Vai al contenuto principale
Oggetto:
Oggetto:

Elaborazione di Immagini e Visione Artificiale

Oggetto:

Image Processing and Artificial Vision

Oggetto:

Anno accademico 2023/2024

Codice attività didattica
MFN0972
Docenti
Attilio Fiandrotti (Titolare)
Davide Cavagnino (Titolare)
Marco Grangetto (Titolare)
Corso di studio
[008515] Laurea magistrale in informatica
Anno
1° anno, 2° anno
Periodo
Secondo semestre
Tipologia
Caratterizzante
Crediti/Valenza
9 CFU (Ore aula: 72)
SSD attività didattica
INF/01 - informatica
Erogazione
Tradizionale
Lingua
Italiano/Inglese
Frequenza
Facoltativa
Tipologia esame
Orale
Prerequisiti

Le lezioni presuppongono la conoscenza del calcolo vettoriale, matriciale e delle tecniche analitiche. La parte sperimentale richiede competenze di programmazione.
Lessons require the knowledge of vector calculus, matrix calculus, and analytic techniques. The experimental part requires computer programming skills. .

Oggetto:

Sommario insegnamento

Oggetto:

Avvisi

DSA o Disabilità: Sostegno e Accoglienza in UniTO e supporto in sede di Esame
Oggetto:

Obiettivi formativi

Gli obiettivi formativi sono quelli di fornire competenze sia teoriche che pratiche nel campo dell'elaborazione delle immagini. Il corso contribuisce agli obiettivi formativi specifici del CdS in Informatica (LM18), in particolare a quelli relativi all'curriculum Realtà Virtuale. Il corso fornisce le basi metodologiche nel campo dell'elaborazione delle immagini naturali e mediche nel dominio spaziale e in quello delle frequenze. Tali metodi permettono lo sviluppo di sistemi capaci di migliorare e ripristinare la qualità delle immagini, comprimere immagini con e senza perdite, risolvere problemi di computer vision come la classificazione, segmentazione e generazione di immagini. Il corso prevede anche una parte sperimentale basata sull'utilizzo di MATLAB e python.

 

The educational objectives are to provide both theoretical and practical skills in the field of image processing. The course contributes to the specific educational objectives of the CdS in Computer Science (LM18), particularly those related to the Virtual Reality curriculum. The course provides the methodological foundations in the field of natural and medical image processing in the spatial and frequency domains. Such methods enable the development of systems capable of improving and restoring image quality, compressing lossy and lossless images, and solving computer vision problems such as classification, segmentation, and image generation. The course also includes an experimental part based on the use of MATLAB and python.

 

Oggetto:

Risultati dell'apprendimento attesi

Al termine del corso lo studente è in grado di selezionare, parametrare ed utilizzare algoritmi atti al miglioramento di qualità di un'immagine nel dominio spaziale e della frequenza, alla compressione dell'immagine con e senza perdite, alla risoluzione di problemi di computer vision come classificazione, segmentazione e generazione immagini.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE. Acquisizione di metodologie di selezione, parametrizzazione e applicazione di agoritmi di elaborazione di immagini naturali e mediche.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE. Acquisizione degli strumenti teorici e pratici per l'elaborazione di immagini naturali e mediche.

AUTOMIA DI GIUDIZIO. Acquisizione dei criteri di base per stabilire come impostare una corretta progettazione di algoritmi per analisi di immagini naturali e mediche.

ABILITÀ COMUNICATIVE. Acquisizione della terminolgia tecnica nell'ambito della eleaborazione delle immagini naturali e mediche.

CAPACITÀ DI APPRENDIMENTO. Sviluppo di capacità autonome di apprendimento per la futura formazione nell'ambito.

 

Upon completion of the course, the student is able to select, parameterize, and use algorithms suitable for improving image quality in the spatial and frequency domains, lossy and lossless image compression, and solving computer vision problems such as classification, segmentation, and image generation.

