AIMS AND CONTENT

LEARNING OUTCOMES

Il corso Digital Image Processing fornisce agli studenti gli strumenti per comprendere gli algoritmi per l'elaborazione numerica, simbolica e semantica delle immagini digitali, distinguendo metodi lineari e non lineari, approcci adattivi e concentrandosi sui criteri di valutazione dei risultati. Gli studenti impareranno a comprendere gli approcci e i metodi più avanzati, distinguendo gli approcci consolidati dalle soluzioni più innovative e all'avanguardia. Uno degli obiettivi principali è quello di fornire allo studente la capacità di orientarsi in modo critico e costruttivo di fronte all'offerta di siti Internet che non riescono a cogliere la complessità del problema, propongono approcci confusi, standardizzati e spesso limitati se non soluzioni errate in questo settore specialistico. Competenze soft-skill di alfabetizzazione funzionale (lettura e uso critico delle fonti) e capacità di apprendere (autoapprendimento). Un altro obiettivo riguarda la capacità di analizzare un problema, scomporlo nelle sotto-parti principali e scegliere gli approcci più adatti per ciascuna fase (competenze soft-skills nella creazione di progetti: orientamento, problem solving e pianificazione del progetto). I laboratori pratici SW consentono allo studente di comprendere la teoria e metterla in pratica con strumenti specializzati in grado di analizzare in dettaglio tutti i passaggi e i risultati intermedi dei più importanti algoritmi di elaborazione delle immagini allo stato dell'arte. Vengono affrontati gli Obiettivi di Sviluppo Sostenibile 4 (Istruzione di qualità) e 9 (Industria, Innovazione e Infrastrutture) dell'Agenda 2030, consentendo allo studente di acquisire forti competenze per affrontare l'era della trasformazione digitale relativa a vari campi di applicazione delle fonti di informazione digitale.

AIMS AND LEARNING OUTCOMES

The course provides an introduction to digital image processing techniques. Analysis of digital images has several important applications e.g. remote sensing, biomedical imaging, telecommunications, character recognition, advertising photography, historical objects analysis. Nowadays, the available computational power allows almost everyone to leverage on high-performance algorithm for image processing.

In the first part, digital images will be introduced. Several color spaces are described and common techniques to change from one to another are provided.

Basic methods are presented, e.g. contrast enhancement, thresholding, histogram analysis, noise reduction, underlining the use of the discrete Fourier transform (DFT).

Classical techniques for edge detection, segmentation, mathematical morphology analysis, texture analysis are topics of the course.

During practical lessons, software for image processing such as GIMP, ImageJ, MatLab and libraries such as come OpenCV are used.

TEACHING METHODS

Combination of classical lessons and laboratory exercises.

SYLLABUS/CONTENT

• Digital Image Representation
• Color Spaces
• Image Filtering (linear and non-linear)
• Edge detection
• Image Segmentation
• Mathematical morphology
• Moments and Hough Transform
• Texture analysis
• Introduction to Deep Learning for Digital Image Processing/Regression/Recognition - Basic concepts - Convolutional Networks - application examples.

RECOMMENDED READING/BIBLIOGRAPHY

• C. OLEARI, Misurare il colore, Hoepli, II edizione, 2008

  R.M. HARALICK , L:G: SHAPIRO, Computer and Robot Vision, Vol. 1, Addison-Wesley, 1991.

  P. ZAMPERONI, Metodi dell'elaborazione digitale di immagini, Masson, 1990.

  D. H. BALLARD, C. M. BROWN, Computer vision, Prentice Hall, 1982.

  Petrou, Maria MP, and Costas Petrou. Image processing: the fundamentals. John Wiley & Sons, 2010.

  Shapiro, L., and G. Stockman. Computer Vision. Prentice-Hall Inc., New Jersey (2001)

  Jain, Anli K. Fundamentals of digital image processing. Prentice-Hall Inc., 1989

  Class slides can be downloaded from aulaweb. 

  Tests and solutions can be downloaded from aulaweb.

TEACHERS AND EXAM BOARD

LESSONS

LESSONS START

https://corsi.unige.it/en/corsi/10378/students-timetable

Class schedule

The timetable for this course is available here: Portale EasyAcademy

EXAMS

EXAM DESCRIPTION

• Written test
• Laboratory  test

Students with learning disorders ("disturbi specifici di apprendimento", DSA) will be allowed to use specific modalities and supports that will be determined on a case-by-case basis in agreement with the delegate of the Engineering courses in the Committee for the Inclusion of Students with Disabilities

ASSESSMENT METHODS

The written exam will allow to verify the learning of the topics of the program and the orientation and reasoning ability of the student.

The practical computer test will verify the ability to use the software seen during the practical laboratory exercises.