Phd Thesis Dissertation (Italian)
-
Upload
salvatore-nicotra -
Category
Education
-
view
1.567 -
download
2
description
Transcript of Phd Thesis Dissertation (Italian)
Algorithms for Image Algorithms for Image Segmentation and Segmentation and
Classification: Classification: Integrating Automated Integrating Automated Processing and Human Processing and Human
PerceptionPerception
Salvatore NicotraSalvatore Nicotra
Università degli Studi di CataniaUniversità degli Studi di CataniaFacoltà di Scienze MM. FF. NNFacoltà di Scienze MM. FF. NN
Dottorato di Ricerca in InformaticaDottorato di Ricerca in InformaticaDipartimento di Matematica e Informatica Dipartimento di Matematica e Informatica
Tutor: Chiar.mo Prof. Tutor: Chiar.mo Prof. Giovanni GalloGiovanni Gallo
Coordinatore: Chiar.mo Prof. Coordinatore: Chiar.mo Prof. Alfredo FerroAlfredo Ferro
TESI DI TESI DI DOTTORATODOTTORATO
OutlineOutline IntroduzioneIntroduzione Parte I: Parte I: Shape Refinement of Remote Sensed Shape Refinement of Remote Sensed
ImagesImages Riconoscimento di: Burned Area e Vegetation Area.Riconoscimento di: Burned Area e Vegetation Area. Confronti con classificazione human-driven.Confronti con classificazione human-driven. Nuovo algoritmo: Watershed Region Growing.Nuovo algoritmo: Watershed Region Growing.
Parte II: Parte II: Analysis of Perceptual Relevant Analysis of Perceptual Relevant Features in Database of Textures and their Features in Database of Textures and their VisualizationVisualization ““Come scegliere una tessitura da un database ?”.Come scegliere una tessitura da un database ?”. Indicizzazione tramite caratteristiche Indicizzazione tramite caratteristiche
percettivamente rilevanti: Direzionalità, Contrasto -> percettivamente rilevanti: Direzionalità, Contrasto -> Spazio percettivo.Spazio percettivo.
Rappresentazione Iconica di qualità visive.Rappresentazione Iconica di qualità visive.
L’artigiano e la L’artigiano e la Catena di Catena di montaggiomontaggio
Introduzione all’approccio Introduzione all’approccio
semi-automaticosemi-automatico
L’artigiano : l’espertoL’artigiano : l’esperto
VANTAGGIVANTAGGI Conosce bene il Conosce bene il
suo lavoro.suo lavoro. Sfrutta le capacità Sfrutta le capacità
percettive.percettive.
SVANTAGGISVANTAGGI Lungo tempo di Lungo tempo di
addestramento.addestramento. Costa.Costa.
La catena di montaggio: Gli La catena di montaggio: Gli algoritmi automaticialgoritmi automatici
VANTAGGI:VANTAGGI: Poco controllo Poco controllo
umano.umano. Veloce, economica Veloce, economica
ed efficiente.ed efficiente.
SVANTAGGI:SVANTAGGI: È limitata.È limitata. Il “prodotto” va Il “prodotto” va
verificato.verificato.
Approccio semi Approccio semi automaticoautomatico
Target: Integrare il calcolo automatico Target: Integrare il calcolo automatico con la percezione umana per prendere con la percezione umana per prendere il meglio dei due approcci:il meglio dei due approcci: Capacità percettiveCapacità percettive Potenza di calcoloPotenza di calcolo
Legami con Legami con Pattern RecognitionPattern Recognition Knowledge Discovery in DataBases (KDD) Knowledge Discovery in DataBases (KDD) Information Visualization and Visual Data Information Visualization and Visual Data
MiningMining
Dati consideratiDati consideratiComputer Vision I dati presi in
considerazione sono immagini digitali.In particolare:
Immagini satellitari (Segmentazione)
Tessiture (Classificazione Percettiva)
Visual Perception L’esperienza visiva e
le capacità percettive umane.
