Trasformazioni di Intensità e Filtraggio Spaziale

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Trasformazioni di Intensità e Filtraggio Spaziale"

Transcript

1 Trasformazioni di Intensità e Filtraggio Spaziale (Alcuni Richiami) Prof. Sebastiano Battiato Terminologia Le tecniche di elaborazione delle immagini sono in generale rivolte all ottenimento di uno dei seguenti obiettivi di massima: miglioramento di qualità (image enhancement) ripristino di qualità o restauro (image restoration) estrazione di informazione (feature detection) Manca in realtà una teoria generale del miglioramento di qualità, dato che non esiste uno standard generale di qualità delle immagini.

2 Terminologia Anche se le trasformazioni di intensità e il filtraggio spaziale abbracciano una vasta gamma di applicazioni, la maggior parte degli esempi che vedremo riguardano il miglioramento dell immagine (enhancement). L enhancement è il processo di manipolazione dell immagine tale che il risultato sia più simile dell originale per una specifica applicazione. L aggettivo specifica è importante perché stabilisce fin dall inizio che le tecniche di miglioramento sono problemi dedicati. Quindi, ad esempio, un metodo valido per il miglioramento di immagini a raggi X potrebbe non essere l approccio migliore per immagini satellitari catturate nella banda ad infrarossi dello spettro elettromagnetico. Terminologia Le tecniche di elaborazione si distinguono in puntuali, locali, globali, sequenziali, parallele. Possono essere applicate: tra domini diversi (trasformate bidimensionali); nello stesso dominio (di particolare interesse il dominio spaziale e quello delle frequenze spaziali); con riduzione dei dati tra ingresso e uscita (per esempio estrazione di informazioni o compressione); (spesso) lineari e spazio-invarianti (convoluzioni bidimensionali)

3 Metodi nel Dominio Spaziale Le elaborazioni nel dominio spaziale possono essere espresse come: g(x,y)= T[f(x,y)] essendo f l immagine di ingresso alla elaborazione, g quella di uscita e T un operatore su f, definito in un intorno di (x,y). La dimensione dell intorno di (x,y) definisce il carattere della elaborazione: puntuale (l intorno coincide con il pixel stesso); locale (per esempio una piccola regione quadrata centrata sul pixel); globale (l intorno coincide con l intera f). Elaborazioni Puntuali Il risultato di una elaborazione puntuale omogenea dipende solo dal valore del pixel cui è applicata, per cui tali elaborazioni vengono anche dette manipolazioni della scala dei grigio dei colori. Se invece il risultato dell elaborazione dipende anche dalla posizione del pixel nell immagine, si parla di elaborazioni puntuali non omogenee. Alcune tipiche elaborazioni puntuali omogenee: Aggiunta o sottrazione di una costante a tutti i pixel (per compensare sotto o sovraesposizioni); Inversione della scala dei grigi (negativo); Espansione del contrasto; Modifica (equalizzazione o specifica) dell'istogramma; Presentazione in falsi colori.

4 Elaborazione Puntuali Omogenee L elaborazione si effettua applicando una specifica operazione a ciascun pixel dell immagine di partenza, e costruendo una nuova immagine in cui ciascun pixel assume un valore che è il risultato della operazione stessa. L elaborazione puntuale omogenea può pertanto essere rappresentata da una trasformazione (o mapping) dei livelli di grigio, del tipo: s = T(r) dove r è la variabile che rappresenta il livello di grigio dell immagine di ingresso alla elaborazione ed s è la variabile che rappresenta il livello di grigio dell immagine di uscita. Contrast Enhancement L immagine di output avrà un contrasto maggiore visto che i valori di grigio più piccoli di m vengono resi più scuri mentre quelli più grandi vengono resi più chiari.

5 In generale quindi utilizzando un grafico come quello mostrato in figura si riescono ad implementare le cosiddette look-up tables (LUT), in grado di implementare operazioni puntuali anche di tipo non banale. Esempio (a) Mammografia digitale (b) Negativo dell immagine ottenuta usando la trasformazione negativa

6 Trasformazione Logaritmica Si tratta di una trasformazione che consente di comprimere la gamma dinamica, permettendo la memorizzazione o la visualizzazione, con una scala dei grigi usuale, di immagini caratterizzate da escursioni di intensità molto ampie. Può essere espressa come: s = c log (1 + r) Si può notare come la trasformazione realizzi l espansione della dinamica per bassi valori di r e la compressione della dinamica per alti valori di r. c è una costante di scala, che va scelta opportunamente per far rientrare i valori trasformati nel range corretto, cioè in [0, L-1]. Trasformazione Logaritmica Supponendo che sia 0 < r < R, si ha 0 < s < c log(1+r). Se R>>1, come normalmente avviene, per esempio, per lo spettro di Fourier di una immagine, si può porre: c log R = L-1, da cui c = (L-1)/log R In tal modo è possibile, per esempio, visualizzare su un dispositivo a 256 livelli di grigio un immagine con una gamma dinamica molto più ampia, anche dell ordine dei milioni, senza che siano visualizzabili solo i valori più alti, come avverrebbe se il mapping tra le due gamme dinamiche fosse lineare.

7 Un Esempio L immagine di sinistra contiene dei valori compresi tra 0 e 1.5x10 6, visualizzata scalando questi valori linearmente nel range [0, 2 8-1]. La variabilità relativa può essere evidenziata applicando, prima dello scaling lineare a 8-bit, una trasformazione logaritmica (in questo caso c=1). Trasformazione di Potenza La trasformazione di potenza, nel caso generale può essere espressa come: s = c r γ dove c eγsono costanti positive. La costante c è scelta di volta in volta in modo da normalizzare i valori di s in [0, 255]. Come vedremo, per valori diγminori di 1 la trasformazione ha effetti analoghi alla trasformazione logaritmica (espansione della dinamica per bassi valori di r, compressione della dinamica per alti valori di r), mentre per valori di γ maggiori di 1 la trasformazione ha esattamente gli effetti opposti.

8 E importante osservare come gli effetti della trasformazione siano facilmente controllabili agendo sul parametro γ, il che consente di adattare la trasformazione stessa (si parla infatti di una famiglia di possibili curve di trasformazione) ad una ampia gamma di situazioni. c = 1 Correzione Gamma I monitor CRT esibiscono tipicamente una caratteristica intensità di emissione-tensione applicata non lineare, ma approssimativamente quadratica (in realtà l esponente varia tra 1.8 e 2.5) Con riferimento alle curve mostrate, questo comportamento tende a rendere l immagine più scura del voluto. Per esempio, su un monitor CRT (conγ= 2.5) si può applicare una correzione, pre-processando l input con la corrispondente funzione inversa: s = r 1/2.5 = r 0.4

9 Correzione Gamma Correzione Gamma Come già accennato la correzione Gamma può anche essere utilizzata, per modificare il contrasto di un immagine. L immagine in alto a sx presenta una chiaro appiattimento della dinamica verso il bianco (si veda il relativo istogramma). A seguire l immagine risultante dall applicazione di una correzione Gamma al variare del parametro γ. γ = 3 γ = 4 γ = 5

10 Bit-planes Un immagine con una profondità colore di N bit può essere rappresentata da N piani di bit (bit-planes), ciascuno dei quali può essere vista come una singola immagine binaria. In particolare si può indurre un ordine che varia dal Most Significant Bit (MSB) fino al Least Significant Bit (LSB). Lena: Bit-planes Most Significant bit (MSB) Least Significant bit (LSB)

11 Ancora Bit-planes Bit-planes

12 Bit-planes: Osservazioni I piani di bit più significativi contengono informazioni sulla struttura dell immagine, mentre quelli via via meno significativi forniscono i dettagli sempre più piccoli. Si noti che solo i piani dal 7 al 3 contengono dati significativi dal punto di vista visuale. Che cosa rappresenta l immagine del piano 7? Quali sono gli intervalli di valori di grigio coperti dagli altri piani? Range Highlights E possibile selezionare solo i toni di grigio all interno di un certo range di valori, attraverso delle LUT dette appunto Range Highlights in grado di agire solo sui toni di grigio all interno di un intervallo [A, B].

