In questo corso vengono introdotte le principali tecniche per l’elaborazione, l’analisi e la compressione di immagini e video digitali. L’obiettivo del corso 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 del corso 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

Il corso richiede di aver correttamente appreso i concetti di matematica dei corsi dei primi due anni. E' inoltre fondamentale la conoscenza delle competenze fornite nel precedente corso 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 Matlab.

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):
• operatori morfologici
• edge detection
• descrittori locali
• segmentazione
Compressione (lezione 6 ore, laboratorio 6 ore):
• codifica di sorgente
• trasformate
• codifica predittiva
• algoritmi di compressione per immagini e video

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

Testi di riferimento:
• Image enhancement & restoration, analisi di immagini e video:
o R. C. González, R. E. Woods, Digital Image Processing, Prentice Hall, 2008.
• Compressione di immagini e video:
o 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.
Gli studenti potranno inoltre basarsi sugli appunti e sul materiale che sarà messo a disposizione dal docente sul portale della didattica.

L’esame finale è una prova scritta della durata di 2 ore, basata su di un test a risposta multipla (20 domande) che copre tutti gli argomenti del corso. Viene assegnato un punteggio per ogni risposta corretta ed una penalità per ogni risposta sbagliata. Durante l’esame gli studenti non possono utilizzare libri né appunti, ma solo una calcolatrice. 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).