Professional Documents
Culture Documents
da Immagini
Prof. Sebastiano Battiato
Premessa
Premessa
Processo di Acquisizione
Real Image
Lens
CFA
Sensor
SW-Processing
Digital
Data
SW-Pipeline
Rumore Gaussiano
I modelli del rumore Gaussiano sono spesso utilizzati in pratica
grazie alla loro trattabilit matematica. La pdf di una variabile
random gaussiana, z, data da:
1
( z u ) 2 / 2 2
p( z ) =
e
2
dove z rappresenta il livello di grigio, lintensit media, e la
deviazione standard. Con questa distribuzione, circa il 70% dei valori di z
cade dentro lintervallo [, + ], e circa il 95% nellintervallo [2,
+ 2]
Rumore di Rayleigh
La pdf del rumore di Rayleigh data da:
2
2
( z a )e ( z a ) / b z a
p( z ) = b
0
z<a
Rumore Gamma
La pdf del rumore Gamma (detto anche di
Erlang) data da:
a b z b 1 az
e
p ( z ) = (b 1)!
0
za
z<a
sono
Rumore Esponenziale
La pdf del rumore Esponenziale
data da:
ae az
p( z ) =
0
z0
z<0
Rumore Uniforme
La pdf del rumore uniforme
data da:
p( z ) = b a
0
a zb
altrimenti
Rumore Impulsivo
La pdf del rumore impulsivo bipolare data da:
Pa
p ( z ) = Pb
0
z=a
z =b
altrimenti
Rumore periodico
Lo spettro mostra la presenza di onde
seno a diverse frequenze, ognuna delle
quali si manifesta in forma di una coppia
coniugata di impulsi sul piano delle
frequenze. In questo caso, gli impulsi
sono disposti approssimativamente lungo
un cerchio.
In presenza di rumore periodico la stima
pu essere fatta mediante ispezione
visuale dello spettro. Molto pi difficile
la stima automatica delle frequenze
spurie, di norma possibile solo in
presenza
di
spike
di
rumore
eccezionalmente pronunciati
= z i p ( z i ) 2 = ( zi ) p ( z i )
zi S
zi S
Filtri di media
Il filtro di media aritmetico il pi semplice dei filtri di media.
Sia Sxy linsieme di coordinate in una finestra rettangolare di
dimensione m x n centrata nel punto (x, y). Il processo di filtraggio
della media aritmetica calcola il valore medio dellimmagine
corrotta g(x,y) nellarea definita da Sxy. Il valore dellimmagine
restaurata f^ in qualsiasi punto (x, y) semplicemente la media
aritmetica calcolata usando i pixel nella regione definita da Sxy. In
altre parole:
1
f =
g ( s, t )
mn ( s ,t )S xy
f ( x, y ) = g ( s , t )
( s ,t )S xy
1
mn
Loperazione di
dallespressione:
filtraggio
di
f ( x, y ) =
media
armonica
data
mn
( s , t ) S xy
1
g ( s, t )
f ( x, y ) =
g ( s, t )
Q +1
( s ,t )S xy
g ( s, t )
( s ,t )S xy
Immagine originale
Immagine
corrotta
da
rumore
Gaussiano di media zero e varianza 400
Filtri order-statistics
I filtri order-statistics sono filtri spaziali la cui risposta
basata sullordinamento dei pixel contenuti nellarea
dellimmagine racchiusa dal filtro.
I filtri order-statistics pi importanti sono:
Filtro mediano
Filtro di max e filtro di minimo
Filtro mid-point
Filtro di media alpha-trimmed
Filtro mediano
Il filtro mediano sostituisce il valore di un pixel con il mediano
dei livelli di grigio nellintorno di quel pixel:
f ( x, y ) = median{g ( s, t )}
( s ,tS xy )
Filtro max
f ( x, y ) = max {g ( s, t )}
( s ,tS xy )
Filtro di minimo
Il filtro di minimo dato da:
f ( x, y ) = min {g ( s, t )}
( s ,tS xy )
Filtro mid-point
f ( x, y ) =
( s ,tS xy )
f ( x, y ) =
1
mn d
g ( s, t )
( s ,tS xy )
Immagine corrotta da
pepper con probabilit 0.1
rumore
filtrata
con
filtro
Filtri Adattivi
Interessante la possibilit di rendere il filtro adattivo rispetto alle
caratteristiche statistiche locali dellimmagine, con riferimento alla
regione rettangolare definita dal filtro. Questo rende normalmente
migliore la performance del filtro, al prezzo di una sua maggiore
complessit. Un semplice filtro adattivo per la riduzione del rumore
si pu ottenere a partire dalla conoscenza di media e varianza
dellimmagine g(x,y) allinterno della regione rettangolare
(rispettivamente mLe 2L) e della varianza 2 del rumore additivo
Le considerazioni su cui si basa questo approccio sono le seguenti:
Se 2= 0, il filtro deve restituire semplicemente g(x,y), dato che in
questo caso il rumore nullo;
Se 2L>> 2, il filtro deve restituire un valore prossimo a g(x,y),
dato che si tratta probabilmente di una zona ad alto contrasto, con
edge che devono essere mantenuti;
Filtri Adattivi
Se 2L= 2, il filtro deve restituire la media dei valori presenti
nella regione, dato che si tratta probabilmente di una zona in cui il
rumore deve essere ridotto.
