Che cos'è l'image computing? Una rapida introduzione

Quando attraversi un centro commerciale o una strada pubblica molto trafficata, le telecamere installate sopra gli ingressi e lungo i passaggi registrano ciò che accade. Generano dati visivi ogni secondo e, nella maggior parte dei casi, non ce ne accorgiamo nemmeno.

Questo flusso costante di dati alimenta i moderni sistemi basati sull'AI, dagli smart security systems alle self-driving cars. Queste innovazioni sono rese possibili dall'image computing, un campo versatile che riunisce informatica, matematica e fisica.

L'image computing aiuta le macchine a comprendere ciò che vedono in un'immagine. Consente ai sistemi di riconoscere cosa sta accadendo in una scena e di decidere come funzionare o reagire, ad esempio arrestando un'auto a guida autonoma quando compare un ostacolo.

In questo articolo esploreremo cos'è l'image computing e come viene utilizzato nei sistemi all'avanguardia di intelligenza artificiale (AI). Iniziamo!

Capire l'image computing#

L'image computing è il processo di acquisizione, elaborazione e analisi delle immagini tramite algoritmi avanzati. Tratta le immagini come dati che le macchine possono comprendere e utilizzare.

In altre parole, ogni immagine viene elaborata come una griglia di numeri. Questo avviene convertendo i pixel, le unità più piccole di un'immagine, in una matrice composta da righe e colonne. Ogni pixel ha un valore numerico che indica alla macchina quanto è chiara o scura una specifica area dell'immagine.

Il modo in cui questi valori sono organizzati dipende dal fatto che l'immagine sia in scala di grigi o a colori. Nelle immagini in scala di grigi, i valori dei pixel variano in genere da 0 (nero) a 255 (bianco). Nelle immagini a colori, vengono utilizzate più matrici per rappresentare diversi canali cromatici, come Rosso, Verde e Blu (RGB) oppure Tonalità, Saturazione e Valore (HSV).

Fig. 1. Rappresentazioni matriciali delle immagini (Fonte)

Oltre alle matrici di pixel, un'immagine contiene spesso informazioni contestuali nascoste, note come metadati. I metadati forniscono dettagli importanti come la risoluzione dell'immagine, la profondità in bit, le impostazioni della fotocamera o del sensore e l'ora esatta in cui l'immagine è stata acquisita. Le immagini vengono archiviate in formati di file specifici per preservare sia i dati visivi sia i metadati.

Ad esempio, nell'image computing biomedico, le immagini vengono comunemente archiviate utilizzando il formato Digital Imaging and Communications in Medicine (DICOM). DICOM combina i dati visivi dell'immagine con le informazioni sul paziente, come i dati identificativi e le impostazioni dell'apparecchiatura, garantendo che l'analisi delle immagini mediche sia accurata, coerente e sicura.

Come funziona l'image computing#

Ora che abbiamo compreso meglio cos'è l'image computing, analizziamo i passaggi utilizzati per trasformare il flusso video di una telecamera in informazioni utili.

Sebbene il flusso di lavoro esatto possa variare in base all'applicazione, la maggior parte dei sistemi di image computing segue queste fasi principali:

• Acquisizione delle immagini: per prima cosa, i dati visivi vengono acquisiti tramite telecamere e sensori oppure raccolti da dataset di immagini open source.
• Pre-elaborazione delle immagini: successivamente, le immagini acquisite vengono ridimensionate, sottoposte a riduzione del rumore, migliorate e convertite in uno spazio colore specifico per standardizzare gli input.
• Estrazione delle caratteristiche: gli algoritmi di deep learning vengono utilizzati per apprendere schemi importanti nell'immagine, come bordi, forme e texture.
• Interpretazione: le caratteristiche estratte vengono analizzate per svolgere attività come il rilevamento degli oggetti, la segmentazione delle immagini e il tracciamento degli oggetti.
• Output: infine, il sistema genera output strutturati, come etichette di classe o bounding box, e li presenta in un formato facile da comprendere e utilizzare per la visualizzazione da parte delle persone o di altri sistemi.

Image computing vs computer vision vs image processing#

Quando incontri il termine image computing, potresti vedere anche termini come image processing e computer vision. Sebbene questi termini siano spesso usati come sinonimi, descrivono modi diversi in cui i sistemi di AI interagiscono con i dati visivi.

Ad esempio, l'image processing si concentra sul miglioramento delle immagini o della qualità delle immagini di input tramite operazioni di base come la rimozione del rumore, il ridimensionamento e la regolazione del contrasto. La computer vision, invece, che è un ramo dell'AI, si basa sull'image processing per consentire alle macchine di riconoscere gli oggetti, interpretare le scene e comprendere cosa sta accadendo nelle immagini o nei video.

L'image computing combina image processing e computer vision per trasformare i dati visivi in output significativi e utilizzabili dai sistemi intelligenti.

Fig. 2. Image processing vs computer vision vs image computing. Immagine dell'autore.

Come viene implementato oggi l'image computing#

Ora vediamo come viene implementato oggi l'image computing.

Nelle prime fasi dell'image computing, caratteristiche come bordi, angoli e texture venivano definite manualmente utilizzando algoritmi basati su regole e progettati a mano. Sebbene queste metodologie funzionassero abbastanza bene in ambienti controllati, avevano difficoltà a scalare e ad adattarsi a condizioni complesse del mondo reale.

