logo simone provenzano

 

Dott. Simone Provenzano - Tecniche di analisi di immagine applicate allo studio dei suoli

Tesi di Laurea Magistrale in Scienze Geologiche - Capitolo II - Cenni teorici sull'analisi di immagine - Unical

 

 

 

 

 

La qualità dei risultati nell'applicazione del thresholding dipende innanzitutto dal grado di contrasto di luminosità fra gli oggetti ricercati ed il resto dell'immagine: un contrasto elevato corrisponderà ad un istogramma con mode ben definite e separate, che consentirà una facile determinazione della soglia ottimale, e quindi una precisa distinzione fra oggetti e sfondo. Un altro fattore importante è l'abbondanza areale degli oggetti interessati rispetto al resto; quanto più abbondante è una categoria di oggetto nell'immagine, tanto più riconoscibile sarà la relativa moda nell'istogramma, e quindi anche in questo caso sarà più facile separare la categoria di interesse dalla categoria sfondo.
Inoltre, riprendendo quanto già detto in precedenza, è anche molto importante effettuare operazioni preliminari di smoothing allo scopo di ridurre il rumore; questa operazione infatti può essere determinante nel produrre una corretta segmentazione (Beneš & Zitová, 2014). Come si vede in Fig. 2.22, un'immagine con abbondante rumore (Fig. 2.22a) tende ad avere un istogramma non bimodale e non ben definito (Fig. 2.22b), e questo si rifletterà in un'immagine segmentata in cui la figura da isolare non sarà rappresentata da una regione omogenea (Fig. 2.22c). Se invece si applica uno smoothing all'immagine iniziale (Fig. 2.22d), il relativo istogramma sarà bimodale e ben definito (Fig. 2.22e), e quindi facilmente separabile in due categorie; il risultato sarà un'immagine binaria (Fig. 2.22f) segmentata in modo corretto, cioè caratterizzata da due aree omogenee distinte.
Da tutte le considerazioni descritte finora, si può dedurre che l'istogramma ideale per eseguire un thresholding perfetto dovrebbe essere completamente nullo eccetto la presenza di due picchi: un picco relativo soltanto alla categoria di interesse ed un altro picco relativo soltanto allo sfondo. In questo modo, collocando il valore di soglia in un punto a frequenza nulla compreso fra i due picchi, si otterrebbe una separazione netta fra oggetti e sfondo. Purtroppo però nei casi reali non è mai così, in quanto in un'immagine sono presenti diverse categorie di oggetti oltre a quelle di interesse, e questo fa sì che si abbia un istogramma sollevato al di sopra dello zero, sia fra i picchi di interesse che nelle zone esterne ai picchi. Perciò, pur impostando il miglior valore di soglia possibile, verrà sempre inclusa una parte di oggetti di non interesse, oppure verrà esclusa una parte degli oggetti di interesse.

 

 

 

Un'altra tipologia di thresholding è il thresholding multilivello, che consiste nell'utilizzo di più di un valore di soglia per classificare un'immagine in più di due categorie. Alcuni algoritmi forniscono in output un'unica immagine contenente tutte le classi (Fig. 2.23b), altri generano un'immagine per ogni classe individuata (Fig. 2.24b-c-d). Sebbene questo metodo possa sembrare simile ai metodi di segmentazione s.s., i due tipi di metodi si basano su principi diversi. La segmentazione s.s. si basa su un criterio di proprietà simili fra pixel contigui per definire le regioni di appartenenza; il thresholding multilivello (così come il thresholding in generale) invece non comprende la condizione di contiguità fra pixel, quindi può prendere in considerazione anche pixel isolati. Di conseguenza la segmentazione s.s. tende ad uniformare le diverse regioni in termini di classe, mentre il thresholding multilivello può generare anche pixel di una certa classe sparsi all'interno di una regione di una classe diversa. Queste differenti caratteristiche possono costituire dei vantaggi o degli svantaggi in relazione allo scopo dello studio. Se ad esempio si vuole determinare la percentuale areale di una certa categoria mineralogica, probabilmente è conveniente avere a che fare con regioni omogenee, in quanto eventuali impurità, alterazioni o inclusioni nei cristalli verrebbero altrimenti rappresentate come porzioni di una classe diversa, e quindi andrebbero a costituire un fattore di sottostima nel calcolo finale. Se al contrario lo scopo dello studio è ad esempio studiare proprio i minerali alterati, non è affatto conveniente omogeneizzare le regioni di interesse.

