SEGMENTAZIONE DI IMMAGINI. Elaborazione dei Segnali Multimediali Raffaele Gaetano 06 Maggio 2014
|
|
- Emma Pini
- 4 anni fa
- Visualizzazioni
Transcript
1 SEGMENTAZIONE DI IMMAGINI Elaborazione dei Segnali Multimediali Raffaele Gaetano 06 Maggio 2014
2 DEFINIZIONE La segmentazione è un processo di basso livello utile a molte applicazioni basate sull elaborazione delle immagini. Effettua un partizionamento dell immagine identificandone le regioni (oggetti) costituenti, sulla base di criteri specifici per ogni applicazione.
3 RAPPRESENTAZIONE Mappa di etichette Gli elementi della mappa sono in corrispondenza univoca con i pixel dell immagine e ne identificano un segmento (regione) di appartenenza.
4 RAPPRESENTAZIONE Mappa di contorni Gli elementi non nulli della mappa identificano il contorno tra le varie regioni di interesse.
5 DEFINIZIONE Una segmentazione tipicamente gode di quattro proprietà fondamentali: Nessun pixel è condiviso tra due o più regioni. Tutti i pixel dell immagine sono associati ad una regione. Tutte le regioni sono omogenee (rispetto a criteri specifici per ogni applicazione). Due regioni diverse non sono «omogenee».
6 POSSIBILI APPLICAZIONI Tecniche di codifica ad oggetti (Region-based Image Coding) Shape-Adaptive Wavelet KLT adattativa Image Analysis Analisi di immagini telerilevate (classificazione dei terreni, monitoraggio ambientale, ) Analisi di immagini medicali (telemedicina, ) Content-based Image Retrieval Riconoscimento dei contenuti delle immagini (data-mining) Archiviazione intelligente Computer Vision
7 DEFINIZIONE Data l eterogeneità delle possibili applicazioni, è evidente che non possa esistere una tecnica di segmentazione che sia universalmente buona. Esistono però concetti di base del trattamento di immagini che sono comuni a molte tecniche di segmentazione. Nel caso generale, si fa riferimento a due proprietà fondamentali delle immagini: discontinuità e similarità.
8 TECNICHE DI BASE EDGE-BASED Si basano sull idea che tra diverse regioni d interesse si riscontrano rapidi cambiamenti nei valori di intensità/colore. Lo scopo dunque è il rilevamento (e la classificazione ) delle discontinuità (edges) dell immagine (livelli di grigio). Il prodotto della segmentazione sarà chiaramente una mappa di contorni.
9 TECNICHE DI BASE EDGE-BASED (esempio)
10 RILEVAMENTO DELLE DISCONTINUITA Un modo semplice ed efficace per rilevare le discontinuità prevede un approccio locale. Una maschera (finestra) opportunamente progettata è fatta scorrere sull immagine. La sua risposta in ogni blocco è memorizzata in una nuova immagine. w 1 w 2 w 3 9 w 4 w 5 w 6 R = i= 1 w 7 w 8 w 9 w i x i
11 ALCUNI ESEMPI: POINT DETECTION (1) Un punto isolato è un punto il cui valore di intensità è sensibilmente diverso da quello del suo vicinato. Può essere rilevato utilizzando una maschera e seguita da una sogliatura della risposta: R > T p
12 ALCUNI ESEMPI: POINT DETECTION (2)
13 ALCUNI ESEMPI: LINE DETECTION (1) Una linea è un insieme di punti contigui i cui valori di intensità sono simili tra loro e diversi da quelli dei pixel di sfondo. Necessario definire più maschere per catturare linee al variare della loro direzione:
14 ALCUNI ESEMPI: LINE DETECTION (2) 4 risposte per ogni punto. Un punto è individuato come possibile linea nella direzione della maschera i esima se: R i > R j j i
15 EDGE DETECTION Edge Detection rappresenta l approccio più comune per il rilevamento delle discontinuità significative in immagini a livelli di grigio Basato sul modello di edge a rampa. Gran parte delle tecniche di edge detection utilizza soprattutto le derivate prima e seconda dell immagine
16 GRADIENTE DI UN IMMAGINE Le derivate di una immagine si ottengono in generale attraverso un approssimazione dell operatore gradiente bidimensionale: In edge detection se ne utilizzano in particolare due quantità derivate, l intensità e l orientazione: = = y I x I I I I y x 2 2 I x I y I + = ( ) = x y I I I arctan α
17 OPERATORI GRADIENTE PER IMMAGINI DIGITALI Utilizzando apposite maschere, è possibile stimare le quantità I x e I y in corrispondenza di ciascun pixel. Diverse approssimazioni possibili: Roberts cross-gradient operators (2x2) Prewitt operators (3x3) Sobel operators (3x3)
18 OPERATORI GRADIENTE PER IMMAGINI DIGITALI - ROBERTS x 1 x 2 x 3 Roberts cross-gradient operators: x 4 x 5 x 6 x 7 x 8 x 9 I x = I y = x 8 x6 x 9 x 5 Si implementa dunque tramite maschere 2x2: Implementazione non immediata per l assenza di un centro proprio nella maschera.
