Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
AppuntiV1 - Elaborazione Immagini
AppuntiV1 - Elaborazione Immagini
Aspetti Geometrici
Spiegano su quale punto del piano-immagine (bidimensionale, 2D) va a cadere un punto
della scena (tridimensionale, 3D)
Aspetti fisici
Spiegano il valore di Brightness(intensit luminosa) di un punto dell'immagine in
funzione dell'illuminazione della scena e delle propriet della superficie
Acquisizione dell'immagine
E il processo che porta dallimmagine prodotta sul piano sensibile del dispositivo di imaging a
quella disponibile nella memoria del calcolatore
[Esempio] Un semplice modello di formazione delle Immagini
Un punto del piano immagine colpito da raggi provenienti da punti diversi della scena
Nel caso della visione naturale il sistema di rivelazione la retina, su cui troviamo
particolari sensori: i coni per la visione diurna e i bastoncelli per la visione notturna
Obiettivi:
facilitare e potenziare il processo di valutazione ed interpretazione di un immagine
da parte di un umano
per il riconoscimento visuale
Caratteristiche
Non esiste una teoria generale, una soluzione si raggiunge con schemi trial and error
Formula Generale
g( x , y )=T [f ( x , y)]
T si dice operatore puntuale se l'intorno su cui opera ha dimensioni 1x1, ovvero considerano
unicamente il singolo pixel.
T si dice operatore locale se l'intorno su cui opera ha dimensioni maggiori di 1x1.
T si dice operatore algebrico/logico se opera su un set di immagini di input.
Il risultato dipende solo dal valore di grigio del punto dell'immagine originale
Applicazioni
Espansione della dinamica dei livelli di grigio per far risaltare elementi dell'immagine
rappresentati in un intervallo ristretto
Negativo
Lineari
Logaritmiche
Esponenziali
Operatori Puntuali
Negativo di un immagine
Un'immagine negativa semplicemente un'immagine con i valori dei pixels invertiti. In forma
analitica:
y = (L - 1) - x con L=256 per un immagine a 8-bit
Trasformazioni logaritmiche
In alcuni casi il range dinamico di un immagine (intervallo tra il pixel di valore pi basso e il
pixel di valore pi alto) eccede di molto le capacit di un dispositivo per la visualizzazione.
Scalando linearmente i valori il risultato che risultano visibili solo le parti chiare
dell'immagine.
Trasformazioni Logaritmiche
s=cr
espansione della dinamica se <1
compressione della dinamica se >1
Usata per esempio per visualizzare su un monitor immagini.
Contrast Stretching
Obiettivo:
Aumentare il range di livelli di grigio presenti nell'immagine
Cause:
Immagini poco contrastate sono frutto di scarsa illuminazione durante l'acquisizione, ridotto
range dinamico nel sensore
ax , 0x r 1
y= b( xr 1)+s 1, r 1xr 2
c(xr 2)+ s 2, r 2xL1
Implementazione pi semplice:
Pout =(P c)(
ba
)+ a
dc
255
)
dc
Istogramma di un immagine
Listogramma dei livelli di grigio di unimmagine uno dei pi semplici ed utili strumenti
nellelaborazione delle immagini. Molte tecniche di miglioramento e segmentazione si basano
sulluso dellistogramma.
Definizione
Listogramma di unimmagine con livelli di grigio nellintervallo [0,L-1] una funzione discreta
della forma:
h(r k )=nk
dove:
r k il k esimo livello di griggio
nk il numero di pixels con il livello paria r k con 0K L1
Listogramma quindi una funzione che associa ad ogni livello il numero di pixel dellimmagine
aventi quel livello di grigio.
Con listogramma otteniamo uninformazione statistica dellimmagine ovvero la frequenza di
occorrenza dei livelli di grigio.
Istogramma normalizzato
p(r k )=
nk
MN
L'istogramma normalizzato d una stima della probabilit di occorrenza dei livelli di grigio
nell'immagine descrivendo la frequenza di occorrenza dei valori di grigio nell'immagine.
La somma dei componenti di un istogramma normalizzato pari a 1
Istogramma cumulato
Si definisce istogramma cumulato la seguente funzione
rk
H (r k )= h( x )
x=0
Indica il numero di pixels nellimmagine che hanno valori di grigio minori o uguali a rk
nella sua forma normalizzata:
rk
P(r k )= p ( x)
x=0
Equalizzazione dell'istogramma
Il metodo risponde alla seguente idea intuitiva:
un'immagine con valori di grigio che occupano l'intero range e sono equamente distribuiti dovrebbe
avere un buon contrasto.
