Scaricare la presentazione
La presentazione è in caricamento. Aspetta per favore
1
DI3 – Dip. Ing.Industriale e dell’Informazione
Analisi di immagini Agostino Accardo DI3 – Dip. Ing.Industriale e dell’Informazione Università di Trieste Corso di laurea specialistica in Biotecnologie mediche / nanobiotecnologie A.A
2
I Colori
3
Parametri fisici descrittivi di una immagine
Accanto alle grandezze legate alla natura digitale dell’immagine dimensioni della matrice dimensioni del pixel profondità dell’immagine ve ne sono altri che caratterizzano la qualità dell’immagine luminosità contrasto rapporto segnale rumore Analisi immagini
4
Miglioramento qualità dell’immagine
Scopo: ottenere immagine in uscita più ‘idonea’ alla specifica applicazione => lo stesso metodo non porta sempre ai medesimi ‘benefici’ Attraverso: modifica della luminosità esaltazione del contrasto incremento rapporto S/N Tipi di elaborazione: metodi nel dominio dello spazio (manipolazione dei pixel) metodi nel dominio della frequenza (trasformata di Fourier 2D) Soggettività del giudizio finale Analisi immagini
5
Miglioramento qualità dell’immagine (dominio spaziale)
Operazioni puntuali trasformano l’immagine di partenza a[m,n] in un’immagine b[m,n] formata da elementi i cui valori sono funzione solo degli elementi corrispondenti dell’immagine originale Operazioni locali trasformano l’immagine di partenza a[m,n] in un’immagine b[m,n] formata da elementi i cui valori sono funzione di un determinato gruppo di elementi della matrice di partenza (Maschera= area centrata sul pixel, tipicamente 3x3, 5x5,…) Esempio tipico sono le operazioni di filtraggio spaziale d’immagine
6
Miglioramento qualità dell’immagine (dominio della frequenza)
Operazioni nel dominio della frequenza basati sul teorema della convoluzione: g(x,y)=h(x,y) x f(x,y) G(u,v)=H(u,v) . F(u,v) e successiva antitrasformazione della G(u,v) Analisi immagini
7
Miglioramento qualità dell’immagine (dominio spaziale)
OPERAZIONI PUNTUALI Analisi immagini
8
Operazioni puntuali: trasformazione di Intensità
In generale il rimappaggio dei livelli di grigio serve per: Ottimizzare il range di quantizzazione (p.es. compensare Rx sovraesposte, non linearità dei sensori delle immagini, poca illuminazione) Migliorare il contrasto delle strutture che hanno livelli di grigio simili (p.es. mammografie), ‘espandendo/comprimendo’ opportuni intervalli di grigi r: livelli immagine ingresso s: livelli immagine uscita s = T(r) con T lineare o meno, generalmente monotona approfondiamo i concetti di luminosità e di contrasto … Tabelle di look-up (LUT)
9
Luminosità La luminosità dell’immagine è data dal valore numerico corrispondente ai pixel. Per esempio, in una immagine monocromatica codificata su 8 bit, il valore 0 corrisponde al nero ed il valore 255 corrisponde al bianco. 255
10
Operazioni puntuali: riscalaggio dell’intensità
Riscalato M saturazione s g(x,y) = f(x,y) + K s = r + K, se s<0 o >255 saturo K r
11
Images © 2002 Gonzales & Woods
12
Contrasto E’ uno dei parametri fondamentali per valutare la qualità di un’immagine. Un elevato contrasto consente di osservare anche piccoli dettagli, rendendoli distinguibili dallo sfondo. S A Per un’immagine monocromatica può essere definito come la variazione relativa del valore assunto dai pixel appartenenti ad una zona A dell’immagine rispetto allo sfondo S. ia valor medio intensità dell’immagine valutato sull’area A is valor medio intensità dell’immagine valutato sullo sfondo S
13
Esempio numerico di calcolo del contrasto
ia = 15 is = 3,333 C = 3,5
14
Operazioni puntuali: incremento del contrasto
L = media dei valori dei pixel dell’immagine (luminanza) Calcolo della deviazione di ogni pixel (o) dalla luminanza L e moltiplico per un valore >1 (p.es. x 5) L’immagine così ottenuta ha contrasto maggiore L s pendenza contrasto Rischio saturazione! r
15
Esempio pratico C = 5,167
16
Effetti sull’immagine
17
Rapporto segnale – rumore
A causa del rumore presente, anche in presenza di un segnale costante, il valore dell’immagine in punti limitrofi non e` costante, ma piuttosto variabile in modo casuale (p.es. Secondo una distribuzione gaussiana con deviazione standard pari a ) Detto iavg il valor medio e s la deviazione standard dell’immagine in un’area di interesse (ROI), il rapporto segnale – rumore (SNR) vale:
18
Esempio numerico originale C = 54 SNRoriginale (area centrale) = 61
rumorosa C = 26,05 SNRoriginale (area centrale) = 61 SNRrumorosa (area centrale) = 33 Il rumore sovrapposto determina sempre una riduzione del contrasto dell’immagine
19
Effetto del rumore In pratica il rumore sovrapposto, diminuendo il contrasto e depositandosi come disturbo localizzato o globale sull’immagine, ne diminuisce la valenza diagnostica
20
Istogramma dell’immagine
Riporta la distribuzione del numero dei pixel in funzione del loro valore. E’ utilizzato come base matematica di partenza per tutte le operazioni di modifica del contrasto, della luminosità e per molte operazioni di correzione ottica dei colori.
