ELABORAZIONE NUMERICA DELL’IMMAGINE

Le numerose metodologie e tecniche sviluppate nel settore

dell’elaborazione numerica delle immagini tipicamente vengono
classificate secondo gli obbiettivi. Tra i principali:

1. Miglioramento della qualità (image enhancement)

dipende da quello che voglio nello studio,
2. Ripristino di qualità (image restoration) non c’è un miglioramento unico.
DIPENDE DA COSA VOGLIO
3. Estrazione di caratteristiche (image segmentation)
4. Compressione (image compression)
5. Ricostruzione dell’immagine da proiezioni (image reconstruction)
6. Registrazione delle immagini (image registration)
7. Classificazione e riconoscimento di forme (image understanding).

Alcune di queste elaborazioni sono di fondamentale importanza

per le bioimmagini.
 MIGLIORAMENTO DELL’IMMAGINE

• L’obiettivo principale dell’image enhancement è quello di elaborare

l’immagine in modo che l’immagine elaborata risulti più “adatta” (utile,
comprensibile) per l’applicazione specifica dell’immagine originale.

ESEMPIO: Tomografia del torace. dipende se voglio vedere tessuti o ossa

quando ho immagine si calcola l’istogramma

La prima immagine, a sinistra, impiega una finestra di grigi ottimizzata per la

visualizzazione delle strutture ossee,
l’immagine centrale evidenzia i tessuti molli,
la terza immagine permette di analizzare il tessuto polmonare.
 ISTOGRAMMA DELL’IMMAGINE
L’istogramma di un’immagine numerica MN è il grafo che riporta, per ogni livello
di grigio, rk , quanti pixel dell’immagine, nk , hanno quel valore:

H(rk)=nk F
R
ad ogni immagine corrisponde un istogramma ma non viceversa E
Q
L’istogramma fornisce quindi la distribuzione di U
E
frequenza dei livelli di grigio dell’immagine. N
Z
E LIVELLI DI GRIGIO

• Gli istogrammi sono la base per molte tecniche di elaborazione nel dominio spaziale

• Si calcolano in modo automatico

• Ad ogni immagine corrisponde un solo

istogramma, ma non è valido il viceversa:
 ISTOGRAMMA NORMALIZZATO DELL’IMMAGINE

L’istogramma di un’immagine numerica MN può essere normalizzato in modo che

la somma dei valori dell’istogramma sia pari ad 1:

H*(rk)= nk/MN

ove H*(rk) rappresenta la probabilità che un pixel dell’immagine, scelto in modo

casuale, abbia livello di grigio rk : p(rk)= nk/MN

… consideriamo i livelli di grigio dell’immagine come realizzazioni di una

variabile casuale R, con una certa densità di probabilità l’istogramma
normalizzato fornisce un’approssimazione di questa densità di probabilità:

Pr(R=rk) ≈ p(rk) = nk/MN

 CARATTERISTICHE DI UN
ISTOGRAMMA TUTTO A SX

• L’estensione di un istogramma si
riferisce direttamente al contrasto
dell’immagine:
• istogrammi “stretti” sono TUTTO A DX
rappresentativi di immagini a basso
contrasto
•istogrammi “larghi” sono
rappresentativi di immagini ad alto
contrasto.
A BASSO CONTRASTO ,
TUTTO SFUOCATO
In generale:
• l’istogramma di un’immagine
sottoesposta sarà relativamente stretto
con un picco spostato sulla sinistra.
• l’istogramma di un’immagine BUONA IMMAGINE CON
ISTOGRAMMA PIATTO
sovraesposta sarà relativamente stretto —> VOGLIO RENDERE
PIATTO L ISTOGRAMMA
con un picco spostato sulla destra.
 Equalizzazione dell’istogramma (1)
tecnica non lineare che appiattisce
• E’ un metodo per migliorare il contrasto di un’immagine.
• E’ utile specialmente in immagini che presentano ampie regioni di pixel
con livelli di grigio simili fra loro.
• Permette di evidenziare dettagli nascosti nell’immagine, aumentando il
contrasto localmente e quindi rendendo più pronunciate e quindi visibili le
differenze fra i livelli di grigio dei pixel in una regione.
• E’ una tecnica di elaborazione non-lineare che cerca di appiattire l’istogramma
in modo che nell’immagine elaborata ci sia lo stesso numero di pixel per ogni
livello di grigio.

