Politecnico

di Milano

Elaborazione delle immagini digitali

Corsi di Informatica Grafica

Prof. Manuel Roveri

Dipartimento di Elettronica e Informazione
roveri@elet.polimi.it
Politecnico
di Milano Acquisizione ed elaborazione di
immagini nelluomo
Occhio e Cervello
Ottimo sistema visuale e processing
La conoscenza di come le immagini sono
formate nellocchio ci aiuta a capire come
processare le immagini digitali
Partiremo dallocchio umano per arrivare alle
immagini digitali
Politecnico

Struttura dellocchio umano

di Milano

Il cristallino concentra la
luce dagli oggetti sulla retina
La retina coperta da
recettori della luce chiamati
coni (6-7 milioni) e
bastoncelli (75-150 million)
Coni sono concentrati
intorno alla fovea e sono
molto sensibili ai colori
Bastoncelli sono pi
distribuiti e sono sensibili ai
bassi livelli di illuminazione
Politecnico
di Milano Formazione dellimmagine
nellocchio
Muscoli dellocchio possono essere usati per cambiare
la forma del cristallino permettendoci di mettere a fuoco
oggetti vicini o lontani
Un immagine messa a fuoco sulla renita: coni e
bastoncelli sono eccitati dalla luce
Limmagine acquisita viene poi trasferita al cervello
Politecnico

Luminosit: adattamento e discriminazione

di Milano

Locchio umano riesce a

distingure
approssimativamente 1010
differenti livelli di intensit
luminosa
ma non tutti nello stesso momento
Viene percepito un sottointervallo
intorno alla luminosit della
scena, spostando la finestra
di sensibilit quando la
luminosit cambia
(adattamento alla luminosit).
Politecnico
di Milano Luminosit: adattamento e
discriminazione (2)
Locchio umano distingue
256 toni di grigio

solo poche gradazioni di

intensit rispetto
allintensit ambientale
(1025)
Ma pochi toni di grigio
sono sufficienti solo
localmente e non per tutta
la scena
24 toni di grigio

Nellesempio: la mancanza
di toni di grigio intermedi
evidente nelle zone a lenta
variazione di luminosit
(come le nuvole e il cielo)

6
Politecnico

Intensit reale e percepita

di Milano

Lintensit percepita
non una funzione
solo dellintensit
luminosa: il bordo tra
due regioni appare
pi scuro nella
regione scura e pi
chiaro nella regione
chiara.

Ernst Mach
(1865)
Bande di Mach: regioni ad intensit uniforme
Politecnico

Fenomeno del contrasto simultaneo

di Milano

I riquadri interni alla figura hanno la stessa

intensit, ma il riquadro sullo sfondo scuro viene
percepito pi chiaro di quello sullo sfondo chiaro
Lintensit percepita non solo una funzione della
luminosit
Politecnico

Illusioni Ottiche
di Milano
Politecnico

La luce e lo spettro elettromagnetico

di Milano

La luce quella parte di spettro elettromagnetico che

raccoglie le lunghezze donda percepite dallocchio
umano
Lo spettro elettromagnetico diviso a seconda delle
lunghezze donda delle differenti onde
Politecnico

La luce riflessa
di Milano

I colori che percepiamo sono determinati dalla natura

della luce riflessa dalloggetto che osserviamo
Per esempio, se luce
bianca colpisce un
oggetto colorato di
verde, la maggior
parte delle lunghezze
donda sono assorbite Colours
Absorbed
tranne la luce verde
t
n Ligh
che riflessa G
r ee

dalloggetto
Politecnico

E per le immagini digitali?

di Milano

Dobbiamo riprendere i concetti di

Campionamento
Quantizzazione e
Risoluzione
Politecnico
di Milano Campionamento, quantizzazione e
risoluzione
Una camera digitale pu acquisire solo un numero
limitato di campioni a livelli discreti di luminosit
La quantizzazione converte il segnale analogico
continuo in una sua versione digitale
La risoluzione determina il numero e la dimensione dei
pixel
Politecnico