Si tratta di un metodo di miglioramento del contrasto basato su criteri formali, automatico, senza
euristica
Il metodo formulato nel continuo; nel discreto ho un'approssimazione
Teniamo conto che ogni operatore che attua una modifica del contrasto, e quindi che opera sui
valori di grigio dell'immagine, comporta il riposizionamento delle barre dell'istogramma
dell'immagine iniziale. Le barre non sono modificate in altezza (al limite sovrapposte) e il nuovo
istogramma ha lo stesso numero di barre di quello iniziale
hi ( x )dx=h0 ( y ) dy dx , dy 0 , hi ( x)dx=h0 ( y) dy
SLIDE Enhancement2-14
xk
H (x k )= h i (x)
x=0
Calcolo del nuovo valore del pixel dell'immagine di Output Pout secondo la formulata
Pout = (L-1/N) Hi(pin)
Matching di istogramma
Enhancement2 Slide 21...25
Moltiplicazione: mascheramento
Divisione: Mascheramento
Propriet:
Si effettuano pixel per pixel (in modalit sequenziale o parallela), ovvero gli operatori si
applicano a pixels con stesse coordinate, appartenenti a immagini diverse
Divisione e moltiplicazione hanno ruoli equivalenti (la divisione tra due immagini
riconducibile alla moltiplicazione di unimmagine per il reciproco dellaltra) riconducibili a
mascheramenti
Le immagini che compaiono come operandi nelle espressioni algebriche debbono avere la
stessa dimensione
Somma di Immagini
Riduzione del rumore, Image averaging
Definiamo rumore presente in un'immagine una componente del segnale acquisito che deriva dal
segnale ideale
Consideriamo l'immagine come matrice di pixels i cui valori sono dati da :
g(x,y) = f(x,y)+r(x,y) con r rumore presente nell'immagine
L'idea sottesa al metodo di ridurre il rumore sommando una serie di immagini g(x,y)
K
1
g ( x , y )= gi (x , y)
k i=1
Sommando K immagini il range [0, kX255]. Per riportare i valori nel range di
visualizzazione lo scaling : g(x,y)/K
Sottrazione di immagini
Si ottiene calcolando la differenza tra i valori di tutte le coppie di pixels corrispondenti, nelle
due immagini di riferimento. C(x,y)=A(x,y)-B(x,y)
La sottrazione pu essere utilizzata per enfatizzare le differenze tra due immagini non
visibili percettivamente.
Nei prossimi due esempi che seguono viene sottratta ad unimmagine una stessa immagine a
cui sono stati azzerati nella codifica di ciascun pixel i 4 bit meno significativi
Per riportare i valori nel range di visualizzazione sfruttando tutto il range dinamico lo
scaling consiste nel:
1. Considerare il minimo dellimmagine differenza
2. Sommare il suo negativo a tutti i pixel g(x,y)
3. Moltiplicare per la costante 255/Max dove MAX il massimo dellimmagine ottenuta al
punto 2
Per la moltiplicazione e divisione serve per schiarire o scure di un certo valore l'immagine
Operazioni insiemistiche
Operatori Logici
I pixels sono processati come stringhe di numeri binari; gli operatori si applicano dunque bit
a bit
Es: il Not applicato ad un pixel nero apparir bianco; il Not realizza la stessa funzione del
negativo di un immagine: s=255-t
And, Or
Sono utilizzati per mascherare e quindi isolare regioni di interesse nellimmagine (RoI).
AND: foto AND foto( tutto nero e rettango bianco) passa solo ci che ce nel rettangolo bianco
OR: foto OR foto ( tutto bianco e un rettangolo nero ) passa solo ci che c' nel rettangolo nero
Trasformazioni Spaziali
Trasformazioni spaziali mediante Operatori Locali
Gli operatori locali per trasformazioni spaziali, detti anche filtri operano sullinformazione spaziale
intesa come "variazione" dei livelli di grigio in un determinato intorno dell'immagine.
Frequenza Spaziale, Due definizioni:
E' il numero di cambiamenti nel valore di intensit per unit di distanza per ogni parte
dell'immagine
Filtri
Alla base delle trasformazioni spaziali sottesa l'idea che un'immagine sia una sintesi di diverse
componenti spaziali a diversa frequenza.