13 Bit-planes e LUT Data un immagine I a 256 toni di grigio, realizzare una LUT che evidenzi i toni di grigio individuati dal terzo e dal quinto bit (primo bit = MSB, ottavo bit =LSB) I toni di grigio individuati dal terzo bit sono tutti quelli della forma: x x 1 x x x x x In particolare si può osservare che per il sistema di numerazione posizionale, il terzo bit individua i valori multipli di 2 5 =32, ne segue che i toni di grigio individuati saranno i seguenti intervalli di ampiezza 2 5-1=31, individuati ad intervalli regolari di 2 6 =64 valori: x x x x x 2 5 = 32,, x x x x x = 96,, x x x x x = 160,.., x x x x x = 224,.., 255 Bit-planes e LUT I toni di grigio individuati dal quinto bit sono tutti quelli della forma: x x x x 1 x x x In particolare si può osservare che per il sistema di numerazione posizionale, il terzo bit individua i valori multipli di 2 3 =8, ne segue che i toni di grigio individuati saranno i seguenti intervalli di ampiezza 2 3-1=7, individuati ad intervalli regolari di 2 4 =16 valori: x x x 2 3 = 8,, x x x = 24,.., x x x = 40,.., x x x = 56,.., x x x = 72,.., x x x = 88,.., x x x = 104,, x x x = 120,.., 127

14 Bit-planes e LUT x x x = 136,.., x x x = 152,.., x x x = 168,.., x x x = 184,.., x x x = 200,.., x x x = 216,.., x x x = 232,.., x x x = 248,.., 255 In generale la LUT che evidenzia i toni di grigio dell i-esimo bit (i = 0,., 7) dove i = 0 fa riferimento al LSB, individua i toni di grigio ad intervalli regolari di 2 i+1 valori, a partire da 2 i. L ampiezza di ciascun intervallo è pari a 2 i -1. Individuati gli intervalli costruire la LUT corrispondente è immediato. Bit-planes: LUT

15 MATLAB function bitplanes(imagepath, bit) %Creo il byte da mettere in AND per evidenziare solo un bit mask = pow2(double(7-bit)); mask = uint8(mask); disp('maschera'); dec2bin(mask) im = imread(imagepath); image = rgb2gray(im); a = bitand(mask, image); %Applico la maschera %Trasformo tutti i valori >0 in 1 e poi in 255 b = (a>0) * 255; image = uint8(b); figure; imshow(image); X = uint8([0:1:255]); y = bitand(mask, X); Y = (y>0) *255; figure;plot(x,y,'.');axis([ ]); end; Modifica dell Istogramma L'istogramma (normalizzato) dei livelli di grigio di un'immagine digitale è la funzione discreta nk p( rk ) = per k = 0, 1,..., L-1 MN dove n k è il numero di pixel dell'immagine con livello di grigio r k mentre M ed N denotano le dimensioni orizzontale e verticale (il numero totale di pixel). E' pertanto una stima a posteriori delle probabilità di occorrenza dei livelli di grigio dell'immagine, utile perchè fornisce una descrizione globale della cosiddetta "apparenza" dell'immagine.

16 Modifica dell Istogramma Le informazioni date dall istogramma possono dare un'idea generale della possibilità di miglioramento dell'immagine, soprattutto in termini di manipolazione del contrasto, ma trovano applicazione anche in altre elaborazioni (segmentazione, compressione). Alcuni autori considerano non puntuali ma globali le elaborazioni di questo tipo, in quanto l istogramma rappresenta una descrizione in un certo senso globale delle caratteristiche visuali dell immagine. In senso stretto, però, la manipolazione dell istogramma è una operazione puntuale. Equalizzazione: perche? In generale le componenti di luminanza di un istogramma in immagini ad alto contrasto coprono, quasi l intera gamma di valori ed inoltre la distribuzione dei pixel non è troppo dissimile da una distribuzione uniforme.

17 Equalizzazione: perche? L equalizzazione (o linearizzazione) dell istogramma di una immagine è l elaborazione che idealmente produce una immagine con istogramma piatto, cioè con livelli di grigio uniformemente distribuiti sui pixel (ogni livello di grigio caratterizza lo stesso numero di pixel dell immagine). Prima di procedere con i dettagli del relativo algoritmo è bene rivedere alcuni concetti sulla teoria della probabilità (variabili casuali, probability density function (PDF), cumulative density function (CDF), ecc.). (si veda pagg review_of_probability.zip e pagg review.pdf dal sito del libro di testo). Equalizzazione dell Istogramma In realtà una distribuzione perfettamente uniforme dei livelli di grigio non può essere ottenuta, principalmente a causa della natura discreta delle grandezze trattate. Supponiamo inizialmente che r sia una variabile continua, tale che 0 r L 1; si assuma inoltre che s = T(r) soddisfi le due condizioni: a) T(r) è una funzione monotona non decrescente nell intervallo 0 r L-1 b) 0 Τ(r) L-1 per 0 r L-1 Per garantire l esistenza della trasformazione inversa richiederemo anche la stretta monotonicità. La a) conserva anche l'ordine dei livelli nella scala dei grigi (dal nero al bianco), mentre la condizione b) garantisce una trasformazione consistente con i livelli di grigio permessi (tra 0 e 1).

18 Esempi di T(r) Equalizzazione dell Istogramma La trasformazione inversa è r = T -1 (s) per 0 s 1, e si assume che anche T -1 (s) soddisfi le condizioni a) e b) rispetto a s.se r e s vengono viste come variabili random nell'intervallo [0,1], è possibile caratterizzarle mediante le rispettive densità di probabilità, p r (r) e p s (s). Dalla teoria della probabilità, se p r (r) e T(r) sono note e T -1 (s) soddisfa la condizione a), si ha: p s ( s) = p r ( r) dr ds r= T E' possibile pertanto controllare la distribuzione dei livelli di grigio nell'immagine trasformata adoperando una adeguata funzione di trasformazione. 1 ( s)

19 Equalizzazione dell Istogramma In particolare si consideri la trasformazione costituita dalla funzione di distribuzione cumulativa (CDF) di r: La CDF soddisfa entrambe le condizioni a) e b), in quanto è ad un solo valore e cresce monotonicamente (fra 0 e 1) in funzione di r. Derivando rispetto a r si ottiene (per la regola di Leibniz): e quindi: = = r r L r d p L r T s 0 1 0, ) ( 1) ( ) ( ω ω ) ( 1) ( ) ( 1) ( ) ( 0 r p L d p dr d L dr r dt dr ds r r r = = = ω ω ) ( 1) ( 1 ) ( ) ( ) ( 1 = = = L s L r p L r p s p s T r r r s

20 Equalizzazione dell Istogramma Pertanto la densità di probabilità della variabile trasformata è uniforme nel suo intervallo di definizione, indipendentemente dalla funzione di trasformazione inversa T -1 (s). Questo è importante perché l inversione della T(r) non è, in generale, una operazione analiticamente semplice. Utilizzando come trasformazione la CDF di r si ottiene dunque una immagine con densità di probabilità uniforme dei livelli di grigio, indipendentemente dalla densità di probabilità iniziale. Ne deriva un incremento nella gamma dinamica dei pixel che può avere notevoli effetti sulla"apparenza" dell'immagine. Equalizzazione dell Istogramma Tornando a considerare discrete le variabili random, si prendono in considerazione probabilità e somme al posto di densità di probabilità e integrali. Si ha per la probabilità di occorrenza dei livelli di grigio: nk p( rk ) = per 0 rk 1 e k = 0, 1,..., L-1 MN La funzione da utilizzare per l'equalizzazione dell'istogramma nel caso discreto è la seguente: k k ( L 1) sk = T( rk ) = ( L 1) pr ( rj ) = nj, 0 rk L 1e k = 0, 1,..., L- 1 MN j= 0 j= 0 La trasformazione consiste nel trasformare ogni pixel di livello r k in un pixel di livello s k, attraverso la T(r k ) che si calcola direttamente dall istogramma dell'immagine di partenza.

