IMAGE ENHANCEMENT CAPITOLO 7 CAPITOLO

Documenti analoghi
Lezione 7. Numeri primi. Teorema Fondamentale dell'aritmetica.

Integrazione numerica dell equazione del moto per un sistema non lineare a un grado di libertà. Prof. Adolfo Santini - Dinamica delle Strutture 1

Segmentazione di immagini

Esame del corso di Tecniche Avanzate per il Trattamento delle Immagini

Lezione 14 I PRINCIPI DELLA MECCANICA DEI FLUIDI

METODO DELLA CADUTA DI POTENZIALE

ESERCIZIO: RADDRIZZATORE AD UNA SEMIONDA CON CARICO RESISTIVO

Trasformata di Fourier

5: Strato fisico: limitazione di banda, formula di Nyquist; caratterizzazione del canale in frequenza

Sorgenti Numeriche - Soluzioni

* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE *

Rivelatori di Particelle

CARATTERISTICHE DEI SEGNALI RANDOM

Esercitazione sulle Basi di di Definizione

i 2 R 2 i (v -v ) i O v S RID + -

Rappresentazione dei numeri PH. 3.1, 3.2, 3.3

Il logaritmo discreto in Z p Il gruppo moltiplicativo Z p delle classi resto modulo un primo p è un gruppo ciclico.

Realizzazione di FSM sincrone. Sommario. Introduzione. Sommario. M. Favalli

Integrazione numerica dell equazione del moto per un sistema lineare viscoso a un grado di libertà. Prof. Adolfo Santini - Dinamica delle Strutture 1

Modulo 8: Memoria Virtuale

Risoluzione numerica di problemi differenziali alle derivate parziali

4. ALGORITMI GREEDY. cambia-monete scheduling a minimo il ritardo. Il problema del cambia-monete. Proprietà di una soluzione ottima

SOLUZIONE DELL ESERCIZIO DEL COMPITO DI FONDAMENTI DI ELETTRONICA DEL

$%&'$%()($ * +,* -. )) )/

Componenti resistivi

La likelihood. , x 3. , x 2. ,...x N

Circuiti elettrici in regime stazionario

REAZIONE NEGLI AMPLIFICATORI

Fenomeni di trasporto

Statistica di Bose-Einstein

Rappresentazione dei numeri

3) Entropie condizionate, entropie congiunte ed informazione mutua

MATEMATICA FINANZIARIA 1 PROVA SCRITTA DEL 21 LUGLIO 2009 ECONOMIA AZIENDALE

Misure indipendenti della stessa grandezza, ciascuna con una diversa precisione.

DBMS multimediali A L B E R T O B E L U S S I B A S I D I D A T I A N N O A C C A D E M I C O /

Componenti resistivi

Teoremi dei circuiti

Capitolo III. Transistori bipolari a giunzione

Valore attuale di una rendita. Valore attuale in Excel: funzione VA

Equazioni idrodinamiche

Misure Ripetute ed Indipendenti

Bipoli resistivi. (versione del ) Bipoli resistivi

Teoremi dei circuiti

Amplificatori operazionali

ANALISI STATISTICA DELLE INCERTEZZE CASUALI

Principio di massima verosimiglianza

Principio di massima verosimiglianza

1. MOTIVAZIONI DELLA RELATIVITA' GENERALE

Il procedimento può essere pensato come una ricerca in un insieme ordinato, il peso incognito può essere cercato con il metodo della ricerca binaria.

Antonio Boezio Alessandro Lanave Meep. Teoria, sintassi ed esercizi progettuali

Circuiti elettrici in regime stazionario

Diodi. (versione del ) Diodo ideale

Corso di Logica I. Modulo sul Calcolo dei Sequenti. Dispensa Lezione II.