19 OPERATORI GRADIENTE PER IMMAGINI DIGITALI - PREWITT x 1 x 2 x 3 x 4 x 5 x 6 x 7 x 8 x 9 Prewitt operators: I x = ( x7 + x8 + x9) ( x1 + x2 + x3) I y = ( x3 + x6 + x9) ( x1 + x4 + x7 ) Implementazione tramite maschere 3x3:
20 OPERATORI GRADIENTE PER IMMAGINI DIGITALI - SOBEL x 1 x 2 x 3 x 4 x 5 x 6 x 7 x 8 x 9 Sobel operators: I x = ( x7 + 2x8 + x9 ) ( x1 + 2x2 + x3) I y = ( x3 + 2x6 + x9) ( x1 + 2x4 + x7 ) Implementazione tramite maschere 3x3: Combinano l azione di derivazione in una direzione (Prewitt) con un azione di smoothing nella direzione ortogonale.
21 EDGE DETECTION TECNICHE BASATE SU DERIVATA PRIMA Nei casi più semplici, articolate in 3 fasi: Smoothing (l operazione di derivazione è tipicamente piuttosto sensibile al rumore): Ad es. ~ I = Derivazione (nel caso del gradiente di Sobel l azione di smoothing è inclusa in questa fase): Thresholding: I G σ nel caso di filtraggio Gaussiano ~ ~ 2 ~ 2 I = I x + I y ( ~ ) I M = > T e
22 EDGE DETECTION TECNICHE BASATE SU DERIVATA PRIMA
23 DERIVATA SECONDA DI UN IMMAGINE LAPLACIANO x 1 x 2 x 3 x 4 x 5 x 6 x 7 x 8 x 9 2 Laplacian operator: 2 2 I I I = + 4x5 ( x2 + x4 + x6 + x8) 2 2 x y Implementazione tramite maschere 3x3: Una approssimazione alternativa considera anche i vicini nelle direzioni diagonali :
24 EDGE DETECTION TECNICHE BASATE SU DERIV. SECONDA Si basano sulla proprietà di zero-crossing della derivata seconda in corrispondenza degli edge. Producono contorni fini, cioè dello spessore di un pixel. Hanno diversi aspetti negativi: Sensibilità al rumore Implementazione non banale del calcolo dei zero-crossing
25 EDGE DETECTION OPERATORE LoG Una semplice tecnica di edge detection basata sul Laplaciano può essere articolata in 4 fasi: smoothing, calcolo della derivata seconda, thresholdinge calcolo dei zero-crossing. Un operatore, noto come Laplacian of a Gaussian (LoG), realizza le prime due fasi con un unica operazione di filtraggio: h r 2 2σ ( r) = e 2 h r r σ 2σ ( r) = e 4 con σ 2 2 r = x y
26 EDGE DETECTION CALCOLO DEI ZERO-CROSSING Una volta calcolato il laplaciano dell immagine, bisogna rilevarne i passaggi per zero Una soluzione semplice è quella di effettuare una sogliatura (thresholding): I th = 0 1 se se 2 I <= 0 I > 0 2 I passaggi per zero corrisponderanno dunque alle transizioni tra 0 e 1 sull immagine I th
27 EDGE DETECTION TECNICHE BASATE SU DERIV. SECONDA Immagine Sorgente LoG Thresholded LoG Mappa dei Contorni
28 EDGE DETECTION OPERAZIONI DI POST-PROCESSING La maggior parte delle tecniche di edge detection non garantiscono una segmentazione consistente. Con alcune di esse, i contorni rilevati sono spessi procedure di assottigliamento (thinning). Disturbi quali il rumore, le variazioni di illuminazione ed altri fenomeni causano il rilevamento di contorni incompleti procedure di Edge Linking. Regioni dell immagine possono essere rilevate solo se i contorni si chiudono su se stessi.
29 CANNY EDGE DETECTOR/LINKER Edge detector basato sulla derivata prima (Roberts). Prevede l assottigliamento (thinning) dei contorni direttamente sull immagine gradiente, attraverso una procedura chiamata Nonmaxima Suppression. Utilizza una strategia di thresholding basata su due soglie, nota come Hysteresis Thresholding.
30 CANNY EDGE DETECTOR/LINKER NONMAXIMA SUPPRESSION A partire dal gradiente dell immagine, vengono annullati (soppressi) tutti i valori dei pixel che non sono più elevati dei due vicini nella direzione del gradiente.
31 CANNY EDGE DETECTOR/LINKER HYSTERESIS THRESHOLDING Basato su una doppia soglia: A partire da ogni pixel al di sopra della soglia alta, T high,il relativo contorno viene seguito, finchè i pixel hanno un valore superiore alla sogli bassa, T low.
32 TECNICHE DI BASE REGION-BASED Si basano sulla progressiva aggregazione di pixel in regioni connesse. Tale aggregazione avviene sulla base di uno o più criteri di similarità. Il prodotto della segmentazione sarà stavolta una mappa di etichette.
