Elaborazione di Immagini II Parte Lezione N.2

Slides:



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

Progetto lauree scientifiche
DISTRIBUZIONE BINOMIALE (cenni) DISTRIBUZIONE NORMALE
Corso di Percezione Robotica (PRo) A. A. 99/00 B
Le distribuzioni di probabilità continue
Trasformazioni nello spazio dei colori
Funzioni Una funzione (o applicazione) fra due insiemi A e B è una
Processi Aleatori : Introduzione – Parte II
Capitolo 8 Sistemi lineari.
Matematica I: Calcolo differenziale, Algebra lineare, Probabilità e statistica Giovanni Naldi, Lorenzo Pareschi, Giacomo Aletti Copyright © The.
Vettori e matrici algebrici
Autovalori e autovettori
Matematica I: Calcolo differenziale, Algebra lineare, Probabilità e statistica Giovanni Naldi, Lorenzo Pareschi, Giacomo Aletti Copyright © The.
Matematica I: Calcolo differenziale, Algebra lineare, Probabilità e statistica Giovanni Naldi, Lorenzo Pareschi, Giacomo Aletti Copyright © The.
L’equazione della retta
Realizzazione di algoritmi video su FPGA
MECCANICA STATISTICA Classica Lezioni di meccanica statistica Lezioni di meccanica statistica
Cap. 4 Distribuzioni di frequenza, tabelle e grafici Cioè come si sfruttano i dati grezzi, perché è da qui che inizia l’analisi statistica.
Le Variabili Casuali Corso di Teoria dell’Inferenza Statistica 1
UN ESEMPIO DI ESPERIMENTO CASUALE
Processi Aleatori : Introduzione – Parte I
Visione Artificiale La visione del robot può essere definita come il processo di estrazione, caratterizzazione e interpretazione delle informazioni provenienti.
Corso di biomatematica lezione 4: La funzione di Gauss
Corso di biomatematica Lezione 3: Distribuzioni di probabilità continue Davide Grandi.
Laurea Specialistica Chimica e Tecnologia Farmaceutiche Anno Accademico Università degli Studi di Firenze Facoltà di Farmacia.
Università degli Studi di Firenze
Strumentazione per bioimmagini
Valutazione della stima: gli intervalli di confidenza
Il Teorema del Limite Centrale
Misure di dispersione Giovanni Filatrella
Miglioramento dell’Immagine
Rappresentazione dei dati statistici
Lezione 8 Numerosità del campione
Num / 36 Lezione 9 Numerosità del campione.
UNIVERSITÀ DEGLI STUDI DI PERUGIA Dipartimento di Ingegneria Industriale Prof. Francesco Castellani Corso di Meccanica Applicata.
UNIVERSITÀ DEGLI STUDI DI PERUGIA Dipartimento di Ingegneria Industriale Prof. Francesco Castellani Corso di Meccanica Applicata A.A.
Elaborazione (digitale) delle immagini
Popolazione campione Y - variabile casuale y - valori argomentali Frequenza relativa: Estrazione Densità della classe i-esima: Lezione 1.
Trasformazioni di intensità Filtraggio spaziale
Histogram and region based processing
Le funzioni Prof.ssa A. Sia.
MONITOR LA STAMPANTE PERIFERICHE DI OUTPUT GLI ALTOPARLANTI.
Statistica economica (6 CFU) Corso di Laurea in Economia e Commercio a.a Docente: Lucia Buzzigoli Lezione 5 1.
La modifica degli istogrammi
Unità 6 Test parametrici e non parametrici Test per la verifica della normalità Funzione di ripartizione.
Tutte le grandezze fisiche si dividono in
Introduzione alla fisica
Le funzioni Prof.ssa A. Sia.
Sul problema del gamma Daniele Marini.
Università degli Studi di Cagliari
Corso di Laboratorio di Informatica
Cap. 15 Caso, probabilità e variabili casuali Cioè gli ingredienti matematici per fare buona inferenza statistica.
Matematica I: Calcolo differenziale, Algebra lineare, Probabilità e statistica Giovanni Naldi, Lorenzo Pareschi, Giacomo Aletti Copyright © The.
Laurea Ing EO/IN/BIO;TLC D.U. Ing EO 10 PROBABILITA’ E VARIABILI ALEATORIE.
Cristina Tortora a.a.: 2012/2013 Università degli Studi di Napoli Federico II Facoltà di Economia.
1 Università degli Studi di Roma “Tor vergata” Dipartimento di Ingegneria Civile Corso di Gestione ed esercizio dei sistemi di trasporto Docente: Ing.
Informazione multimediale Lettere e numeri non costituiscono le uniche informazioni utilizzate dagli elaboratori ma ci sono sempre piu’ applicazioni che.
Matematica I: Calcolo differenziale, Algebra lineare, Probabilità e statistica Giovanni Naldi, Lorenzo Pareschi, Giacomo Aletti Copyright © The.
Martina Serafini Martina Prandi
Calcolo delle probabilità a cura di Maurizio Brizzi
Analisi di Immagini e Dati Biologici
Lezione 3 Elementi di teoria delle variabili casuali Insegnamento: Statistica Corso di Laurea Magistrale in Matematica Facoltà di Scienze, Università di.
La variabile casuale (v.c.) è un modello matematico in grado di interpretare gli esperimenti casuali. Infatti gli eventi elementari  che compongono lo.
Esercitazione 5 Corso di Elaborazione e Trasmissione delle Immagini Pisa, 27 ottobre 2004.
Laboratorio di Processi Stocastici Alberto Sorrentino
Elaborazione statistica di dati
Esercizio 1 La seguente distribuzione riporta i punteggi di ansia misurata prima dell’esame di psicometria: a) Costruire una tabella di frequenza, indicando:
1 VARIABILI CASUALI. 2 definizione Una variabile casuale è una variabile che assume determinati valori in modo casuale (non deterministico). Esempi l’esito.
 Scale di Misura 4Scala nominale 4Scala ordinale Argomenti della lezione.
Trattamento delle immagini numeriche Marcello Demi CNR, Institute of Clinical Physiology, Pisa, Italy.
Transcript della presentazione:

