strumentazione per bioimmagini introduzione alle immagini digitali
TRANSCRIPT
Strumentazione per bioimmagini Introduzione alle immagini digitali
2
Introduzione
• Immagini: risultato di un sistema di acquisizione/elaborazione/visualizzazione della radiazione EM visibile (400-700nm) per riprodurre stimoli visivi “realistici”
•Piu’ generale: analisi di dati/proprieta’ attraverso la loro visualizzazione
temperatura pressione densita’
3
Introduzione
ralemultispett]1,0[
colore]1,0[
grigi di scala]1,0[
: ),( 332
NN R
R
R
RIyxIc
Immagine “ideale” continua: le variabili x,y,c e sono continue
Immagine numerica: le variabili x,y,c e sono discrete (quantizzate)
ralemultispett],0[
colore],0[
grigi di scala],0[
: ),(
max
33max
max2
NN ZV
ZV
ZV
ZIyxIc
4
Acquisizione di immagini
• Ci si aspetta che un sistema di acquisizione/visualizzazione “ideale”sia in grado di distinguere dettagli a qualsiasi scala (risoluzione “infinita”)
• Ma:
– Limiti fisici (diffrazione, apertura …)
– Campionamento
– Distorsione
Scena da acquisire
Sistema di acquisizione
Immagine (misura)
S(x,y) I(x,y)??
5
Acquisizione di immagini
• Risposta impulsiva del sistema di acquisizione si chiama Point Spread Function (PSF),
• Impulso bidimensionale = punto ideale
Scena da acquisire
Sistema di acquisizione
Immagine (misura)
S(x,y) I(x,y)PSF(x,y)
ddyxIPSFyxPSFyxSyxI IN ,,),(),(,
6
Point Spread Function
• Al diminuire della scala i dettagli tendono a “sfocare” fino a “svanire”
• La Point Spread Foint (PSF) può modellare questo fenomeno
Point Spread Function
Convoluzione
7
Rumore
Il rumore nelle immagini puo’ essere generato in qualsiasi punto della catena del segnale:
• Rumore gaussiano (termico): • Speckle noise (elettrico): il rumore e’ proporzionale (correlato)
all’immagine “sottostante”• Rumore “salt&pepper”: pixel “difettosi” nella camera, transienti anomali
immagine originale Gaussiano Speckle Salt & pepper
8
Quantizzazione
• Immagine numerica: le variabili x,y,c e sono discrete (quantizzate)
• Quantizzazione delle coordinate spaziali x,y– Risoluzione: numero di pixel per mm2 di immagine.
All’aumentare della risoluzione aumenta la qualita’, ma anche la memoria richiesta ed i tempi di elaborazione
– Nelle applicazioni biomediche la risoluzione minima e’ determinata dal livello di dettaglio richiesto dalla diagnosi
• Quantizzazione del colore/livelli di grigio– La quantizzazione del colore comporta perdita di dettagli (variazioni). Una
quantizzazione uniforme non e’ sempre la scelta ottimale!
9
Qualita’ delle immagini: quantizzazione
quantizzazione
Meno livelli di grigio
Menopixels
10
Elaborazione numerica delle immagini
• Immagini come segnali discreti bidimensionali
• Estensione finita: Le immagini digitali vengono “naturalmente” rappresentate da matrici
0 0 0 0 0 0 0 0 0
0 1 1 0 0 0 1 1 0
0 1 0 1 1 1 1 0 0
0 0 0 1 1 1 0 0 0
0 0 1 1 1 1 1 0 0
0 1 0 0 0 0 0 1 0
0 0 1 0 0 0 1 0 0
0 0 0 1 1 1 0 0 0
0 0 0 0 0 0 0 0 0
n
m matrice MxN
n[0…N-1]
m[0…M-1]
I=f(n,m)
11
Convoluzione/filtraggio
• Come per i segnali 1D e’ possibile definire un prodotto di convoluzione
• E’ possibile applicare i concetti della teoria dei sistemi (deterministici e stocastici) con i dovuti accorgimenti matematici
•modello ingresso-uscita risposta impulsiva del sistema filtraggio
•energia dell’immagine
•autocorrelazione dell’immagine e cross-correlazione con l’uscita: descrizione statistica delle immagini
1
0
1
0
N
r
M
s
s,rhsm,rnfm,nu:gf
12
Convoluzione/filtraggio
• Filtraggio: risposta impulsiva finita (FIR) maschera di convoluzione
3
3
3
3
,,,:r s
srhsmrnfmnuhf
filtro h = FIR 7x7 immagine f
n
m
r
s
13
La Trasformata Discreta di Fourier (DFT)
• La 2D DFT e’ definita come
1
0
1
0
2N
n
M
m M
lm
N
knjexpm,npm,npFl,kP
Tempo Continuo
Tempo Discreto
FrequenzeContinuo
Trasformata di Fourier
Trasformata Discreta di Fourier
Frequenze Discrete
Serie di Fourier
Trasformata Finita di Fourier
14
Linearità e convoluzione (DFT)
• Teorema della convoluzione:
),(),( lkBlkAbaF baBAF 1
• Linearità della DFT:
),(),(),(),( lkBlkAjibjia F
15
Basi della DFT
l crescente
k crescente
• Le MxN basi rappresentano livelli crescenti di dinamica spaziale della scala dei grigi
livelli progressivi dettaglio
• Al variare del rapporto relativo tra l e k: orientazione della base
• Queste immagini mostrano la parte reale di B(n,m) al crescere delle frequenze l,k
16
Fast Fourier Transform (FFT)
• Ulteriore motivo di “popolarita’” della DFT: algoritmo veloce di calcolo (FFT). La convoluzione viene calcolata nel dominio della frequenza invece che nel dominio del tempo. Con la stessa facilita’ si realizza la trasformazione inversa (IFFT)
I1
I2
FFT
FFT
IFFT I3
convoluzione
17
Fast Fourier Transform (FFT)
• Quando si applica la FFT occorre considerare l’effetto “finestra”:l’immagine è il risultato di un “ritaglio” di una scena che si estende indefinitamente nelle due dimensioni
S
I
A=rect(x0,y0,lx,ly)
Windowing (1)
),(),(),(
),,,(),(),(),(),( 00
vuAvuSvuI
llyxrectyxsyxayxsyxi yx
a(x,y) A(u,v)
Comparsa di alte frequenze
19
Windowing (2)• Un metodo per risolvere questo problema è “finestrare” l’immagine con una finestra che
abbia bordi smooth: funzioni a decrescenza rapida
i(x,y)a(x,y)i(x,y)a(x,y)
F(i(x,y)a(x,y)) F(i(x,y))
FFT FFT
20
Risoluzione in frequenza
•Se abbiamo N campioni di un segnale x(0), x(),x(2), … x((N-1)):
njN
n
enxN
X
1
0
)(1
)(
N
u
•La risoluzione in frequenza è tanto maggiore quanto più elevato è il numero di campioni N!
21
Filtraggio nel dominio della DFT
low-pass
band-pass
high-pass
IDFT
DF
T filtraggio
•Le frequenze alte sono associate alle transizioni “rapide” (bordi)
•Le frequenze basse sono associate alle transizioni “lente”
blu: stop-band del filtro