Segmentazione di immagini

Documenti analoghi
Segmentazione di immagini

Corso di. Dott.ssa Donatella Cocca

Introduzione al Machine Learning

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

Elementi di statistica

Capitolo 3 Covarianza, correlazione, bestfit lineari e non lineari

STATISTICA DESCRITTIVA CON EXCEL

Dati di tipo video. Indicizzazione e ricerca video

Università di Cassino. Esercitazione di Statistica 1 del 4 dicembre Dott.ssa Simona Balzano

Variabili statistiche - Sommario

3) Entropie condizionate, entropie congiunte ed informazione mutua

Categorizzazione automatica di immagini mediante algoritmi neurali.

La soluzione delle equazioni differenziali con il metodo di Galerkin

ESERCIZIO 4.1 Si consideri una popolazione consistente delle quattro misurazioni 0, 3, 12 e 20 descritta dalla seguente distribuzione di probabilità:

Precisione e Cifre Significative

Metodi e Modelli per l Ottimizzazione Combinatoria Progetto: Metodo di soluzione basato su generazione di colonne

Sommatori: Full Adder. Adder. Architetture aritmetiche. Ripple Carry. Sommatori: Ripple Carry [2] Ripple Carry. Ripple Carry

Il campionamento casuale semplice

x 0 x 50 x 20 x 100 CASO 1 CASO 2 CASO 3 CASO 4 X n X n X n X n

Classificazione di immagini con GRASS

* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE *

Ricerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili. Modelli per la Logistica: Single Flow One Level Model Multi Flow Two Level Model

Laboratorio 2B A.A. 2013/2014. Elaborazione Dati. Lab 2B CdL Fisica

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 /

Modelli descrittivi, statistica e simulazione

Università degli Studi di Urbino Facoltà di Economia

Sommario. Obiettivo. Quando studiarla? La concentrazione. X: carattere quantitativo tra le unità statistiche. Quando studiarla?

CARATTERISTICHE DEI SEGNALI RANDOM

Gestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena

Ministero della Salute D.G. della programmazione sanitaria --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA

Esercizi di econometria: serie 1

Statistica descrittiva

Strutture deformabili torsionalmente: analisi in FaTA-E

Controllo e scheduling delle operazioni. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena

Gestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena

LA VARIABILITA. IV lezione di Statistica Medica

Valutazione dei Benefici interni

* * * Nota inerente il calcolo della concentrazione rappresentativa della sorgente. Aprile 2006 RL/SUO-TEC 166/2006 1

Modello del Gruppo d Acquisto

6. Catene di Markov a tempo continuo (CMTC)

ESERCITAZIONE 2 DIAGRAMMI A BARRE, COSTRUZIONE DI ISTOGRAMMA. Notazione: x i = i-esima modalità della variabile X

Correlazione lineare

Corso di Architettura (Prof. Scarano) 25/03/2002

{ 1, 2,..., n} Elementi di teoria dei giochi. Giovanni Di Bartolomeo Università degli Studi di Teramo

Intorduzione alla teoria delle Catene di Markov

Scienze Geologiche. Corso di Probabilità e Statistica. Prove di esame con soluzioni

Individuazione di linee e curve. Minimi quadrati. Visione e Percezione. Model fitting: algoritmi per trovare le linee. a = vettore dei parametri

PROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE. (Metodo delle Osservazioni Indirette) - 1 -

= = = = = 0.16 NOTA: X P(X) Evento Acquisto PC Intel Acquisto PC Celeron P(X)

Modelli di variabili casuali

FILTRI NON ISOTROPICI PER LA SEGMENTAZIONE DI OGGETTI IN MAMMOGRAFIA DIGITALE

Fondamenti di Visione Artificiale (Seconda Parte) Corso di Robotica Prof.ssa Giuseppina Gini Anno Acc /2007

CORSO DI FISICA TECNICA 2 AA 2013/14 ACUSTICA. Lezione n 2:

Algoritmi euristici: III Ricerca Locale

Algebra Sia A un anello commutativo. Si ricorda che in un anello commutativo vale il teorema binomiale, cioè. (a + b) n = a i b n i i.