Pattern Recognition. Bayes decision theory

Costruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 2:

Sistemi di Acquisizione Dati Prof. Alessandro Pesatori

Variabili aleatorie discrete. Probabilità e Statistica I - a.a. 04/05-1

Equilibrio e stabilità di sistemi dinamici. Stabilità dell equilibrio di sistemi dinamici non lineari per linearizzazione

Precisione e Cifre Significative

Capitolo 3 Covarianza, correlazione, bestfit lineari e non lineari

Statistica Descrittiva

Sistemi Intelligenti Relazione tra ottimizzazione e statistica - IV Alberto Borghese

VERIFICHE DI S.L.U. SECONDO LE NTC 2008 TRAVE IN C.A. PROGETTO E VERIFICA ARMATURA A TAGLIO

Stabilità dei Sistemi Dinamici. Stabilità Semplice. Stabilità Asintotica. Stabilità: concetto intuitivo che può essere formalizzato in molti modi

Corso di. Dott.ssa Donatella Cocca

Appunti di Teoria dell Informazione

Lezione n. 10. Legge di Raoult Legge di Henry Soluzioni ideali Deviazioni dall idealit. idealità Convenzioni per le soluzioni reali

La rappresentazione delle Informazioni

Elementi di strutturistica cristallina I

Modelli con varabili binarie (o qualitative)

DIZIONARI. Alberi Binari di Ricerca Tabelle Hash. Struttura dati Dizionario. Implementazione di un Dizionario. Implementazione di un Dizionario

ANALISI ESPLORATIVA DI SERIE DI OSSERVAZIONI

una variabile casuale è continuase può assumere un qualunque valore in un intervallo

Calcolo del Throughput del TCP

Strani spazi vettoriali

IL RUMORE NEGLI AMPLIFICATORI

Campo elettrico. F E q. Qq k r. r q r

3 CAMPIONAMENTO DI BERNOULLI E DI POISSON

INDICE. Scaricabile su: Derivate TEORIA. Derivata in un punto. Significato geometrico della derivata

IL RUMORE NEGLI AMPLIFICATORI

2. La distribuzione normale

Università di Cassino Corso di Statistica 1 Esercitazione del 28/01/2008 Dott. Alfonso Piscitelli. Esercizio 1

I.T.I. Modesto PANETTI B A R I

Si assumano i diodi ideali (R D =0). Calcolare tutte le correnti. R=10KΩ. V cc =15V V dd =18V

Teoria dell informazione e Meccanica Statistica

Teorema di Thévenin-Norton

Grafi ed equazioni topologiche

Amplificatori operazionali

Esercitazione 12 ottobre 2011 Trasformazioni circuitali. v 3. v 1. Per entrambi i casi, i valori delle grandezze sono riportati in Tab. I.

La soluzione delle equazioni differenziali con il metodo di Galerkin

Lezioni di Statistica (25 marzo 2013) Docente: Massimo Cristallo

Politecnico di Torino Laurea a Distanza in Ingegneria Meccanica Corso di Macchine

Incertezza di sensibilità < fluttuazione intrinseca delle misure.

ESERCIZI DI MATEMATICA FINANZIARIA DIPARTIMENTO DI ECONOMIA E MANAGEMENT UNIFE A.A. 2018/ Esercizi: lezione 17/10/2018

Apprendimento Automatico: Apprendimento Non Supervisionato

y. E' semplicemente la media calcolata mettendo

Circuiti di ingresso differenziali

Luciano Battaia. Versione del 22 febbraio L.Battaia. Condensatori e resistenze

Intorduzione alla teoria delle Catene di Markov

Transcript:

Il docmento è stato redatto da no stdente del corso d Larea n Ingegnera delle TLC (V.O.) dell nerstà La Sapenza n fase d preparazone d esame e qnd potrebbe contenere mprecson. Non per so commercale. CAPITOLO 7 POINT OPERATIONS Contrast Stretchng Clppng ad Thresoldng Dgtal Negate Intenste Leel Slcng Bt Extracton Range Compresson Image Sbtracton and Change Detecton HISTOGRAM MODELLING Hstogram Eqalzaton Hstogram Modfcaton Hstogram Specfcaton SPATIAL OPERATOTIONS (da completare) Spatal Aeragng and Spatal Low-Pass Flterng Fonte: FOUNDAMENTAL OF DIGITAL IMAGE PROCESSING ANIL K. JAIN 7-1