21 Equalizzazione: un esempio Equalizzazione dell Istogramma Come si può notare, l istogramma della immagine equalizzata non è piatto. D altro canto, l uniformità della p s (s) è stata verificata solo nel caso continuo, e non nel caso discreto. Tuttavia, i livelli di grigio dell immagine equalizzata spaziano su tutta la dinamica possibile (anche se alcuni livelli possono non essere presenti), ed in particolare raggiungono sempre il bianco. Al conseguente incremento del contrasto si possono aggiungere effetti sgradevoli quali lo sgranamento dell immagine, la comparsa di false regioni, ecc., soprattutto quando il contrasto dell immagine originale è molto basso. L apparenza dell immagine può essere migliorata anche con altre tecniche di modifica del contrasto, ma l equalizzazione dell istogramma ha il vantaggio di essere completamente automatica.

22 Equalizzazione: Esempio1 Si consideri la seguente immagine di dimensione 20x20. La prima colonna larga 10 ha colore 0, la seconda colonna larga 5, ha colore 1, la terza colonna larga 3 con colore 3, la quarta colonna larga 2 con colore 4. k r n k /n 0 0 (20*10)/400 = 0,5 1 0,25 (20*5)/400 = 0,25 2 0,5 (20*0)/400 = 0 3 0,75 (20*3)/400 = 0, (20*2)/400 = 0,1 Equalizzazione: Esempio1 Il relativo istogramma è il seguente: 0,6 0,5 0,5 0,4 0,3 0,2 0,1 0 0,25 0,15 0, L operatore T(r) utilizza le frequenze cumulate per definire i valori s k come segue: s 0 =T(r 0 )= 0, r 2 s 1 =T(r 1 )= 0, r 3 s 2 =T(r 2 )= 0, r 3 s 3 =T(r 3 )= 0, r 4 s 4 =T(r 4 )= r 4

23 Equalizzazione: Esempio1 La LUT corrispondente è quindi univocamente determinata: LUT 1 0,75 0,5 0, ,25 0,5 0,75 1 r_ k Equalizzazione: Esempio1 L istogramma finale dell immagine equalizzata avrà la seguente forma: 0,6 0,5 0,5 0,4 0,3 0,25 0,25 0,2 0, L aspetto grafico dell immagine sarà quindi:

24 Equalizzazione: Esempio2 Perché l equalizzazione non produce in realtà un istogramma piatto? Vediamolo con un esempio. Si consideri una semplice immagine con L = 8 livelli di grigio (k = 0, 1,, 7) e la seguente distribuzione di probabilità: Equalizzazione dell Istogramma Applicando la trasformazione si ottengono i seguenti valori: s 0 =T(r 0 )=0,015 s 1 =T(r 1 )=0,115 s 2 =T(r 2 )=0,365 s 3 =T(r 3 )=0,765 s 4 =T(r 4 )=0,965 s 5 =T(r 5 )=1 s 6 =T(r 6 )=1 s 7 =T(r 7 )=1 Che non coincidono con gli r k iniziali. Che fare allora?

25 Equalizzazione dell Istogramma Avendo a disposizione solo 8 valori di grigio, bisogna approssimare i valori s k così ottenuti al valore di grigio possibile più vicino (multipli di 1/7=0.143). Denotando con ss tali valori approssimati si ottiene: Ridistribuendo i pixel sui nuovi livelli, la distribuzione di probabilità dei pixel dell immagine di uscita è la seguente: p s (0) = p s (0.143) = 0.1 p s (0.286) = 0 p s (0.428) = 0.25 p s (0.571) = 0 p s (0.714) = 0.4 p s (0.857) = 0 p s (1) = Equalizzazione dell Istogramma E l approssimazione nel calcolo dei nuovi livelli, dovuta alla natura discreta dei livelli stessi, a causare la non uniformità dell istogramma. Inoltre si può notare che il livello massimo è necessariamente presente, per effetto del meccanismo di trasformazione utilizzata. Qual è l effetto prodotto dalla equalizzazione di una immagine già equalizzata?

26 (1) (2) (3) (4) Histogram Matching Esistono applicazioni per le quali basare il processo di enhancement sulla trasformazione volta ad ottenere un istogramma uniforme non è la migliore soluzione. In particolare è spesso utile, specificare la forma (shape) dell istogramma che si vuole ottenere. Questa tecnica prende il nome di Histogram Matching o Specification.

27 Histogram Matching: un esempio L equalizzazione appiattisce wash-out l immagine di input Histogram Matching: un esempio

28 Contrast Stretching (r 1,s 1 ) = (r min, 0) (r 2,s 2 ) = (r max, L-1) r 1 = r 2 = m s 1 =0, s 2 =L-1 I punti di controllo (r 1,s 1 ) e (r 2,s 2 ) regolano la tipologia di trasformazione da applicare. Se r 1 =s 1 e r 2 =s 2 si ottiene la retta a 45 gradi che lascia tutto inalterato. Se r 1 =r 2, s 1 =0 e s 2 = L-1 si ottiene una funzione di thresholding. Di solito si ha r 1 r 2 e s 1 s 2 per ovvi motivi. Elaborazioni puntuali non omogenee Le operazioni logiche di AND e di OR possono essere utilizzate, in particolare per l estrazione dalla immagine di una parte significativa (ROI Region of Interest) che debba essere successivamente elaborata. Questa operazione, detta anche di masking, può essere condotta come mostrano gli esempi seguenti, ricordando che l operazione logica è effettuata bit per bit, tra pixel nella stessa posizione nelle due immagini.

29 Miglioramento locale L equalizzazione dell istogramma vista in precedenza, non si presta ad un miglioramento dell'immagine relativo a dettagli in piccole aree (piccolo numero di pixel), in quanto essa prevede una trasformazione basata sulla distribuzione dei livelli di grigio nella intera immagine.

30 Miglioramento locale Il piccolo numero di pixel in queste aree può avere infatti influenza trascurabile nella determinazione di una trasformazione globale, che pertanto non garantirà necessariamente il miglioramento locale. E possibile allora utilizzare metodi basati sulla distribuzione dei livelli di grigio (o di altre proprietà dei pixel) in piccole aree dell'immagine. Oltre all istogramma, altre proprietà frequentemente usate in elaborazioni locali di questo tipo sono l'intensità media m, che è una misura della luminosità media dell'intorno considerato, e la varianza σ 2 (o la sua radice quadrata, cioè la deviazione standardσ), che è una misura del contrasto nell'intorno. Miglioramento Locale Con lo stesso significato dei simboli visto in precedenza, il momento centrale n-mo di r (l attributo centrale significa che alla r è stata sottratta la sua media m) è definito come: µ ( r) n = L 1 L 1 n ( ri m) p( ri ) dove m = i= 0 i= 0 r p( r ) i i Si ha, ovviamente, µ 0 = 1 e µ 1 = 0. In particolare, per n = 2, si ha la varianza: 2 σ ( r ) = µ ( r) 2 = L 1 i= 0 ( r 2 i m) p( r i )

31 Miglioramento locale:un esempio Un esempio di elaborazione che fa uso dei valori locali di questi parametri statistici è il seguente: g(x,y)=a(x,y)[f(x,y) m(x,y)]+m(x,y) dove: A(x,y) = k (M/ σ(x,y)), con 0 < k < 1 m(x.y) e σ(x,y) sono rispettivamente la media e la deviazione standard dei livelli di grigio nell'intorno di (x,y), M è la media globale di f(x,y) e k è una costante. La trasformazione così definita viene utilizzata per calcolare il nuovo valore del pixel centrale dell intorno. Poiché A è inversamente proporzionale alla varianza, le aree dell'immagine a minore contrasto vengono a guadagnare di più. La media locale è aggiunta per ripristinare l'intensità media dell'immagine nell'intorno. Tecniche di manipolazione locale del contrasto risultano particolarmente adatte ad immagini in cui alcune parti sono accettabili, altre contengono particolari altrettanto significativi ma meno evidenti.