33 REGION GROWING (1) Proposto da Haralick, fa uso di descrittori statistici. I pixel dell immagine sono progressivamente raggruppati fino a quando media e varianza della regione ottenuta restano stabili. Sia R una regione di NR pixel: X R = 1 N R ( x, y) R I( x, y) S 2 R = ( I( x, y) X R ( x, y) R ) 2 media scatter
34 REGION GROWING (2) Partendo da un punto qualsiasi dell immagine vengono aggregati tutti i pixel del suo vicinato per i quali la statistica: Le statistiche della regione vengono aggiornate: La procedura è ripetuta per ogni punto aggiunto. h R R R R T S X x N N N T < + = 2 1/ 2 ) 2 / ( 1 1) ( 1) ) /( ( + + = R R R R N x X N X ) ( ) ( old R R R R R R X X N X x S S + + =
35 WATERSHED TRANSFORM (1) Trasformata basata sui DEM (Digital Elevation Model): I valori di un blocco di dati sono interpretati come altitudini. A partire dai minimi locali, vi si associano gli elementi del vicinato che sono collegati ad essi da una traiettoria in ascesa (criterio di similarità). Si determinano così dei bacini di attrazione (catchment basin) separati da linee di separazione dette watershed.
36 WATERSHED TRANSFORM (2) E implementata attraverso algoritmi di flooding: Si simula il riempimento con acqua dei bacini di attrazione. La crescita delle regioni nelle varie direzioni viene arrestata quando più bacini si fondono. Watershed Line Catchment Basin Per la segmentazione, la trasformata si applica al gradiente dell immagine.
37 WATERSHED TRANSFORM (3) La mappa è generalmente molto frammentata (oversplitting).
38 TECNICHE DI BASE CLASS-BASED In queste tecniche, l analisi dell immagine non è più effettuata su base locale ma sull intera immagine. In generale, ai pixel dell immagine vengono associati dei valori caratteristici detti features Valori di intensità per immagini monocromatiche Terne di valori (R,G,B) per immagini a colori, ecc.. La segmentazione consiste nel raggruppare i pixel attraverso operazioni di sogliatura o di clustering. Mappe di etichette e regioni non connesse.
39 SOGLIATURA (1) Tecnica basata sull analisi dell istogramma dell immagine. Applicabile ad immagini a livelli di grigio, particolarmente indicata per segmentazioni binarie. Immagine sorgente Soglia I( x, y) T Immagine thresholded I 0 se I( x, y) < T ( x, y) = th 1 se I( x, y ) T
40 SOGLIATURA (2) Nel caso più generale, la soglia può dipendere, oltre che dall intensità, anche da altre proprietà associate ai pixel (thesholding locale): T = T[ I( x, y), p( x, y)] Inoltre, se la soglia dipende anche dalla posizione del pixel si parla di thresholding adattativo o dinamico: T = T[ x, y, I( x, y), p( x, y)]
41 SOGLIATURA (3) Threshold
42 CLUSTERING Insieme di tecniche il cui scopo è di raggruppare i pixel dell immagine in cluster, sulla base di vettori caratteristici (feature vector) ad essi associati. I vettori caratteristici determinano lo spazio di rappresentazione (feature space) dei pixel dell immagine. I vettori caratteristici dei pixel appartenenti ad un cluster sono vicini l un l altro nel corrispondente spazio di rappresentazione.
43 K-MEANS CLUSTERING (1) Si suddividono i pixel nello spazio di rappresentazione in K gruppi: C, 1 C2,..., C K con medie m, 1 m2,..., m K L errore quadratico medio (LSE) è utilizzato per determinare la distanza dei feature vector dalle medie dei rispettivi cluster: D = K k = 1 x C i L obiettivo è il clustering che minimizza D. K x i m k 2
44 K-MEANS CLUSTERING (2) ALGORITMO 1. Si sceglie in modo casuale un set di K medie (m 1,,m k ) 2. Per ogni vettore x i si calcola la distanza dalle K medie: D( xi, mk ) = xi mk k = 1,..., K 3. Si assegna il pixel x i al cluster C j a cui corrisponde la media più vicina 4. Si effettua l aggiornamento delle medie 5. Si ripetono i punti 3 e 4 fino a convergenza: 2 C k it C k it 1 k
45 K-MEANS CLUSTERING (3) APPLICAZIONE
46 ISODATA CLUSTERING (1) Si suddividono i pixel nello spazio di rappresentazione in K gruppi: C, 1 C2,..., C K con medie m, 1 m2,..., m K Si considerano anche le matrici di covarianza: Σ k = σ σ... σ n σ σ σ n σ σ σ 1n 2n... nn Si basa sulla fusione/suddivisione di cluster.