nk/MN nk/MN

rk sk
 Equalizzazione dell’istogramma (2)
• Si consideri il livello di grigio dell’immagine f, come una variabile casuale
nell’intervallo normalizzato [0,1], in un dominio continuo, a cui è associata una
funzione di densità di probabilità pr(r).

• Si vuole realizzare una trasformazione T , s=T(r) , che, nell’immagine elaborata g,

distribuisca uniformemente i livelli di grigio s, con densità di probabilità ps(s).

TRASFORMAZIONE T NON LINEARE

Si assume che HP

1. T(r) sia strettamente monotona crescente (preservi l’ordine dal nero al bianco)

2. T(r) mappi l’intervallo [0,1] in [0,1] (preservi il range dei valori di grigio)

3. la trasformazione inversa r= T-1(s) soddisfi le suddette ipotesi.

 Equalizzazione dell’istogramma (3)
• Si deve determinare la caratteristica della funzione di trasformazione T
ove s=T(r) | ps(s)=1 0 ≤ s ≤ 1
• Per un teorema fondamentale della teoria della probabilità, nelle ipotesi che
pr(r) sia nota e che T sia continua e differenziabile, si ha che:
1
ps ( s ) = pr (T −1 ( s ))  pr (r )dr = ps ( s )ds
 dT 
 
 dr  T −1 ( s )
• Sia T la funzione di distribuzione cumulativa (soddisfa le ipotesi fatte sulla T):
r
s = T (r ) =  pr ( w)dw
0
• Si ha:

ds dT (r ) d  
r
= 1 s  0,1
dr 1
= =  pr ( w)dw = pr (r )  p s ( s ) = pr ( r ) = pr ( r )
dr dr dr  0  ds pr ( r )

• Bisogna perciò integrare la densità dell’istogramma originario.

RISULTATO TEORICO TROVATO, ORA VADO NEL DISCRETO
 Equalizzazione dell’istogramma (4)
• Nella pratica però abbiamo valori discreti di grigio:

rk , k = 0,…, L-1, variabile casuale discreta che rappresenta i livelli di grigio in

[0, L-1] e

pr(rk) = nk /MN, componente dell’istogramma normalizzato corrispondente al

valore di rk.

La trasformazione che genera un istogramma uniforme sarà quindi:

k k
ni
sk = T (rk ) = ( L − 1) pr (ri ) = ( L − 1) con k = 0,..., L − 1
i =0 i = 0 MN

VANTAGGIO: Procedura completamente automatica. LO FA IL PC IN TRE SECONDI

ATT: L’equalizzazione si otterrebbe se avessimo a disposizione infiniti livelli

di grigio. Operando con livelli discreti di grigio si ottengono dei “buchi”.
 Esempio di equalizzazione 1

IMMAGINE DOPO AVER EQUALIZZATO

5000

4000

3000

2000

1000

0 50 100 150 200 250

0 255 0 255
 Esempio di equalizzazione 2

immagine scurissima di partenza

immagine dopo la equalizzo con istogramma
immagine con range dinamco stretto perche occupa pochi livelli di grigio
Esempio di equalizzazione 3

metto in luce
questi ounti
 Esempio numerico 1
• Si consideri un’immagine 64x64 (MN=4096) a 8 livelli di grigio (3 bit):

• Calcoliamo i valori della funzione di trasformazione

di equalizzazione dell’istogramma:
0
s0 = T (r0 ) = 7 pr (ri ) = 7 pr (r0 ) = 1.33
i =0
1
s1 = T (r1 ) = 7 pr (ri ) = 7 pr (r0 ) + 7 pr (r1 ) = 3.08
i =0

s2 = 4.55, s3 = 5.67, s4 = 6.23, s5 = 6.65, s6 = 6.86, s7 = 7.00.