32 MATLAB histogram function h=imhist(f,bin); P=imhist(f,bin)/numel(f); h1=h(1:10:256); horz=1:10:256; bar(horz,h1); stem(horz,h1, fill ); plot(h); g1=histeq(f,nlev); %Histogram Equalization g2=histeq(f, hspec); %Histogram specification where hspec is a row vector MATLAB: imadjust Imadjust è la funzione MATLAB demandata alle trasformazioni (mapping) dei toni di grigio. La sua sintassi è: g=imadjust(f,[low_in,high_in],[low_out,high_out],gamma)

33 Filtraggio Spaziale L argomento è stato già trattato nel corso di IEM. Un pò di notazione è comunque utile e necessaria per il proseguio. In generale il filtraggio (lineare) di un immagine f con una filter mask m x n è data dall espressione: g ( x, y) µ ( s, t) f ( x + s, y + t) = a s= a t= b dove a = (m-1)/2 e b = (n-1)/2. b Ovviamente questa operazione va ripetuta per x = 0, 1,, M-1 e y = 0, 1,, N-1 dove M, N sono le dimensioni dell immagine f. Filtraggio Spaziale In questo caso: mn R = µ 1 i= i z i dove i µ i sono i coefficienti del filtro e gli z i sono i valori dei pixel dell immagine da filtrare. Il meccanismo qui illustrato è simile al concetto di convoluzione proprio del dominio delle frequenze: da questo deriva il nome assegnato a questi filtri di maschere di convoluzione.

34 N-box Operatori e maschere N-binomiale Sobel x,y Laplaciano Edge Enhancing Shifting Noise Reduction (order-statistics filters) Unsharp Masking Filtraggio in MATLAB:imfilter >I = imread( lena.jpg'); >h = ones(3,3)/9; >I2 = imfilter(i,h); >imshow(i), title( Immagine Originale'); >figure, imshow(i2), title( Immagine Filtrata );

35 MATLAB: Opzioni per imfilter MATLAB: Opzioni per imfilter >Imfilter(I,ones(31), option)

36 Filtraggio in MATLAB: fspecial >I = imread( volto.jpg'); >h=fspecial('gaussian',[5 5],1) >I2 = imfilter(i,h); >imshow(i), title( Immagine Originale') >figure, imshow(i2), title( Immagine Filtrata'); MATLAB: Opzioni per fspecial Nota Bene: Per i filtraggi non lineari si vedano le funzioni nlfilter e colfilt in grado di applicare in stile convoluzione (opzione sliding ) una qualsiasi operazione definita dall utente e la funzione ordfilt2 usata per i cosiddetti order-statistic filters.

Introduzione all elaborazione di immagini Part II

Introduzione all elaborazione di immagini Part II Introduzione all elaborazione di immagini Part II Obiettivi delle tecniche di elaborazione di immagini: miglioramento di qualità (image enhancement) ripristino di qualità o restauro (image restoration)

Dettagli

Capitolo 5 RESTAURO E RICOSTRUZIONE DI IMMAGINI

Capitolo 5 RESTAURO E RICOSTRUZIONE DI IMMAGINI Capitolo 5 RESTAURO E RICOSTRUZIONE DI IMMAGINI La differenza tra il restauro e il miglioramento (enhancement) delle immagini è che il miglioramento è un processo soggettivo, mentre il restauro è un processo

Dettagli

0.6 Filtro di smoothing Gaussiano

0.6 Filtro di smoothing Gaussiano 2 Figura 7: Filtro trapezoidale passa basso. In questo filtro l rappresenta la frequenza di taglio ed l, l rappresenta un intervallo della frequenza con variazione lineare di H, utile ad evitare le brusche

Dettagli

Capitolo 6 ELABORAZIONE DI IMMAGINI A COLORI

Capitolo 6 ELABORAZIONE DI IMMAGINI A COLORI Capitolo 6 ELABORAZIONE DI IMMAGINI A COLORI Il colore viene utilizzato nelle immagini digitali per due motivi principali: è un descrittore che semplifica l identificazione di un oggetto e la sua estrazione

Dettagli

Elaborazioni nel dominio spaziale (1)

Elaborazioni nel dominio spaziale (1) Elaborazione dei Segnali Multimediali a.a. 2009/2010 Elaborazioni nel dominio spaziale (1) L.Verdoliva In questa prima lezione affrontiamo il problema della rappresentazione delle immagini digitali in

Dettagli

Le immagini digitali: introduzione

Le immagini digitali: introduzione Le immagini digitali: introduzione 1 L immagine digitale Un immagine pittorica è compsta da milioni di pigmenti colorati molto piccoli che, messi vicino l uno all altro, danno l impressione dei vari oggetti.

Dettagli

Elaborazione delle Immagini Digitali

Elaborazione delle Immagini Digitali Elaborazione delle Immagini Digitali Parte I Prof. Edoardo Ardizzone A.A. 2-22 La trasformata di Hotelling o di Karhunen-Loeve KLT discreta Questa trasformata detta anche analisi delle componenti principali

Dettagli

Telerilevamento. Esercitazione 1. Esplorare dati EO, image enhancement

Telerilevamento. Esercitazione 1. Esplorare dati EO, image enhancement Telerilevamento Esercitazione 1 Esplorare dati EO, image enhancement Aprire ERDAS IMAGINE. Cliccare sull apposita icona per aprire un immagine SPOT5 acquisita il 10 settembre 2006 sulla area della città

Dettagli

Aritmetica dei Calcolatori 1

Aritmetica dei Calcolatori 1 Architettura degli Elaboratori e Laboratorio 1 Marzo 2013 1 Sistema di numerazione sistema posizionale 2 rappresentazione binaria cambio di base basi potenze di 2 3 Rappresentazione binaria con segno Sistema

Dettagli

Capitolo 9: Elaborazione di Immagini. 9.1 Sistema di acquisizione e trattamento di immagini computerizzate

Capitolo 9: Elaborazione di Immagini. 9.1 Sistema di acquisizione e trattamento di immagini computerizzate Capitolo 9: 9. Sistema di acquisizione e trattamento di immagini computerizzate La figura seguente mostra un diagramma a blocchi dei componenti di base di un tipico sistema per immagini computerizzate,

Dettagli

Lezione 2: Codifica binaria dell informazione. Codifica binaria

Lezione 2: Codifica binaria dell informazione. Codifica binaria Lezione 2: Codifica binaria dell informazione Codifica binaria Elaborazione di dati binari Materiale didattico Lucidi delle lezioni, disponibili al sito: http://wwwinfo.deis.unical.it/~irina Oppure sul