47 ISODATA CLUSTERING (2) ALGORITMO 1. Si assegna x i al cluster l che minimizza: D Σ = [ x i m l ]' Σ 1 l [ x i m l ] 2. Si fondono tutte le coppie di cluster C i e C j per cui vale: m i m j <τ υ 3. Si suddividono (2-means) tutti i cluster k per cui vale: max λ i (Σ k ) >τ υ 1. Si ripetono i punti 1,2 e 3 fino a convergenza. i
48 ISODATA CLUSTERING (3) APPLICAZIONE Immagine Sorgente Segmentazione K-Means Segmentazione ISODATA
Appunti di Elaborazione di Segnali Multimediali a.a. 2017/2018. La segmentazione. L.Verdoliva
Appunti di Elaborazione di Segnali Multimediali a.a. 2017/2018 L.Verdoliva è il processo che permette di partizionare un immagine in regioni (o oggetti) costituenti sulla base di specifici criteri. Il
DettagliElaborazione di Segnali Multimediali a.a. 2017/2018. Segmentazione
Elaborazione di Segnali Multimediali a.a. 2017/2018 Segmentazione In questa esercitazione vengono implementate alcune delle tecniche base per la segmentazione di immagini. In particolare, si focalizzerà
DettagliImage segmentation. Elaborazione intermedia
Image segmentation Edge detection Elaborazione intermedia elaborazione intermedia si occupa di ottenere una descrizione signiicativa della scena mediante la segmentazione suddivisione della immagine in
DettagliIntroduzione a Matlab
Introduzione a Matlab Operazioni di Base & Edge Detection Fondamenti di Visione Artificiale a.a. 25/26 2/5/6 Estrazione dei Contorni Lezione V: indice Filtri e Kernel Line Detection Edge Detection Edge
DettagliElaborazione dei Segnali Multimediali a.a. 2009/2010. Segmentazione
Elaborazione dei Segnali Multimediali a.a. 2009/2010 Segmentazione In questa esercitazione vengono implementate alcune delle tecniche base per la segmentazione di immagini. In particolare, si focalizzerà
DettagliELABORAZIONE DELLE IMMAGINI:
Università degli Studi di Catania Facoltà di Scienze Matematiche,Fisiche e Naturali Corso di Laurea in Informatica, Secondo Livello ELABORAZIONE DELLE IMMAGINI: EDGE DETECTION Corso di Analisi Numerica
DettagliEstrazione dei bordi
Estrazione dei bordi L algoritmo di Marr-Hildreth L algoritmo di Canny Operatori per l estrazione dei bordi (edge operators) Lo scopo di questi operatori è quello di generare un immagine dei bordi (edge
DettagliFiltraggio. Stefano Ferrari. Università degli Studi di Milano Tecniche di calcolo e sistemi operativi e informatica
Filtraggio Stefano Ferrari Università degli Studi di Milano stefano.ferrari@unimi.it Tecniche di calcolo e sistemi operativi e informatica anno accademico 2017 2018 Filtraggio Il termine filtraggio fa
DettagliEdge e Segmentazione
Edge e Segmentazione Stefano Ferrari Università degli Studi di Milano stefanoferrari@unimiit Tecniche di calcolo e sistemi operativi e informatica anno accademico 2017 2018 Segmentazione di immagini Molte
DettagliSharpening mediante filtraggio spaziale
Sharpening mediante filtraggio spaziale Stefano Ferrari Università degli Studi di Milano stefano.ferrari@unimi.it Elaborazione delle immagini anno accademico 2009 2010 Sharpening Il termine sharpening
DettagliImage segmentation. Image segmentation
Image segmentation Image segmentation Un processo di segmentaione suddivide una immagine nelle regioni o oggetti che la compongono. E generalmente il primo step dell analisi di una immagine a segmentaione
DettagliVideo Analysis (cenni) Annalisa Franco
1 Video Analysis (cenni) Annalisa Franco annalisa.franco@unibo.it http://bias.csr.unibo.it/vr/ 2 Visual motion Un video è una sequenza di frame catturati nel corso del tempo Il valori dell immagine sono
DettagliLow Level Vision: Edge
Low Level Vision: Edge Prof. Sebastiano Battiato Caratteristiche di immagini In Visione Computazionale il termine feature di immagini si può riferire a due entità possibili: Una proprietà globale di un
DettagliImage Processing 2. Dispense del corso di Elaborazione di Immagini e Audio Digitali. Prof. Roberto Vezzani.
http://imagelab.ing.unimo.it Dispense del corso di Elaborazione di Immagini e Audio Digitali Image Processing 2 Prof. Roberto Vezzani Relazioni tra pixel Esistono delle relazioni di base tra pixel in un
DettagliTrasformare e migliorare
Trasformare e migliorare Elaborazione di immagini Da f(x,y) a g(x,y) pixel trasformati secondo un determinato algoritmo f(x,y) g(x,y) Scopi dell elaborazione Eliminazione dei disturbi Esaltazione dei particolari
DettagliLow Level Vision: Trasformata di Hough
Low Level Vision: Trasformata di Hough Prof Sebastiano Battiato Rilevamento di linee Le linee sono feature importanti perché permettono di definire analiticamente o approssimare molte forme (in particolare
DettagliElaborazione di immagini. Trasformare e migliorare. Scopi dell elaborazione. Tipi di elaborazione
Elaborazione di immagini Trasformare e migliorare Procedimento che data un immagine originale f(x,y) ne generi una nuova g(x,y) i cui pixel siano stati trasformati secondo un determinato algoritmo. f(x,y)
DettagliUniversità degli Studi di Catania. DI SCIENZE MATEMATICHE FISICHE E NATURALI Corso di Laurea Specialistica in Informatica.