7.2 POINT OPERATIONS Le operazon pntal sono delle operazon senza memora che mappano n lello dato d grgo [, L] nel lello d grgo [, L] La Tab. 7.1 elenca qeste trasformazon. secondo la trasformazone : = f () (7.1) Contrast Stretchng L mmagne a basso contrasto è spesso dota ad na scarsa o non nforme llmnazone. La fgra 7.2 mostra na trasformazone tpca contrast-strechng, che pò essere espressa così: αn, n a = β ( a) + a, a b (7.2) γ ( b) + b, b L La pendenza della trasformazone, nella regone d sforzo, è scelta maggore dell ntà. I parametr a e b sono ottent esamnando l stogramma dell mmagne. Clppng and Thresoldng Il clppng è na caso partcolare d contrast-strecthng e s ha qando α = γ = (Fg. 7.4), è sato per rdrre l rmore qando s è a conoscenza del fatto che l segnale d ngresso è contento nell nterallo [ a, b]. 7-2

γ b a α β a b L Fgra 7.2 Trasformazone Contrast Stretchng. Per na regone scra α > 1, a L 3 ; regone centrale, β > 1, 2 b L ; regone lmnosa γ > 1. 3 Il Thresoldng è n caso partcolare del clppng con a = b = ˆ t e l scta denta bnara (Fg. 7.5) ed è tlzzato per prodrre n mmagne bnara. La fgra 7.6 mostra n esempo d Clppng e Thresoldng s n mmagne. Dgtal Negate Il negato dell mmagne pò essere ottento con la scalatra nersa della scala de lell d grgo come mostrato dalla trasformazone: = L (7.3) Le mmagn dgtal n negato engono comnemente tlzzate per la salzzazone delle mmagn nel campo della medcna o per la prodzone d stampe negate delle mmagn. 7-3

Intesty Leel Slcng (Fg. 7.9) L, Senza sfondo : =, a b altroe (7.4) L, a b Con sfondo : = (7.5), altroe Qeste trasformazon permettono la segmentazone delle regon a lello d grgo dal resto dell mmagne. Qesta tecnca è sata qando caratterstche dfferent d n mmagne sono contente n lell ders d grgo. La fgra 7.1 mostra l rsltato dell ntenstà della fnestra d taglo per segmentazone delle regon a bassa temperatra d de mmagn, nelle qal l ntenstà de lell d grgo è proporzonale alle basse temperatre. Bt Extracton Spponamo che ogn pxel dell mmagne sa nformemente qantzzato a B bts. S desdera estrarre n-esmo bt pù sgnfcato e salzzarlo. Prendamo : + B 1 B 2 B n = 1 2 + 2 2 +... + n 2 +... + B 1 2 B (7.6) Voglamo che l scta sa : L, se n = 1 = (7.7), altroe 7-4

è facle dmostrare che : n = n 2n 1 (7.8) doe n = ˆ nt, B n 2 nt[x] = parte ntera d x (7.9) Qesta trasformazone è tlzzata per determnare bt pù sgnfcat d salzzazone d n mmagne. Range Compresson A olte l range d dnamca d n mmagne potrebbe essere molto grande; come nel caso della trasformata ntara d n mmagne l c range è così grande che solo alcn pxel sono sbl. Il range d dnamca pò essere compresso per a logartmca : = c log 1 (1 + ) (7.1) doe c è na costante d scalatra. Image Sbtracton and Change Detecton Un potente e semplce metodo è qello d allneare de mmagn e sottrarle, ottenendo così l mmagne dfferenza. 7.3 HISTOGRAM MODELING L stogramma d n mmagne rappresenta la freqenza relata d occorrenza s ar lell d grgo dell mmagne. La tecnca d modellamento ad stogramma modfca l mmagne fno a che l so stogramma non raggnge la forma desderata. Hstogram Eqalzaton Nell eqalzzazone d n stogramma lo scopo è ottenere n stogramma nforme per l mmagne prodotta. Consderamo l alore del pxel d n mmagne essere na arable casale con na fnzone denstà d probabltà contna p ( ) ed na dstrbzone d probabltà F ) = ˆ P[ ] (. La arable casale è : sarà nformemente dstrbta s (.1) (Problema 7.3). = ˆ F ( ) = ˆ p ( ) d (7.11) 7-5

