1. Università degli Studi di Milano BicoccaFacoltà di Scienze Matematiche Fisiche e NaturaliCorso di Laurea in Informatica DENOISING DI FOTO A COLORI Supervisori: - Dr. Francesca Gasparini - Prof. Raimondo Schettini Relazione di: Simone Compagnone Matr. 709649 Anno Accademico 2009/2010 1/18

2. Le fotografie digitali a colori spesso possono apparire “rovinate” a causa di vari tipologie di rumore (termico, di quantizzazione, variazione di sensibilità ecc…). In particolare, è stato affrontato il rumore causato dalle alte sensibilità ISO dei sensori (CCD,CMOS) presenti nelle moderne macchine fotografiche. CCD CMOS 2/18

3. L’argomento della mia tesi è il DENOISING DI FOTO A COLORI. CHE COS’È IL DENOISING DI FOTO A COLORI? Il “denoising” di foto a colori è il processo di riduzione del rumore nelle fotografie mantenendo il segnale (alte frequenze). FILTRO PASSA BASSO DENOISING 3/18

5. Equazioni Differenziali Parziali del quarto ordine (PDE).

6. Vectorial Total Variation (VTV).

7. Color Block-Matching and 3D Filtering (CBM3D).

8. Algoritmo Multi-Risoluzione.4/18

11. Esempio di foto elaborata con il filtro di Wiener: Foto originale Foto elaborata nello spazio colore RGB Foto elaborata nello spazio colore Ycbcr 6/18

13. Evoluzione delle PDE di secondo ordine. (Perona-Malik nel 1990, diffusione anisotropa). Immagine originale PDE quarto ordine PDE secondo ordine 7/18

14. Esempio di foto elaborata con l’algoritmo PDE di quarto ordine: Foto elaborata dall’algoritmo Foto originale Per migliorare l’algoritmo è stata utilizzata una stima del rumore realizzata da Alessandro Foie studiata da TorstenSeemann. 8/18

18. Gli algoritmi studiati, sono stati confrontati realizzando degli ESPERIMENTI e valutati con l’ausilio di metriche oggettive. METRICHE OGGETTIVE Full-Reference No-Reference PSNR Blur-Metric La BlurMetric è stata trattata nel paper “The Blur Effect: Perception and Estimation with a New No-Reference PerceptualBlurMetric” pubblicato da SPIE nel 2007. 12/18

19. ESPERIMENTI (Parte1) È in funzione del parametro σ(sigma): all’aumentare di σ aumenta il rumore. Le 3 foto senza disturbi sono state degradate aggiungendo artificialmente del rumore gaussiano . ESPERIMENTO 2 ESPERIMENTO 1 Rumore aggiunto nello spazio colore RGB. Per ogni foto sono state create 15 immagini degradate ciascuna da una sigma differente. Rumore aggiunto nello spazio colore Ycbcr, sui canali cb e cr. Le 15 immagini degradate sono state salvate in formato Jpeg (compressione lossy).

22. Ogni algoritmo è stato confrontato mediante i valori di PSNR medio alle 3 diverse sigma. ESPERIMENTO 1 ESPERIMENTO 2

24. ESPERIMENTO 3 Scelta casuale di 30 foto reali degradate presenti in un database personale. Elaborazione delle foto eseguita dagli algoritmi. Valutazione degli elaborati con l’ausilio di una metrica oggettiva No-Reference (Blur-Metric). La Blur-Metric sfrutta dei valori compresi nell’intervallo [0,1] e cerca di stimare la sharpness/blur delle 30 foto.

25. SVILUPPI FUTURI Una sperimentazione futura per uno studio più approfondito degli algoritmi, è l’applicazione delle metriche soggettive, in particolare dei gruppi MOS. La metrica MOS consiste nella valutazione media di giudizi espressi da diversi osservatori umani relativi alla qualità di un’immagine. Non è stato possibile applicare questa metrica per mancanza di tempo e per problemi logistici. 18/18