Università degli Studi di Catania FACOLTÀ DI SCIENZE MATEMATICHE FISICHE E NATURALI Corso di Laurea Specialistica in Informatica Computer Vision Segmentazione di Immagini: tecniche di soglia e region growing
DettagliOperatori locali su immagini digitali
Operatori locali su immagini digitali Deinizione degli operatori locali Filtri di smoothing Filtri di sharpening Filtri derivativi Operatori locali Questi operatori sono usati per: miglioramento della
DettagliProgetto di Computer Vision: Plugin per imagej: Harry Corners Detection. Corso di laurea specialistica in Informatica.
Messina Mariagrazia Progetto di Computer Vision: Plugin per imagej: Harry Corners Detection Corso di laurea specialistica in Informatica. A.A. 2006-2007 Introduzione Il progetto realizzato consiste nell
DettagliElaborazione di Segnali Multimediali a.a. 2013/2014. Segmentazione
Elaborazione di Segnali Multimediali a.a. 2013/2014 Segmentazione In questa esercitazione vengono implementate alcune delle tecniche base per la segmentazione di immagini. In particolare, si focalizzerà
DettagliElaborazione di immagini. I filtri Digital Image Processing
Elaborazione di immagini I filtri Digital Image Processing Tre livelli di image processing Basso livello Filtro di smoothing Tre livelli di image processing Medio livello Contrast saliency region detection,
DettagliOperatori locali. Operatori locali. Q=f(P,w)
Operatori locali Operatori locali P(i,j) Gli operatori locali associano ad ogni piel ( i,j) della immagine di output Q un valore calcolato in un intorno o finestra w centrata nel piel P(i,j) Q=f(P,w) Operatori
DettagliElaborazione delle immagini a basso livello
Sommario Introduzione Percezione Formazione delle immagini Estrazione di informazione 3D da un immagine Riconoscimento di oggetti Manipolazione e navigazione Conclusioni 128 La luce riflessa dagli oggetti
Dettagli1 PROCESSI STOCASTICI... 11
1 PROCESSI STOCASTICI... 11 Introduzione... 11 Rappresentazione dei dati biomedici... 11 Aleatorietà delle misure temporali... 14 Medie definite sul processo aleatorio... 16 Valore atteso... 16 Esercitazione
DettagliFondamenti di Elaborazione di Immagini Estrazione dei Bordi e Segmentazione. Raffaele Cappelli raffaele.cappelli@unibo.it
Fondamenti di Elaborazione di Immagini Estrazione dei Bordi e Segmentazione Raffaele Cappelli raffaele.cappelli@unibo.it Contenuti Estrazione dei bordi Calcolo del gradiente Operatori di Roberts Operatori
DettagliCorso di Visione Artificiale. Features. Samuel Rota Bulò
Corso di Visione Artificiale Features Samuel Rota Bulò Features Le features (caratteristiche) sono parti di un'immagine che sono: locali: caratteristica locale di un'immagine, significativi: sono interessanti
DettagliRiconoscimento automatico di oggetti (Pattern Recognition)
Riconoscimento automatico di oggetti (Pattern Recognition) Scopo: definire un sistema per riconoscere automaticamente un oggetto data la descrizione di un oggetto che può appartenere ad una tra N classi
DettagliElaborazione delle immagini
Dipartimento di Fisica a.a. 4/5 Fisica Medica Elaborazione delle immagini 5/4/5 Processamento Una mappatura di tipo esponenziale mostra un immagine del tipo Intensità d uscita Intensità in entrata L =
DettagliLow Level Vision: Trasformata di Hough
Low Level Vision: Trasformata di Hough Prof Sebastiano Battiato Rilevamento di linee Le linee sono feature importanti perché permettono di definire analiticamente o approssimare molte forme (in particolare
DettagliOperatori locali su immagini digitali
Operatori locali su immagini digitali Definizione degli operatori locali Filtri di smoothing Filtri di sharpening Filtri derivativi Operatori locali Questi operatori sono usati per: miglioramento della
DettagliCorso di laurea magistrale in Informatica Multimedia - Prof. F.Stanco. Segmentazione. A cura di Andrea Tambone
Corso di laurea magistrale in Informatica Multimedia - Prof. F.Stanco Segmentazione A cura di Andrea Tambone Introduzione Lo scopo della segmentazione è suddividere un immagine in regioni contenenti pixel
DettagliElaborazione di immagini digitali: trasformare e migliorare
Università degli Studi di Palermo Dipartimento di Ingegneria Informatica Elaborazione di Immagini e Suoni / Riconoscimento e Visioni Artificiali 12 c.f.u. Anno Accademico 2009/2010 Docente: ing. Salvatore
DettagliRiconoscimento e recupero dell informazione per bioinformatica. Clustering: validazione. Manuele Bicego
Riconoscimento e recupero dell informazione per bioinformatica Clustering: validazione Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Sommario Definizione
DettagliOperazioni puntuali. Tipi di elaborazioni Operatori puntuali Look Up Table Istogramma
Tipi di elaborazioni Operatori puntuali Look Up Table Istogramma Analisi di Basso Livello In ingresso abbiamo le immagini provenienti dai sensori. In uscita si hanno un insieme di matrici ognuna delle
DettagliDato un vettore di lunghezza N, questo può essere pensato come un elemento di uno spazio N dimensionale.