Dettagli

Proprietá dell immagine digitale

Proprietá dell immagine digitale Capitolo 5 Proprietá dell immagine digitale 5.1 Metrica delle immagini 5.1.1 Distanza Euclidea D E Per una immagine digitale, definita come una matrice bidimensionale, rappresenta una misura quantitativa

Dettagli

Elaborazione nel dominio della frequenza Soluzioni

Elaborazione nel dominio della frequenza Soluzioni Elaborazione dei Segnali Multimediali a.a. 2009/2010 Elaborazione nel dominio della frequenza Soluzioni 1 La trasformata discreta 1D Calcoliamo lo spettro di x(n) = R L (n) al variare di L = 2, 10, 20,

Dettagli

L'algebra di Boole falso vero livello logico alto livello logico basso Volts

L'algebra di Boole falso vero livello logico alto livello logico basso Volts L algebra di Boole L'algebra di Boole comprende una serie di regole per eseguire operazioni con variabili logiche. Le variabili logiche possono assumere solo due valori. I due possibili stati che possono

Dettagli

Applicazione della tsvd all elaborazione di immagini

Applicazione della tsvd all elaborazione di immagini Applicazione della tsvd all elaborazione di immagini A cura di: Mauro Franceschelli Simone Secchi Indice pag Introduzione. 1 Problema diretto.. 2 Problema Inverso. 3 Simulazioni.. Introduzione Scopo di

Dettagli

LA NUMERAZIONE BINARIA

LA NUMERAZIONE BINARIA LA NUMERAZIONE BINARIA 5 I SISTEMI DI NUMERAZIONE Fin dalla preistoria l uomo ha avuto la necessità di fare calcoli, utilizzando svariati tipi di dispositivi: manuali (mani, bastoncini, sassi, abaco),

Dettagli

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile Problemi connessi all utilizzo di un numero di bit limitato Abbiamo visto quali sono i vantaggi dell utilizzo della rappresentazione in complemento alla base: corrispondenza biunivoca fra rappresentazione

Dettagli

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Probabilità Probabilità Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Se tutti gli eventi fossero ugualmente possibili, la probabilità p(e)

Dettagli

Elaborazioni nel dominio spaziale (1) Soluzioni

Elaborazioni nel dominio spaziale (1) Soluzioni Elaborazione dei Segnali Multimediali a.a. 2009/2010 Elaborazioni nel dominio spaziale (1) Soluzioni 1 Rappresentazione delle immagini in Matlab 1. Lettura e visualizzazione di un immagine JPEG. function

Dettagli

Elementi di grafica raster

Elementi di grafica raster Elementi di grafica raster Le immagini Una immagine è una rappresentazione spaziale di un oggetto o di una scena Una immagine digitale è una rappresentazione di una scena anche 3D dopo il processo di acquisizione

Dettagli

Capitolo 9: PROPAGAZIONE DEGLI ERRORI

Capitolo 9: PROPAGAZIONE DEGLI ERRORI Capitolo 9: PROPAGAZIOE DEGLI ERRORI 9.1 Propagazione degli errori massimi ella maggior parte dei casi le grandezze fisiche vengono misurate per via indiretta. Il valore della grandezza viene cioè dedotto

Dettagli

Elaborazione nel dominio della frequenza

Elaborazione nel dominio della frequenza Elaborazione dei Segnali Multimediali a.a. 2009/2010 Elaborazione nel dominio della frequenza L.Verdoliva In questa esercitazione esamineremo la trasformata di Fourier discreta monodimensionale e bidimensionale.

Dettagli

Dai dati al modello teorico

Dai dati al modello teorico Dai dati al modello teorico Analisi descrittiva univariata in R 1 Un po di terminologia Popolazione: (insieme dei dispositivi che verranno messi in produzione) finito o infinito sul quale si desidera avere

Dettagli

Immagini binarie. Binarizzazione di immagini a livelli di grigio

Immagini binarie. Binarizzazione di immagini a livelli di grigio Immagini binarie Binarizzazione di immagini a livelli di grigio Immagini binarie In molti casi gli le scene di interesse conducono ad immagini che possono essere considerate binarie, cioè contenenti nel

Dettagli

Operazioni morfologiche

Operazioni morfologiche Elaborazione dei Segnali Multimediali a.a. 2009/2010 Operazioni morfologiche L.Verdoliva Le tecniche di enhancement studiate finora si basano tipicamente su operazioni di tipo lineare, tuttavia spesso

Dettagli

Introduzione all Informatica

Introduzione all Informatica Introduzione all Informatica Lezione 4 Davide Di Ruscio Dipartimento di Informatica Università degli Studi dell Aquila diruscio@di.univaq.it Nota Questi lucidi sono tratti dal materiale distribuito dalla

Dettagli

Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello

Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08 Alberto Perotti, Roberto Garello DELEN-DAUIN Processi casuali Sono modelli probabilistici

Dettagli

ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI. (Visione 3D)

ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI. (Visione 3D) ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI () Calcolo delle corrispondenze Affrontiamo il problema centrale della visione stereo, cioè la ricerca automatica di punti corrispondenti tra immagini Chiamiamo

Dettagli

Morfologia e Image Processing

Morfologia e Image Processing Morfologia e Image Processing Multimedia Prof. Battiato Morfologia Matematica Nell ambito dell image processing il termine morfologia matematica denota lo studio della struttura geometrica dell immagine.

Dettagli

ELEMENTI DI STATISTICA PER IDROLOGIA

ELEMENTI DI STATISTICA PER IDROLOGIA Carlo Gregoretti Corso di Idraulica ed Idrologia Elementi di statist. per Idrolog.-7//4 ELEMETI DI STATISTICA PER IDROLOGIA Introduzione Una variabile si dice casuale quando assume valori che dipendono

Dettagli

Accuratezza di uno strumento

Accuratezza di uno strumento Accuratezza di uno strumento Come abbiamo già accennato la volta scora, il risultato della misurazione di una grandezza fisica, qualsiasi sia lo strumento utilizzato, non è mai un valore numerico X univocamente

Dettagli

A.1 Rappresentazione geometrica dei segnali

A.1 Rappresentazione geometrica dei segnali Appendice A Rappresentazione dei segnali A.1 Rappresentazione geometrica dei segnali Scomporre una generica forma d onda s(t) in somma di opportune funzioni base è operazione assai comune, particolarmente

Dettagli

TRATTAMENTO E COMPRESSIONE DI DATI MULTIMEDIALI (Corso di Laurea in Ingegneria Informatica, SSD: ING-INF/05, CFU:5) Prof.

TRATTAMENTO E COMPRESSIONE DI DATI MULTIMEDIALI (Corso di Laurea in Ingegneria Informatica, SSD: ING-INF/05, CFU:5) Prof. TRATTAMENTO E COMPRESSIONE DI DATI MULTIMEDIALI (Corso di Laurea in Ingegneria Informatica, SSD: ING-INF/05, CFU:5) Prof. Edoardo Ardizzone Il corso si propone di integrare le conoscenze degli allievi

Dettagli

TECNICHE DI COMPRESSIONE DATI

TECNICHE DI COMPRESSIONE DATI TECNICHE DI COMPRESSIONE DATI COMPRESSIONE DATI La compressione produce una rappresentazione più compatta delle informazioni è come se si usassero meno parole per dire la stessa cosa in modo diverso. Esistono

Dettagli

ALGEBRA BOOLEANA FONDAMENTI DI INFORMATICA 1. Algebra di Boole. Definizione NOT, AND, OR

ALGEBRA BOOLEANA FONDAMENTI DI INFORMATICA 1. Algebra di Boole. Definizione NOT, AND, OR Università degli Studi di Cagliari Corso di Laurea in Ingegneria Biomedica, Chimica, Elettrica e Meccanica FONDAMENTI DI INFORMATICA 1 http://www.diee.unica.it/~marcialis/fi1 A.A. 2010/2011 Docente: Gian