21
Modifica di luminosità
Una modifica della luminosità dell’immagine agisce come una traslazione sull’istogramma, verso i bianchi se la luminosità aumenta, verso il nero se la luminosità diminuisce
22
Modifica di contrasto Una modifica del contrasto dell’immagine agisce come una rarefazione o compressione dei punti sull’istogramma
24
Altre operazioni puntuali
Images © Gonzales & Woods
25
Altre operazioni puntuali
Images © Gonzales & Woods
26
Altre operazioni puntuali
Images © Gonzales & Woods
27
Altre operazioni puntuali
Images © Gonzales & Woods
28
Equalizzazione dell’istogramma
E’ una trasformazione matematica che consente di ottenere un’immagine con un istogramma di distribuzione dei grigi pressocché uniforme.
29
Equalizzazione dell’istogramma
I passi fondamentali per l’equalizzazione dell’istogramma sono: ricavare l’istogramma dell’immagine calcolarne la cumulata e normalizzarla tra 0 e il livello massimo utilizzare la nuova cumulata come mappa dei grigi dell’immagine 1 2 3
30
Images © 2002 Gonzales & Woods
31
NO Images © Gonzales & Woods
32
Images © 2002 Gonzales & Woods
NO
33
Operazioni di image enhancement: da puntuali a locali
Rumore sale e pepe Filtro mediano Rumore gaussiano Filtro Wiener
34
Sxy p.es. area 7x7 Filamento di tungsteno su supporto
Images © Gonzales & Woods
35
Images © 2002 Gonzales & Woods
36
Cenni sulla trasformata di Fourier bidimensionale
La trasformata 2D di una immagine si definisce mediante successive trasformate 1D applicate prima alle righe e poi alle colonne o viceversa. Per ogni riga fissata si effettua la trasformata di Fourier 1D degli elementi di quella riga; effettuando questa operazione per tutte le righe si ottiene una nuova immagine Per ogni colonna fissata dell’immagine ottenute si effettua la trasformata 1D dei valori di quella colonna; effettuando questa operazione per tutte le colonne si ottiene l’immagine trasformata
37
Filtraggio di immagini
Supponendo di avere una funzione h(x,y) che produce una immagine g(x,y) a partire da una immagine f(x,y), è possibile schematizzare il tutto mediante lo schema h(x,y) f(x,y) g(x,y) il processo di filtraggio numerico bidimensionale è un processo di CONVOLUZIONE
38
Filtro passabasso (smoothing)
Solitamente applicato per ridurre il rumore sovrapposto all’immagine o per preparare l’immagine a successivi algoritmi di elaborazione (segmentazione). Detta h[x,y] la funzione di trasferimento di un filtro passabasso bidimensionale, essa è caratterizzata, nella sua forma più semplice, esclusivamente dalla dimensione della matrice (cioè dal numero di elementi del filtro stesso) La condizione che viene imposta sugli elementi della matrice che funge da filtro è che la somma dei pesi sia unitaria (criterio energetico)
39
Generic filter mask Images © Gonzales & Woods
40
Images © 2002 Gonzales & Woods
41
Images © 2002 Gonzales & Woods
512x512
42
Filtro passabasso: routine matlab
Il filtro passabasso corrisponde ad un’operazione di media (operatore locale) La media, o integrazione, viene ottenuta pesando pixel adiacenti
43
Filtro passabasso: esempio
originale averaging di dimensione 3
44
Low pass Original
45
Thresholding Edges
46
Filtro passaalto Analogamente al filtraggio passabasso, è possibile un filtraggio passaalto dell’immagine in grado di mantenere le alte frequenze. Derivatore base Il vettore che approssima la derivata in una direzione è hT = [-1 1] hT = [-1 0 1] la prima forma determina una rotazione di fase delle armoniche dell’immagine, la seconda no, sebbene la seconda forma causi l’attenuazione delle frequenze più elevate dello spettro
47
Gradiente di Prewitt esalta le frequenze orizzontali
esalta le frequenze verticali I due gradienti devono essere applicati separatamente. Nella direzione in cui non viene effettuata la derivazione, viene effettuato uno smoothing con un filtro monodimensionale di tipo uniforme
48
Gradiente di Prewitt: esempio
originale derivazione verticale
49
Gradiente di Sobel esalta le frequenze orizzontali
esalta le frequenze verticali I due gradienti devono essere applicati separatamente. Nella direzione in cui non viene effettuata la derivazione, viene effettuato uno smoothing con un filtro monodimensionale di tipo triangolare
50
Gradiente di Sobel: esempio
originale derivazione verticale
51
Passa banda: esempio Images © Gonzales & Woods
52
Passa banda: esempio Images © Gonzales & Woods
53
Generazione automatica dei filtri in Matlab
Presentazioni simili
© 2024 SlidePlayer.it Inc.
All rights reserved.