Elaborazione di Immagini II Parte Lezione N.2 Giovanni Naldi Dipartimento di Matematica Centro ADAMSS Università degli studi di Milano http://newrobin.mat.unimi.it/users/naldi/elabimm/EI09-lez2.ppt

Operatori F: I  Y, I e Y immagini Operatori puntuali Operatori locali [ Ci sono anche Operatori Globali ] (grazie a F. Bartolini, Università di Firenze)

ESEMPIO 1: (grazie a F. Bartolini, Università di Firenze)

ESEMPIO 2: (grazie a F. Bartolini, Università di Firenze)

ESEMPIO 2: (grazie a F. Bartolini, Università di Firenze)

ESEMPIO 2: (grazie a F. Bartolini, Università di Firenze)

Esempio 3 (correzione gamma): Indico con r il valore del pixel di Partenza e con s il valore del pixel di arrivo: Dove c è una costante tale che s[0,255] (nel caso di immagine Monocromatica con 256 valori di grigio) Schermi CRT possono Produrre “distorsioni” tipo Funzione gamma. (grazie a E. Ardizzone, Università di Palermo)

Esempio 3 (correzione gamma): (grazie a E. Ardizzone, Università di Palermo)

Equalizzazione dell’istogramma Considero il caso continuo, normalizzando i valori dei pixel, sia: X [0,1], il valore del pixel e h(X) la corrispondente densità; Y valore trasformato, Y=Y(X), con densità g(Y) Desidero che g(Y)=C=costante (sperimentalmente le immagini con un istogramma approssimativamente uniforme presentano un miglior contrasto). Proprietà per la Y(X): Y sia monotona strettamente crescente; 2) Y(X)[0,1] per X [0,1]. Se pensiamo X ed Y come variabili casuali, abbiamo (come funzioni di densità di probabilità), per la funzione di ripartizione di X e Y:

Quindi: Da cui: Obiettivo: g =C =costante. Posto, Si ottiene, da cui (rinominando le variabili) Nel caso discreto non posso parlare di densità di probabilità, lavoro con le frequenze, ovvero con l’istogramma normalizzato H, dove H(i) rappresenta il numero di pixel con livello di grigio i diviso per il numero totale di pixel. La trasformata puntuale si scrive quindi (qui consideriamo il caso di 256 differenti livelli di grigio, da 0 a 255):

Più in generale: Con m=1 equalizzazione, m<0 sotto-equlizzazione, m>1 sovra-equalizzazione Equalizzazione …

Esempio (operatore locale) (grazie a F. Bartolini, Università di Firenze)

Esempio (operatore locale) (grazie a F. Bartolini, Università di Firenze)

(grazie a F. Bartolini, Università di Firenze)

(grazie a F. Bartolini, Università di Firenze)

(grazie a F. Bartolini, Università di Firenze)

(grazie a F. Bartolini, Università di Firenze)

Nozione di intorno di un pixel p. Tra i più utilizzati tipi di intorno di un pixel p di coordinate (x,y): 4-intorno N4(P), pixel con coordinate (x+1,y), (x,y+1), (x,y-1), (x-1,y) 8-intorno N8(P), pixel con coordinate come per il 4-intorno con anche i pixel diagonali, (x-1,y-1), (x-1,y+1), (x+1,y-1), (x+1,y+1). [ Non sono gli unici intorni possibili]