L’uomo sa capire il “contenuto” di un immagine…
Applicazioni del Pattern Applicazioni del Pattern RecognitionRecognition
Bioinformatics
Speech Recogntion
Remote Sensing
BiometricRecognition
Multimedia Database Retrieval
Industrial Automation
Document Image
Analysis
Document Classification
Data Mining
Pattern Recognition
PART IPART I
Shape Refinement of Remote Shape Refinement of Remote Sensed ImagesSensed Images
IntroduzioneIntroduzione
Remote Sensing: Remote Sensing: is is the science of the science of acquiring, acquiring, processing and processing and interpreting images interpreting images that record the that record the interaction between interaction between electromagnetic electromagnetic energy and matter.“ energy and matter.“ (F.F. Sabins) (F.F. Sabins)
Vista a falsi colori dell’Etna – Landsat 7 - Agosto 1998
Segmentazione automatica Segmentazione automatica del terreno del terreno
Applicazioni: Applicazioni: Geographical Information Geographical Information Systems Systems (GIS)(GIS)
Approcci:Approcci: Automatici:Automatici: Statistici, Analisi delle Statistici, Analisi delle
Componenti Principali, Reti Neurali, Componenti Principali, Reti Neurali, confronti con “firme spettrali”, ecc.confronti con “firme spettrali”, ecc.
Classificazione Visiva:Classificazione Visiva: L’esperto disegna L’esperto disegna manualmente la regione di interesse (ROI) manualmente la regione di interesse (ROI) sulla mappa avvalendosi di operatori sulla mappa avvalendosi di operatori visuali.visuali.
ITALSCAR – DUP ProjectITALSCAR – DUP Project Nel 2000 il DMI è stato coinvolto come Nel 2000 il DMI è stato coinvolto come
consulente scientifico nel progetto ITALSCAR consulente scientifico nel progetto ITALSCAR nell’ambito del Data User Program nell’ambito del Data User Program (DUP)(DUP) di di ESAESA (European Space Agency). (European Space Agency).
Il progetto ha lo scopo di creare un sistema Il progetto ha lo scopo di creare un sistema per la creazione automatica di mappe relative per la creazione automatica di mappe relative a zone bruciate in Italia per combattere gli a zone bruciate in Italia per combattere gli incendi delle foreste proibendo la costruzione incendi delle foreste proibendo la costruzione di edifici nelle zone bruciate.di edifici nelle zone bruciate.
ITALSCAR – DUP Project ITALSCAR – DUP Project (2)(2)
Il contributo del DMI riguarda lo Il contributo del DMI riguarda lo shape shape refinementrefinement, cioè la creazione , cioè la creazione di una Burned Shape Map a partire di una Burned Shape Map a partire da una mappa di “core pixels” e da da una mappa di “core pixels” e da indici.indici.
Related Work (Computer Related Work (Computer Vision)Vision)
Snakes (Kass et alli, 1988)Snakes (Kass et alli, 1988) Seeded Region Growing (Adams, 1994)Seeded Region Growing (Adams, 1994) Split and Merge (Horowitz, 1974)Split and Merge (Horowitz, 1974) Watershed Decomposition (Watershed Decomposition (Vincent and Soille, Vincent and Soille,
1991)1991) Relaxation (Relaxation (Rosenfield, 1981)Rosenfield, 1981) Markov Random Fields (Markov Random Fields (Geman and Geman, Geman and Geman,
1984)1984) Connection Based Approaches (Udupa, 1991)Connection Based Approaches (Udupa, 1991) Morphology Based Approaches (Serra,1960)Morphology Based Approaches (Serra,1960)
Rilevamento di aree Rilevamento di aree bruciate :bruciate :
Shape Refinement stage Shape Refinement stage
Shape Refining
Seeded Region
Growing
Watershed Decomposit
ion
Output: WD_MapSRG_Map Three valued
map (1,0.5,0)
Merge
SeedsA B IndiciInput:
Seeded Region GrowingSeeded Region Growingstart
Input:Multi channel image ABinary Map CP_Map
Threshold t, distance d(Metric L)
Initialize SRG_Map CP_Map
Q = { p : p SRG_Map & p 8-neighbours(q) & q SRG_Map & dL(p,q) < t }
Q = ?
