Strumentazione per bioimmagini Introduzione alle immagini digitali 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 2 pressione densita’ Introduzione Immagine “ideale” continua: le variabili x,y,c e sono continue c I ( x, y ) [0,1] R I : R 2 [0,1]3 R 3 [0,1]N R N scala di grigi colore multispett rale Immagine numerica: le variabili x,y,c e sono discrete (quantizzate) c I ( x, y ) 3 [0,Vmax ] Z I : Z 2 [0,Vmax ]3 Z 3 [0,V ]N Z N max scala di grigi colore multispett rale 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 4 S(x,y) ?? I(x,y) Scena da acquisire Sistema di acquisizione Immagine (misura) Acquisizione di immagini • Risposta impulsiva del sistema di acquisizione si chiama Point Spread Function (PSF), • Impulso bidimensionale = punto ideale I x, y S ( x, y ) PSF ( x, y ) PSF , I IN x , y d d 5 S(x,y) PSF(x,y) I(x,y) Scena da acquisire Sistema di acquisizione Immagine (misura) Point Spread Function • Al diminuire della scala i dettagli tendono a “sfocare” fino a “svanire” • La Point Spread Foint (PSF) può modellare questo fenomeno Convoluzione Point Spread Function 6 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 7 Gaussiano Speckle Salt & pepper 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! 8 Qualita’ delle immagini: quantizzazione Meno livelli di grigio Meno pixels quantizzazione 9 Elaborazione numerica delle immagini • Immagini come segnali discreti bidimensionali • Estensione finita: Le immagini digitali vengono “naturalmente” rappresentate da matrici I=f(n,m) n m 10 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 matrice MxN n[0…N-1] m[0…M-1] Convoluzione/filtraggio • Come per i segnali 1D e’ possibile definire un prodotto di convoluzione f g : un , m N 1M 1 f n r ,m s hr , s r 0 s 0 • 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 11 Convoluzione/filtraggio • Filtraggio: risposta impulsiva finita (FIR) maschera di convoluzione 3 f h : u n, m 3 f n r , m s hr , s r 3 s 3 n m r s filtro h = FIR 7x7 12 immagine f La Trasformata Discreta di Fourier (DFT) • La 2D DFT e’ definita come N 1M 1 n k m l Pk ,l F pn , m pn, m exp j 2 N M n 0 m 0 Tempo Continuo 13 Tempo Discreto Frequenze Continuo Trasformata Trasformata di Fourier Discreta di Fourier Frequenze Discrete Serie di Fourier Trasformata Finita di Fourier Linearità e convoluzione (DFT) • Linearità della DFT: F a(i, j) b(i, j) A(k , l ) B(k , l ) • Teorema della convoluzione: F a b A(k , l ) B(k , l ) 14 F 1 A B a b Basi della DFT • Queste immagini mostrano la parte reale di B(n,m) al crescere delle frequenze l,k l 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 k crescente 15 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 FFT IFFT I2 FFT convoluzione 16 I3 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) 17 Windowing (1) i( x, y ) s( x, y ) a( x, y ) s( x, y ) rect ( x0 , y0 , l x , l y ) I (u, v) S (u, v) A(u, v) a(x,y) A(u,v) Comparsa di alte frequenze 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) FFT F(i(x,y)a(x,y)) 19 a(x,y) i(x,y) FFT F(i(x,y)) Risoluzione in frequenza •Se abbiamo N campioni di un segnale x(0), x(t),x(2t), … x((N-1)t): 1 X ( ) N N 1 j nt x ( n t ) e n 0 u Nt •La risoluzione in frequenza è tanto maggiore quanto più elevato è il numero di campioni N! 20 Filtraggio nel dominio della DFT •Le frequenze basse sono associate alle transizioni “lente” blu: stop-band del filtro low-pass DFT filtraggio IDFT band-pass high-pass •Le frequenze alte sono associate alle transizioni “rapide” (bordi) 21