Base canonica Dato un vettore di lunghezza N, questo può essere pensato come un elemento di uno spazio N dimensionale. 234 204 34 16 44 134 12 11 56 Quindi possiamo scomporlo usando la base canonica di
DettagliAlgoritmi per il riconoscimento dell iride
Algoritmi per il riconoscimento dell iride 1 L O C A L B I N A R Y P A T T E R N - S C A L E I N V A R I A N T F E A T U R E T R A S F O R M - C U M U L A T I V E S U M S A cura di: Chiara Galdi http://biplab.unisa.it/
DettagliIntelligenza Artificiale. Clustering. Francesco Uliana. 14 gennaio 2011
Intelligenza Artificiale Clustering Francesco Uliana 14 gennaio 2011 Definizione Il Clustering o analisi dei cluster (dal termine inglese cluster analysis) è un insieme di tecniche di analisi multivariata
DettagliSegmentazione di immagini. Multimedia
Segmentazione di immagini Introduzione La segmentazione è un processo di partizionamento di un immagine in regioni disgiunte e omogenee. Introduzione (def. formale) (1) Sia R l intera regione spaziale
DettagliCorso di Visione Artificiale. Texture. Samuel Rota Bulò
Corso di Visione Artificiale Texture Samuel Rota Bulò Texture Le texture sono facili da riconoscere ma difficili da definire. Texture Il fatto di essere una texture dipende dal livello di scala a cui si
DettagliIntroduzione ai filtri digitali
ARSLAB - Autonomous and Robotic Systems Laboratory Dipartimento di Matematica e Informatica - Università di Catania, Italy santoro@dmi.unict.it Programmazione Sistemi Robotici Sistemi, misura e predizione
DettagliMorfologia Matematica su immagini in scala di grigio
Morfologia Matematica su immagini in scala di grigio Dilation, erosion, opening, closing Top-Hat, Bottom-Hat Algoritmi Morfologici in scala di grigio Dalle immagini binarie alle immagini in scala di grigio
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Clustering: validazione Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Sommario Definizione
DettagliKeypoint detector: Scale Invariant Feature Transform (SIFT)
Kepoint detector: Scale Invariant Feature Transform (SIFT) avid G. Lowe istintive Image Features from Scale-Invariants Kepoints International Journal of Computer Vision 004 Outline Cosa è SIFT Overview
DettagliOperatori locali. Analisi di basso livello
Operatori locali Analisi di basso livello Si applica ad una immagine per produrre una immagine utile all applicazione inale Obiettivo è il miglioramento della immagine e riduzione del rumore introdotto
DettagliImmagini digitali. Annalisa Franco
Immagini digitali Annalisa Franco annalisa.franco@unibo.it http://bias.csr.unibo.it/vr/ 2 Formazione dell immagine Immagine tratta dal testo Digital Image Processing (Gonzalez, Woods). Immagini Un immagine
DettagliImmagini 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
DettagliCompressione lossless di immagini composite
Compressione lossless di immagini composite Corso di Compressione Dati Sistemi Multimediali Compressi Compression Team Prof. Bruno Carpentieri A.A. 2007/2008 Overview Introduzione Analisi del problema
DettagliSistemi di Elaborazione dell Informazione 170. Caso Non Separabile
Sistemi di Elaborazione dell Informazione 170 Caso Non Separabile La soluzione vista in precedenza per esempi non-linearmente separabili non garantisce usualmente buone prestazioni perchè un iperpiano
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Clustering: introduzione Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Una definizione
DettagliCorso di Multimedia A.A 2013/2014
Corso di Multimedia A.A 2013/2014 Un immagine è rappresentata da una funzione bidimensionale f(x,y). Il piano XY in cui stanno le coordinate dell immagine è detto DOMINIO SPAZIALE e le variabili x,y sono
DettagliStatistica Applicata all edilizia: Stime e stimatori
Statistica Applicata all edilizia E-mail: orietta.nicolis@unibg.it 15 marzo 2011 Statistica Applicata all edilizia: Indice 1 2 Statistica Applicata all edilizia: Uno dei problemi principali della statistica
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Analisi Immagini Biomedicali Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Parte del
DettagliCorso di Elaborazione di Segnali Multimediali Elaborazione Morfologica delle Immagini
Corso di Elaborazione di Segnali Multimediali Elaborazione Morfologica delle Immagini Raffaele Gaetano 3 Giugno 2014 L analisi di immagini Tra le discipline informatiche, l analisi di immagini ha come
DettagliFace detection con Haar features. Annalisa Franco
Face detection con Haar features Annalisa Franco annalisa.franco@unibo.it http://bias.csr.unibo.it/vr/ 2 Face detection con Haar features Obiettivo dell esercitazione è la realizzazione di un algoritmo
DettagliQUANTIZZATORE VETTORIALE
QUANTIZZATORE VETTORIALE Introduzione Nel campo delle reti neurali, la scelta del numero di nodi nascosti da usare per un determinato compito non è sempre semplice. Per tale scelta potrebbe venirci in
DettagliImage Elaboration. Image Processing
Image Elaboration Immagine digitale Un immagine digitale può essere rappresentata come una matrice con un prefissato numero di righe e colonne che ne determinano la risoluzione (campionamento). L'unità