Main loopm extract_min(Q,d)
SRG_Map(p) 1insert (or update) Q for points n
8-neigh- bours(m), n SRG_Map , dL(m,n) <t
Output SRG_Map
no
yes
Watershed ClassificationWatershed Classification
start
Input:
Multi channel image ABinary Map CP_Map Threshold t, function distance d(Metric L)
Initialize WD_Map
CP_MapBasin_List = ;
L = ;
G = Gradient (A,d)for each p in G do insert p into L(G(p)) end forfor i=0 to 255 for each p in L(i) assign_region(p,Basin List);end forend forfor each p classified as edge doassign p to the nearest basin B;update Basin_List;end for;for each p classified as edge doassign p to the nearest basin B;update Basin_List;end forfor each core pixel p in CP_MapLet B the Bacin that contains p;for each x in B doWD_MAP(x) := 1;end forend for
Output WD_Map
Merging AlgorithmMerging Algorithm
Input: k mappe binarie di Input: k mappe binarie di dimensione n*m Mdimensione n*m Mi i i=1…k i=1…k
InitializeInitialize Mappa_Finale = new Image(n, m) // Mappa_Finale = new Image(n, m) //
inizializzata a 0inizializzata a 0 For each pixel p(i,j) in Mappa_FinaleFor each pixel p(i,j) in Mappa_Finale p(i,j) = p(i,j) =
(i,j)Mk
k
hh
1
1
Risultati Sperimentali: Risultati Sperimentali: Bosco di Santo Pietro Bosco di Santo Pietro
(Caltagirone): SRG(Caltagirone): SRG
t = 40 t = 45 t = 50 t = 20 t = 25 t = 30
L2 LMAX
Risultati Sperimentali: Risultati Sperimentali: Bosco di Santo Pietro Bosco di Santo Pietro
(Caltagirone): WD(Caltagirone): WDGradient Map
Basins Map with edges
Final Basins Map
LmaxL2
Original
Risultati Sperimentali: Risultati Sperimentali: Bosco di Santo Pietro Bosco di Santo Pietro
(Caltagirone): Merging(Caltagirone): Merging
Risultati Sperimentali: Risultati Sperimentali: Incendio in Spagna – Incendio in Spagna –
Burned Area Index (BAI)Burned Area Index (BAI)
Segmentation of remote Segmentation of remote sensed images trough sensed images trough
shape refinementshape refinement Approccio alla segmentazione Approccio alla segmentazione
automatica:automatica:1.1. I pixel che appartengono alle regioni di I pixel che appartengono alle regioni di
interesse con alta probabilità sono interesse con alta probabilità sono selezionati come semi;selezionati come semi;
2.2. Rifinitura della selezione (aggiungendo Rifinitura della selezione (aggiungendo nuovi pixel) tramite algoritmi di Image nuovi pixel) tramite algoritmi di Image Processing;Processing;
3.3. Merging dei risultati indipendenti per Merging dei risultati indipendenti per formare una mappa di probabilità;formare una mappa di probabilità;
Riconoscimento automatico Riconoscimento automatico di Vegetazioni: Pineta di di Vegetazioni: Pineta di
Linguaglossa (Etna)Linguaglossa (Etna)
Immagine a sei canali (n*m*6)
Semi: Thresholding del Semi: Thresholding del Normalized Difference Normalized Difference
Vegetation Index (NDVI)Vegetation Index (NDVI)
34
34
channelchannel
channelchannelNDVI
SemiSemi
Seeds (80%) Seeds (75%)
SRGSRG
Risultato t=12.39
Watershed ClassificationWatershed Classification
Gradiente – Sobel Mappa dei Bacini
Risultato
Fuzzy MergingFuzzy Merging
Valutazione dell’ErroreValutazione dell’Errore
Per valutare l’errore commesso dalla classificazione automatica abbiamo chiesto ad un esperto di fornirci una “ground truth” visiva, segnando le zone sulla mappa. Classificazione “manuale”