Una funzione adattiva che rispetta tutte le condizioni suddette la
seguente:
2
f ( x, y ) = g ( x, y ) 2 [g ( x, y ) mL ]
L
Si noti che lunica quantit il cui valore deve essere stimato prima
dellapplicazione del filtro la varianza del rumore, e questo pu
essere fatto come visto in precedenza. Si noti anche lassunzione
implicita che 2 2L, assunzione ragionevole data la natura
additiva del rumore e la sua indipendenza dalla posizione.
Filtri Adattivi
Per anche possibile che questa condizione sia violata in qualche
regione dellimmagine, e questo pu portare a risultati privi di senso
(valori negativi dellimmagine, in dipendenza della luminosit
media locale).
Pertanto bisognerebbe testare la condizione 2>2L, e porre il
rapporto uguale a 1 in caso affermativo, ma questo renderebbe il
filtro non lineare.
In alternativa, si pu lasciare che si verifichino eventuali livelli
negativi, per poi normalizzare alla fine della operazione, con
conseguente perdita di una parte della gamma dinamica
dellimmagine. Nellesempio seguente, una immagine a 256 livelli
di grigio (tra 0 e 1) corrotta da rumore gaussiano a media nulla e
varianza pari a 0.01, e trattata con un filtro di media mobile 7 x 7 e
con un filtro adattivo (non lineare) della stessa dimensione.
Filtri Adattivi
Approfondimenti
Photon Shot Noise: E un particolare rumore tipico dei dispositivi di acquisizione.
Assume tipicamente una distribuzione di Poisson (ma converge al rumore
Gaussiano allaumentare dellintensit luminosa)
Approfondimenti
Fixed Pattern Noise
Approfondimenti
Il rumore nelle componenti luminanza e crominanza va studiato
separatamente
Esempi
Band-reject
Immagine corrotta
da rumore
periodico
sinusoidale,
completamente
rimosso grazie ad
un filtro bandreject.
Band-reject
Notch Filter
H(x,y)=Gs(x,y)/Fs(x,y)
Stima Sperimentale
Se si ha a disposizione una attrezzatura simile a quella usata per acquisire
limmagine degradata, si pu in linea di principio ottenere una stima
accurata della funzione di degrado. Si possono infatti acquisire immagini
simili a quella da restaurare, aggiustando i parametri di acquisizione finch
non si ottengono immagini che esibiscano un degrado molto simile a quello
da correggere. A questo punto si pu ottenere la risposta impulsiva
corrispondente alla funzione di degrado, acquisendo, con le stesse
impostazioni determinate in precedenza, un impulso luminoso di ampiezza A
sufficientemente grande da poter trascurare leffetto del rumore.
H (u , v) = e
k (u 2 + v 2 )5 / 6
H (u , v) = e j 2ux0 (t ) dt = e j 2uat / T dt =
T
sin(ua )e jua
ua
H (u, v) =
T
sin[ (ua + vb)]e j ( ua + vb )
(ua + vb)
Filtraggio inverso
Una volta ottenuta la stima della funzione di degrado H, lapproccio pi
semplice al restauro lapplicazione diretta di una operazione di filtraggio
inverso:
F^(u,v) = G(u,v)/H(u,v)
Ricordando per che:
G(u,v) = H(u,v)F(u,v) + N(u,v)
si ha (dividendo per H(u,v)):
F^(u,v) = F(u,v) + N(u,v)/H(u,v)
Anche se la funzione di degrado fosse perfettamente nota, il ripristino della
immagine non degradata non sarebbe possibile per la presenza del rumore, la
cui DFT N(u,v) una funzione random non nota. Inoltre, nei punti in cui la
funzione di degrado si annulla o assume valori molto piccoli, il contributo del
termine N(u,v)/H(u,v) pu diventare predominante nel calcolo della stima
dellimmagine non degradata, compromettendo il restauro. Per limitare questo
effetto, una possibilit limitarsi ad applicare il filtro inverso solo alle basse
frequenze. Perche?