10
F = immagine di partenza
Tipi di filtri:
operatori locali che operano direttamente nel piano immagine interessando il pixel e il suo
intorno
Formula
m = 2a + 1
n = 2b + 1
w = matrice per trasformare
f = matrice
a
g( x , y )=
w( s , t )f ( x + s , y+ t )
s=a t=b
11
R= wiz i
i =1
g( x , y )= s=a t =b a
w( s , t)
s =a t=b
con
maschera m x n
m = 2a +1
n = 2b +1
Osservazioni:
Il denominatore costante
12
Applicazioni
Eliminare dettagli
Eliminare rumore
Sogliatura
L'effetto di omogeneizzazione fatto a scapito di informazioni di bordo, "edges",ovvero di
discontinuit significative nell'immagine. Una soluzione la sogliatura.
Con
f immagine originale
g immagine filtrata
g immagine risultato
Tale metodo presenta svantaggi dovuti all'aumento del costo computazionale ed all'introduzione di
un metodo di sogliatura euristico (quale il valore di soglia ideale?)
Filtro Gaussiano
un filtro di smoothing il cui kernel ha coefficienti derivati da una funzione gaussiana
bidimensionale.
1
G( x)=
e 2
2
Gaussiana bi dimensionale
2
x +y
1
G( x , y )=
e 2
2
Occorre trovare un criterio per dimensionare la maschera cos che rappresenti una buona
approssimazione della gaussiana con determinati valori di sigma e mu
Tanto pi grande tanto meglio approssima la gaussiana, ma tanto pi complessa la computazione
13
dell'operatore di filtraggio.
7 x 7 per =1
11 x 11 per =1,5
13 x 13 per =2
19 x 19 per =3
si ottiene una buona approssimazione con la costante davanti alla maschera viaggiante pari a:
K=2
Esempio
1 4
Maschera viaggiante:
7
4 16 26 16 4
7 26 41 26 7
4 16 26 16 4
1 4 7 4 1
Coefficiente: 1/273
Filtro Mediano
E' particolarmente efficace quando il rumore consiste in netti spikes e si vogliono preservare
le zone di transizione dell'immagine.
Si definisce valore mediano m di un insieme di valori il valore tale per cui met dei valori
dell'insieme sono minori (o uguali) ad m e met sono maggiori (o uguali).
Operativamente
si ordinano i valori compresi all'interno di una finestra
si individua il valore nella posizione centrale della sequenza e si assegna tale valore al
pixel centrale
Operatori di Sharpening
Sono basati sulla derivata prima e derivata seconda della funzione immagine.
Basati sulla derivata prima:
14
Formula
df
=f ( x+ 1, y )f ( x , y )
dx
df
=f ( x , y +1)f (x , y )
dy
devono avere valore diverso da zero allinizio ed al termine delle zone di transizione
Devono avere valore pari a zero nelle zone di transizione con pendenza costante
Formula
d2 f
=f (x +1, y)+f ( x1, y)2 f (x , y)
dx 2
d2 f
=f (x , y+1)+f ( x , y1)2 f (x , y )
dy 2
Isotropo ovvero che esalti le zone di alta frequenza in modo indipendente dalla direzione
delle discontinuit
Operatore Laplaciano
Rosenfeld and Kak (1982) trovarono che loperatore piu semplice ed efficace basato sulla derivata
seconda il Laplaciano.