dell’esperto (o tramite campagna GPS)
Valutazione Errore (2)Valutazione Errore (2))(
)()(
TU
TUSRGU
PP
PPPP
)(
)()(
TU
TUSRGU
PP
PPPP
)(
)()(
TU
TUSRGU
PP
PPPP
)(
)()(
TU
TUSRGU
PP
PPPP
Risultati SRGRisultati SRGP
erc
en
tuale
SRG Metric L2, seeds 0,75
Threshold
SRG Metric Lmax, seeds 0,75
Threshold
Perc
en
tuale
SRG Metric L2, seeds 0,9
Perc
en
tuale
Threshold
Perc
en
tuale
SRG Metric Lmax, seeds 0,9
Risultati Fuzzy MergingRisultati Fuzzy Merging
Threshold
Perc
en
tuale
Merge Metric L2, seeds 0,90 for SRG and 0,8 for WD
Threshold
Perc
en
tuale
Merge Metric LMAX, seeds 0,90
for SRG and 0,8 for WD
Un nuovo approccioUn nuovo approccio
Motivazioni: La tecniche presentate Motivazioni: La tecniche presentate soffrono di alcuni problemi:soffrono di alcuni problemi: SRG : Buchi nella segmentazione.SRG : Buchi nella segmentazione. WD: Piccola dimensione dei baciniWD: Piccola dimensione dei bacini
Idea: Combinare i vantaggi di Idea: Combinare i vantaggi di entrambi gli algoritmi: Watershed entrambi gli algoritmi: Watershed Region Growing. Region Growing.
Watershed Region Growing: Watershed Region Growing: SketchSketch
INPUT (immagine, semi, metrica, INPUT (immagine, semi, metrica, threshold)threshold)
Decomposizione WatershedDecomposizione Watershed Grafo dei BaciniGrafo dei Bacini Region Growing: considerando come Region Growing: considerando come
semi, i nodi che contengono almeno semi, i nodi che contengono almeno un seme.un seme.
OUTPUT: SegmentazioneOUTPUT: Segmentazione
RisultatiRisultati RedRed :Pixels classified correctly :Pixels classified correctly
by WRG and Mergingby WRG and Merging YellowYellow: Pixels classified : Pixels classified
correctly only by WRGcorrectly only by WRG PurplePurple: Pixels classified : Pixels classified
correctly only by mergingcorrectly only by merging White: False Negatives: Pixels White: False Negatives: Pixels
in the overlay not recognized in the overlay not recognized by both algorithmsby both algorithms
Light BlueLight Blue: False Positives: : False Positives: Pixels outside the overlay Pixels outside the overlay misclassified by both misclassified by both algorithmsalgorithms
BlueBlue: False Positives of WRG: : False Positives of WRG: Pixels outside the overlay Pixels outside the overlay classified by WRG.classified by WRG.
GreenGreen: False Positives of : False Positives of Merging: Pixels outside the Merging: Pixels outside the overlay classified by Mergingoverlay classified by Merging
PART IIPART IIAnalysis of Perceptual Relevant Analysis of Perceptual Relevant
Features in Database of Textures Features in Database of Textures and their Visualizationand their Visualization
IntroduzioneIntroduzione Cos’è una tessitura ?Cos’è una tessitura ?
Pattern ripetitivo in cui Pattern ripetitivo in cui elementi (o primitive) elementi (o primitive) sono disposti secondo sono disposti secondo una regola di una regola di piazzamento (Tamura, piazzamento (Tamura, 1978)1978)
Non esiste nessuna Non esiste nessuna definizione generale definizione generale comunemente comunemente accettataaccettata
Hanno largo uso in Hanno largo uso in Computer Graphics.Computer Graphics.