Filtro di Wiener
Dunque il filtraggio inverso non fornisce esplicitamente una soluzione
per trattare contemporaneamente rumore e degrado.
Nella soluzione suggerita da Wiener nel 1942, invece, sia la funzione di
degrado che le caratteristiche statistiche del rumore sono esplicitamente
trattate nel processo di restauro. Lapproccio di Wiener considera sia
limmagine che il rumore come processi casuali, e si pone lobiettivo di
determinare una stima dellimmagine non degradata, tale da minimizzare
lerrore quadratico medio tra stima e immagine, definito come:
2
e = E ( f f )
Filtro di Wiener
Assumendo che rumore e immagine siano incorrelati, che luno o laltra
abbia valor medio nullo, e che i livelli di grigio della stima siano una
funzione lineare di quelli dellimmagine degradata, il minimo della misura
di errore dato (nel dominio della frequenza) da:
2
1
H (u , v)
G (u , v)
F (u , v) =
2
H
(
u
,
v
)
H (u , v) + S (u , v) / S f (u , v)
Filtro di Wiener
Si pu notare che il filtro di Wiener non ha gli stessi problemi del
filtro inverso, a meno che la funzione di degrado e lo spettro di
potenza del rumore non siano nulli per gli stessi valori di u e v.
Se il rumore nullo, il filtro di Wiener si riduce al filtro inverso
Se il rumore bianco, il filtro si semplifica (S(u,v) costante), ma il
problema che difficilmente lo spettro di potenza del rumore e della
immagine non degradata sono noti.
Tuttavia, si pu semplificare la trattazione approssimando il filtro nel
modo seguente utilizzando una opportuna costante K:
2
1
H (u , v)
F (u , v) =
G (u , v)
2
H (u , v) H (u , v) + K
Ulteriori sviluppi
Distorsioni Spaziali
Trasformazioni Affini
Aumentiamo il dataset..
Principi di TC
Lobiettivo della tomografia computerizzata a
raggi X quello di ottenere una rappresentazione
3-D della struttura interna di un oggetto tramite la
visione a raggi X delloggetto da diverse
direzioni.. La tomografia computerizzata tenta di
ottenere una resa volumetrica 3D (o parti
localizzate di esse) tramite lutilizzo di vere e
proprie sezioni che attraversano il corpo da cui
ottenere una rappresentazione 3-D mediante una
sommatoria di tutte le sezioni.
Una implementazione TC molto economica,
perch il numero dei rilevatori richiesti per
ottenere una sezione ad alta risoluzione molto
pi piccolo del numero di rilevatori necessari per
creare una proiezione 2-D completa alla stessa
risoluzione. Anche la complessit computazionale
e i dosaggi a raggi-X si riducono, rendendo la TC
a proiezione 1-D un metodo pi pratico.
Un po di storia..
Il fondamento teorico della TC risale a Johann Radon, un matematico di
Vienna che nel 1917 propose un metodo per proiettare un oggetto 2-D
lungo raggi paralleli come parte del suo lavoro su integrali di linea (o
curvilinei), oggi comunemente detto Trasformata di Radon.
Quarantacinque anni dopo, Allan M. Cormack, un fisico alla Tufts
University, in parte riscopr questi concetti e li applic alla TC.
Cormack pubblic le sue scoperte nel 1963 e 1964 e mostr come esse
potessero essere utilizzate per ricostruire immagini a sezione trasversale
del corpo da immagini a raggi X prese a diverse direzioni angolari. Egli
deriv le formule matematiche necessarie per la ricostruzione e costru un
vero e proprio prototipo TC per dimostrare la concretezza delle sue idee.
In maniera indipendente, lingegnere Godfrey N. Hounsfield con alcuni
suoi colleghi alla EMI a Londra formul una soluzione simile e costru la
prima macchina medica TC.
Cormack e Hounsfield condivisero nel 1979 il Premio Nobel per la
Medicina per i loro contributi alla tomografia medica.
Scanner TC
x cos + y sin =
Trasformata di Radon
g ( j , k ) =
g ( , ) =
g ( , ) = f ( x, y ) ( x cos + y sin )
x =0 y =0
Senogrammi
Senogrammi
TC a raggi X
X-ray source
rivelatore
TC a raggi X
TC a raggi X
X-ray source
rivelatore
TC a raggi X
TC a raggi X
TC a raggi X
rivelatore
X-ray source
Laminogramma
Al variare di possiamo scrivere in generale che limmagine
formata da una retroproiezione singola ottenuta a un dato angolo
data da
f ( x, y ) = g ( x cos + y sin , )
Limmagine finale ottenuta dallintegrale (sommatoria) di tutte
le singole retroproiezioni:
=0
=0
f ( x, y ) = g ( x cos + y sin , )
Risultati
Esempi