Acquisire le immagini
di Milano

Lenergia in arrivo colpisce il sensore (progettato per

acquisire quel tipo di energia) e genera un segnale
elettrico (voltaggio)
Insiemi di sensori per acquisire immagini

Sensore di immagini

Array di sensori
Politecnico

Non solo array di sensori

di Milano

Strisce ed anelli di sensori

Politecnico

Acquisire unimmagine digitale

di Milano

Il mondo continuo
una immagine digitale semplicemente
unapprossimazione di questo mondo!
Politecnico

Quali immagini?
di Milano

17
Politecnico

Immagini Raggi Gamma (1)

di Milano

Gli usi principali della immagini

basate su raggi gamma sono:
medicina nucleare
osservazioni astronomiche
In medicina nucleare, un isotopo
radioattivo viene iniettato al
paziente. Questo isotopo
emette raggi gamma mentre
decade
Queste immagini sono prodotte
dalle emissioni acquisite da
rilevatori di raggi gamma

18
Politecnico

Immagini Raggi Gamma (I1)

di Milano

Una stella nella

costellazione del
Cigno esplosa circa
15.000 anni fa
generando una
nuvola di gas ad alte
temperature

19
Politecnico

Immagini Raggi X
di Milano

TAC
I raggi X sono tra le pi
antiche fonti di
radiazioni
elettromagnetiche
utilizzate per le immagini
Luso pi noto dei raggi
X la diagnostica
medica, ma sono
ampiamente utilizzati
anche nel settore
industriale e in altri
settori

20
Politecnico

Immagini nellultra-violetto
di Milano

Le applicazioni di immagini basate su raggi ultravioletti sono

molteplici: la litografia, l'ispezione industriale, microscopi,
i laser, imaging biologico, e osservazioni astronomiche.

Intensit di emissione di Polvere e gas generati dal

autofluorescenza da una sottile ghiaccio vaporizzato di una
sezione di felce cometa in transito vicino alla terra
(Cyrtomium falcatum)
Politecnico
di Milano Immagini nella banda del visibile e
dellinfrarosso
La banda visiva dello spettro elettromagnetico la pi usata
in termini di acquisizione di immagini
La banda dell'infrarosso spesso usata in combinazione con
la banda del visibile
Applicazioni:
microscopio ottico,
astronomia,
telerilevamento,
industria,
forze dell'ordine.

22
Politecnico

Visibile: Microscopio ottico

di Milano

Microprocessore

Polmone Quarzite 23
Politecnico

Visibile: Foto di viaggi

di Milano

24
Politecnico

Immagini da infrarosso
di Milano

Immagini Uragano Ivan e Frances (Florida)

25
Politecnico

Immagini Radar
di Milano

Monitoraggio Dissesti Idrogeologici

26
Politecnico

Immagini da onde radio

di Milano

Le onde radio
vengono usate in
medicina, per
esempio, per la
risonanza magnetica
(magnetic resonance
imaging, MRI).

27
Politecnico

Immagini da ultrasuoni
di Milano

Gli ultrasuoni vengono impiegati in medicina per lecografia.

28
Politecnico

Cosa significa elaborare le immagini?

di Milano

Lelaborazione delle immagini serve per:

facilitarne linterpretazione;
estrarne informazioni.
Tipicamente si riconoscono tre categorie di elaborazione,
caratterizzate dal livello di astrazione:
basso livello (miglioramento di immagine);
medio livello (estrazione di caratteristiche);
alto livello (riconoscimento di oggetti).
Esempio: Riconoscimento delle targhe

29
Politecnico

Breve storia dellimage processing

di Milano

Inizio
Anni 20: Una delle prime applicazioni delle
immagini digitali stata nellindustria della carta stampata
Il servizio di trasmissioni via cavo
Bartlane
Le immagini venivano trasferite
tramite cavo sottomarino tra
Londra e New York
Le immagini venivano codificate
per il trasferimento via cavo e Una delle prime
immagini digitali
ricostruite dal ricevente su una
stampante telegrafica
Politecnico

Storia dellimage processing (cont.)

di Milano

Met/finedegli anni 20: miglioramento del sistema

Bartlane che ha permesso la trasmissione di immagini in
qualit pi alta
Nuovi processi
di riproduzione
basati su tecniche
fotografiche
Aumento del
numero di toni
di grigio