Classificazione di Classificazione di tessiture 1/2tessiture 1/2
Metodi StatisticiMetodi Statistici Metodi Strutturali: Identificare e Metodi Strutturali: Identificare e
misurare le caratteristiche misurare le caratteristiche percettivamente rilevanti per la percettivamente rilevanti per la percezione umanapercezione umana
StatisticaMedia: 202.2368Deviazione Standard: 29.4566Min: 47Max: 255
PercettivaTessitura regolare con basso contrasto e direzione verticale
Classificazione di Classificazione di tessituretessiture 2/2 2/2
ObiettivoObiettivo
Costruire un Costruire un “ponte”“ponte” tra i due tra i due approcciapprocci
Trasferire la “vaghezza” della Trasferire la “vaghezza” della percezione umana delle tessiture in percezione umana delle tessiture in “numeri”“numeri” Capire meglio il ruolo delle Capire meglio il ruolo delle proprietà statistiche delle tessiture proprietà statistiche delle tessiture nel creare sensazioni visivenel creare sensazioni visive
MotivazioniMotivazioni
“ “ Come scegliere la giusta tessitura Come scegliere la giusta tessitura per le nostre immagini da un grande per le nostre immagini da un grande database? ”database? ” Indici Indici Misura di similaritàMisura di similarità
Tentativo:Tentativo: Simulare il Simulare il comportamento umano nella selezione comportamento umano nella selezione attraverso l’uso di caratteristiche attraverso l’uso di caratteristiche percettivamente rilevanti.percettivamente rilevanti.
Caratteristiche Caratteristiche percettivepercettive
PeriodicPeriodicvsvs
Non periodicNon periodic
DirectionalDirectionalvsvs
Non Non DirectionalDirectional
CoarseCoarsevsvs
FineFine
DeterministicDeterministicvsvs
RandomRandom
Space Space invariantinvariant
vsvsHeterogeneoHeterogeneo
usus
High ContrastHigh Contrastvsvs
Low ContrastLow Contrast
Tamura (1978), Interrante (2001)
Related WorkRelated Work Tamura et alii (1978)Tamura et alii (1978)
Coarseness, Contrast, Directionality, Line Likeness, Regularity, Coarseness, Contrast, Directionality, Line Likeness, Regularity, RoughnessRoughness
Laws (1980)Laws (1980) Level, Edge, Spot, Wave and RippleLevel, Edge, Spot, Wave and Ripple..
Amadasun and KingAmadasun and King (1989) (1989) Coarseness, Contrast, Busyness, Complexity, Texture strength. Coarseness, Contrast, Busyness, Complexity, Texture strength.
Rao et alii (1993)Rao et alii (1993) 3D space : Directionality versus non Directionality, Periodicity 3D space : Directionality versus non Directionality, Periodicity
versus irregularity, Complexity of the image (also called versus irregularity, Complexity of the image (also called granularity).granularity).
Liu and PicardLiu and Picard (1994) (1994) Periodicity, Directionality, Randomness Periodicity, Directionality, Randomness
Manjunath et aliiManjunath et alii (1996) (1996) Structuredness, Directionality, Coarseness (here also called Structuredness, Directionality, Coarseness (here also called
scale).scale). Abbadeni et aliiAbbadeni et alii (2000) (2000)
Coarseness, contrast, direction, busynessCoarseness, contrast, direction, busyness Long and LeowLong and Leow (2001) (2001)
4D - Perceptual Space 4D - Perceptual Space
Related Work onRelated Work onContent Based Image Content Based Image
RetrievalRetrieval Tamura et alii (1978)Tamura et alii (1978)
QBIC (IBM)QBIC (IBM) Laws (1980)Laws (1980)
CANDIDCANDID Liu and PicardLiu and Picard (1994) (1994)
PhotoBookPhotoBook Manjunath et aliiManjunath et alii (1996) (1996)
NetraNetra
DirezionalitàDirezionalità
Definizione Definizione semanticasemantica
Caratteristica Caratteristica globaleglobale
Presenza di dettagli Presenza di dettagli orientati lungo una orientati lungo una direzione direzione predefinitapredefinita
Opposto di isotropoOpposto di isotropo
Definizione Definizione computazionalecomputazionale
Grado di direzionalità Grado di direzionalità [0,1][0,1]
Basato su caratteristiche Basato su caratteristiche “low-level” “low-level”
Confronto con Confronto con distribuzioni idealidistribuzioni ideali
““fuzzy” fuzzy” stretchingstretching..