Dettagli

Analisi statistica degli errori

Analisi statistica degli errori Analisi statistica degli errori I valori numerici di misure ripetute risultano ogni volta diversi l operazione di misura può essere considerata un evento casuale a cui è associata una variabile casuale

Dettagli

Miglioramento dell analisi di immagine in GRASS tramite segmentazione

Miglioramento dell analisi di immagine in GRASS tramite segmentazione Segmentazione in GRASS Miglioramento dell analisi di immagine in GRASS tramite segmentazione Alfonso Vitti e Paolo Zatelli Dipartimento di Ingegneria Civile ed Ambientale Università di Trento Italy FOSS4G-it

Dettagli

L informazione grafica. Le immagini digitali. Esempi. Due grandi categorie. Introduzione

L informazione grafica. Le immagini digitali. Esempi. Due grandi categorie. Introduzione 1 2 L informazione grafica Le immagini digitali grafica a caratteri grafica vettoriale Introduzione grafica raster 3 4 Due grandi categorie Esempi Immagini reali: acquisite da una scena reale mediante

Dettagli

Il concetto di valore medio in generale

Il concetto di valore medio in generale Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo

Dettagli

Scheda n.5: variabili aleatorie e valori medi

Scheda n.5: variabili aleatorie e valori medi Scheda n.5: variabili aleatorie e valori medi October 26, 2008 1 Variabili aleatorie Per la definizione rigorosa di variabile aleatoria rimandiamo ai testi di probabilità; essa è non del tutto immediata

Dettagli

Cenno sui metodi Monte Carlo

Cenno sui metodi Monte Carlo Cenno sui metodi Monte Carlo I metodi probabilistici hanno una lunga storia ma solo dopo il 1944 è iniziato un loro studio sistematico che ha portato a notevoli sviluppi. Attualmente è stato valutato che

Dettagli

Corso di Analisi Matematica. Funzioni reali di variabile reale

Corso di Analisi Matematica. Funzioni reali di variabile reale a.a. 2011/12 Laurea triennale in Informatica Corso di Analisi Matematica Funzioni reali di variabile reale Avvertenza Questi sono appunti informali delle lezioni, che vengono resi disponibili per comodità

Dettagli

CAPITOLO SECONDO ANALISI DELLE SERIE STORICHE 1. INTRODUZIONE ALLE SERIE STORICHE

CAPITOLO SECONDO ANALISI DELLE SERIE STORICHE 1. INTRODUZIONE ALLE SERIE STORICHE CAPITOLO SECONDO ANALISI DELLE SERIE STORICHE SOMMARIO: 1. Introduzione alle serie storiche. -. Analisi classica delle serie storiche. - 3. Analisi moderna delle serie storiche. 4. Procedura TRAMO-SEATS

Dettagli

Capitolo 2. Un introduzione all analisi dinamica dei sistemi

Capitolo 2. Un introduzione all analisi dinamica dei sistemi Capitolo 2 Un introduzione all analisi dinamica dei sistemi Obiettivo: presentare una modellistica di applicazione generale per l analisi delle caratteristiche dinamiche di sistemi, nota come system dynamics,

Dettagli

La distribuzione Normale. La distribuzione Normale

La distribuzione Normale. La distribuzione Normale La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una

Dettagli

(accuratezza) ovvero (esattezza)

(accuratezza) ovvero (esattezza) Capitolo n 2 2.1 - Misure ed errori In un analisi chimica si misurano dei valori chimico-fisici di svariate grandezze; tuttavia ogni misura comporta sempre una incertezza, dovuta alla presenza non eliminabile

Dettagli

0. Piano cartesiano 1

0. Piano cartesiano 1 0. Piano cartesiano Per piano cartesiano si intende un piano dotato di due assi (che per ragioni pratiche possiamo scegliere ortogonali). Il punto in comune ai due assi è detto origine, e funziona da origine

Dettagli

La codifica delle immagini

La codifica delle immagini Lettere e numeri non costituiscono le uniche informazioni utilizzate dagli elaboratori ma si stanno diffondendo sempre di più applicazioni che utilizzano ed elaborano anche altri tipi di informazione:

Dettagli

Elementi di Statistica

Elementi di Statistica Elementi di Statistica Contenuti Contenuti di Statistica nel corso di Data Base Elementi di statistica descrittiva: media, moda, mediana, indici di dispersione Introduzione alle variabili casuali e alle

Dettagli

Analisi 2. Argomenti. Raffaele D. Facendola

Analisi 2. Argomenti. Raffaele D. Facendola Analisi 2 Argomenti Successioni di funzioni Definizione Convergenza puntuale Proprietà della convergenza puntuale Convergenza uniforme Continuità e limitatezza Teorema della continuità del limite Teorema

Dettagli

Rappresentazione delle immagini

Rappresentazione delle immagini Elaborazione di Segnali Multimediali a.a. 2013/2014 Rappresentazione delle immagini L.Verdoliva In questa prima lezione vedremo come si rappresentano diversi tipi immagini digitali in Matlab. 1 Immagini

Dettagli

UNIVERSITÀ DEGLI STUDI DI FERRARA

UNIVERSITÀ DEGLI STUDI DI FERRARA UNIVERSITÀ DEGLI STUDI DI FERRARA Anno Accademico 2012/2013 REGISTRO DELL ATTIVITÀ DIDATTICA Docente: ANDREOTTI MIRCO Titolo del corso: MATEMATICA ED ELEMENTI DI STATISTICA Corso: CORSO UFFICIALE Corso

Dettagli

Elementi di Informatica e Programmazione

Elementi di Informatica e Programmazione Elementi di Informatica e Programmazione La Codifica dell informazione (parte 4) Corsi di Laurea in: Ingegneria Civile Ingegneria per l Ambiente e il Territorio Università degli Studi di Brescia Docente:

Dettagli

Fondamenti di Informatica 2. Codifica delle immagini

Fondamenti di Informatica 2. Codifica delle immagini Corso di per il corso di Laurea di Ingegneria Gestionale Codifica delle immagini Università degli Studi di Udine - A.A. 2010-2011 Docente Ing. Sandro Di Giusto Ph.D. 1 Scalare vs Vettoriale Per codificare

Dettagli

Revisione dei concetti fondamentali

Revisione dei concetti fondamentali Revisione dei concetti fondamentali dell analisi in frequenza Argomenti: trasformazione in frequenza: significato e funzionamento; schemi di rappresentazione; trasformata discreta. 1 Rappresentazione dei

Dettagli

Esercitazioni 2013/14

Esercitazioni 2013/14 Esercitazioni 2013/14 Esercizio 1 Due ditte V e W partecipano ad una gara di appalto per la costruzione di un tratto di autostrada che viene assegnato a seconda del prezzo. L offerta fatta dalla ditta

Dettagli

Corso di Visione Artificiale. Matlab per Visione. Samuel Rota Bulò

Corso di Visione Artificiale. Matlab per Visione. Samuel Rota Bulò Corso di Visione Artificiale Matlab per Visione Samuel Rota Bulò Cos'è Matlab? MATLAB MATLAB - - MATrix MATrix LABoratory LABoratory Ambiente Ambiente di di sviluppo sviluppo ed ed esecuzione esecuzione

Dettagli

LA CODIFICA DELLE IMMAGINI

LA CODIFICA DELLE IMMAGINI asdf LA CODIFICA DELLE IMMAGINI 3 March 2012 Premessa L'articolo che segue vuole essere, senza alcuna pretesa di rigore scientifico e di precisione assoluta, in quanto non ne possiedo le competenze, una

Dettagli

-3-2 -1 0 1 2 3. Time. white noise Questo processo viene utilizzato spesso per descrivere un disturbo casuale.

