Equalizzazione cromatica per algoritmi di Computer Vision

Abstract.

Nelle applicazioni della computer vision può essere molto vantaggioso riprodurre alcuni processi di adattamento alle condizioni nelle quali un sistema di visione si trova ad agire.

In particolare, nella robotica avanzata e nell’intelligenza artificiale applicata all’imaging, il contenuto informativo di un’immagine è usato per vari compiti fra cui prendere decisioni o autolocalizzare un robot in uno spazio. In questi casi vengono solitamente utilizzati il colore ed i contorni.

E’ noto che il colore acquisito da un dispositivo è fortemente influenzato dalle condizioni di illuminazione sia per quel che riguarda un eventuale dominante cromatica sia per la possibile presenza di configurazioni di illuminazione problematiche per un’analisi automatica dell’immagine (ad esempio controluce o illuminazione fortemente non uniforme). Per questi motivi può essere di particolare utilità disporre di meccanismi di adattamento automatico alle condizioni d’illuminazione ambientale. Funzionalità di questo tipo sarebbero in grado di aumentare, in molte occasioni, l’efficacia degli algoritmi di visione.

Con questo obiettivo abbiamo sviluppato un algoritmo di equalizzazione cromatica totalmente automatico che si ispira al funzionamento del sistema visivo umano , chiamato ACE per “Automatic Color Equalization”.

Uno degli aspetti positivi di ACE è la massimizzazione della gamma dinamica dell’immagine, caratteristica in grado di aumentare l’efficacia di algoritmi per la segmentazione di immagini. Inoltre ACE diminuisce la variabilità del colore rispetto ai cambiamenti dell'illuminante senza richiedere informazioni a priori sull’illuminazione della scena; per questa ragione può operare in modo automatico anche in ambienti non noti, con condizioni di illuminazione non prevedibili.

1 Introduzione

La qualità di un’immagine acquisita da un dispositivo può essere fortemente influenzata dalle condizioni di illuminazione sia per quel che riguarda un eventuale dominante cromatica sia per la possibile presenza di configurazioni di illuminazione particolari (ad esempio controluce o illuminazione fortemente non uniforme). Il sistema visivo umano (SVU) è in grado di adattarsi efficacemente alle condizioni di luce ambientali.

Per questi motivi può essere di particolare utilità disporre di meccanismi di adattamento automatico alle condizioni d’illuminazione ambientale anche per immagini digitali. Funzionalità di questo tipo sarebbero in grado di aumentare, in molte occasioni, l’efficacia degli algoritmi di visione.

In questo articolo proponiamo un algoritmo, detto ACE per “Automatic Color Equalization”, derivante da un modello semplificato del SVU. Lo scopo del modello proposto è quello di simulare alcuni meccanismi del SVU nell’intento di ottenere alcune delle sue caratteristiche di adattamento. In particolare si vuole un modello in grado di eseguire i due meccanismi fondamentali di adattamento: la lightness constancy e la color constancy.

Il meccanismo di lightness constancy, che permette al SVU di adattarsi a diversi livelli di luminosità della scena, fa si che il SVU percepisca come grigio medio l’oggetto che riflette la luminosità media presente nel campo visivo [1].

Dal punto di vista prettamente algoritmico questo meccanismo corrisponde all’operazione di centratura dell’istogramma attorno al grigio medio disponibile rispetto alla gamma dinamica utilizzata per rappresentare un immagine digitale; faremo riferimento a questo meccanismo con il nome di gray world.

Questo meccanismo globale non è di per sè di particolare efficacia [2] ma è di fondamentale importanza se inserito in un modello più completo.

Il meccanismo di color constancy è in grado di rimuovere una eventuale dominante cromatica dovuta al tipo di illuminante presente nell’ambiente. In questo caso il SVU modifica la propria percezione del colore adattandosi ad un’ipotetica zona bianca presente nella scena. Faremo riferimento a questo meccanismo con il nome di white patch [3]. Questo meccanismo opera globalmente sull’immagine; nel modello proposto, oltre a questo, come vedremo in seguito, abbiamo aggiunto un meccanismo di correzione cromatica locale.

2 L’implementazione del modello

Lo schema base dell’algoritmo prevede che il primo stadio esegue un ricalcolo del valore di ogni pixel in funzione del resto dell’immagine (Adattamento Cromatico Spaziale), mentre il secondo stadio (Mappaggio della dinamica) esegue un accurato mappaggio della dinamica prodotta dal primo stadio in quella disponibile dal dispositivo di visualizzazione.

L’algoritmo non richiede alcun tipo di supervisione e nessun tipo di precalcolo statistico.

Adattamento Cromatico/Spaziale

 

2.1 Adattamento cromatico spaziale.

Il primo stadio produce un immagine intermedia R dove ogni pixel è stato ricalcolato in funzione del contenuto cromatico dell’immagine.

Ogni pixel p di R viene ottenuto  simulando un meccanismo di inibizione laterale, dove : d(p,j) è una funzione di distanza fra pixel che incorpora il concetto di località, r(⋅) è la funzione, descritta in dettaglio successivamente, che calcola l’apparenza relativa fra due pixel.

L’elaborazione di ogni pixel può essere fatta confrontandolo con l’intera immagine o ristretta ad un suo subset.