• Arrotondiamo per avere i valori dell’istogramma equalizzato (solo 5 livelli di grigio):

s0 = 1.33 → 1, s1 = 3.08 → 3, s2 = 4.55 → 5, s3 = 5.67 → 6, s4 = 6.23 → 6, s5 = 6.65 → 7, s6 = 6.86 → 7, s7 = 7.00 → 7.

(656+329)/4096

(245+122+81)/4096

immagine scura perche istogramma istogramma equalizzato

caratterstica a gradino
non piatto ad es. il 2 non è assunto da nessuno
 Esempio numerico 2 esempio simile all esempio 1

• Si consideri un’immagine 64x64 (n=4096) a 8 livelli di grigio:

nk/n
rk 0/7=
1/7=0.14 2/7=0.29
3/7=0.4
4/7=0.57
5/7=0.7
6/7=0.86
7/7= 0.3
0 3 1 1
nk 1400 850 650 450 200 100 80 366 0.2
nk/n 0.34 0.21 0.16 0.11 0.05 0.02 0.02 0.09 0.1
• Livelli in uscita: funzione di distribuzione istogramma:
0 1 rk
s0=0.34  2/7
s1=0.34+0.21=0.55  4/7 nk/n
s2=0.55+0.16=0.71  5 /7 0.3
s3=0.71+0.11=0.82  6/7
s4=…=0.87  6/7 0.2
s5=…=0.89  6/7
0.1
s6=…=0.91  6/7
s7=…=1  7/7
0 1 sk
sk 2/7 4/7 5/7 6/7 7/7
nk 1400 850 650 450+200+100+80 366
nk/n 0.34 0.21 0.16 0.20 0.09
Esempi di equalizzazione di istogrammi

dominio molto ristretto in ordinata i livelli di grigio

s=T(r)
 Equalizzazione dell’istogramma a livello locale

PROBLEMA: migliorare i dettagli in piccole aree di un’immagine.

- Si può definire la funzione di trasformazione dell’equalizzazione
dell’istogramma su un intorno Sxy di un determinato pixel per il
miglioramento locale dell’immagine.
Esempio:

I valori di intensità di questi oggetti sono troppo vicini a

quelli dei quadrati e la loro misura è troppo piccola per
influenzare l’equalizzazione dell’istogramma (globale)
abbastanza significativamente da mostrare questo dettaglio.
 Uso della statistica dell’istogramma per
il miglioramento dell’immagine
Si consideri
r variabile casuale discreta che rappresenta i livelli di grigio in [0, L-1] e
p(ri) (componente dell’istogramma normalizzato corrispondente all’i-esimo
valore di r) stima della probabilità di occorrenza dell’intensità ri nell’immagine.

La media di r è:
L −1
m =  ri p (ri )
i =0

Il momento n-esimo di r rispetto alla sua media è:

L −1
 n (r ) =  (ri − m) n p (ri )
i =0

da cui L −1
 0 = 1 1 = 0  2 (r ) =  (ri − m) 2 p (ri ) =  2
i =0

La media rappresenta il valor medio dei valori di grigio dell’immagine,

la varianza rappresenta la misura del suo contrasto medio.
quanto differisocno i livelli di grigio fra di loro
segue

Media e varianza di un’immagine possono essere stimate direttamente dai

campioni, senza calcolare l’istogramma.

La media campionaria è:
M −1 N −1
1
m=
MN
 f ( x, y)
x =0 y =0

la varianza campionaria è:
M −1 N −1
 =
2 1
  f ( x , y ) − m 2

MN x =0 y =0

Media e varianza dell’immagine possono essere anche definite in un intorno,

Sxy, di un determinato pixel, per il miglioramento locale dell’immagine.