 

 

Thresholding immagine rumore noise

Fig. 2.22. Differenze nei risultati di applicazione del thresholding fra un'immagine con rumore e la stessa immagine in cui il rumore è stato ridotto con un algoritmo di smoothing. a: immagine con rumore; b: istogramma relativo all'immagine con rumore; c: thresholding applicato all'immagine con rumore; d: immagine con smoothing; e: istogramma relativo all'immagine con smoothing; f: thresholding applicato all'immagine con smoothing. Gli istogrammi sono stati realizzati con il software Microsoft© Excel©; i dati per la rappresentazione degli istogrammi sono stati ottenuti con il software ImageJ (versione Fiji) attraverso il comando "Analyze - Histogram". Il thresholding è stato eseguito con il software ImageJ (versione Fiji) attraverso il comando "Image - Adjust - Threshold".

 

 

 

 

 

thresholding multilivello

Fig. 2.23. Esempio di thresholding multilivello con tutte le classi rappresentate nella stessa immagine. a: immagine originale; b: immagine elaborata. Il thresholding è stato eseguito con il software ImageJ (versione Fiji) attraverso il comando: "Plugins - Segmentation - Maximum Enthropy Multi Threshold" ed impostando 2 soglie (cioè 3 classi).

 

 

thresholding multilivello classi

Fig. 2.24. Esempio di thresholding multilivello con un'immagine per ogni classe. a: immagine originale; b, c, d: immagini relative alle classi individuate. Il thresholding è stato eseguito con il software ImageJ (versione Fiji) attraverso il comando: "Plugins - Multi Otsu Threshold" ed impostando 3 livelli.

 

 

Sia per il thresholding multilivello che per le tecniche di segmentazione, aumentando il numero di classi si tende ad ottenere un'immagine progressivamente più simile all'immagine originale.
In generale, in tutte le tipologie di thresholding, l'influenza dell'operatore nell'impostazione della soglia può essere determinante in positivo o in negativo sulla qualità del risultato ottenuto. Ad esempio, variando il valore della soglia per isolare il quarzo, potrebbero essere identificati dei nuovi cristalli di quarzo che prima non erano stati selezionati; d'altra parte però, potrebbero essere inclusi elementi diversi dal quarzo in quanto simili per intensità di grigio. Quindi anche in questo caso non esiste una soglia specifica, ed è necessario effettuarne una calibrazione per ogni singola immagine, implicando dunque sempre la necessità di un controllo totale o parziale da parte dell'operatore.
Un altro problema di notevole influenza, se non il più influente, consiste nel fatto che nelle immagini digitali i materiali naturali non sono caratterizzati da colorazioni omogenee ed in più non sono perfettamente separati dai materiali circostanti. In altre parole non esiste un limite netto fra un oggetto ed un altro, e si ha a che fare piuttosto con passaggi sfumati. Di conseguenza il range di errore del thresholding dipende proprio dalla larghezza di questa fascia sfumata, in quanto essa rende non univocamente determinabile la collocazione esatta del confine fra un oggetto ed un altro.

 

 

indice 1 2 3 4 5 6 7 8 9 10 11 12 13 14 bibliografia

 

unical

È possibile utilizzare liberamente le immagini ed i contenuti del presente capitolo di tesi, purché si inseriscano gli opportuni riferimenti bibliografici. Si consiglia un modello di citazione come quello espresso di seguito per tutte le immagini ed i contenuti ove, nel presente capitolo, non siano già presenti espliciti riferimenti bibliografici:

Provenzano Simone. Tecniche di Analisi di immagine applicate allo studio dei suoli (155 pagg.). Tesi di Laurea Magistrale in Scienze Geologiche. Unical - Università della Calabria. A.A. 2014/2015. Relatori: Scarciglia Fabio, Miriello Domenico. Pagg. 26-73.

 

 

 

 

Privacy e Cookie