Strada B. Classe Velocità valore frequenza Frequ. ass Frequ. % hi Freq. Cum

L'Analisi in Componenti Principali. Luigi D Ambra Dipartimento di Matematica e Statistica Università di Napoli Federico II

La t di Student. Per piccoli campioni si definisce la variabile casuale. = s N. detta t di Student.

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

Fondamenti di Elaborazione di Immagini Template Matching. Raffaele Cappelli

Le obbligazioni: misure di rendimento e rischio La curva dei rendimenti per scadenze

Materials Handling and Logistics Technology. Linea guida. Settembre 2010

Concetti principale della lezione precedente

LEZIONE 2. Riassumere le informazioni: LE MEDIE MEDIA ARITMETICA MEDIANA, MODA, QUANTILI. La media aritmetica = = N

Il trattamento dei dati a fini descrittivi

FACOLTÀ DI SOCIOLOGIA CdL in SCIENZE DELL ORGANIZZAZIONE ESAME di STATISTICA 17/09/2012

Modelli decisionali su grafi - Problemi di Localizzazione

Corso di Economia Applicata

I MODELLI MULTISTATO PER LE ASSICURAZIONI DI PERSONE

Corso di Tecniche elettromagnetiche per la localizzazione e il controllo ambientale. Test scritto del 08 / 09 / 2005

Laboratorio 2B A.A. 2012/2013. Elaborazione Dati. Lab 2B CdL Fisica

Fotogrammetria. O centro di presa. fig.1 Geometria della presa fotogrammetrica

Propagazione degli errori statistici. Test del χ 2 per la bontà di adattamento. Metodo dei minimi quadrati.

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

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

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

Economia del turismo

x(t) x[n] x q [n] x q [n] Campionamento Quantizzazione Codifica

DATA MINING E CLUSTERING

Capitolo 3. Cap. 3-1

B - ESERCIZI: IP e TCP:

Hansard OnLine. Unit Fund Centre Guida

RICHIAMI SULLA RAPPRESENTAZIONE IN COMPLEMENTO A 2

Esercizio. Alcuni esercizi su algoritmi e programmazione. Schema a blocchi. Calcolo massimo, minimo e media

Confronto fra metodi regionali e metodi geostatistici per la stima delle distribuzioni degli estremi di precipitazione giornaliera

,29 7. Distribuzioni di frequenza. x 1 n 1 n 1 n 1 /N n 1 /N*100 x 2 n 2 n 1 +n 2 n 2 /N n 2 /N*100

Bipoli resistivi. (versione del ) Bipoli resistivi

Soluzioni 3.1. n(n 1) (n k + 1) z n k! k + 1 n k. lim k

Una semplice applicazione del metodo delle caratteristiche: la propagazione di un onda di marea all interno di un canale a sezione rettangolare.

Il Programma Visualizzatore Risultati

INDAGINE ESAUSTIVA O CAMPIONARIA?

Definizione di campione

ELETTROTECNICA Ingegneria Industriale

ESERCIZIO N. 1. b) rendimenti reali dell azienda Gesis e del portafoglio di mercato:

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

Tecniche di Composizione Personalizzata

Algoritmo di Carlier- Pinson per problemi di Job Shop Scheduling: un esempio

Per calcolare le probabilità di Testa e Croce è possibile risolvere il seguente sistema di due equazioni in due incognite:

LE FREQUENZE CUMULATE

NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI CONFRONTO DI PIU MEDIE IL METODO DI ANALISI DELLA VARIANZA

Transcript:

Segmentazone d mmagn

Introduzone Segmentazone: processo d partzonamento d un mmagne n regon dsgunte e omogenee. Esempo d segmentazone. Tratta da []

Introduzone (def. formale ( Sa R l ntera regone spazale occupata dall mmagne. Il processo d segmentazone può essere vsto come l partzonamento d R n n sottoregon, R, R, R n tal che: n R R R Q( R Q( R R. è un nseme connesso,,,... n. R j per tutt valor e j, TRUE per,,... n. R j FALSE per ogn coppa j. d regon adacent R, R j. Con Q(R k predcato defnto su punt d un nseme R k.