Immagine
digitale Immagine a 15 toni di
grigio
Politecnico

Storia dellimage processing (cont.)

di Milano

Anni60: il miglioramento delle tecnologie e dei

computer e la corsa allo spazio hanno portato alla nascita
del digital image processing
1964: Computer usati per
migliorare la qualit delle immagini
acquisite dalla sonda Ranger 7
Queste tecniche sono state poi
usate in altre missioni spaziali
come le missioni Apollo

Una foto della luna presa dalla

sonda Ranger 7 prima di
atterrare
Politecnico

Storia dellimage processing (cont.)

di Milano

Anni
70: elaborazione di immagini digitali inizia ad
essere utilizzata in applicazioni mediche
1979: Sir Godfrey N.
Hounsfield ed il Prof. Allan M.
Cormack vincono il premio
Nobel per linvenzione
della tecnologia alla base
della TAC

Immagine acquisita
durante una TAC
Politecnico

Storia dellimage processing (cont.)

di Milano

Anni 80 - Oggi: L'uso di tecniche di elaborazione delle

immagini digitali esploso e queste tecniche sono ora
utilizzate per molte attivit in molti settori:
Miglioramento delle immagini e riduzione del rumore
Effetti Artistici
Medicina
Controllo industriale
Sicurezza e tracciamento
Human-computer interfaces
Politecnico
di Milano Esempio: miglioramento
dellimmagine e riduzione del rumore
Politecnico

Esempio: il telescopio Hubble

di Milano

Lanciato nel 1990

per acquisire immagini di
oggetti molto distanti
Sfortunatamente,
uno specchio non funzionava in
modo corretto rendendo le
immagini
inutilizzabili
Tecniche di
Image Processing
per fissare
il problema
Politecnico

Esempio: Effetti Artistici

di Milano

Effetti
artistici vengono
utilizzati per rendere le
immagini pi
interessanti, per
aggiungere effetti
speciali e per creare
immagini composite
Politecnico

Esempio: Medicina
di Milano

Prendereimmagini della risonanza magnetica e trovare

contorni delle immagini

Immagine originale Riconoscimento dei contorni

Politecnico
di Milano Esempio: Sistemi Informativi
Geografici (GIS)
Elaborazione delle immagini per manipolare le
immagini acquisite da satellite
Classificazione dei terreni
Meteorologia
 Esempio: controllo industriale
Politecnico
di Milano

40
Politecnico

Esempio: PCB Inspection

di Milano

Analisi di circuiti Printed Circuit Board (PCB)

Utilizzata per determinare che tutti i componenti siano presenti e
che tutti i punti di saldatura siano corretti
Vengono utilizzate sia immagini digitali che convenzionali
Politecnico

Esempio: sicurezza e tracciamento

di Milano

42
Politecnico

Esempio: sicurezza e tracciamento (2)

di Milano

43
Politecnico
di Milano Esempio: Human-Computer
Interface
Rendere
linterfaccia
computer-uomo pi naturale
Riconoscimento di volti
Riconoscimento di gesti

Questicompiti sono
particolarmente complessi
Politecnico
di Milano La catena dellelaborazione dellimmagine
(Brian Mac Namee)

Image Morphological
Restoration Processing

Image
Segmentation
Enhancement

Image Object
Acquisition Recognition

Representation
Problem Domain
& Description
Colour Image Image
Processing Compression
Politecnico
di Milano La catena dellelaborazione dellimmagine:
Image Acquisition
Image Morphological
Restoration Processing

Image
Segmentation
Enhancement

Image Object
Acquisition Recognition

Representation
Problem Domain
& Description
Colour Image Image
Processing Compression
Politecnico
di Milano La catena dellelaborazione dellimmagine:
Image Enhancement
Image Morphological
Restoration Processing

Image
Segmentation
Enhancement

Image Object
Acquisition Recognition

Representation
Problem Domain
& Description
Colour Image Image
Processing Compression
Politecnico
di Milano La catena dellelaborazione dellimmagine:
Image Restoration
Image Morphological
Restoration Processing

