Classificazioni di immagini mediante algoritmi a reti neurali

Transcript

1 Classificazioni di immagini mediane algorimi a rei neurali Giuseppe ALONGE (*), Enrico BORGOGNO MONDINO (*), Giulio MAIONE (**), Giuseppe TROPIANO (*), Daniele UGOLINI (*) (*) Polo Nazionale Bioeleronica PST Elba, v. A. Moro 17 - Marciana Marina (LI),0565/99352 (**) Alenia Aerospazio - Divisione Spazio, v. A. Moro 17 - Marciana Marina (LI),0565/99352 Riassuno L Informaion Tecnology Cener è la sezione del Polo Nazionale Bioeleronica desinaa alla definizione di meodologie ed alla loro realizzazione mediane efficieni algorimi direi a servire realà aziendali ad elevao conenuo ecnologico. I progei per ora in ao riguardano la definizione e l applicazione di algorimi a rei neurali per: a) il riconoscimeno auomaico della frua dal puno di visa qualiaivo b) la classificazione supervised e unsupervised di immagini saelliari pancromaiche e mulisperali c) lo sudio muliemporale di immagini saelliari mirae al monioraggio di alcuni aspei ambienali (urbanizzazione, cose, agricolura). Absrac The Informaion Technology Cener, a secion of Polo Nazionale Bioeleronica, is devoed o he developmen and he implemenaion of advanced and innovaive algorihms, whose poenial endusers are firms wih a high echnological profile. The following hree projecs based on neural nework applicaion are under developmen: a) video-grading machine for fresh frui b) supervised and unsupervised classificaion of panchromaic and mulispecral remoe sensing images c) muliemporal remoe sensing image classificaion for environmenal monioring (urban, coasal, agriculure). 1. Selezione auomaica di mele mediane ispezione visiva Gran pare della lavorazione della frua nelle cenrali orofruicole è alamene auomaizzaa. Macchinari per l auomazione dei processi di calibrazione, di selezione per colore, di ceraura e di confezionameno sono ormai ampiamene uilizzai. L unica operazione che non è ancora saa auomaizzaa è la selezione per qualià, cioè la caalogazione del prodoo in base alle caraerisiche del suo aspeo (presenza o assenza di difei sulla buccia). I moivi per cui la selezione per qualià è ancora svola manualmene o in modo semiauomaico è dovuo alla grande difficolà che compora rendere auomaico queso processo. Tuavia la selezione per qualià ha un ruolo molo imporane in quano permee di conferire caraerisiche di omogeneià

2 ipicamene indusriali, secondo le richiese dell uene finale, consumaore o indusria, ad un prodoo che è nauralmene disomogeneo. L omogeneià richiesa è relaiva ad una serie di caraerisiche che si vuole siano comprese enro ceri limii o al di sopra di ceri livelli. Le mele sono classificae in re caegorie (I, II e III) in base alla presenza o assenza di difei sulla superficie. L aspeo più imporane di queso processo è quello di disinguere il picciolo e il calice dai vari ipi di difei (macchie, ammaccaure, rugginosià). Poiché in un immagine digializzaa il picciolo e il calice sono molo simili alle macchie, una semplice variazione locale ra pixel della sessa mela non permee di oenere una correa classificazione. Inolre i frui sono presenai nella camera di visione in modo arbirario, quindi non è possibile conoscere a priori la posizione del picciolo e del calice. 1.1 Descrizione del prooipo per acquisire le immagini Il prooipo è composo da un nasro rasporaore, da una camera di visione e da un meccanismo di roazione assiale delle mele. La camera di visione è cosiuia da un box all inerno del quale sono preseni lampade ad ala frequenza e una elecamera CCD a colori. Per oenere una maggiore diffusione della luce sono posi, di frone alle lampade, dei pannelli di plexiglass. Per ogni fruo sono acquisie in sequenza quaro differeni vise. 1.2 Descrizione algorimi Lo sviluppo di un sisema per l auomazione del processo di selezione in empo reale per la frua deve essere doao di robusezza, velocià di calcolo (2/3 frui al secondo) e capacià di selezione paragonabile a quella di un operaore umano. Quindi le soluzioni algorimiche devono essere ali da non richiedere una grande quanià di calcolo, ma allo sesso empo devono garanire la capacià di raggiungere gli obieivi prefissai. L algorimo di grading che si è definio si basa sull uilizzo di rei neurali. Le ecniche di imageprocessing che comporano un elevao empo di calcolo sono invocae solo quando necessarie. Infai il primo passo consise in una analisi globale molo veloce effeuaa su ue le vise del fruo, e solo se queso passo lo richiede si eseguono una o più analisi locali che comporano un maggior coso compuazionale. Poiché una grande percenuale dei frui è di buona qualià, quesa soluzione permee di ridurre i empi di calcolo. Le maggiori difficolà nascono dal fao che l oggeo in esame è un prodoo della naura, per cui c è una grande variabilià con cui i difei si possono presenare sia nella forma sia nella ipologia. In generale risula difficile riuscire a descrivere in ermini maemaici le caraerisiche inrinseche dei prodoi su cui si deve basare la selezione, ed in base a quese derivare una qualche funzione discriminane. Diversamene è semplice cosruire un daabase con un gran numero di "campioni" con i quali addesrare le rei neurali. 1.3 Definizione dell archieura sofware L algorimo è sruurao in re diversi passi nei quali si prendono delle decisioni sulla qualià del fruo (v. fig. 1).

