Annotazione di Immagini basate su tecniche di Deep Learning per il Monitoraggio marino e costiero

SBAS PSI

in banda X si concentra su strutture antropiche e infrastrutture principalmente situate

lungo strade e argini. I sottopannelli (a, b, d, e) sono stati modificati dopo [13]. 15

Capitolo 2 – Monitoraggio marino e costiero

Figura 2.2. Confronto dei risultati SAR sul punto più settentrionale della Laguna di

(a, d) e su una porzione del delta del fiume (b, e).

Venezia Po

2.4 Integrazione dell’Analisi delle Immagini per il Mo-

nitoraggio delle Risorse Costiere

Il monitoraggio delle zone costiere attraverso sensori satellitari fornisce dati fondamen-

tali per comprendere le variazioni nella topografia costiera e nelle condizioni oceani-

che. Tuttavia, l’interpretazione di tali dati spesso richiede l’applicazione di tecniche

avanzate di elaborazione delle immagini. segmentazione,

L’analisi delle immagini, in particolare la gioca un ruolo crucia-

le nell’interpretazione dei dati satellitari. Questo processo consente di identificare

e classificare automaticamente le caratteristiche costiere, come dune di sabbia, bar-

riere coralline e zone umide, contribuendo cosı̀ a una migliore comprensione della

distribuzione degli habitat costieri e dei cambiamenti nell’uso del suolo [15].

L’integrazione di dati provenienti da sensori satellitari con tecniche di segmen-

tazione delle immagini offre una prospettiva più completa e dettagliata sullo stato

delle risorse costiere. Questo approccio migliora notevolmente la capacità di moni-

torare e gestire in modo efficace le risorse costiere e di affrontare i rischi associati ai

cambiamenti ambientali e alle attività umane lungo le coste.

Tuttavia, per sfruttare appieno il potenziale dell’analisi delle immagini, è essenziale

adottare approcci di segmentazione efficaci. 16

Capitolo 3

Segmentazione

La segmentazione delle immagini rappresenta un pilastro fondamentale nella compu-

e nell’elaborazione delle immagini, con una vasta gamma di applicazioni che

ter vision

spaziano dalla comprensione della scena all’analisi delle immagini mediche, dalla per-

cezione robotica alla videosorveglianza, dalla realtà aumentata alla compressione delle

immagini, e molto altro ancora. In letteratura, sono stati proposti numerosi algoritmi

per affrontare questo compito cruciale. [16]

3.1 Image Segmentation

Secondo gli autori e [17],

K.S. Fu J.K. Mui ”il problema della segmentazione delle

immagini è fondamentalmente uno di percezione psicofisica e quindi non suscettibile

a una soluzione puramente analitica”.

A partire da quest’affermazione ci si rende conto che la risoluzione di questo pro-

blema rappresenta il primo passo nell’analisi delle immagini e nel riconoscimento di

pattern. È una componente critica ed essenziale dei sistemi di analisi delle immagi-

ni e/o di riconoscimento di pattern, ed è una delle attività più complesse nel proces-

so di elaborazione delle immagini, in quanto determina la qualità del risultato finale

dell’analisi.

La segmentazione delle immagini [18] è un processo di divisione di un’immagine in

diverse regioni in modo che ciascuna regione sia omogenea, ma l’unione di due regioni

adiacenti non sia omogenea. Una definizione formale della segmentazione delle im-

magini è la seguente: se è un predicato di omogeneità definito su gruppi di pixel

P(·)

connessi, allora la segmentazione è una suddivisione dell’insieme in sottoinsiemi o

F

, , . . . ,

regioni connesse tale che:

S S S n

1 2

n

[ ∩ ̸

= = =

con 0

/ per

S F, S S i j. (3.1)

i i j

i=1 ) vero

Il predicato di uniformità è per tutte le regioni , mentre il predicato

P(S S

i i

∩ ̸

) =

falso

è quando e e sono

P(S S i j S S regioni adiacenti.

i j i j

È un dato di fatto che le tecniche di segmentazione variano in base al dominio di

applicazione, cioè se si parla di immagini monocromatiche o immagini con diversi

colori e/o diverse intensità dello stesso colore. La segmentazione delle immagini a

colori attira sempre più attenzione per i seguenti motivi: 17

Capitolo 3 – Segmentazione

• Le immagini a colori rispetto alle immagini in

possono fornire più informazioni

scala di grigi;

• La potenza dei computer personali sta aumentando rapidamente e i PC possono

essere utilizzati per elaborare immagini a colori.

È possibile andare a sviluppare ed utilizzare delle tecniche di segmentazione per

immagini a colori a partire da tecniche di segmentazione di immagini monocroma-

tiche ed estenderle utilizzando i canali tricromatici o eventualmente le loro

R, G, B

trasformazioni che si ricorda essere divise in e

trasformazioni lineari trasformazioni

Tuttavia, le ricerche esaustive sulla segmentazione delle immagini a colori

non lineari.

sono ancora poche.