Direzionalità (2)Direzionalità (2)Sobel Y
Sobel X
/ =
Istogramma del gradiente
-/2 0 /2
Angoli
Fre
qu
en
ze
Direzionalità (3)Direzionalità (3)fr
eq
uen
za
Istogramma del gradiente
Perfettamente direzionale
bins
Direzionalità (4)Direzionalità (4)
bins
freq
uen
za
Istogramma del gradiente
Rumore uniforme
Direzionalità (5)Direzionalità (5)
Siano: Siano: ppdd=d=d22(T,P(T,Pdirectionaldirectional))
grado di appartenza grado di appartenza di T all’insieme delle di T all’insieme delle tessiture tessiture « direzionali » « direzionali »
ppuu= d= d22(T,P(T,Puniformuniform))
grado di grado di appartenenza di T appartenenza di T all’insieme delle all’insieme delle tessiture « isotrope» tessiture « isotrope»
d=(1-log((1-pd=(1-log((1-pdd)*p)*puu))-1-1
misura di direzionalità misura di direzionalità localelocale
dd(T)=min(0,1max((d-(T)=min(0,1max((d-pp11)/p)/p22),1)))),1)))
stretchingstretching non lineare non lineare per ottenere un “grado per ottenere un “grado di direzionalità” di direzionalità”
Definizione Definizione ComputazionaleComputazionale
Grado di contrasto Grado di contrasto [0,1][0,1]
ContrastoContrasto
Definizione Definizione semanticasemantica
Stima della Stima della variazione locale.variazione locale.
Fattori: tonalità, Fattori: tonalità, distribuzione dei distribuzione dei grigi, sharpness dei grigi, sharpness dei lati, pattern lati, pattern ripetitivi.ripetitivi.
Alto contrasto – Alto contrasto – Basso contrastoBasso contrasto
)(min)(max
)(min)(max),(_
pp
ppjicontrastlocal
WWpWWp
WWpWWp
contrasto_locale(contrasto_locale(i,j) =i,j) =
maxmaxppWxWWxW(p)-min(p)-minppWxWWxW(p)(p)maxmaxppWxWWxW(p)+min(p)+minppWxWWxW(p)(p)
contrasto_globale=mean(contrasto_lcontrasto_globale=mean(contrasto_locale)ocale)
Dove:Dove:p=p(i,j)p=p(i,j)WxW finestra di WxW finestra di vicinatovicinato
Contrasto (2)Contrasto (2)
0 10 20 30 40 50 60 70 80 90 100
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
3x35x57x79x911x11
Valori del contrasto locale per il db di Brodatz al variare di W
EsempiEsempi
Contrast = 0.021580 Contrast = 0.797274
Min e Max rispetto ai valori di contrasto nel database Vistex
Un piccolo test data setUn piccolo test data set
Spazio PercettivoSpazio Percettivo
contrasto
dire
zion
alità
Confronto vs classificazione Confronto vs classificazione soggettivasoggettiva
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.80
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1Brodatz Texture Space vs classificazione
soggettiva
Contrasto
Dir
ezi
on
ali
tàIsotropic
Partially directionalStrongly Directional
Al variare del contrastoAl variare del contrasto
Al variare della Al variare della risoluzionerisoluzione
Rappresentazione visiva di Rappresentazione visiva di featuresfeatures
Idea: Usare la visualizzazione per Idea: Usare la visualizzazione per rappresentare graficamente le rappresentare graficamente le caratteristiche percettivamente rilevanti:caratteristiche percettivamente rilevanti: Per discriminare velocemente una tessiture Per discriminare velocemente una tessiture
dall’altra;dall’altra; Usare tale rappresentazioni iconiche come Usare tale rappresentazioni iconiche come
query visive per ricerche in database di query visive per ricerche in database di tessiture.tessiture.
