Sistemi di visione artificiale

• Acquisizione delle immagini

• Elaborazione delle immagini
• Filtraggio
• Compressione
• Riconoscimento di target
• 3D stereo vision
 Applicazioni della Computer
Vision
• Automazione dei processi industriali
– Ispezioni visuali, controlli di qualità
• Applicazioni spaziali e militari
• Applicazioni mediche
• Sorveglianza e tracking
– Traffico, sicurezza
• Navigazione e coordinazione hand-eye di
robot
Automazione dei processi
industriali
Diagnostica medica
Applicazioni spaziali
Applicazioni militari
Applicazioni nel settore della
robotica
 Sistemi elettronici per
l’elaborazione di immagini
 Acquisizione delle immagini
• Dispositivo sensibile all’energia radiata dagli oggetti nella
scena osservata (sensore di immagini lineare o matriciale,
CCD o CMOS)
luce

Sensore lineare

Segnale
elettrico
Singolo sensore di
luce Sensore matriciale, per es. Charge Coupled Device (CCD)

Il sensore campiona l’immagine reale della scena osservata

 Acquisizione delle immagini
•Convertitore per trasformare il segnale elettrico in uscita dal
sensore in informazioni digitali (digitalizzatore)

Immagine reale Immagini digitalizzate (campionate e quantizzate)

Ogni quadrato evidenziato nell’immagine reale viene associato ad un solo valore

di intensità luminosa
Elaborazione delle immagini
Si opera su immagini digitalizzate

• Filtraggio
• Compressione
• Riconoscimento di target
• 3D stereo vision
 Filtraggio
• L’obiettivo è migliorare la qualità delle immagini digitalizzate

Non esiste una definizione generale.

1. Se l’immagine è usata per ricavare un’interpretazione

visiva, giudica la persona che la guarda

2. Se l’immagine è usata da una macchina, tanto migliore è

la qualità dell’immagine quanto più preciso è il risultato
dell’elaborazione (per es. un calcolatore deve riconoscere
un oggetto)
 Filtraggio
• Filtraggio nel dominio dello spazio: si opera
direttamente sui pixels dell’immagine

• Filtraggio nel dominio della frequenza: si

opera su una trasformata dell’immagine

• Filtraggio misto
 Filtraggio nel dominio dello spazio
I(x,y)
Kernel
maschera

T
Q(x,y)

Finestra incentrata
Intorno a I(x,y)

Q( x, y ) = T [ I ( x, y )]
L’ingresso è l’immagine I; l’uscita è l’immagine Q, ottenuta
applicando l’operatore T definito su un vicinato del generico
pixel I(x,y). L’operatore T combina la finestra kxk centrata in
I(x,y) con il kernel
 Esempio
L’operatore T esegue una convoluzione 3x3

Immagine in ingresso 8X8 Kernel di convoluzione 3x3

P(0,0) P(0,1) P(0,2) P(0,3) P(0,4) P(0,5) P(0,6) P(0,7) W (0,0) W (0,1) W (0,2)
P(1,0) P(1,1) P(1,2) P(1,3) P(1,4) P(1,5) P(1,6) P(1,7) W (1,0) W (1,1) W (1,2)
P(2,0) P(2,1) P(2,2) P(2,3) P(2,4) P(2,5) P(2,6) P(2,7) W (2,0) W (2,1) W (2,2)
P(3,0) P(3,1) P(3,2) P(3,3) P(3,4) P(3,5) P(3,6) P(3,7)
P(4,0) P(4,1) P(4,2) P(4,3) P(4,4) P(4,5) P(4,6) P(4,7)
P(5,0) P(5,1) P(5,2) P(5,3) P(5,4) P(5,5) P(5,6) P(5,7)
Immagine di uscita 8X8
P(6,0)
P(7,0)
P(6,1)
P(7,1)
P(6,2)
P(7,2)
P(6,3)
P(7,3)
P(6,4)
P(7,4)
P(6,5)
P(7,5)
P(6,6)
P(7,6)
P(6,7)
P(7,7)
Q(i , j ) = ∑P
k = −1, 0 ,1
( k +i ,h + j ) × W( k +1,h +1)
h = −1, 0 ,1
Esempio: calcoliamo Q(4,3)

P( 3, 2 ) × W( 0, 0 ) + P(3,3) × W( 0,1) + P( 3, 4 ) × W( 0, 2 ) +
P( 4, 2 ) × W(1, 0 ) + P( 4,3) × W(1,1) + P( 4, 4 ) × W(1, 2 ) +
P( 5, 2 ) × W( 2, 0 ) + P( 5,3) × W( 2,1) + P( 5, 4 ) × W( 2, 2 )
 Tipici filtri nel dominio dello spazio
Il kernel è detto anche filtro ed i suoi elementi sono detti coefficienti del filtro
I filtri di Smoothing (arrotondamento) sono usati per la riduzione del rumore o
per il blurring (offuscamento) di piccoli dettagli - eliminano o riducono dettagli
di dimensione confrontabile con quella del kernel.

BOX FILTER
Il filtro di Sharpening o Laplaciano estrae dall’immagine dettagli
di dimensione confrontabile con quella del kernel.

Diverse implementazioni del filtro Laplaciano

-1 -1 -1 0 1 0
-1 8 -1 1 -4 1
-1 -1 -1 0 1 0

1 1 1 0 -1 0
1 -8 1 -1 4 -1
1 1 1 0 -1 0
 Image Enhancement

Laplacian
Elaboration +
8-bit Pixel 8-bit Pixel
Input Image Laplacian Kernel
Resulting Image
-1 -1 -1
-1 8 -1
X +
-1 -1 -1

Sobel Smoothing
Elaboration Elaboration

Sobel Kernels Smoothing Kernel

-1 -2 -1 -1 0 1 1 1 1 1 1
0 0 0 -2 0 2 1 1 1 1 1
1 2 1 -1 0 1
1/25* 1 1 1 1 1
1 1 1 1 1
1 1 1 1 1