EO_503

EO LIGHTING - GIUGNO/LUGLIO 2022 XXXIII IMAGE PROCESSING perdita di informazioni), in modo da ridurne lo spazio di archiviazione (o diminuire la larghezza di banda per la tra- smissione: pensiamo, ad esempio, all’elaborazione e tra- smissione di immagini satellitari o di sonde su altri piane- ti, in cui la banda è limitata). Queste sono le operazioni di base da cui partire per l’appli- cazione di algoritmi avanzati, utili affinché un’immagine possa essere usata per estrarre informazioni riguardanti la realtà fisica. Processo di elaborazione Il processo di elaborazione di un’immagine è algoritmi- camente più complesso rispetto all’identificazione ed al pre-processing. Questo accade perché è in questa fase che, a partire dal segnale in 2D pre-elaborato, si passa all’estra- zione di informazioni proprie della realtà fisica: si indivi- duano, ad esempio, caratteristiche per il pattern recogni- tion, passando da una struttura flat (matrice MxN di pixel contenente solo valori grezzi) ad una struttura complessa: una mappa che rappresenta informazioni del mondo reale. Elaborazione di base Gli operatori di base possono essere suddivisi in due di- stinte tipologie: operatori punto e operatori spaziali. Gli operatori punto effettuano la trasformazione del valore di un singolo pixel in base al valore che lo stesso pixel ha nell’immagine di partenza. In pratica, il pixel nell’imma- gine di destinazione è funzione del singolo pixel dell’im- magine originale. Ciò che decide il modo in cui il pixel viene trasformato è la funzione (operatore) applicata. Prendiamo ad esempio l’applicazione dell’operatore soglia (threshold) su di una immagine in scala di grigi: l’utente stabilisce il valore so- glia del valore del pixel (es: 0...255), ogni pixel dell’immagi- ne originale viene confrontato in valore rispetto alla soglia; se il valore è minore della soglia, il pixel della destinazio- ne avrà valore 0, altrimenti 255. In questo modo si ottiene una immagine B/N in cui sono ben evidenziati alcuni pixel dell’immagine originale. Gli operatori spaziali, invece, sono operatori che tengono in considerazione non solo il pixel che si sta processando in una determinata iterazione, ma anche dei pixel che gli sono vicini; la vicinanza dipende dalla dimensione della finestra applicata. Operatori di questo tipo sono utilissi- mi per applicare filtri di ogni tipo (riduzione rumore spot o rumore sale e pepe, applicare medie e mediane in modo da ottenere immagini più “smooth”, applicazione di ma- schere di contrasto). Elaborazione avanzata Il processamento avanzato dell’immagine fa parte delle tecnologie degli ultimi anni, ed è di certo il segmento della Computer Vision maggiormente in fermento in questo pe- riodo: mentre per l’elaborazione di base gli algoritmi sono per lo più semplici e computazionalmente meno pesanti, l’elaborazione avanzata fa uso di algoritmi basati su teorie più complicate e che richiedono risorse di elaborazione più elevate. Una delle tecniche più utilizzate e note nell’elabo- razione avanzata è senz’altro l’estrazione di bordi (o edge detection): a partire da un’immagine originale se ne ottie- ne una in cui sono evidenziati i bordi degli oggetti in essa contenuti. La edge detection è un insieme di algoritmi in grado di rilevare il cambio di direzione all’interno di una immagine tramite operatore di convoluzione, combinando i pixel dell’immagine originale con una finestra di convo- luzione, i cui coefficienti permettono di mettere in eviden- za i bordi degli oggetti. La edge detection viene utilizzata come base di partenza per altri algoritmi, quali la feature extraction, ovvero l’ot- tenimento delle caratteristiche degli oggetti contenuti in un’immagine. Questa tecnica è utilizzata per tutta una se- rie di applicazioni ancora più sofisticate, quali l’object de- tection e il face recognition. Confrontando le varie feature estratte da una serie di im- magini di addestramento con un’immagine target (non fa- cente parte del set di addestramento), ed applicando quindi algoritmi di pattern recognition, è possibile indicare con quale probabilità l’immagine target è simile alle immagini del set di addestramento. La Computer Vision è ormai diventata realtà, e un nume- ro sempre maggiore di applicazioni si affaccia sul mercato. Nel giro di pochi anni si è passati dal più semplice foto- ritocco all’applicazione di algoritmi di AI su database di immagini, con risultati sensazionali. Tramite l’utilizzo di librerie, anche accessibili da parte di tutti (una su tutte, OpenCV), è possibile ottenere risultati finora impensabili: le tecnologie del futuro non ci sembrano più così lontane. Multi pattern recognition con OpenCV