DettagliEstrazione di feature locali per il riconoscimento del volto
Estrazione di feature locali per il riconoscimento del volto Simone Buoncompagni Università di Bologna (sede di Cesena) Facoltà di Scienze Matematiche, Fisiche e Naturali Laurea Magistrale in Scienze e
DettagliClassificazione Object-Oriented
Classificazione Object-Oriented Cos è una classificazione? La classificazione è un operazione con cui a partire da dati telerilevati vengono prodotte delle mappe tematiche dove ogni pixel viene assegnato
DettagliCenno al trattamento delle immagini digitali. Cartografia numerica e GIS Domenico Sguerso
Cenno al trattamento delle immagini digitali Cartografia numerica e GIS Domenico Sguerso Digital Image Processing: Preprocessing (Memorizzazione) analysis Trattamento dell immagine: - ricampionamento necessario
Dettagli1 - STATO DELL ARTE DEI SISTEMI DI VIDEOSORVEGLIANZA...7
INDICE 1 - STATO DELL ARTE DEI SISTEMI DI VIDEOSORVEGLIANZA...7 1.1 - INTRODUZIONE...7 1.2 - EVOLUZIONE DEI SISTEMI DI VIDEOSORVEGLIANZA...10 1.2.1 - Sistemi di videosorveglianza di prima generazione (first-generation
DettagliKernel Methods. Corso di Intelligenza Artificiale, a.a Prof. Francesco Trovò
Kernel Methods Corso di Intelligenza Artificiale, a.a. 2017-2018 Prof. Francesco Trovò 14/05/2018 Kernel Methods Definizione di Kernel Costruzione di Kernel Support Vector Machines Problema primale e duale
DettagliLa variabilità. Dott. Cazzaniga Paolo. Dip. di Scienze Umane e Sociali
Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it Introduzione [1/2] Gli indici di variabilità consentono di riassumere le principali caratteristiche di una distribuzione (assieme alle medie) Le
DettagliAnno accademico Presentazione del corso di Elaborazione di Segnali Multimediali
Anno accademico 2009-2010 Presentazione del corso di Elaborazione di Segnali Multimediali Informazioni sul docente E-mail: verdoliv@unina.it Sito web: www.die.unina.it/gruppotlc/didattica/corsi.shtml Orario
DettagliStima di Posizione e Orientamento Mediante Elaborazione di Immagini con il Filtro di Kalman
Incontro CIRA 21 Lecce, 12 14 Settembre 21 Stima di Posizione e Orientamento Mediante Elaborazione di Immagini con il Filtro di Kalman Fabrizio CACCAVALE Vincenzo LIPPIELLO Bruno SICILIANO Luigi VILLANI
DettagliFasi dell analisi di dati da microarray (2)
Fasi dell analisi di dati da microarray (). Image Processing: le immagini sono analizzate per determinare una misura dell intensità di ogni spot, insieme ad una valutazione della sua affidabilità. Data
DettagliCos è una wavelet? Applicazioni della trasformata wavelet. Analisi multirisoluzione
Cos è una wavelet? Applicazioni della trasformata wavelet Analisi multirisoluzione Tre tecniche: Piramidi di immagine Trasformata di Haar Codifica per sottobande Il numero totale di pixel nel caso di una
DettagliU n i v e r s i t à d e l P i e m o n t e O r i e n t a l e A m e d e o A v o g a d r o. Guido Vicino
U n i v e r s i t à d e l P i e m o n t e O r i e n t a l e A m e d e o A v o g a d r o Corso di Laurea Specialistica in Informatica dei Sistemi Avanzati e dei Servizi di Rete Studio introduttivo alle
DettagliStatistica per l Impresa
Statistica per l Impresa a.a. 2017/2018 Tecniche di Analisi Multidimensionale Analisi dei Gruppi 23 aprile 2018 Indice 1. Analisi dei Gruppi: Introduzione 2. Misure di distanza e indici di similarità 3.
DettagliClassificazione di immagini aeree. Annalisa Franco
Classificazione di immagini aeree Annalisa Franco annalisa.franco@unibo.it http://bias.csr.unibo.it/vr/ 2 Classificazione di immagini aeree Scopo di questa esercitazione è l implementazione di una tecnica
DettagliEsposizione riassuntiva
Esposizione riassuntiva L elaborazione elettronica di immagini e video riveste un ruolo importante nello sviluppo di tecnologie per la sicurezza. Le telecamere per videosorveglianza sono molto diffuse
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
DettagliStudio di tecniche per la rivelazione di traiettorie di veicoli in movimento in sequenze video
Dipartimento di Elettronica e Telecomunicazioni Università di Firenze Laboratorio Comunicazioni & Immagini Studio di tecniche per la rivelazione di traiettorie di veicoli in movimento in sequenze video
DettagliAcquisizione e rappresentazione di immagini
Acquisizione e rappresentazione di immagini Stefano Ferrari Università degli Studi di Milano stefano.ferrari@unimi.it Elaborazione delle immagini anno accademico 2009 2010 Radiazione elettromagnetica λ
DettagliOperazioni sulle immagini. Multimedia
Operazioni sulle immagini Semplificazione: toni di grigio Per semplificare la trattazione del problema lavoreremo solo su immagini a toni di grigio. Le medesime operazioni descritte per tali immagini si
DettagliEsercitazione 4: Filters
Laboratorio di Immagini Esercitazione 4: Filters Mauro Zucchelli 07/04/2016 AVVISO Settimana prossima lezione sospesa! Riprendiamo dall ultima volta Abbiamo visto cosa rappresenta la trasformata di Fourier
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza di Variabili Aleatorie Sistema di Variabili
DettagliMetodo bayesiano / variazionale (lavoro in corso!)