KNOWLEDGE AND UNDERSTANDING SKILLS. Acquisition of methodologies of selection, parameterization and application of natural and medical image processing agorithms.

ABILITY TO APPLY KNOWLEDGE AND UNDERSTANDING. Acquisition of theoretical and practical tools for natural and medical image processing.

SELF-JUDGMENT. Acquisition of the basic criteria for determining how to set up proper algorithm design for natural and medical image analysis.

COMMUNICATION SKILLS. Acquisition of technical terminolgy in the area of natural and medical image eleprocessing.

LEARNING SKILLS. Development of autonomous learning skills for future training in the field.

Oggetto:

Programma


Il corso tratta i fondamenti dell’analisi ed elaborazione delle immagini naturali e mediche. Il corso è dedicato sia allo studio degli aspetti teorici sia al dimensionamento e applicazione di algoritmi per l'analisi dell'immagini. Il programma del corso compre i seguenti argomenti.

Fondamenti.  

  • Definizione ed esempi di ambiti d'uso dell'elaborazione di immagini.
  • Passi fondamentali nell'elaborazione di immagini.
  • Componenti di un sistema per l'elaborazione di immagini.
  • La luce e lo spettro elettromagnetico.
  • Acquisizione e rappresentazione di immagini.
  • Risoluzione spaziale e radiometrica.
  • Una panoramica degli strumenti matematici usati nell'elaborazione di immagini.
  • Formati di compressione per immagini e video.

Elaborazione nel dominio dello spazio

  • Trasformazioni di luminosità e filtraggio spaziale con relativi esempi.
  • Elaborazione e matching dell'istogramma
  • Elaborazioni locali dell'istogramma.
  • Fondamenti di filtraggio spaziale. Filtri spaziali di smoothing e sharpening.
  • Combinazione dei metodi di miglioramento basati sullo spazio.


Elaborazione nel dominio delle frequenze.

  • La trasformata di Fourier di funzioni di una variabile continua.
  • Campionamento e la trasformata di Fourier di funzioni campionate.
  • La trasformata discreta di Fourier 2D e alcune sue proprietà.
  • Fondamenti di filtraggio nel dominio delle frequenze.
  • Smoothing e sharpening di immagini usando filtri nel dominio delle frequenze.


Miglioramento e ricostruzione di immagini.

  • Riduzione del rumore periodico mediante filtraggio nel dominio delle frequenze.
  • Degradazione lineare e non dipendente dalla posizione.
  • Filtraggio inverso.


Elaborazione di immagini a colori.

  • Fondamenti sui colori.
  • Elaborazione di immagini a pseudo-colori.
  • Trasformazioni e segmentazione di immagini a colori.

Elementi base di visione artificiale

  • Segmentazione di immagini.
  • Riconoscimento di punti, linee e confini di regioni.
  • L'edge detector di Canny.
  • Descrittori SIFT.

Visione Artificiale avanzata

  • Introduzione alla visione artificiale con metodi statistici e reti neurali. 
  • Modelli discriminativi e generativi, mixture of Gaussians, Factor Analysis.
  • Reti neurali artificiali completamente connesse.
  • Reti convoluzionali e completamente convoluzionali per la classificazione di immagini.
  • Architetture profonde per la classificazione di immagini e relativi metodi di allenamento.
  • Reti neurali per la segmentazione di immagini naturali e mediche.
  • Reti neurali per la localizzazione e classifcazione di oggetti in immagini naturali e mediche.
  • Modelli generativi.

This course covers the fundamentals of natural and medical image analysis and processing. The course is devoted to both the study of theoretical aspects and the scaling and application of algorithms for image analysis. The course program comprises the following topics.

 

Introduction.

  • Definition and examples of areas of use of image processing. 
  • Fundamental steps in image processing.
  • Components of an image processing system.
  • Light and the electromagnetic spectrum.
  • Image acquisition and representation.
  • Spatial and radiometric resolution.
  • An overview of mathematical tools used in image processing.
  • Compression formats for images and video.