Il denominatore nell’equazione (1) è stato introdotto per bilanciare il filtraggio in funzione della posizione di p e compensare “l’effetto bordo”; omettere questa parte significa ottenere un alone ellittico nell’immagine finale poiché i pixels vicini al bordo verrebbero ricalcolati su un vicinato non omogeneamente distribuito. rmax è il valore massimo assunto dalla funzione r (⋅).

Il meccanismo di inibizione realizzato attraverso la differenza I(p)−I(j), unito alla funzione è in grado di controllare il contrasto dell’immagine finale. )(⋅r

2.2 L’effetto locale/globale

La distanza d è responsabile del comportamento locale e globale dell’algoritmo proposto. E’ noto che entrambi questi comportamenti sono presenti nel SVU umano. Infatti, i modelli del SVU con comportamento esclusivamente globale non sono in grado di spiegare alcuni meccanismi di modifica locale della percezione come, ad esempio, l’effetto di contrasto di simultaneità o le bande di Mach. (⋅)

Durante i test preliminari sono state provate diverse funzioni d(⋅), ma nessuna di queste si è imposta come funzione ottimale. Sono state provate: r (distanza Euclidea in pixels), 1/e−αr, distanza Manhattan, r2, Manhattan2. A parte le ultime due che danno risultati insoddisfacenti, la scelta della migliore distanza è ancora oggetto di investigazione.

Per i test effettuati in questo articolo è stata utilizzata la distanza Euclidea r, la relativa funzione peso che bilancia il comportamento locale/globale (1/r) è mostrata in Fig. 2.

2.3 La luminosità apparente relativa

Per ogni pixel dell’immagine iniziale, r(⋅) e d(⋅) controllano l’interazione dovuta alla differenza di luminosità su ogni canale cromatico fra pixel considerando allo stesso tempo la distribuzione spaziale del colore. L’algoritmo somma ogni singolo contributo fornito da ogni confronto pixel-pixel pesandolo tramite la funzione distanza d(⋅) per giungere al valore finale di ogni pixel.

Per ottenere un comportamento gray world r(⋅) deve essere una funzione pari mentre il comportamento white patch è ottenuto grazie all’amplificazione non lineare delle differenze di luminosità fra pixel.

Abbiamo provato diverse funzioni r(⋅) con l’obiettivo di implementare un comportamento white patch efficace.

In questo articolo abbiamo presentato un algoritmo di equalizzazione cromatica automatica (ACE) e lo abbiamo proposto come prefiltraggio in grado di migliorare le prestazioni di algoritmi di visione automatica.

ACE ha mostrato capacità di filtraggio sia locali che globali riducendo le differenze cromatiche dovute alle variazioni dell’illuminante e massimizzando la dinamica di un’immagine utilizzandone le informazioni cromatiche locali. Data la sua complessità algoritmica è stato sviluppato un metodo di velocizzazione (LLLUT) in grado di non perdere le sue caratteristiche più salienti.

Sviluppi futuri prevedono di incorporare nel modello altre caratteristiche del SVU fra le quali il meccanismo di assimilazione. Inoltre è previsto lo studio e l’implementazione di ulteriori metodi di velocizzazione. 

Articoli Correlati

Computer Vision
views 47
Dalla Videosorveglianza alla Videosicurezza  A cura di Aldo Leonardi Gli elementi della Computer Vision L’obiettivo dei sistemi di videosorveglianza è l’individuazione di eventi a rischio o peric...
Programma Operativo Nazionale
views 38
"SICUREZZA PER LO SVILUPPO DEL MEZZOGIORNO D'ITALIA" Programma 2007-2013 Il Programma Operativo Nazionale Sicurezza per lo Sviluppo – Obiettivo Convergenza 2007-2013 si propone di migliorare le co...
I limiti della video sorveglianza
views 23
I più recenti episodi di cronaca dimostrano le evidenti necessità di sistemi video in ambito di attività commerciali, lotta al crimine, applicazioni di sicurezza civili e militari. Sebbene le telecame...
Gli Algoritmi nella Computer Vision
views 24
1.   Algoritmi In questo capitolo verranno presentati gli algoritmi di un sistema di videosorveglianza che sono stati studiati in precedenti lavori svolti presso un laboratorio di Visione Artificiale...
Atteggiamenti Sospetti
views 27
Qui notiamo una persona che si sofferma innanzi una banca senza fare intendere che desidera entrare, o che vuole utilizzare lo sportello del bancomat. Il suo bighellonare viene rilevato come atteggiam...
Antintrusione
views 25
Il sito inquadrato viene protetto attraverso la definizione di 3 aree. La prima area, che il software evidenzia con una linea gialla, se viene oltrepassata provoca immediatamente l’invio dell’allarme...
Antiterrorismo – Aeroporto
views 34
Vengono elaborati, se pur in ambiente caotico, gli spostamenti di tutte le persone, il loro conteggio, e il  riconoscimento delle forme degli oggetti abbandonati. Il sistema riesce a sincronizzare le ...
Videosicurezza
views 220
A R K V I S I O N A cura di Aldo Leonardi La VideoSicurezza non è Videosorveglianza ♦ Videosorveglianza è semplicemente un deterrente, oppure  uno degli elementi nel campo delle indagini gi...
Analisi d’immagine
views 23
  L'analisi delle immagini consiste nell'estrazione di informazioni da immagini di una scena reale; si basa sulla possibilità di formulare una rappresentazione matematica della distribuzione deg...