0.0127 0.0127 0.0124 0.0062 0.0000 0 0 0.0062 0.0127 0.0127 0.0127 0.0127 0.0127 0.0127 0.0127 0.0062 0 0.0012 0.0124 0.0127 0.0127 0.0127 0.0127 0.0127 0.0127 0.0127 0.0124 0.0012 0.0050 0.0127 0.0127 0.0127 0.0127 0.0127 0.0127 0.0127 0.0127 0.0127 0.0050 0.0063 0.0127 0.0127 0.0127 0.0127 0.0127 0.0127 0.0127 0.0127 0.0127 0.0063

Octave/Matlab: fspecial Il signficato del terzo argomento (opzionale) dipende dal tipo di filtro che state generando Per il box-filter (“average”) è la dimensione del supporto rettangolare del filtro (può essere un vettore di 2 elementi) Per il filtro gaussiano il terzo argomento è la dispersione del filtro (default = 0.5) Per il filtro circolare (“disk”) è il raggio del disco Provate a confrontare l'output di fspecial per un filtro gaussiano di ordine 7 cambiando il valore della dispersione

Filtering: imfilter(I, f) Funzione di Octave che implementa un filtro lineare J = imfilter(I, f) 'I' immagine da filtrare 'f' matrice del filtro 'J' matrice dell'immagine di output Preserva la classe dell'immagine di input Se l'immagine è RGB agisce separatamente su ogni piano di colore

Filtri lineari Formulazione convolutiva

Filtri lineari Modello convolutivo La funzione di correlazione con cui si rappresenta l'azione di un filtro viene più convenientemente espressa come convoluzione

Filtri lineari Passaggio da convoluzione a correlazione

Immagine come Mosaico Un’immagine digitale (ideale) è il risultato della composizione di NxM sorgenti individuali Ogni sorgente è responsabile dell’emissione della luce assorbita da un singolo fotosito (quindi rappresentata da un pixel) In un sistema di formazione dell’immagine ideale ogni sorgente più piccola della risoluzione massima deve ‘accendere’ solo un pixel

Immagine di una funzione δ

Filtro lineare

Azione di un filtro su una δ Ad ogni colore associamo un numero Assumiamo che I quadrati più scuri siano 0 I quadrati più scuri sono 1 Il quadrato verde al centro è l’hot spot

Applicazione del filtro alla δ Applicazione di un filtro 3x3 alla funzione delta

Applicazione del filtro alla δ

Filtri Lineari e System Identification Sistema ‘reale’ di imaging Le alterazioni rispetto al comportamento ideale sono rappresentate da una funzione Questa funzione è la risposta del sistema di imaging ad uno stimolo elementare Per un sistema di imaging ottico lo stimolo elementare è una sorgente δ

Point Spread Function Il comportamento ideale di un sistema preserverebbe l'immagine formata da una semplice δ Per poter preservare l'immagine di una tale funzione di prova il sistema deve esso stesso comportarsi come una funzione δ Ogni deviazione introduce alterazioni nella formazione dell'immagine

Point Spread Function Funzione di trasferimento ottico del sistema Un modello lineare della funzione ottica può essere rappresentato matematicamente come convoluzione della PSF con una sorgente puntiforme La PSF rappresenta il modello (lineare) di tutte le alterazioni che avvengono nella formazione dell'immagine rispetto al modello teorico

Point Spread Function

Determinazione della PSF Per correggere il comportamento di un sistema ottico si usano sorgenti puntiformi Si va ad osservare l'immagine che si forma che è una rappresentazione della PSF

Esempio di PSF Aberrazione sferica

Immagine di stelle

Esempi di PSF “Diffraction spikes” nei telescopi Ogni stella è una sorgente approssimativamente puntiforme Il risultato è la somma di sorgenti “tipo puntiforme” Ogni sorgente riproduce la PSF del telescopio che crea l'effetto delle “diffraction spikes”

Filtri non lineari

Filtri non lineari: max e min

Filtro max e min (introducing Lena Söderberg)

Filtro di mediana Il median filter seleziona per ogni pixel dell'immagine di output il valore della mediana dei valori di un intorno

Filtro di Mediana

Filtro di Mediana

Confronto tra smoothing filter e filtro di Mediana

Filtro di Mediana