3 Nel primo passo vengono esaminae ue le vise del fruo e solo se in una paricolare immagine sono rilevae delle alerazioni sulla buccia, si coninua l ispezione. In queso primo passo la decisione è deerminaa da una ree neurale che classifica le feaure esrae dall isogramma. Figura 1. - Schema dell algorimo di grading Il secondo passo consise in un analisi di forma del conorno della mela aa a sabilire la presenza del picciolo o del calice nella visa in esame. Queso passo viene eseguio solo nel caso in cui il precedene abbia sabilio la presenza di alerazioni sulla buccia.

4 Il erzo passo è composo da due azioni la cui scela è deerminaa dal risulao della fase precedene: 1. no-picciolo, no-calice, nella visa in esame non è presene ne il picciolo ne il calice; 2. picciolo/calice, nella visa in esame è presene il picciolo o il calice. Nel primo caso l azione consise nell uilizzo di un operaore che permee di esaminare di vola in vola solo una porzione ridoa della superficie. Ogni regione è classificaa come difeo o non-difeo usando un seconda ree neurale. Nel secondo caso prima di classificare una regione come difeo si deve deerminare se nella zona che si sa analizzando è presene il picciolo o il calice. Quesa decisione è deerminaa da una erza ree neurale. Una soluzione di queso ipo sembra essere più adaa per la frua di forma sferica che ha una colorazione omogenea disribuia su ua la superficie come ad esempio le arance e alcune varieà di mele ("Golden Delicious", "Red Delicious" e alre). 2. Classificazione di immagini elerilevae mediane algorimi a rei neurali Aualmene al PNB sono in fase avanzaa di sviluppo due classificaori neurali: uno di ipo supervisionao (ree LVQ) ed uno di ipo non supervisionao (Neural Gas). Rieniamo che l approccio alla classificazione neurale sia più auspicabile delle meodologie radizionali in virù del fao che, a differenza di quese, non richiede ipoesi preliminari circa la disribuzione di frequenza dei Numeri Indice (DN) dell immagine. La ree neurale impara da sè, adaandosi ad ogni ipo di disribuzione secondo le dinamiche sviluppae nella fase di raining. L aenzione viene posa in quesa sede sul classificaore unsupervised sviluppao al PNB, la cui originalià, nel campo del elerilevameno, sembra a uoggi persisere e i cui risulai, pur richiedendo un maggior empo di elaborazione, appaiono migliori delle ecniche radizionali. Resa ineso che dei classificaori non assisii sorici conserva pregi e soprauo limii legai all inerpreazione del risulao, la quale non può prescindere da un aena analisi da pare dell operaore. 2.1 Classificazione unsupervised: ree Neural Gas L idea base è quella di applicare una meodologia a rei neurali con dimensionalià non cosriiva ma esremamene adaabile e capace di modellizzare al meglio il se di dai di addesrameno (raining se). Queso significa che la opologia dei nodi (o neuroni) della ree è assoluamene libera e non limiaa all inerno di sruure fisse o semi-fisse (come rei SOM). La liberà di movimeno dei nodi all inerno del raining se conferisce alla ree un comporameno molo simile a quello di molecole gassose, da cui il nome Algorimo L algorimo (Frizke, 1997) prevede due fasi: una fase di raining nella quale vengono simai i pesi dei nodi della ree una fase di classificazione in cui la ree addesraa sul raining-se viene applicaa alla scena da classificare La ree, come ue le rei neurali, è definia una vola che siano sai definii: il numero dei nodi della ree, quindi dei cluser che si inende generare la dimensione del veore di ingresso, cioè il numero delle bande la funzione per la sima dei pesi dei nodi la dinamica di compeizione ra nodi al fine di oenere l assegnameno degli ingressi