Nel continuo, per una funzione f(x,y) loperatore Laplaciano definito nel modo seguente:
2 f =
15
d f d f
+
d x2 d y2
0 1
1 -4
0 1 0
Nell'intorno a 8 (come segue o con i segni invertiti)
1 1
1 -8
1 1
Maschere viaggianti
Senza elementi Diagonali
0 -1 0
-1 4 -1
0 -1 0
Con elementi diagonali
-1 -1 -1
-1 8 -1
-1 -1 -1
16
g( x , y )=f (x , y )f smoothed (x , y )
High Boosting
Formula
g( x , y )= Af (x , y)f smoothed (x , y), con A1
Maschera convolutiva (Se A = 1 ottengo il Laplaciano)
f passaalto ( x , y )= Af (x , y )2 f (x , y )
Af (x , y)+ f (x , y)
-1
-1 A+4 -1
0
-1
-1
-1
0
Con elementi diagonali
-1
-1 A+8 -1
-1
-1
-1
[]
f
f = Gx = x
f
Gy
y
[ ]
Gy
Gx
( )
Approssimazione discreta del modulo del gradiente mediante applicazione in successione di due
maschere convolutive:
| f |= G x2 +G y 2 | f ||G x|+|G y|
17
z1 z2 z3
z4 z5 z6
z7 z8 z9
| f ||z 8z 5|+|z 6z 5|
Altre approssimazioni:
Operatore di Roberts
| f ||z 9z 5|+|z 8z 6|
-1 0
0
-1
1
Operatore di Sobel
| f ||( z 7+ 2z 8+ z 5)(z 1+2z 2+ z 3)|+|( z 3+2z 6+ z 9)( z 1+ 2z 4+ z 7)|
-1
-2
-1
-1
-2
-1
18
Segmentazione di Immagini
Generale:
Il livello di dettaglio con cui effettuare la suddivisione dipende dagli scopi dellanalisi di
immagini di cui la segmentazione il passo iniziale
n
U R i=R
i=1
2.
3.
RiR j= i , j, i j
4.
19
P(Ri )=True , i
P(R k ) un predicato logico definito per i punti appartenenti a Rk
FI linsieme vuoto
5.
Contorni e regioni sono strutture che creano il link tra dati grezzi ed interpretazione.
Alla base di queste tecniche ritroviamo operatori derivativi simili a quelli visti nell'ambito
dell'Image Enhancement
NellEnhancement il risultato prodotto dallapplicazione di tali operatori viene
sovrapposto allimmagine originale per esaltare le zone ad alta frequenza spaziale
Nella segmentazione dopo lapplicazione di tali operatori viene applicata una regola di
decisione per decidere sulla base del valore della trasformazione se un dato pixel
dellimmagine appartiene ad un bordo/edge
20
Si utilizza quindi l'operatore Laplaciano che un operatore isotropo derivativo del secondo
ordine
Procedimento
Estrazione di linee
Si definiscono maschere viaggianti di tipo direzionale, ovvero che calcolano le differenze
accumulate lungo certe direzioni:
La direzione caratterizzata dalla disposizione dei coefficienti con valore pi alto (pari a 2)
nel nucleo convolutivo, la cui somma pari a zero; le maschere daranno quindi risposte
nulle nelle zone omogenee.
Spiegazione
21
Siano R1, .., R4 le risposte delle maschere per un dato posizionamento sullimmagine
Se
|Ri|>|R j for|all ji
il corrispondente pixel centrale appartiene alla linea con direzione corrispondente alla
maschera i-esima
Un edge/bordo un insieme di pixels connessi che risiedono nelle zone di confine tra due
regioni, in cui lintensit subisce brusche variazioni
Idealmente un edge un insieme di pixels connessi ognuno dei quali Si pone
ortogonalmente alla transizione dei livelli di grigio.
Realisticamente, a causa di imperfezioni nel processo di acquisizione, un edge mostra
spesso un effetto di sfocamento, cos da avere un profilo a rampa. Pi la rampa lunga
pi ledge spesso.
Utilizzando operatori locali, per ottenere un contorno si determinano gli edges mediante
operatori derivativi locali e si definisce poi una procedura per la ricostruzione/descrizione
dei contorni degli oggetti linkando i bordi individuati
Edge
Per rilevare un edge occorre cogliere la significativit della transizione ovvero distinguere
transizioni significative (edges) da transizioni non significative (rumore, variazioni non di
bordo)
*Gli operatori basati sulla derivata prima e seconda sono sensibili al rumore In particolare la
derivata seconda.
22
Altre precisazioni:
Punto di bordo:
La derivata prima in quel punto ha un valore superiore ad una determinata soglia
Segmento di Bordo:
Insieme di punti di bordo connessi secondo un dato criterio di connettivit
Contorno:
Insieme di segmenti di bordo linkati tra loro secondo un criterio di linking
Operatori
-1
Operatore di Roberts
| f ||z 9z 5|+|z 8z 6|
0
-1
1
Operatore di Sobel
| f ||( z 7+ 2z 8+ z 5)(z 1+2z 2+ z 3)|+|( z 3+2z 6+ z 9)( z 1+ 2z 4+ z 7)|
-1
-2
-1
-1
-2
-1
Operatore di Prewitt
| f ||( z 7+ z 8+ z 9)( z 1+ z 2+ z 3)|+|(z 3+ z 6+ z 9)(z 1+ z 4+ z 7)|
-1
-1
-1
-1
-1
-1
23
Svantaggi:
Metodo:
Sobel
Smoothing
Threesholding
Uso complementare agli operatori derivativi del primo ordine a cui demandato il ruolo di
localizzazione degli edges; con il Laplaciano si prende la decisione se un pixel sta nel lato
scuro o chiaro delledge (inizio o fine della rampa relativa alledge nel profilo immagine).