Image
Segmentation
Enhancement

Image Object
Acquisition Recognition

Representation
Problem Domain
& Description
Colour Image Image
Processing Compression
Politecnico
di Milano La catena dellelaborazione dellimmagine:
Morphological Processing
Image Morphological
Restoration Processing

Image
Segmentation
Enhancement

Image Object
Acquisition Recognition

Representation
Problem Domain
& Description
Colour Image Image
Processing Compression
Politecnico
di Milano La catena dellelaborazione dellimmagine:
Segmentation
Image Morphological
Restoration Processing

Image
Segmentation
Enhancement

Image Object
Acquisition Recognition

Representation
Problem Domain
& Description
Colour Image Image
Processing Compression
Politecnico
di Milano La catena dellelaborazione dellimmagine:
Object Recognition
Image Morphological
Restoration Processing

Image
Segmentation
Enhancement

Image Object
Acquisition Recognition

Representation
Problem Domain
& Description
Colour Image Image
Processing Compression
Politecnico
di Milano La catena dellelaborazione dellimmagine:
Representation & Description
Image Morphological
Restoration Processing

Image
Segmentation
Enhancement

Image Object
Acquisition Recognition

Representation
Problem Domain
& Description
Colour Image Image
Processing Compression
Politecnico
di Milano La catena dellelaborazione dellimmagine:
Image Compression
Image Morphological
Restoration Processing

Image
Segmentation
Enhancement

Image Object
Acquisition Recognition

Representation
Problem Domain
& Description
Colour Image Image
Processing Compression
Politecnico
di Milano La catena dellelaborazione dellimmagine:
Colour Image Processing
Image Morphological
Restoration Processing

Image
Segmentation
Enhancement

Image Object
Acquisition Recognition

Representation
Problem Domain
& Description
Colour Image Image
Processing Compression
 Elaborazione delle immagini
Politecnico
di Milano

digitali

Istogramma
Negativo
Sogliatura
Trasformazioni (equalizzazione)
Politecnico

Lavorare con i livelli di grigio

di Milano

Fino ad ora abbiamo lavorato con i livelli di grigio

nellintervallo [0, 255]
Dove 0 nero e 255 bianco

Per molte operazioni di elaborazione dellimmagine

pi semplice avere livelli di grigio nellintervallo [0.0, 1.0]

livello normalizzato = livello grigio / 255

Politecnico

Istogramma dellimmagine
di Milano

Listogramma dellimmagine mostra la distribuzionoe

dei livelli di grigio nellimmagine
Molto usato nellelaborazione della immagini,
specialmente nella fase di segmentazione
Frequencies

Grey Levels
Politecnico

Esempio di istogramma (1)

di Milano
Politecnico

Esempio di istogramma (1)

di Milano
Politecnico

Esempio di istogramma (2)

di Milano
Politecnico

Esempio di istogramma (2)

di Milano
Politecnico

Esempio di istogramma (3)

di Milano
Politecnico

Esempio di istogramma (3)

di Milano
Politecnico

Esempio di istogramma (4)

di Milano
Politecnico

Esempio di istogramma (4)

di Milano
Politecnico

Esempio di istogramma (5)

di Milano
Politecnico

Esempio di istogramma (5)

di Milano
Politecnico

Analisi degli istogrammi

di Milano

L'immagine ad alto
contrasto quella che ha
listogramma pi regolare
(uniformemente
spaziato)
Politecnico

Elaborare le immagini a livello di pixel

di Milano

Ilpi semplice tipo di elaborazione quella che si

riferisce alla trasformazione di un singolo pixel
Sia T una funzione di trasformazione di livelli di grigio
Lelaborazione di un singolo pixel avviene quindi nel
seguente modo
s=T(r)
dove s il livello di grigio processato come output della
funzione mentre r si riferisce al livello di grigio
nellimmagine originale
Politecnico

