La conoscenza delle principali tecniche per il trattamento di immagini e video è uno strumento fondamentale nell'ambito delle competenze multidisciplinari richieste al laureato in Ingegneria del cinema e dei mezzi di comunicazione, sia nella progettazione e realizzazione di prodotti di comunicazione multimediale che nello sviluppo di ambienti web. In questo contesto, l'insegnamento introduce le principali tecniche per l’elaborazione, l’analisi e la compressione di immagini e video digitali. L’obiettivo dell'insegnamento è quello di fornire agli studenti gli strumenti di base per l’elaborazione di segnali multimediali e di mostrare come queste tecniche possano essere impiegate per risolvere numerosi problemi pratici riguardanti il trattamento di immagini e video, incluso il miglioramento della qualità visiva, la riduzione di disturbi, la segmentazione automatica di contenuti, la compressione.

Al termine dell'insegnamento gli studenti dovranno aver appreso i principali strumenti per l’elaborazione di immagini e video. Nel dettaglio: • Conoscenza delle tecniche di acquisizione e rappresentazione delle immagini • Conoscenza delle principali tecniche di elaborazione delle immagini nel dominio spaziale e nel dominio della frequenza • Conoscenza delle principali tecniche di image restoration • Conoscenza delle principali tecniche per l’analisi di immagini e video • Conoscenza delle principali tecniche per la compressione di immagini e video Inoltre, dovranno aver acquisito la capacità di scegliere e usare lo strumento più adeguato a seconda del tipo di applicazione, anche grazie ad esercitazioni pratiche in laboratorio. Nel dettaglio: • Capacità di analizzare le proprietà e i requisiti di differenti tecniche per l’elaborazione di immagini e video • Capacità di scegliere la tecnica più adeguata in funzione dei requisiti dell’applicazione • Capacità di definire i parametri corretti a seconda dello strumento e dello scenario applicativo • Capacità di progettare un algoritmo per estrarre informazione di tipo visuale da immagini e video combinando opportunamente strumenti esistenti

L'insegnamento richiede di aver correttamente appreso i concetti di matematica degli insegnamenti dei primi due anni. E' inoltre fondamentale la conoscenza delle competenze fornite nel precedente insegnamento di 'Teoria ed elaborazione dei segnali'. In particolare, si ritiene che lo studente abbia già acquisito le seguenti conoscenze: teorema del campionamento, trasformata di Fourier a tempo discreto, convoluzione circolare, DFT, sistemi LTI a tempo discreto, filtri numerici FIR e IIR. Per quanto riguarda le esercitazioni in laboratorio, è richiesta una conoscenza di base di Python.

Introduzione all’elaborazione delle immagini (lezioni 7.5 ore): • acquisizione di immagini e video • rappresentazione del colore • richiami di teoria dei segnali Image enhancement & restoration (lezione 13.5 ore, laboratorio 6 ore): • trasformazioni dell’intensità • filtraggio nel dominio dello spazio e della frequenza • filtro a media e filtro mediano • filtro di Wiener Analisi di immagini e video (lezione 15 ore, laboratorio 6 ore): • segmentazione di immagini e video • edge detection • reti neurali convoluzionali Compressione (lezione 6 ore, laboratorio 6 ore): • codifica di sorgente e quantizzazione • trasformate • codifica predittiva • algoritmi di compressione per immagini e video

L'insegnamento prevede lezioni in aula (42 ore) ed esercitazioni in laboratorio (18 ore). Sono previsti tre laboratori sugli argomenti image enhancement & restorarion, reti neurali e compressione. I laboratori avranno una durata di circa 6 ore ciascuno nell’arco di più settimane. Durante i laboratori gli studenti implementeranno in Python gli algoritmi discussi a lezione e li verificheranno in vari scenari applicativi. Gli studenti partecipano in gruppi di massimo tre persone. Per ogni esercitazione di laboratorio il gruppo deve consegnare una relazione scritta. Le relazioni vengono valutate e concorrono a determinare il voto finale.

Le slide usate a lezione, le registrazioni delle lezioni di anni precedenti e il materiale per i laboratori sarà messo a disposizione dal docente sul portale della didattica. Testi di riferimento: • Image enhancement & restoration, analisi di immagini e video: R. C. González, R. E. Woods, Digital Image Processing, 4th edition, Pearson, 2018. • Compressione di immagini e video: K. Sayood, Introduction to data compression, 3rd edition, Morgan-Kauffman, 2006. Testi consigliati per approfondimenti: 1. Simon J. D. Prince, Computer Vision: Models, Learning, and Inference, Cambridge University Press, 2012. 2. Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer-Verlag New York, 2006.

Slides; Esercizi; Esercizi risolti; Esercitazioni di laboratorio; Video lezioni tratte da anni precedenti;

Modalità di esame: Prova scritta (in aula); Elaborato scritto prodotto in gruppo;

Exam: Written test; Group essay;

... L’esame finale è una prova scritta della durata di 1 ora, basata su di un test a risposta multipla (20 domande) che copre tutti gli argomenti dell'insegnamento. Il test è composto al 50% da domande teoriche per verificare il livello di conoscenza e comprensione degli argomenti trattati e al 50% da semplici esercizi per verificare la capacità degli studenti di applicare le conoscenze acquisite. Viene assegnato un punteggio positivo per ogni risposta corretta ed un punteggio negativo per ogni risposta sbagliata. Se lo studente non risponde, il punteggio assegnato è zero. Durante l’esame gli studenti non possono utilizzare libri, appunti, o dispositivi in grado di connettersi a Internet, ma solo una calcolatrice ed eventuali fogli di brutta. Esempi di prove di esame sono disponibili nel materiale didattico e la risoluzione di parte degli esercizi viene discussa durante le lezioni. Le relazioni di laboratorio dovranno essere consegnate almeno una settimana prima della data del primo esame. La valutazione delle relazioni si basa sulla loro chiarezza, correttezza tecnica, abilità dello studente di descrivere e commentare in modo adeguato i risultati degli esperimenti. Le relazioni non devono semplicemente elencare i risultati ottenuti, ma devono dimostrare che lo studente ha compreso i concetti appresi durante l'insegnamento. Le relazioni servono anche per valutare la capacità degli studenti di valutare le prestazioni delle diverse tecniche viste a lezione e la loro capacità di applicarle correttamente. La valutazione dei laboratori sarà basata anche sull'autovalutazione degli studenti: ogni studente dovrà valutare il contributo dato dagli altri membri del proprio gruppo al raggiungimento degli obiettivi dei laboratori. L'autovalutazione dovrà essere inviata al professore con le stesse scadenze della relazione ed è obbligatoria per ottenere la valutazione dei laboratori. Il voto finale tiene conto della somma dei punteggi acquisiti nella prova scritta (fino a 30 punti) e della valutazione delle relazioni sulle esercitazioni di laboratorio (fino a 3 punti aggiuntivi). La lode viene data per punteggi maggiori o uguali a 32. Il voto minimo per superare l'esame è 18/30. Sebbene l'esame sia tipicamente in forma scritta, il docente si riserva la possibilità di fare un esame orale in casi particolari.

Gli studenti e le studentesse con disabilità o con Disturbi Specifici di Apprendimento (DSA), oltre alla segnalazione tramite procedura informatizzata, sono invitati a comunicare anche direttamente al/la docente titolare dell'insegnamento, con un preavviso non inferiore ad una settimana dall'avvio della sessione d'esame, gli strumenti compensativi concordati con l'Unità Special Needs, al fine di permettere al/la docente la declinazione più idonea in riferimento alla specifica tipologia di esame.