3.1.1 Segmentazione delle immagini monocromatiche

segmentazione delle immagini monocromatiche

Gli approcci alla si basano su prin-

cipi fondamentali che riguardano la e l’omogeneità dei valori di livello di

discontinuità

grigio all’interno dell’immagine. La segmentazione basata sulla discontinuità cerca di

individuare e separare parti dell’immagine caratterizzate da cambiamenti bruschi nei

livelli di grigio. Ciò include l’identificazione di e che rappre-

punti isolati, linee bordi

sentano transizioni significative nella luminosità o nella texture dell’immagine. Questo

tipo di approccio è particolarmente utile per evidenziare dettagli e strutture di interesse

all’interno dell’immagine, come contorni di oggetti, dettagli morfologici o caratteristi-

che rilevanti per specifiche applicazioni. D’altra parte, la segmentazione basata sull’o-

mogeneità cerca di raggruppare regioni dell’immagine che condividono caratteristiche

o come la luminosità, la texture o altre proprietà visuali.

simili omogenee,

Questo approccio include diverse tecniche, tra cui:

Sogliatura:

• tecnica che assegna i pixel a regioni in base a un valore di soglia

predeterminato.

Clustering:

• tecnica che raggruppa i pixel in base alle loro caratteristiche simili.

Region Growing:

• tecnica che le regioni omogenee dai

espande gradualmente

pixel iniziali (approfondimento nella sezione 3.2.4).

Split and Merge:

• tecnica che suddivide o combina le regioni in base a criteri

specifici, come la o (approfondimento nella sezione

similarità di colore intensità

3.2.4).

3.1.2 Caratteristiche del colore

Come discusso nella sezione 3.1, uno dei principali motivi per cui la segmentazione

di immagini a colori è diventata punto cardine della e in maniera più

computer vision

generale di compiti di elaborazione delle immagini complesse è il fatto che la potenza

degli attuali sta aumentando rapidamente in maniera quasi esponenziale, quindi tali

PC

da poter essere utilizzati per elaborare immagini a colori. tristimuli

Il colore è percepito dagli esseri umani come una combinazione dei R

(rosso), (verde) (blu), colori primari.

e comunemente chiamati Dalla rappresen-

G B

tazione possiamo derivare altri tipi di rappresentazioni del colore (spazi) utiliz-

RGB,

zando trasformazioni lineari o non lineari come accennato nella sezione 3.1.1. Diversi

18

Capitolo 3 – Segmentazione

RGB, HSI, CIE L *u *v,

spazi colore, come sono utilizzati nella segmentazione delle

immagini a colori, ma per tutti i tipi di immagini

nessuno di essi può dominare gli altri

a colori. Selezionare il miglior spazio colore rimane una delle maggiori difficoltà nella

segmentazione delle immagini a colori.

I componenti rosso, verde e blu possono essere rappresentati dai valori di lumino-

sità della scena ottenuti attraverso tre separati (filtri rosso, verde e blu) basati sulle

filtri

seguenti equazioni:

Z Z Z

= )S (λ )dλ , = )S (λ )dλ , = )S (λ )dλ

R E(λ G E(λ B E(λ B

R G ),

filtri colore

dove , e sono i sulla e è la

S S S radianza incidente E(λ lunghezza

λ

R B

G

La Figura 3.1a, Figura 3.1b, Figura 3.1c mostrano come sono rappresentati gli

d’onda.

spazi colore sopra citati. (c) Spazio colore CIE L *u

(a) Spazio colore RGB. (b) Spazio colore HSI. *v.

Per comprendere appieno come i colori vengono percepiti e rappresentati, è essen-

leggi della colorimetria.

ziale considerare le Queste leggi governano il modo in cui

i colori primari si combinano per formare altri colori e come questi possono essere

manipolati e rappresentati. Le leggi della colorimetria sono:

• Qualsiasi colore può essere creato da questi tre colori e la combinazione dei tre

colori è unica.

• Se due colori sono saranno nuovamente equivalenti dopo aver mol-

equivalenti,

tiplicato o diviso i tre componenti per lo stesso numero.

• La di una miscela di colori è uguale alla somma della luminanza di

luminanza

ciascun colore.

I valori tristimuli che servono da base per il colore sono: per il blu,

425,8 nm 546,1

per il verde e per il rosso. Qualsiasi colore può essere espresso da queste

nm 700,0 nm

tre basi di colore.

Spazio Colore RGB

Il nome del modello deriva dai tre colori primari additivi (rosso, e e

RGB verde blu),

in uno spettro luminoso si combinano insieme come un unico colore e possono essere

19

Capitolo 3 – Segmentazione

mescolati per produrre nuovi colori dello spettro. Lo spazio colore come mo-

RGB,

strato in Figura 3.1a, potrebbe essere rappresentato come un cubo dai valori di colore

grigio

normalizzati nell’intervallo con valori di sulla

RGB [0,1] diagonale principale

neri bianchi

dei valori e nell’angolo opposto i valori È considerato il

(0,0,0) (1,1,1).

modello di colore di base per la maggior parte delle applicazioni di immagini poiché

l’immagine acquisita non per essere visualizzata

necessita di ulteriori trasformazioni

sullo schermo. Il modello di colore è classificato in due tipi [19]:

RGB

Spazio colore RGB lineare

1. • Lo spazio ottiene la consistenza del colore tramite vari dispo-

RGB lineare

sitivi utilizzando un sistema di gestione del colore.

• Non è adatto per l’analisi numerica e raramente viene utilizzato per la rap-

presentazione delle immagini, ma è utilizzato per le applicazioni di grafica

computerizzata.

• Il mapping a non lineare viene effettuato utilizzando il fattore di correzione

gamma della fotocamera o di qualsiasi dispositivo di input, nell’intervallo

γ

[0,1] per entrambi i modelli.

Spazio colore RGB non lineare

2. • I dati dell’immagine di input catturati con una fotocamera o uno scanner

sono i valori R, G, B rappresentati nell’intervallo da 0 a 255.