Digital image processing in the spatial domain

  • Brightness transformations and spatial filtering with related examples.
  • Histogram processing and matching.
  • Local histogram processing.
  • Fundamentals of spatial filtering.
  • Spatial smoothing and sharpening filters.
  • Combination of space-based enhancement methods.

Digital image processing in the frequency domain.

  • The Fourier transform of functions of a continuous variable.
  • Sampling and the Fourier transform of sampled functions.
  • Extension to functions of two variables.
  • The 2D discrete Fourier transform and some of its properties.
  • Fundamentals of filtering in the frequency domain.
  • Smoothing and sharpening of images using filters in the frequency domain.

Image enhancement and restroration

  • Periodic noise reduction using frequency domain filtering.
  • Linear and non-position-dependent degradation.
  • Inverse filtering. Reconstruction of images from projections.

Processing of color images.

  • Color fundamentals.
  • Processing of pseudo-color images.
  • Transformations of colors.
  • Segmentation of color images.

Low level vision

  • Recognition of points, lines and boundaries of regions.
  • Canny's edge detector.
  • Thresholding.
  • SIFT descriptors.

Advanced computer vision.

  • Introduction to computer vision with statistical methods and neural networks.
  • Discriminative and generative models, mixture of Gaussians, Factor Analysis.
  • Fully connected artificial neural networks.
  • Convolutional and fully convolutional networks for image classification.
  • Deep architectures for image classification and related training methods.
  • Neural networks for natural and medical image segmentation.
  • Neural networks for localization and classifcation of objects in natural and medical images.
  • Generative models.
Oggetto:

Modalità di insegnamento


Le lezioni si svolgono sia in modalità tradizionale, sia attraverso l'ausilio di strumenti multimediali. Lo studente è invitato a interagire con il docente e alcune attività sperimentali sono volte ad approfondire la comprensione degli argomenti presentati a lezione.

Lectures take place both in traditional mode and through the use of multimedia tools. The student is invited to interact with the lecturer, and some experimental activities are aimed at deepening understanding of the topics presented in class.

Oggetto:

Modalità di verifica dell'apprendimento


Svolgimento di un progetto per verificare la capacità dello studente a condurre insiemi di elaborazioni mirate a raggiungere scopi predefiniti (da consegnare via mail ai docenti prima della prova orale) e colloquio orale sui temi trattati nel corso.


Performance of a project to test the student's ability to conduct sets of elaborations aimed at achieving predefined goals (to be handed in via e-mail to lecturers before the oral test) and oral interview on topics covered in the course.

Testi consigliati e bibliografia



Oggetto:
Libro
Titolo:  
Digital Image Processing, fourth ed.
Anno pubblicazione:  
2017
Editore:  
Pearson Education
Autore:  
R. C. Gonzalez, R. E. Woods
Permalink:  
Obbligatorio:  
No


Oggetto:
Libro
Titolo:  
Computer Vision Models, Learning, and Inference
Anno pubblicazione:  
2012
Editore:  
Cambridge University Press,
Autore:  
S. J. D. Prince
Permalink:  
Obbligatorio:  
No


Oggetto:
Libro
Titolo:  
Pattern recognition and machine learning
Anno pubblicazione:  
2006
Editore:  
Springer
Autore:  
Bishop, Christopher M.
Obbligatorio:  
No


Oggetto:
Libro
Titolo:  
Deep Learning with PyTorch
Anno pubblicazione:  
2020
Editore:  
Manning Pubblications
Autore:  
E. Stevens, L. Antiga, T. Viehmann
Obbligatorio:  
No


Oggetto:

Note

Le lezioni di questo insegnamento sono tenute in lingua inglese

Lessons delivered in english language

Oggetto:

Insegnamenti che mutuano questo insegnamento

Oggetto:
Ultimo aggiornamento: 11/09/2023 08:45
Location: https://magistrale.informatica.unito.it/robots.html
Non cliccare qui!