Tecniche per l'analisi di qualità di immagini industriali

I metodi di segmentazione possono essere divisi in tre gruppi, in base alle caratteristiche che utilizzano: il primo è quello di “conoscenza globale” (global knowledge) sull’immagine intera oppure su singole parti, esso è rappresentato usualmente dall’istogramma delle caratteristiche.

La “segmentazione basata sui contorni” (edge-based segmentation) forma il secondo gruppo e le “segmentazioni basate sulle regioni” (region-based segmentations) il terzo. Il secondo ed il terzo gruppo risolvono un problema duale: ogni regione può essere rappresentata dal suo contorno chiuso e ogni contorno chiuso descrive una regione.

Data la differente natura degli algoritmi di segmentazione basata sulle regioni e sui contorni, i risultati e le informazioni estratte sono ovviamente differenti. Il primo passo d’analisi dell’immagine consiste quindi nella sua segmentazione, il cui livello di dettaglio dipende dal problema da risolvere, che deve spingersi fino all’individuazione degli oggetti d’interesse.

Il perché di questo attraverso un esempio: nell’ispezione automatica di assemblati elettronici, l’interesse nell’analizzare immagini dei prodotti ha come obiettivo determinare la presenza o assenza di anomalie; un ulteriore livello di dettaglio potrebbe essere fonte di errori.

L’approccio spesso utilizzato è la segmentazione bottom-up. Nelle operazioni di segmentazione di “basso livello” (ne fanno parte i metodi di global knowledge e region-based) si parla più propriamente di individuazione delle regioni che costituiscono l’immagine. Invece, nelle operazioni di segmentazione di “alto livello” lo scopo è direttamente l’individuazione degli oggetti presenti nell’immagine (edgebased segmentations).

La corrispondenza tra regioni e oggetti implica l’esplicitazione di aspetti semantici, operazione che non è quasi mai possibile a partire dalla sola analisi automatica. E’ intuibile la complessità intrinseca del processo di segmentazione, pertanto, laddove possibile esso è in genere accompagnato da un insieme di accorgimenti tendenti ad accrescerne le probabilità di successo.

Gli algoritmi di segmentazione sono in genere basati o sulla “similarità” o sulla “discontinuità” di proprietà dei pixel, quali per esempio il livello di grigio, il colore, la regolarità spaziale, la velocità, ecc. Basati sull’analisi della discontinuità sono per esempio gli algoritmi di estrazione dei contorni (edge) o di altre caratteristiche (punti isolati, linee); basati sull’analisi della similarità sono invece i metodi di soglia (thresholding) e quelli cosiddetti di regionalizzazione. L’edge-detection in particolare è stato ampliamente usato negli algoritmi di segmentazione per anni, assieme a metodi per connettere i segmenti di edges e per “assemblare” edges in regioni limitate.