34810 - BIOIMMAGINI E VISIONE LM

Conoscenze e abilità da conseguire

Al termine del corso lo studente possiede una competenza approfondita circa la valutazione ed elaborazione di bioimmagini da un punto di vista bioingegneristico. Inoltre possiede una buona conoscenza dei processi di visione biologici di basso livello, con particolare riguardo all'architettura funzionale della corteccia visiva primaria dell'uomo. Le conoscenze e le competenze si articolano sempre sui tre livelli matematico, modellistico e computazionale.

Contenuti

Introduzione

Definizione di visione artificiale (computer vision). Definizione di sistema per la elaborazione e l'analisi di immagini. Alcuni settori applicativi: videosorveglianza “intelligente”; tracciamento di persone per l'analisi del comportamento; analisi automatica di eventi nel monitoraggio del traffico; guida automatica di veicoli, ultraleggeri (UAV - Unmanned Aerial Vehicles) e controllo satellitare; analisi di immagini mediche (TAC, RM, …) e biomediche (immagini cellulari microscopiche); misure automatiche e controllo qualità; robotica e ricostruzione 3D della scena.

Formazione delle immagini

Tipi di immagine: fotografica, termica, radiografica. Sistema di formazione dell'immagine. Processo di formazione dell'immagine e dispositivi di acquisizione. Radiometria: radianza e irradianza. Range dinamico. Funzione di risposta della telecamera. Il dispositivo: lenti, aberrazioni, fuoco, diaframma. Processo di acquisizione e campionamento. Quantizzazione e digitalizzazione. Livelli di grigio e canali colore. Risoluzione spaziale e fotometrica. Tecnologie di acquisizione. Geometrica di ripresa: posizione del sensore e prospettiva. Immagini da sensori non ottici.

Elaborazione e miglioramento delle immagini

Aritmetica delle immagini e le operazioni fondamentali. Trasformazioni fotometriche. Definizione di istogramma. Proprietà e forma. Uso dell'istogramma e operazioni puntuali. Segmentazione di oggetti: sogliatura fissa e adattiva. Equalizzazione. Aumento del contrasto. Aumento/riduzione del range dinamico. Istogramma cumulativo. Trasformazioni in diversi spazi del colore. Correzione gamma. Trasformazioni geometriche: zoom in e zoom out, rotazioni, traslazioni, deformazioni affini. Operazioni locali e convoluzione. Template matching. Operatori morfologici e riduzione del rumore. Filtri digitali. Segmentazione di oggetti: labelling e watershed. Applicazioni: computer grafica, identificazione automatica di oggetti, stabilizzazione automatica delle condizioni di illuminazione.

Pattern recognition e analisi di immagini

Richiami di probabilità e statistica per l'analisi dati. Distribuzione e densità di probabilità. Funzione gaussiana. Teoria della decisione e classificazione dei dati. Classificatore bayesiano, MAP e ML. Classificazione supervisionata e clustering. Misure di prossimità. Estrazione automatica di caratteristiche dall'immagine. Feature fotometriche, geometriche, statistiche. Analisi della tessitura e momenti. Feature multidimensionali. Tecniche di riduzione della dimensionalità. Riconoscimento automatico di oggetti in immagini. Applicazioni: riconoscimento e classificazione automatica di oggetti, visione industriale.

Analisi di sequenze di immagini e video

Tecniche di registrazione di immagini e pattern matching. Rilevamento ed analisi automatica del movimento. Tracciamento automatico di oggetti e features. Applicazioni: sicurezza, rilevamento automatico di eventi, controllo di qualità, visione industriale.

Ricostruzione di immagini da viste multiple

Visione stereoscopica 3D: principi e tecniche. Formazione di immagini 3D da viste multiple. Ricostruzione di assetto e posa di telecamera in movimento. Applicazioni: computer grafica, misure automatiche di oggetti, statiche e dinamiche, guida e controllo automatico di veicoli.

Testi/Bibliografia

• R. Gonzales, R. Woods: “Digital Image Processing”, Second Edition, Prentice-Hall, New-Jersey, USA, 2002
• Richard O. Duda, Peter E. Hart, David G. Stork: “Pattern Classification”, Second Edition, Wiley Interscience, New York, 2001
• R. I. Hartley, A. Zisserman: “Multiple View Geometry in Computer Vision”, Second Edition, Cambridge University Press, 2004
• CVonline: Vision Related Books including Online Books and Book Support Sites (http://homepages.inf.ed.ac.uk/rbf/CVonline/books.htm)

Metodi didattici

Lezioni in aula ed esercitazioni assistite in laboratorio. Ogni argomento teorico verrà immediatamente accompagnato dallo studio di casi in laboratorio che ne mettano in luce applicazioni significative. Per far acquisire agli studenti padronanza e familiarità con gli argomenti trattati verranno inoltre proposte esercitazioni da svolgere a casa, con successiva correzione in laboratorio.

Modalità di verifica e valutazione dell'apprendimento

Gli studenti saranno valutati in base allo svolgimento di un progetto di gruppo (max 3 studenti) ad alla sua discussione individuale.

Strumenti a supporto della didattica

Nel sito del materiale didattico sono disponibili per il download le slide presentate a lezione ed il software per le esercitazioni in laboratorio

Link ad altre eventuali informazioni

http://cvg.deis.unibo.it

Orario di ricevimento

Consulta il sito web di Alessandro Bevilacqua

Consulta il sito web di Alessandro Gherardi