Proposta: Glifo per la rappresentazione Proposta: Glifo per la rappresentazione della direzionalità (orientazione).della direzionalità (orientazione).
Direzionalità (1/3)Direzionalità (1/3)
Ci sono direzioni (orientazioni) predefinite nella tessitura ?
Vertical
NEVisual Queries: Trovare tutte le Tessiture nel DB aventi direzioneNE
Direzionalità (2/3)Direzionalità (2/3)
Direzionalità (3/3)Direzionalità (3/3)La misura è calcolata attraverso:La misura è calcolata attraverso:
Matrici di co-occorrenzaMatrici di co-occorrenza
Le matrici di co-occorrenza sono definite:
C(T,v)i,j = | { (p,q) in T x T : q = p + v and L(p) = i and L(q) = j }|.
Dove:
• T è un’immagine a 256 toni di grigio (n x m pixels)
• L(p) il valore di luminanza del pixel p di T
• V è un vettore di offset
EsempioEsempio
1
1
2
1
1
1
1
2
2
2
1
3
3
2
3
2
4
3
1
3
5
Rappresenzione a toni di Rappresenzione a toni di grigio delle matrici di co-grigio delle matrici di co-
occorrenzaoccorrenza
Una tessitura T e la rappresentazione grafica di C(T,(-1,0))
Matrici di co-Matrici di co-occorrenza per occorrenza per
l’insieme di offset 5x5l’insieme di offset 5x5NNWW NNW NN NNE NNEE
NWW NW N NE NEE
WW W E EE
SSWW SSW SS SSE SSEE
SWW SW S SE SEE
gray levels
HISTOGRAM
NE
NNWW
020406080
100120140160180
1256gray level
NENNWW
Grafico dell’istogramma vs Grafico dell’istogramma vs Diagonale principale co-Diagonale principale co-
occorrenzeoccorrenze
Gray Level
HISTOGRAM NE
248305
Area tra l’istogramma e la Area tra l’istogramma e la diagonale principale (1/3)diagonale principale (1/3)
Gray Level
HISTOGRAMNNWW
253934
Area tra l’istogramma e la Area tra l’istogramma e la diagonale principale (2/3)diagonale principale (2/3)
Gray Level
HISTOGRAM NE
248305Gray Level
HISTOGRAMNNWW
253934<
NE NNWWPiù rilevante di
Area tra l’istogramma e la Area tra l’istogramma e la diagonale principale (3/3)diagonale principale (3/3)
Insieme di DiscrepanzaInsieme di Discrepanza
253934 253744 253097 251021 251517
253683 253239 250870 248305 251295
252974 251028 0 251032 252980
251286 248315 250870 253235 253680
251539 251045 253103 253745 253939
AggiustamentiAggiustamenti
1.0000 0.9992 0.9967 0.9885 0.9905
0.9990 0.9972 0.9879 0.9778 0.9896
0.9962 0.9885 0 0.9886 0.9962
0.9896 0.9779 0.9879 0.9972 0.9990
0.9905 0.9886 0.9967 0.9992 1.0000
0.0000 0.0008 0.0033 0.0115 0.0095
0.0010 0.0028 0.0121 0.0222 0.0104
0.0038 0.0115 0 0.0114 0.0038
0.0104 0.0221 0.0121 0.0028 0.0010
0.0095 0.0114 0.0033 0.0008 0
Normalizzazione al range [0,1]
(centro esculso)
Complemento a 1
Insieme delle misure Di rilevanza della
direzione
Il glifo propostoIl glifo proposto
È necessaria una funzione di mapping È necessaria una funzione di mapping tra i Relevance coefficients (range tra i Relevance coefficients (range [0,1]) e Glyph Line Thickness (range [0,1]) e Glyph Line Thickness (range [0.001, R]) .[0.001, R]) .