24
Gli zero crossing formano catene abbastanza continue indipendentemente dall'intensit del
contorno
L'operazione di sogliatura pi semplice: i candidati punti di contorno sono gli zeri della
derivata seconda.
Poich il Laplaciano un'operatore derivativo del secondo ordine ha comunque dei limiti se
applicato direttamente poich risulta molto sensibile al rumore.
Filtro LoG
Formula:
x +y
1 4
x2 + y 2 2
log (x , y)= 1
e
2 2
Es.
25
Si considerano due pixels individuati come pixels di bordo dalle tecniche basate sul
gradiente e si decide la loro a ppartenenza allo stesso contorno verificando la similarit di:
Intensit del modulo del gradiente
Direzione del vettore gradiente
Formule
| f (x , y ) f ( x 0, y 0 )|E , con E soglia non negativa
| (x , y ) (x 0 , y 0 )|A
*In casi complessi la continuit del contorno garantita dallutilizzo di approcci che integrano gli
operatori locali in approcci globali
Si procede definendo degli intervalli nel range dinamico dell'immagine e ad ognuno di essi
si associa una regione.
Formula:
T = T [ (x,y), p(x,y) , f(x,y)]
con:
f(x,y)livello di grigio del pixel di coordinate (x,y)
p(x,y) propriet locale (per es. livello medio
dei pixel di un determinato intorno)
T dipendente solo da f(x,y) Soglia globale
T dipendente sia da f(x,y), sia da p(x,y) Soglia locale
T dipendente da f(x,y), p(x,y), ed (x,y) Soglia dinamica, adattiva
26
27
Il problema risolvibile
dividendo limmagine originale
in sottoimmagini ed utilizzare
una soglia diversa per ciascuna
sottoimmagine
Lipotesi che si possa raggiungere per ciascuna immagine la condizione per cui efficace
una semplice sogliatura globale
Una possibilit per ottenere un buon istogramma su cui definire il valore di soglia di
considerare solo pixels in prossimit dei bordi degli oggetti.
Per individuare se sono sulla parte chiara o scura delledge utilizzo il laplaciano
Determinazione di Regioni
Le tecniche di estrazione di regioni si basano sulle propriet di similarit tra i pixels dell'immagine
in alternativa alle tecniche di estrazione dei contorni che si basano sulle caratteristiche di
discontinuit.
Le tecniche di estrazione di regioni tentano di raggiungere l'obbiettivo della segmentazione, ovvero
l'estrazione di oggetti dall'immagine, in modo diretto definendo regioni che coincidano con oggetti
o parti di essi.
Dal punto di vista insiemistico l'insieme delle regioni R 1 ,....., Rn , che vengono individuate da un
processo di segmentazione devono rispettare le seguenti condizioni:
1.
n
U R i=R
i=1
2.
3.
RiR j= i, j, i j
4.
5.
P( Ri )=True , i
P(R k ) un predicato logico definito per i punti appartenenti a Rk
FI linsieme vuoto
P( RiR i)=False per ogniregione adiaciente Ri , R j
Region Growing
28
Le tecniche di segmentazione che vanno sotto il nome di region growing sono basate sul
concetto di accrescimento delle regioni ottenuto mediante progressiva fusione di
pixels/regioni adiacenti.
L'idea base quella di partire con un insieme di "semi" e a questi aggregare pixels
dell'intorno che obbediscono ad un criterio di omogeneit (predicato P).
Tali criteri possono basarsi su descrittori pi o meno complessi basati sull'uniformit del
I criteri possono essere pi o meno complessi a seconda dei casi ed inglobare sia funzioni
matematiche sia regole euristiche basate su conoscenze a priori degli oggetti.
Punti critici
Scelta dei semi; pu basarsi su euristiche o per essere attuata necessita la valutazione di
criteri complessi e simili a quelli usati in fase di accrescimento.
Complessit computazionale
Vantaggi
Flessibilit
Accuratezza
Un aspetto interessante la definizione di approcci ibridi basati su estrazione di regioni
guidata dai risultati dell'estrazione di contorni.