Immagini in negativo
di Milano

Usateper migliorare dettagli bianchi o grigi in regioni scure

delle immagini
Il dettaglio del tessuto molto pi chiaro nellimmagine negativa

Immagine Immagine
Originale Negativa

s = 1.0 - r
Politecnico

Trasformare unimmagine in negativo

di Milano

Original Image x Enhanced Image x

y Image f (x, y) y Image f (x, y)

s = intensitymax - r
Politecnico

Thresholding (sogliatura)
di Milano

Questetrasformazioni sono particolarmente utili per la

fase di segmentazione dellimmagine nella quale si vuole
isolare un oggetto di interesse dallo sfondo (background)

1.0 r > threshold

s=
0.0 r <= threshold
Politecnico

Thresholding (sogliatura): la trasformaizone

di Milano

Original Image Enhanced Image x

x

y Image f (x, y) y Image f (x, y)

1.0 r > threshold

s=
0.0 r <= threshold
Politecnico

Trasformare i livelli di intensit dei pixel

di Milano
Politecnico

Power-Law transformations
di Milano

Le trasformazioni con
legge di potenza hanno
la seguente forma
s=c*r
Mappare tonalit r
nella tonalit s attraverso
una trasformazione con
legge di potenza
Variando si ottiene
lintera famiglia
di curve
Politecnico
di Milano Trasformazioni con legge di
potenza: pixel per pixel
Original Image Enhanced Image x
x

y Image f (x, y) y Image f (x, y)

s=r
Generalmente si fissa c a 1
Livelli di grigio devono essere nellintervallo [0.0, 1.0]
Politecnico
di Milano Trasformazioni con legge di
potenza: immagine originale
Politecnico
di Milano
Trasformazioni con legge di potenza:
immagine trasformata (1)

= 0.6
1
0.9
Transformed Intensities

0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.2 0.4 0.6 0.8 1
Old Intensities
Politecnico
di Milano
Trasformazioni con legge di potenza:
immagine trasformata (2)

= 0.4
1
0.9
Transformed Intensities

0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.2 0.4 0.6 0.8 1
Original Intensities
Politecnico
di Milano
Trasformazioni con legge di potenza:
immagine trasformata (3)

= 0.3
1
0.9
Transformed Intensities

0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.2 0.4 0.6 0.8 1
Original Intensities
Politecnico
di Milano Effetto del nelle trasformazioni di
potenza
Queste immagini
mostrano una
s = r 0.6
risonanza magnetica
di una colonna
vertebrale

s = r 0.4
Differenti curve
evidenziano dettagli
differenti
Politecnico
di Milano E per scurire unimmagine? Che valore
di dobbiamo usare?
Politecnico
di Milano
Trasformazioni con legge di potenza:
immagine trasformata con >1

= 5.0
1
0.9
Transformed Intensities

0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.2 0.4 0.6 0.8 1
Original Intensities
Politecnico
di Milano Effetto del nelle trasformazioni di
potenza
Questa volta le
trasformazioni
sono usate per s = r 3.0
scurire
limmagine
Differenti curve
evidenziano

s = r 4.0
dettagli differenti
Politecnico

Aumentare il contrasto
di Milano

Possiamo migliorare il contrasto delle immagini?

Si, distribuendo le frequenze dellimmagine possiamo
migliorare il contrasto:

Equalizzazione dellistogramma dellimmagine

Politecnico
di Milano Equalizzazione dellistogramma
Formula per lequalizzazione
dellistogramma: sk = T (rk )
rk: intensit di input k
sk:
k:
intensit di output
ampiezza delle intensit
= pr (rj )
(0.0 1.0) j =1
nj: frequenza della j-ma intensit
n: somma di tutte le frequenze
k nj
=
j =1 n
Politecnico
di Milano
Funzione di trasformazione dellequalizzazione
Politecnico

Equalizzazione: esempio 1
di Milano

1
Politecnico

Equalizzazione: esempio 2
di Milano

2
Politecnico

Equalizzazione: esempi 3 e 4
di Milano

4
Politecnico
di Milano Funzioni di trasformazione per gli esempi di
equalizzazioni 1, 2, 3 e 4
Politecnico

Per approfondimenti
di Milano

Rafael C. Gonzalez and Richard E. Woods.

Digital Image Processing.
Pearson Education
Capitoli 1, 2 e 3

92