Analisi di Immagini e Dati Biologici

Presentazione sul tema: "Analisi di Immagini e Dati Biologici"— Transcript della presentazione:

1 Analisi di Immagini e Dati Biologici
Filtri L4-1 41

2 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 La funzione che “modella” la trasformazione è detta kernel

3 Filtro di smoothing

4 Smoothing Filter Un pixel della nuova immagine è ricalcolato come media dei pixel circostanti

5 Smoothing Filter La stessa espressione resa per un pixel generico avente coordinate (u,v)

6 Smoothing Filter Caratteristiche generali
Dimensione (size): numero di punti lungo righe & colonne coinvolti nel filtro Forma: Il filtro di media è rettangolare. per filtri di dimensione maggiore si può cercare di approssimare la forma di un disco Kernel: funzione che determina i valori dei coefficienti del filtro Principale uso: Limitazione del rumore luminoso scorrelato dall'oggetto

7 Filtri Lineari Il filtro di media è un esempio di filtro lineare
E' semplice rappresentare l'azione di un filtro lineare attraverso una matrice La matrice di un filtro di media:

8 Matrice di un filtro Quasi sempre le matrici hanno ordine dispari in modo che sia univoco il loro centro Ogni matrice ha un “hot spot”, generalmente il centro della matrice di un filtro (anche se non necessariamente)

9 Filtri lineari Modello correlativo del calcolo di un filtro lineare

10 Filtri lineari Rappresentazione matematica

11 Filtri Lineari Box filter: è il filtro di media.
Gaussian filter: i coefficienti di un filtro gaussiano non sono costanti, ma calcolati dalla funzione di Gauss in 2-D

12 Esempi di filtri lineari

13 Filtri lineari octave:1> fspecial("average",3) ans =
octave:2> fspecial("gaussian",3)

14 Filtro gaussiano Originale 3x3, σ=1 5x5,σ=2

15 Smoothing

16 Smoothing 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>

17 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

18 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

19 Octave: 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 = octave:2> 0.04*25 ans = 1

20 Octave: 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 e e e e-08 2.8089e e e e e-05 2.0755e e e e e-04 octave:4> sum(sum(fspecial("gaussian",5))) ans = 1

21 Octave: 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

22 Octave's 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

23 Filtri lineari Filtro di differenza: modelli di filtri la cui risposta tende ad esaltare i bordi (salti di intensità) I filtri per differenza hanno alcuni dei coefficiente della matrice negativi

24 Filtri lineari Convoluzione

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

26 Filtri lineari Passaggio da convoluzione a correlazione

27 Filtri Lineari e System identification
Impulse Response: filtro che lascia l'input intatto E' rappresentato dalla funzione δ

28 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 di tutte le alterazioni che avvengono nella formazione dell'immagine rispetto al modello teorico

29 Determinazione dell PSF
La funzione δ preserva una immagine, costituisce cioè l'identità del prodotto di convoluzione

30 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

31 Effetti della PSF Aberrazione sferica

32 Convoluzione

33 Esempi di effetti della 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”

34 Filtri non lineari I filtri lineari
Pixel di un immagine risultante funzione di NxM pixel Problema del 'blurring' (offuscamento)

35 Filtri non lineari: max e min

36 Filtro max e min

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

38 Filtro di Mediana

39 Filtro di Mediana

40 Filtro di Mediana

41 Filtro di Mediana