Sono stati effettuati esperimentiSono stati effettuati esperimenti LineareLineare EsponenzialeEsponenzialeStreching non lineare Streching non lineare
Thickness vs Thickness vs coefficents coefficents magnitudemagnitude
se
se
se
0.2*σ)M(1
σMt0.8
0.69*2σ
σMt0.11
0.1*σM
t0.01
f(t)
1tσM
σMtσM
σMt0
Esempi (1/3)Esempi (1/3)
Esempi (2/3)Esempi (2/3)
Esempi (3/3)Esempi (3/3)
Arricchire il glifo con il Arricchire il glifo con il contrasto localecontrasto locale
Rappresentare il contrasto locale (proprietà Rappresentare il contrasto locale (proprietà globale) tramite il colore di sfondo del glifo.globale) tramite il colore di sfondo del glifo.
Idea: Colorare lo sfondo proporzionalmente Idea: Colorare lo sfondo proporzionalmente con il contrasto locale.con il contrasto locale.
Matematicamente:Matematicamente: c = contrasto (range [0,1])c = contrasto (range [0,1]) colore_sfondo=[1-c, 0 ,0]colore_sfondo=[1-c, 0 ,0] N.B. la tripla [R,G,B] è normalizzata nel range N.B. la tripla [R,G,B] è normalizzata nel range
[0,1][0,1]
ConclusioniConclusioni È stato presentato un modello di classificazione È stato presentato un modello di classificazione
percettivo di tessiture;percettivo di tessiture; In particolare, sono state proposte:In particolare, sono state proposte:
Una nuova misura di direzionalità locale;Una nuova misura di direzionalità locale; Una misura di contrasto locale;Una misura di contrasto locale;
I risultati sono stati confrontati con I risultati sono stati confrontati con esperimenti soggettivi.esperimenti soggettivi.
È stata introdotta una rappresentazione iconica È stata introdotta una rappresentazione iconica per una nuova misura di direzionalità basata per una nuova misura di direzionalità basata sulle matrici di co-occorrenzasulle matrici di co-occorrenza
Il glifo è stato arricchito con il contrasto locale.Il glifo è stato arricchito con il contrasto locale.
PubblicazioniPubblicazioni S.Battiato, S. Nicotra, G.Gallo , S.Battiato, S. Nicotra, G.Gallo , ”Image Compression with Function ”Image Compression with Function
Trees” Trees” in Proceedings of the IASTED International Conference “Signal in Proceedings of the IASTED International Conference “Signal
Processing, Pattern Recognition and Applications”, July 2-6,2001 - Processing, Pattern Recognition and Applications”, July 2-6,2001 -
Rhodes, Greece, pp. 201,206.Rhodes, Greece, pp. 201,206. G. Gallo, G. Grasso, S. Nicotra, A. Pulvirenti G. Gallo, G. Grasso, S. Nicotra, A. Pulvirenti “Remote Sensed Image “Remote Sensed Image
Segmentation thought Shape Refinement ”Segmentation thought Shape Refinement ”, Proceedings of 11th , Proceedings of 11th
International Conference on Image Analysis and Processing, 26-28 International Conference on Image Analysis and Processing, 26-28
September 2001.September 2001. S. Battiato, G. Gallo, S. Nicotra S. Battiato, G. Gallo, S. Nicotra “Glyph Representation of Directional “Glyph Representation of Directional
Texture Properties”Texture Properties” 10-th International Conference in Central Europe on 10-th International Conference in Central Europe on
Computer Graphics, Visualization and Computer Vision '2002 , WSCG Computer Graphics, Visualization and Computer Vision '2002 , WSCG
2002 Plzen, Czech Republic, February 2002 Published in Journal of 2002 Plzen, Czech Republic, February 2002 Published in Journal of
WSCG, Volume 10, No.1-3, pp. 48-54, 2002WSCG, Volume 10, No.1-3, pp. 48-54, 2002; ; S. Nicotra, S. Nicotra, “Organizing Texture in a Perceptual Space”“Organizing Texture in a Perceptual Space”, , Eurographics Eurographics
Italian Chapter, Milan, Italy, July 11-12- 2002.Italian Chapter, Milan, Italy, July 11-12- 2002.