L mplementazone d qesta trasformazone s mmagn dgtal, sppone che l ngresso abba L lell d grgo x, =,1,..., L 1 con probabltà p ( x ), che possono essere determnate dall stogramma dell mmagne l qale fornsce h ( x ) : l nmero d pxel con alore d lello d grgo x. Allora : h( x ) p ( x ) = L 1, =,1,..., L 1 (7.12) h( x ) = L scta x ) :., così assmamo aere L lell, è data (assmento = = ˆ p ( x ) (7.13a) x = ( ) ( ). mn = ˆ Int L 1 +. 5 (7.13b) 1 mn doe mn è l pù pccolo alore posto ottento dalla (7.13a). Ora la. sarà nformemente dstrbta solo approssmatamente perché la è na arable non nformemente dstrbta (Problema 7.3). La fgra 7.13 mostra l algortmo d eqalzzazone dell stogramma per mmagn dgtal. Dalla (7.13a) s nota che la è na arable dscreta che assme l alore: se x = ˆ p ( x ) (7.14) x = =. L eqazone (7.13b) semplcemente rqantzza nformemente l nterallo { } nell nterallo { w }. Qesto passo d rqantzzazone è necessaro perché le probabltà p x ) e p ) sono nform. La fgra 7.14 mostra alcn rsltat dell eqalzzazone ( d stogramma. ( Hstogram Modfcaton Una generalzzazone della fgra 7.13 è mostrata nella fgra 7.15. Il lello d grgo n ngresso è prma trasformata non lnearmente con la f (), e l scta è qantzzata nformemente. Nell eqalzzazone d stogramma, la fnzone: 7-6

f ( ) = ˆ p ( x ) (7.15) x = tpcamente fornsce na compressone della arable d ngresso. Altre scelte per la fnzone f () che hanno comportamento smle sono: f ( ) = x = xl 1 x = p p 1/ n 1/ n ( x ), ( x ) n = 2,3,... (7.16) f ( ) = log(1 + ), (7.17) 1/ n f ( ) =,, n = 2,3,... (7.18) Qeste fnzon sono sml a qelle delle trasformazon compandng sate nella qantzzazone dell mmagne. Hstogram Specfcaton Spponamo che la arable aleatora con denstà d probabltà p () è trasformata n con denstà d probabltà () p. Defnamo na arable aleatora nforme: che soddsfa la relazone w = ˆ p ( x) dx F ( ) (7.19) = w = ˆ p ( y) dy F ( ) (7.2) = Elmnando w, ottenamo 1 = F ( F ( )) (7.21) Se e sono date come arabl dscrete aleatore che assmono alor x e y per =,..., L 1, con probabltà p x ) e p y ). Allora la (7.21) pò essere mplementata ( approssmatamente come sege. Defnamo ( w = ˆ ( ), ~ p x w = ˆ p x = = ( y ), =,..., L 1 (7.22). w rappresentano l alore w w~ n per alor pù pccol d n. Allora. = y è l scta n corrspondente a. La fgra 7.16 mostra qesto algortmo. 7-7

7.4 SPATIAL OPERATIONS Molte d rsltat delle tecnche d mmagne sono basat slle operazon pntal applcate ad n nseme d pxel cn al pxel d ngresso. Spesso, l mmagne è conolta con n fltro a rsposta mplsa fnta chamato spatal mas (maschera spazale). Spatal Aeragng and Spatal Low-pass Flterng In qesto caso l pxel ene rlocato medante na meda pesata de pxel cn, coè : Doe y ( m, n) e ( m n) ( m n) = a(, l) y( m, n l), (7.23) ( K, L) w, sono rspettamente le mmagn n ngresso ed n scta, W è na fnestra opportnamente scelta e, ( l) meda spazale ha ttt pes gal, n altre parole: a, sono pes del fltro. Una classe comne d fltr a Doe ( ) w 1, (7.24) N ( m n) = y( m, n l) w (, l ) W a, l = 1 N e N w è l nmero d pxel nella fnestra W. Un altro fltro a meda spazale molto tlzzato è : 1 ( m n) = 1 [ y( m, n) + { y( m 1, n) + y( m + 1, n) + y( m, n 1) + y( m, n + 1) }] (7.25), 2 4 Che mostra che ogn pxel è rlocato nseme alla sa meda con la meda de qattro pxel pù cn. La Fg. 7.17 mostra alcne maschere d maschere d meda spazale. 7-8