Le tecniche "Split & Merge" si possono considerare un sottocaso delle tecniche di region growing
in cui il punto di partenza fornito dalla fase di split e l'accrescimento fornito dalla fase di merge.
29
Il Colore
Il colore la traduzione visiva della stimolazione dei fotorecettori della retina provocata da
unenergia radiante compresa entro un intervallo spettrale tra 0.4 e 0.7 micron di lunghezza donda
Importanza:
Ispezione visuale
Analisi automatica:
ricco di informazioni
La visione del colore deriva da un processo molto complesso in cui i fattori fisiologici e
psicologici si sovrappongono in maniera determinante a fattori fisici.
Dal punto di vista fisico esistono solo radiazioni di diversa lunghezza donda e non il colore
come entit.
Coni:
30
Sintesi colori:
Colorimetria
Obbiettivo
definire sistemi di riferimento colorimetrici assoluti che permettano di definire in modo
univoco qualsiasi colore
Osservazione:
Dal punto di vista della distribuzione spettrale dei colori, non un singolo colore
corrispondente ad una singola lunghezza d'onda pu essere definito rosso, verde o blu;
quindi le tre componenti specificate RGB non generano tutti i colori dello spettro.
Dalla teoria del tristimolo si deriva un modello quantitativo per specificare il colore.
Un colore sar determinato dai valori di tristimolo (detti anche coefficienti di tricromaticit)
denotati X, Y, Z per la componente di Rosso, Verde e Blu rispettivamente
31
la sorgente illuminante
le curve di sensibilit dei tre tipi di fotoricettori del nostro sistema visivo
L15-IL Colore.pdf SLIDE 26...46
Lo scopo dei mofelli e/o spazi colore quello di facilitare la specifica dei colori in una
modalit standard
Ogni spazio differisce per le variabili scelte come base per lo spazio
32
E basato sulla teoria del tristimolo per la quale ogni colore visto come combinazione
variabile dei tre colori primari Red, Green, Blue
I valori spettrali di Red Green and Blue sono quelli convenzionalmente posti da C.I.E (non
si generano quindi tutti I colori visibili)
Ogni colore appare nelle sue tre componenti spettrali Red Green Blue
ogni colore un punto allinterno del cubo ed definito in termini di un vettore che parte
dallorigine del sistema di assi cartesiani.
E definito in un sistema di riferimento cartesiano con i colori primari R G B posti sugli assi
che si possono rappresentare con i colori primari scelti come basi Il modello RGB
Non include le caratteristiche percettive, non quindi immediata la manipolazione dei colori
[ ] [] [ ]
C
1
R
M =1G
Y
1
B
Spazio HSI/L
E uno strumento utile per sviluppare algoritmi basati su una descrizione percettiva del
colore e che dovranno essere utilizzati per manipolare colori secondo una descrizione
naturale ed intuitiva
33
In generale:
Sia
[0, L-1] la scala di grigi, l 0 il nero e l L-1 il bianco
Supponiamo che P piani perpendicolari allasse delle intensit siano definiti ai livelli l 0 ...l
p;
34
Le trasformazioni saranno definite nello spazio vettoriale a tre componenti; per la maggior
parte delle trasformazioni si operer inmodo indipendente sulle tre componenti
Operatori di Enhancement
Operatori Puntuali
Operano solo sul valore puntuale del pixel ovvero sui valori di grigio dei piani immagine
che compongono limmagine a color
s i=T i (r 1 ,... , r n ), con i=1, ... , n
n il numero delle componenti colore:in RGB n=3, in CMYK n=4..;
si e ti denotano le componenti colore di ciascun pixel e Ti denota la trasformazione
definita per una data componente colore; linsieme delle trasformazioni Ti denota lintera
trasformazione detta color mapping
Color Balancing
Funzioni che correggono Limmagine per ottenere quella corretta
[ ]
R(x , y)
c (x , y )= G ( x , y )
B(x , y )
[ ]
1
R(x , y )
k (x , y)S
1
c ( x , y )= G(x , y)
k ( x, y) S
1
RB( x , y )
k (x , y)S
Con R, G, B componenti del pixel c dellimmagine a colori nel piano di Rosso del Verde e del Blu
35
2 R ( x , y )
2 [c ( x , y )]= 2 G( x , y )
2 B( x , y)
36