-3-2 -1 0 1 2 3. Time. white noise Questo processo viene utilizzato spesso per descrivere un disturbo casuale. Lezione 7 Processi stocastici Scopo di questa lezione è presentare: il concetto generale di processo stocastico (tempo discreto e tempo continuo) random walk, white noise, dinamiche discrete il moto browniano

Dettagli

Codifica binaria dei numeri

Codifica binaria dei numeri Codifica binaria dei numeri Caso più semplice: in modo posizionale (spesso detto codifica binaria tout court) Esempio con numero naturale: con 8 bit 39 = Codifica in virgola fissa dei numeri float: si

Dettagli

Lezione 4. Enea Cippitelli e.cippitelli@univpm.it Samuele Gasparrini s.gasparrini@univpm.it

Lezione 4. Enea Cippitelli e.cippitelli@univpm.it Samuele Gasparrini s.gasparrini@univpm.it Corso di Tecnologie per le Telecomunicazioni Utilizzo del sensore Kinect in ambiente Matlab Lezione 4 Enea Cippitelli e.cippitelli@univpm.it Samuele Gasparrini s.gasparrini@univpm.it 1 Outline Skeletal

Dettagli

L A B O R A T O R I O D I I N F O R M A T I C A M U S I C A L E

L A B O R A T O R I O D I I N F O R M A T I C A M U S I C A L E L A B O R A T O R I O D I I N F O R M A T I C A M U S I C A L E MODULO 1: MANIPOLAZI ONE DEL SEGNALE AUDI O G.PRESTI - 12/03/2015 - LE ZI ON E 2 1. CONVERSIONE DA ANALOGICO A DIGITALE Convertire un segnale

Dettagli

Esercizio 1. Nella Tabella A sono riportati i tempi di percorrenza, in minuti, di un tratto autostradale da parte di 40 autoveicoli.

Esercizio 1. Nella Tabella A sono riportati i tempi di percorrenza, in minuti, di un tratto autostradale da parte di 40 autoveicoli. Esercizio 1 Nella Tabella A sono riportati i tempi di percorrenza, in minuti, di un tratto autostradale da parte di 40 autoveicoli. Tabella A 138 150 144 149 164 132 125 157 161 135 150 145 145 142 156

Dettagli

Rappresentazione binaria

Rappresentazione binaria Fondamenti di Informatica per la Sicurezza a.a. 2008/09 Rappresentazione binaria Stefano Ferrari UNIVERSITÀ DEGLI STUDI DI MILANO DIPARTIMENTO DI TECNOLOGIE DELL INFORMAZIONE Stefano Ferrari Università

Dettagli

Cenni di statistica descrittiva

Cenni di statistica descrittiva Cenni di statistica descrittiva La statistica descrittiva è la disciplina nella quale si studiano le metodologie di cui si serve uno sperimentatore per raccogliere, rappresentare ed elaborare dei dati

Dettagli

Indice. 1 Rappresentazione dei dati... 3

Indice. 1 Rappresentazione dei dati... 3 INSEGNAMENTO DI INFORMATICA DI BASE LEZIONE II CODIFICA DELL'INFORMAZIONE PROF. GIOVANNI ACAMPORA Indice 1 Rappresentazione dei dati... 3 1.1. Rappresentazione dei numeri... 3 1.1.1 Rappresentazione del

Dettagli

Immagini digitali Appunti per la classe 3 R a cura del prof. ing. Mario Catalano

Immagini digitali Appunti per la classe 3 R a cura del prof. ing. Mario Catalano Immagini digitali LA CODIFICA DELLE IMMAGINI Anche le immagini possono essere memorizzate in forma numerica (digitale) suddividendole in milioni di punti, per ognuno dei quali si definisce il colore in

Dettagli

Indici di dispersione

Indici di dispersione Indici di dispersione 1 Supponiamo di disporre di un insieme di misure e di cercare un solo valore che, meglio di ciascun altro, sia in grado di catturare le caratteristiche della distribuzione nel suo

Dettagli

VARIABILI ALEATORIE CONTINUE

VARIABILI ALEATORIE CONTINUE VARIABILI ALEATORIE CONTINUE Se X è una variabile aleatoria continua, la probabilità che X assuma un certo valore x fissato è in generale zero, quindi non ha senso definire una distribuzione di probabilità

Dettagli

Rappresentazione e Memorizzazione dei Dati

Rappresentazione e Memorizzazione dei Dati Rappresentazione e Memorizzazione dei Dati Giuseppe Nicosia CdL in Matematica (Laurea Triennale) Facoltà di Scienze MM.FF.NN. Università di Catania Bit e loro Memorizzazione Definizioni Algoritmo: una

Dettagli

Componenti multimediali per il Web. Modulo 14

Componenti multimediali per il Web. Modulo 14 Componenti multimediali per il Web Modulo 14 Obiettivi Valutare e usare strumenti di utilità e produzione grafica anche animata per inserire e modificare componenti multimediali (immagini, immagini animate,

Dettagli

Deviazione standard delle misure : dove è la varianza e sono gli scarti quadratici

Deviazione standard delle misure : dove è la varianza e sono gli scarti quadratici ELEMENTI DI PROBABILITA Media : migliore stima del valore vero in assenza di altre info. Aumentare il numero di misure permette di approssimare meglio il valor medio e quindi ridurre l influenza degli

Dettagli

Valori caratteristici di distribuzioni

Valori caratteristici di distribuzioni Capitolo 3 Valori caratteristici di distribuzioni 3. Valori attesi di variabili e vettori aleatori In molti casi è possibile descrivere adeguatamente una distribuzione di probabilità con pochi valori di

Dettagli

UNIVERSITÀ DEGLI STUDI DI TRIESTE

UNIVERSITÀ DEGLI STUDI DI TRIESTE UNIVERSITÀ DEGLI STUDI DI TRIESTE Corso di Elaborazione Elettronica di Immagini IL COLORE PARTE 2 Gabriele Guarnieri Sommario Spazi colore percettivamente uniformi 1 Spazi colore percettivamente uniformi:

Dettagli

Revisione dei concetti fondamentali dell analisi in frequenza

Revisione dei concetti fondamentali dell analisi in frequenza Revisione dei concetti fondamentali dell analisi in frequenza rgomenti: trasformazione in frequenza: significato e funzionamento; schemi di rappresentazione; trasformata discreta. 1 Rappresentazione dei

Dettagli

Capitolo 12 - Individuazione di Forme 1. Template Matching

Capitolo 12 - Individuazione di Forme 1. Template Matching Capitolo - Individuazione di Forme Template Matching Molte applicazioni di visione richiedono di localizzare nell immagine correntemente analizzata una o più istanze di una particolare sotto-immagine di

Dettagli

Miglioramento dell immagine

Miglioramento dell immagine UNIVERSITA DEGLI STUDI DI PADOVA DIPARTIMENTO DI MEDICINA E CHIRURGIA (DIMED) CORSO DI LAUREA IN TECNICHE SANITARIE DI RADIOLOGIA MEDICA PER IMMAGINI E RADIOTERAPIA Direttore : Prof. D. Miotto ELABORAZIONE

Dettagli

Un po di statistica. Christian Ferrari. Laboratorio di Matematica

Un po di statistica. Christian Ferrari. Laboratorio di Matematica Un po di statistica Christian Ferrari Laboratorio di Matematica 1 Introduzione La statistica è una parte della matematica applicata che si occupa della raccolta, dell analisi e dell interpretazione di

Dettagli

Codifica dell informazione

Codifica dell informazione Codifica dell informazione Il calcolatore memorizza ed elabora vari tipi di informazioni Numeri, testi, immagini, suoni Occorre rappresentare tale informazione in formato facilmente manipolabile dall elaboratore