Introduzone (def. formale ( Ogn pxel deve appartenere ad una regone; I punt appartenent ad una regone devono essere conness (es. 4-conness, 8-conness; Le regon devono essere dsgunte; I pxel appartenent ad una regone devono soddsfare un certo predcato Q; Due regon adacent devono essere dverse nel senso del predcato Q; Ad esempo l predcato Q potrebbe essere l seguente: Q(R =TRUE se l ntenstà meda de pxel d R è nferore a m e la loro devazone standard è mnore d s (con m e s parametr costant.

Stratege d segmentazone Nel corso degl ann sono state svluppate svarate tecnche d segmentazone. Tuttava una soluzone generale al problema non è stata trovata. Alcune delle prncpal stratege d segmentazone sono: Edge-based; Thresholdng; Regon Mergng; Regon Splttng and Mergng.

Stratege d segmentazone: edge-based Estrazone degl edge (Sobel, Canny, Edge Lnkng e Boundary detecton (trasformata d Hough,. Esempo d mmagne segmentata con un approcco edge-based. Tratta da [].

Stratege d segmentazone: thresholdng ( I metod d segmentazone basat sull anals dell stogramma sono spesso utlzzat graze alla loro semplctà mplementatva ed effcenza computazonale. Queste tecnche calcolano un stogramma a partre da pxel (es. ntenstà e utlzzano su pcch e le sue vall per localzzare cluster dell mmagne.

Stratege d segmentazone: thresholdng ( Supponamo d avere un oggetto charo su sfondo scuro e che l suo stogramma sa quello mostrato n fgura. I pxel dell oggetto e del background sono raggruppat n due mode domnant. Istogramma con due mode domnant. Tratto da [].

Stratege d segmentazone: thresholdng (3 Scelta una sogla T che separa le due mode, un punto (x,y tale che f(x,y>t sarà un punto dell oggetto, altrment verrà assegnato allo sfondo. Se T è una costante che può essere applcata all ntera mmagne, s parla d soglatura globale. Se l valore d T vara sull mmagne s utlzza l termne soglatura varable. Nel caso n cu sa necessaro dscrmnare pù d due class la segmentazone è puttosto complessa. In tal cas, tpcamente s ottengono mglor rsultat con altr approcc (sogla varable e regon mergng.

Stratege d segmentazone: thresholdng (4 La buona ruscta degl algortm basat sugl stogramm dpende dalla larghezza e dalla profondtà delle vall che separano le mode dell stogramma. I fattor che nfluenzano le propretà delle vall sono: La separazone tra pcch; Il rumore presente nell mmagne; La dmensone relatva dell oggetto rspetto allo sfondo; L unformtà della sorgente lumnosa; L unformtà delle propretà d rflettanza dell mmagne.

Ruolo del rumore All aumentare del rumore presente nell mmagne, l processo d segmentazone dventa sempre pù complesso. Tratta da [].

Ruolo dell llumnazone Una sorgente lumnosa non unforme può rendere molto complessa la segmentazone. In fgura vene mostrato un esempo d mmagne llumnata con una sorgente non unforme (una rampa ed l suo stogramma.

Metodo d Otsu Tecnca automatca d selezone della sogla T. Il metodo massmzza la varanza nter-classe; E basato solo su operazon effettuate sull stogramma dell mmagne (vettore -D.

Metodo d Otsu ( Consderamo un mmagne d dmenson MxN con L lvell dstnt d ntenstà e sa n l numero d pxel d ntenstà. Il suo stogramma normalzzato ha component p =n /MN. Supponamo d selezonare una sogla T(k=k, 0<k<L-, e d dvdere n base ad essa l mmagne n due class, C (tutt pxel con ntenstà [0, k] e C (tutt pxel con ntenstà [k+, L-]. Con tale sogla, la probabltà che un pxel sa assegnato alla classe C è: P ( k k 0 p Per la classe C s ha: L P ( k p P ( k k

Metodo d Otsu (3 Il valore medo d ntenstà de pxel appartenent alla classe C è: In manera smle s rcava: k k k p k P C P P C P C P k m 0 0 0 ( ( ( / ( / ( ( ( / ( ( L k L k p k P C P k m S defnsce meda cumulatva fno al lvello k: k p m k 0 ( La meda delle ntenstà dell ntera mmagne è data da: 0 L m G p