5 2.1.2 Training Viene generao un raining se, oenuo campionando l immagine con procedimeno casuale. Ogni pixel campionao sulle n bande dell immagine mulisperale cosiuisce il veore di inpu per la ree (cioè per ogni nodo). Viene definia la marice dei pesi A = (w 1, w 2,...w N ) dove w i R n è il veore-peso (di dimensione pari al numero di bande considerae) associao al generico nodo i-esimo ed N è il numero dei cluser. Poichè il processo di addesrameno è ieraivo è richiesa una inizializzazione di ali veori, che avviene definendone le componeni (associae alle diverse bande dell immagine) come media arimeica per banda dei DN dei pixel appareneni al rainingse. Viene definio un paramero emporale inizializzao a = 0, il quale parecipa alla funzione per la correzione ieraiva dei pesi. Il numero massimo di ierazioni ( max ) è pari alla dimensione del campione casuale uilizzao per il raining (la dimensione del raining se è a discrezione dell operaore) Ad ogni sep del procedimeno ieraivo di sima dei pesi: 1. I veori-peso vengono ordinai in base alla loro disanza euclidea dal veore di inpu, viene definia una sequenza di indici (i 0, i 1,..., i N-1 ) ale per cui w i0 è il veore-peso più vicino a e w ik (con k = 0,1,...N-1) è il veore-peso per cui esisono k veori w j con - w j < - w k. Si assume k i (, A) come il numero k associao con il veore-peso w i. 2. Viene calcolaa la correzione veoriale da applicare ad ogni veore dell ordinameno secondo la seguene regola di appredimeno: w ( ) h ( k (, A)) ( w ) [1] i i i con le segueni dipendenze emporali: ( ) ( / ) / max [2] i f i ( ) ( / ) / max [3] i f i h k e k / ( ( ) ) [4] I valori ( i, i ) e ( f, f ) sono definii empiricamene. Nel caso specifico si sono uilizzai i segueni valori (Marinez e al., 1993): i = 10, f = 0.01, i = 0.5, f = I veori-peso vengono quindi correi secondo il w i corrispondene (w i = w i + w i ) 4. Viene incremenao il paramero emporale : = Se < max viene avviaa l ierazione successiva Classificazione vera e propria Una vola simai i pesi per ogni nodo della ree (che assume funzione di cenroide per i diversi cluser che si inende generare) viene avviaa la procedura di classificazione sull inera immagine. Per ogni pixel dell immagine viene calcolaa la disanza euclidea ra il veore che lo rappresena ed il veore-peso associao ad ogni nodo (risulao della fase di raining). Il nodo cui compee la minore disanza euclidea risula essere il vincene ed alla classe da queso rappresenaa viene associao il pixel in esame.

6 2.2 Direrici di sviluppo L affinameno della ecnica è uora in ao e mira essenzialmene a definire: una procedura ragionevole per l individuazione auomaica del miglior numero di classi (cluser) e quindi di nodi da adoare, crieri validi per il conrollo dei parameri (dimensione del campione, convergenza dell algorimo), procedure di auogenerazione o di generazione conrollaa di soo-rei all inerno di cluser giudicai roppo dispersivi e che si riiene possano a loro vola essere classificai, meodologie per individuare zone criiche di classificazione (puni di froniera) soprauo per immagini ad elevao numero di bande. 3. Change Deecion Pare delle risorse del PNB sono impegnae nello sviluppo di meodologie per l analisi muliemporale di immagini saelliari. In paricolare è in fase di sviluppo un algorimo che sineizza procedimeni radizionali con accorgimeni innovaivi per l esrazione di emaiche legae alla variabilià della scena. Queso prevede: 1) Una fase di georeferenziazione image-o-image miraa ad oenere un accuraa corrispondenza ra pixel omologhi delle due immagini che parecipano allo sudio. 2) Una fase di correzione radiomerica miraa a normalizzare le immagini rispeo alle condizioni di illuminazione mediane la definizione di una regressione lineare (o di ordine superiore) ra le immagini e generaa su una porzione di quese rienua radiomericamene invariane su enrambe (cenri abiai o zone d acqua possibilmene). Nell ipoesi che la regressione sabilisca la relazione ra le muae condizioni di illuminazione, essa viene applicaa ad una delle due immagini scela come variabile indipendene oenendone una nuova che rappresena la sessa scena riporaa a condizioni di illuminazione analoghe a quelle dell immagine dipendene. 3) Una fase di image differencing o di image raioning ra la nuova immagine e l immagine dipendene (che è resaa immuaa) inesa ad esrarre le differenze reali. 4) Una fase di visualizzazione del risulao inesa a consenirne un immediaa sovrapposizione sulle immagini di parenza. E in fase di sudio un esensione/modifica dell algorimo, che per ora prevede il processameno di immagini pancromaiche o monobanda, a immagini mulisperali. Bibliografia - Frizke, B. (1997) - Some Compeiive Learning Mehods - Draf - Sysems Biophysics - Insiue for Neural Compuaion - Ruhr-Universia Bochum, Recce M., Taylor J., Plebe A., Tropiano G. (1997) - Video Grading of Oranges in Real Time - Arificial Inelligence Review - Special Issue on AI Applicaions in Biology and Agriculure - Recce M., Taylor J., Plebe A., Tropiano G. (1996) - High Speed Vision-Based Qualiy Grading of Oranges Inernaional Workshop on Neural Neworks for Idenificaion, Conrol, Roboics, and Signal/Image Processing, Agoso 21-23, 1996, Venezia,