Dettagli

Rappresentazione dei numeri in un calcolatore

Rappresentazione dei numeri in un calcolatore Corso di Calcolatori Elettronici I A.A. 2010-2011 Rappresentazione dei numeri in un calcolatore Lezione 2 Università degli Studi di Napoli Federico II Facoltà di Ingegneria Rappresentazione dei numeri

Dettagli

Sistema dinamico a tempo continuo

Sistema dinamico a tempo continuo Sistema dinamico a tempo continuo Un sistema è un modello matematico di un fenomeno fisico: esso comprende le cause e gli effetti relativi al fenomeno, nonché la relazione matematica che li lega. X INGRESSO

Dettagli

Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B

Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B Laurea in Ingegneria Meccatronica A.A. 2010 2011 n-dimensionali Riepilogo. Gli esiti di un esperimento aleatorio

Dettagli

RDefinizione (Funzione) . y. . x CAPITOLO 2

RDefinizione (Funzione) . y. . x CAPITOLO 2 CAPITOLO 2 Funzioni reali di variabile reale Nel capitolo precedente è stata introdotta la nozione generale di funzione f : A B, con A e B insiemi arbitrari. Nel presente capitolo si analizzeranno più

Dettagli

La Visione Artificiale. La vis ione delle macchine La vis ione umana Acquis izione di immag ine

La Visione Artificiale. La vis ione delle macchine La vis ione umana Acquis izione di immag ine La Visione Artificiale La vis ione delle macchine La vis ione umana Acquis izione di immag ine Copyright Alcune slide sono tratte dal testo: Digital Image Processing Materiale didattico relativo si trova

Dettagli

ELABORAZIONE DELLE IMMAGINI. Sebastiano Battiato battiato@dmi.unict.it

ELABORAZIONE DELLE IMMAGINI. Sebastiano Battiato battiato@dmi.unict.it ELABORAZIONE DELLE IMMAGINI Sebastiano Battiato battiato@dmi.unict.it 1 Le immagini Digitali Un immagine è una funzione 2D f(x.y) che rappresenta una misura opportuna di una o più caratteristiche (luminosità,

Dettagli

Dispense del corso di Elaborazione di Immagini e Audio Digitali

Dispense del corso di Elaborazione di Immagini e Audio Digitali http://imagelab.ing.unimo.iting it Dispense del corso di Elaborazione di Immagini e Audio Digitali Video Processing Prof. Roberto Vezzani Dall immagine al video Un video può essere visto innanzitutto come

Dettagli

DERIVATE DELLE FUNZIONI. esercizi proposti dal Prof. Gianluigi Trivia

DERIVATE DELLE FUNZIONI. esercizi proposti dal Prof. Gianluigi Trivia DERIVATE DELLE FUNZIONI esercizi proposti dal Prof. Gianluigi Trivia Incremento della variabile indipendente e della funzione. Se, sono due valori della variabile indipendente, y f ) e y f ) le corrispondenti

Dettagli

PDF created with pdffactory trial version www.pdffactory.com

PDF created with pdffactory trial version www.pdffactory.com Codifica di immagini Codifica di immagini o Un immagine è un insieme continuo di informazioni A differenza delle cifre e dei caratteri alfanumerici, per le immagini non esiste un'unità minima di riferimento

Dettagli

Cos è una funzione? (x,y) Є f o y=f(x)

Cos è una funzione? (x,y) Є f o y=f(x) Cos è una funzione? Dati gli insiemi X e Y non vuoti, si chiama funzione da in una relazione f tale che per ogni x Є X esiste uno ed un solo elemento y Є Y tale che (x,y) Є f. Data la funzione f:x->r,

Dettagli

Introduzione alle variabili aleatorie discrete e continue notevoli Lezione 22.01.09 (ore 11.00-13.00, 14.00-16.00)

Introduzione alle variabili aleatorie discrete e continue notevoli Lezione 22.01.09 (ore 11.00-13.00, 14.00-16.00) Introduzione alle variabili aleatorie discrete e continue notevoli Lezione 22.01.09 (ore 11.00-13.00, 14.00-16.00) Richiami di matematica pag. 2 Definizione (moderatamente) formale di variabile aleatoria

Dettagli

Dispense di Matematica Analisi Matematica. Riccarda Rossi

Dispense di Matematica Analisi Matematica. Riccarda Rossi Dispense di Matematica Analisi Matematica Riccarda Rossi Corso di Laurea in Disegno Industriale Università degli Studi di Brescia Anno Accademico 2009/2010 2 Capitolo 1 Nozioni preliminari 4 Riccarda Rossi

Dettagli

Introduzione all Analisi dei Segnali

Introduzione all Analisi dei Segnali Tecniche innovative per l identificazione delle caratteristiche dinamiche delle strutture e del danno Introduzione all Analisi dei Segnali Prof. Ing. Felice Carlo PONZO - Ing. Rocco DITOMMASO Scuola di

Dettagli

Statistica descrittiva: prime informazioni dai dati sperimentali

Statistica descrittiva: prime informazioni dai dati sperimentali SECONDO APPUNTAMENTO CON LA SPERIMENTAZIONE IN AGRICOLTURA Statistica descrittiva: prime informazioni dai dati sperimentali La statistica descrittiva rappresenta la base di partenza per le applicazioni

Dettagli

Codifica delle Informazioni

Codifica delle Informazioni Codifica delle Informazioni Luca Bortolussi Dipartimento di Matematica e Informatica Università degli studi di Trieste Panoramica Le informazioni gestite dai sistemi di elaborazione devono essere codificate

Dettagli

CLASSI PRIME tecnico 4 ORE

CLASSI PRIME tecnico 4 ORE PIANO ANNUALE a.s. 2012/2013 CLASSI PRIME tecnico 4 ORE Settembre Ottobre Novembre dicembre dicembre gennaio- 15 aprile 15 aprile 15 maggio Somministrazione di test di ingresso. Insiemi numerici Operazioni

Dettagli

SciPy. Programmazione Orientata agli Oggetti e Scripting in Python

SciPy. Programmazione Orientata agli Oggetti e Scripting in Python SciPy Programmazione Orientata agli Oggetti e Scripting in Python SciPy: Informazioni di Base Libreria di algoritmi e strumenti matematici Fornisce: moduli per l'ottimizzazione, per l'algebra lineare,

Dettagli

Introduzione alla Teoria degli Errori

Introduzione alla Teoria degli Errori Introduzione alla Teoria degli Errori 1 Gli errori di misura sono inevitabili Una misura non ha significato se non viene accompagnata da una ragionevole stima dell errore ( Una scienza si dice esatta non

Dettagli

1 La Matrice dei dati

1 La Matrice dei dati Dispense sull uso di Excel Daniela Marella 1 La Matrice dei dati Un questionario è costituito da un insieme di domande raccolte su un determinato supporto (cartaceo o elettronico) e somministrate alla

Dettagli

I punteggi zeta e la distribuzione normale

I punteggi zeta e la distribuzione normale QUINTA UNITA I punteggi zeta e la distribuzione normale I punteggi ottenuti attraverso una misurazione risultano di difficile interpretazione se presi in stessi. Affinché acquistino significato è necessario

Dettagli

CORSO DI MISURE ANALISI DEI SEGNALI NEL DOMINIO DEL TEMPO

CORSO DI MISURE ANALISI DEI SEGNALI NEL DOMINIO DEL TEMPO CORSO DI MISURE ANALISI DEI SEGNALI NEL DOMINIO DEL EMPO ing Emanuele Zappa SEGNALI: grandezze di base nel dominio del tempo: Ampiezza picco-picco (pk.pk) Ampiezza massima positiva empo Ampiezza massima

Dettagli