Metodo bayesiano / variazionale (lavoro in corso!) L idea è: sostituire Source-Detector+Emission Builder in ORAS v.2.0 con un sistema di ottimizzazione matematicamente ben definito Francesco Uboldi, Gianni
DettagliStatistica per l Impresa
Statistica per l Impresa a.a. 207/208 Tecniche di Analisi Multidimensionale Analisi dei Gruppi 2 maggio 208 Indice Analisi dei Gruppi: Introduzione Misure di distanza e indici di similarità 3. Metodi gerarchici
DettagliUso dell algoritmo di Quantizzazione Vettoriale per la determinazione del numero di nodi dello strato hidden in una rete neurale multilivello
Tesina di Intelligenza Artificiale Uso dell algoritmo di Quantizzazione Vettoriale per la determinazione del numero di nodi dello strato hidden in una rete neurale multilivello Roberto Fortino S228682
DettagliSegmentazione mediante ricerca di forme. Paola Campadelli
Segmentazione mediante ricerca di forme Paola Campadelli Segmentazione mediante ricerca di forme Template deformabili (Yuille et al. 92) Contorni deformabili (Kaas et al. 87) GVF Snakes (Xu et al. 98)
DettagliTelerilevamento e Modellistica Forestale
Telerilevamento e Modellistica Forestale Lezione 6 Esplorazione, enfatizzazioni e filtri Dario Papale Contributi: Vern Vanderbilt, TA- Quinn Hart, CCRS Cosa è l enfatizzazione delle immagini L enfatizzazione
DettagliIntroduzione a Matlab
Introduzione a Matlab Skin Detection & Iris Normalization Fondamenti di Visione Artificiale a.a. 2015/2016 12/05/16 Estrazione dei Contorni 1 Skin Detection - Introduzione Il processo di skin detection
DettagliIndicizzazione di feature locali. Annalisa Franco
1 Indicizzazione di feature locali Annalisa Franco annalisa.franco@unibo.it http://bias.csr.unibo.it/vr/ 2 Introduzione I descrittori locali sono vettori di uno spazio N- dimensionale (alta dimensionalità)
DettagliTecniche di riconoscimento statistico
On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 10 Combinazione di classificatori Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr
DettagliRAPPRESENTAZIONE DELLE INFORMAZIONI
RAPPRESENTAZIONE DELLE INFORMAZIONI 1 RAPPRESENTAZIONE DELLE INFORMAZIONI Le informazioni gestite dai sistemi di elaborazione devono essere codificate per poter essere memorizzate, elaborate, scambiate,
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Clustering: metodologie Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Sommario Tassonomia
DettagliStereovisione. Marco Moltisanti. Image Processing Lab Dipartimento di Matematica e Informatica Università degli Studi di Catania
Stereovisione Marco Moltisanti Image Processing Lab Dipartimento di Matematica e Informatica Università degli Studi di Catania moltisanti@dmi.unict.it www.dmi.unict.it/~moltisanti 11 aprile 2013 Introduzione
DettagliComputazione per l interazione naturale: clustering e riduzione di dimensionalità
Computazione per l interazione naturale: clustering e riduzione di dimensionalità Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it
DettagliElaborazione statistica di dati
Elaborazione statistica di dati CONCETTI DI BASE DI STATISTICA ELEMENTARE Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Collaudo sistemi di produzione IPOTESI:
DettagliElaborazione delle immagini
Scuola di Specializzazione in Fisica Sanitaria a.a. 2005/2006 Corso di Informatica e Statistica Medica Elaborazione delle immagini 1/3/2006 Filtri non lineari Tra i filtri non lineari il più conosciuto
Dettagli4. I dati sperimentali 4.1 Introduzione
4. I dati sperimentali 4.1 Introduzione La serie esaminata, (Ceschia, 1998), è relativa alle temperature registrate alle ore 9 presso l Osservatorio Malignani a Udine-Castello. Le temperature, espresse
DettagliCenni sulla cluster analysis
Cenni sulla cluster analysis Distanze Dato un insieme E, una funzione d: E X E -> R + che ha le seguenti tre proprietà: d(x i, x j ) = 0 x i = x j d(x i, x j ) = d(x j, x i ) d(x i, x j ) d(x j, x h )
DettagliProgramma del corso di Elaborazione delle immagini I
Programma del corso di Elaborazione delle immagini I 7 marzo 2011 Questo documento contiene una descrizione del programma svolto nel corso di Elaborazione delle immagini I, a.a. 2009/10, in relazione agli
DettagliEsercitazione su Filtraggio Adattativo (17 Giugno 2008)
Esercitazione su Filtraggio Adattativo 17 Giugno 008) D. Donno Esercizio 1: Stima adattativa in rumore colorato Una sequenza disturbante x n è ottenuta filtrando un processo bianco u n con un filtro FIR
Dettagli