Metodo d Otsu (4 Per valutare la bontà della sogla k s utlzza la metrca normalzzata: G B s s varanza globale de pxel dell mmagne: Con s G 0 ( L G G p m s varanza nter-classe: e s B ( ( G G B m m P m m P s

Metodo d Otsu (5 La varanza nter-classe può essere rscrtta come: s B P P ( m m ( m G m P ( P P Pù dstant sono le due mede, pù la varanza nter-classe è elevata. Questa formulazone della varanza nter-classe permette una pù effcente mplementazone. La sogla ottmale vene dunque calcolata: s B ( k* max s 0kL B ( k

Metodo d Otsu (6 L algortmo d Otsu può essere rassunto come segue: Calcolare l stogramma normalzzato dell mmagne; Calcolare le somme cumulatve P (k per k=0,,, L-; Calcolare le mede cumulatve m(k per k=0,,, L-; Calcolare la meda globale delle ntenstà, m G ; Calcolare la varanza nter-classe per k=0,,, L-; Ottenere la sogla k* che massmzza la varanza nter-classe; Se l massmo non è unco, rcavare k* come meda de valor d k corrspondent a var massm trovat; Rcavare la msura d separabltà * per k=k*.

Metodo d Otsu (esempo Esempo d mmagne segmentata con l metodo d Otsu. Tratta da []

Ruolo del rumore In alcun cas l mmagne presenta un lvello s rumore tale da rendere complessa la segmentazone tramte soglatura. Spesso l applcazone d un fltro d smoothng permette d rdurre l problema. L applcazone d una maschera d smoothng ha semplfcato la segmentazone rendendo l stogramma bmodale. Tratta da [].

Illumnazone non unforme Nel caso n cu l mmagne sa llumnata n manera non unforme o abba delle non unformtà nella rflettanza, la segmentazone tramte thresholdng può rsultare puttosto complessa. Una soluzone semplce al problema consste nel partzonare l mmagne n rettangol non sovrappost e su d ess effettuare la segmentazone. L stogramma relatvo ad ogn rettangolo è bmodale, e permette dunque la segmentazone dell mmagne. Tratto da []

Soglatura varable (cenn Quando l valore della sogla T vara sull mmagne s utlzza l termne soglatura varable. Alcune tecnche sono le seguent: Partzonamento dell mmagne: l mmagne vene dvsa n rettangol non sovrappost e su d ess vengono calcolate le sogle per la segmentazone; Soglature basate su propretà local dell mmagne: vene calcolata una sogla per ogn punto n base a delle propretà calcolate n un suo ntorno (es. meda, varanza,.

Regon Mergng A partre da un pxel detto seed s agglomerano ad esso pxel a lu vcn che soddsfano un certo crtero d omogenetà formando così una regone. Combnando successv process d growng, o procedendo con growng smultaneo da pù seed, s ottene la segmentazone dell ntera mmagne.

Regon Splttng and Mergng ( E possble esegure una segmentazone partzonando (splttng rcorsvamente una mmagne, fno ad ottenere component unform. S dovrà effettuare una successva operazone d aggregazone (mergng delle regon adacent che dovessero rsultare compatbl n base ad un crtero d fusone.

Regon Splttng and Mergng ( R La suddvsone rcorsva dell mmagne n quadrant vene rappresentata con una struttura ad albero chamato quad tree: ogn nodo contene le nformazon relatve a cascun quadrante e suo fgl sono assocat a quadrant n cu è ulterormente suddvso. Un nodo fogla è un quadrante suffcentemente unforme da non rchedere ulteror partzonament Dopo la fase d splttng s procederà alla fase d mergng delle regon adacent compatbl ; regon adacent verranno aggregate n una unca regone se quest ultma rsulterà suffcentemente unforme.

References [] Dgtal Image Processng R.C. Gonzales, R.E. Woods Prenctce Hall 007. [] R. Nock, F. Nelsen: Statstcal Regon Mergng. IEEE Trans. Pattern Anal. Mach. Intell. 6(: 45-458 (004.