I moderni sistemi di image computing affrontano questi limiti utilizzando approcci basati sul deep learning. Modelli come le reti neurali convoluzionali (CNNs) e i vision Transformer apprendono automaticamente le caratteristiche rilevanti da grandi dataset di immagini. Questo consente loro di svolgere attività come il rilevamento degli oggetti, la segmentazione delle istanze e il tracciamento degli oggetti con maggiore accuratezza e robustezza.

Oggi, i flussi di lavoro di image computing si basano spesso su modelli di computer vision in tempo reale progettati per l'implementazione in sistemi di AI all'avanguardia. Ad esempio, i modelli di vision AI come Ultralytics YOLO26 offrono funzionalità di computer vision rapide ed efficienti, come il rilevamento degli oggetti e la segmentazione delle istanze, sia sui dispositivi edge sia negli ambienti cloud.

Fig. 3. Un esempio dell'utilizzo di Ultralytics YOLO26 per rilevare e segmentare gli oggetti in un'immagine

Applicazioni dell'image computing nel mondo reale#

L'image computing viene ampiamente utilizzato nelle applicazioni del mondo reale per comprendere e utilizzare i dati visivi. Esploriamo come viene applicato in diversi ambiti.

Image computing medico per la diagnosi precoce delle malattie#

L'image computing può aiutare medici e operatori sanitari a individuare prima le malattie e ad analizzare più efficientemente le scansioni mediche. Questi innovativi sistemi sanitari possono elaborare rapidamente dati di imaging medico come radiografie e scansioni di risonanza magnetica (MRI), fornendo spesso risultati più coerenti rispetto alla revisione manuale.

Ad esempio, modelli come Ultralytics YOLO26 possono essere addestrati su grandi raccolte di radiografie del torace per apprendere schemi associati a infezioni e anomalie. Una volta addestrati, questi modelli possono aiutare a identificare se una scansione appare normale o mostra segni di condizioni come la polmonite o il COVID-19.

Image computing per la guida autonoma#

I veicoli autonomi utilizzano l'image computing per comprendere cosa accade intorno a loro e prendere decisioni di guida. Questa tecnologia trasforma i filmati grezzi delle telecamere in informazioni in tempo reale che aiutano il veicolo a muoversi in modo sicuro e fluido.

L'image computing viene comunemente utilizzato nei sistemi avanzati di assistenza alla guida (ADAS). Invece di limitarsi a registrare video, questi moduli analizzano ogni fotogramma per individuare la segnaletica orizzontale, altri veicoli, pedoni e ostacoli. Questo consente all'auto di reagire ai cambiamenti delle condizioni stradali con un intervento umano minimo.

Un altro caso d'uso comune consiste nel combinare le immagini provenienti da più telecamere per creare una visuale a 360 gradi dell'ambiente circostante il veicolo. L'image computing aiuta a correggere la distorsione dell'obiettivo, migliorare la nitidezza delle immagini e bilanciare luminosità e colore in tutti i flussi video delle telecamere. Il risultato è una visuale chiara e uniforme che consente al veicolo di navigare in sicurezza, anche in condizioni meteorologiche avverse o di scarsa illuminazione.

Fig. 4. Composizione di immagini tramite deep learning (Fonte)

Vantaggi e svantaggi dell'image computing#

Ecco alcuni dei vantaggi dell'image computing:

• Scalabilità: una volta addestrati, i sistemi di image computing possono analizzare continuamente grandi volumi di dati visivi su larga scala.
• Supporto alle decisioni: supporta applicazioni in cui il tempo è critico, come la guida autonoma, lo screening medico e il monitoraggio industriale.
• Efficienza dei costi nel tempo: sebbene la configurazione iniziale possa essere costosa, l'analisi visiva automatizzata può ridurre i costi operativi a lungo termine.

Sebbene l'image computing offra numerosi vantaggi, presenta anche alcune limitazioni. Ecco alcuni fattori da considerare:

• Qualità dei dati: i metodi di image computing dipendono fortemente da annotazioni accurate e dataset di alta qualità, che possono essere costosi e richiedere molto tempo per essere creati.
• Sensibilità alle condizioni: cambiamenti nell'illuminazione, occlusioni, effetto mosso, condizioni meteorologiche o angolazioni della telecamera possono compromettere negativamente le prestazioni del modello.
• Spiegabilità limitata: i modelli di immagini basati sul deep learning possono comportarsi come scatole nere, rendendo difficile spiegare come vengono prese le decisioni.

Punti chiave#

L'image computing si è evoluto dal semplice image processing in una tecnologia che consente ai sistemi di AI di percepire e comprendere il mondo reale in tempo reale. Con il continuo progresso del deep learning, l'image computing sta diventando una componente essenziale per costruire toolkit e applicazioni più intelligenti e pratici.

Unisciti alla nostra community e dai un'occhiata al nostro repository GitHub per saperne di più sull'AI. Esplora le nostre pagine dedicate alle soluzioni per conoscere le applicazioni dell'AI nell'agricoltura e della computer vision nella logistica. Scopri le nostre opzioni di licenza e inizia a creare modelli di vision AI.