ads:
Universidade de São Paulo
Escola de Engenharia de São Carlos
Departamento de Engenharia Elétrica
André Calheiros Silvestre
Estabilização digital em tempo real de imagens em
seqüência de vídeos.
USP – São Carlos
2007
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
i
André Calheiros Silvestre
Estabilização digital em tempo real de imagens em
seqüência de vídeos.
Dissertação apresentada à Escola de Engenharia de
São Carlos da Universidade de São Paulo para
obtenção do título de Mestre em Engenharia Elétrica.
Área de Concentração: Processamento de Sinais e
Instrumentação
Orientador: Prof. Dr. Valentin Obac Roda
USP – São Carlos
2007
ads:
ii
iii
iv
Ao meu pai, Jurandir, minha mãe, Lucila,
demais familiares e amigos, pela ajuda,
dedicação e encorajamento.
v
AGRADECIMENTOS
Agradeço ao Prof. Dr. Valentin Obac Roda pela oportunidade, confiança e apoio na
realização deste trabalho e pela significativa contribuição para a minha formação
científica e intelectual.
Aos demais professores da área de Processamento de Sinais e Instrumentação do
departamento de Engenharia Elétrica pela cooperação e apoio.
Aos colegas do Laboratório de Instrumentação Virtual e Microprocessada pela amizade
e cooperação.
Aos funcionários e técnicos do Departamento de Engenharia Elétrica.
vi
RESUMO
SILVESTRE, A.C. Estabilização digital em tempo real de imagens em seqüência de
vídeos. 2006. 109 f. Dissertação (Mestrado) – Departamento de Engenharia Elétrica,
Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos, 2006.
Podemos afirmar que deslocamentos da imagem em quadros consecutivos de
uma seqüência de vídeo são causados por pequenas vibrações da câmera e/ou
movimentos desejados pelo operador da câmera.
A estabilização de imagem consiste no processo de remoção de pequenas
vibrações que caracterizam movimentos indesejados de uma seqüência de imagens.
Com este propósito, atualmente técnicas de processamento digital de vídeo vêm sendo
comumente aplicadas na indústria eletrônica. No processo digital de estabilização de
imagens são necessários métodos computacionais de estimação, de suavização e de
correção de movimento, para os quais, existe uma grande variedade de técnicas de
processamento. O emprego de uma técnica específica de processamento é determinado
conforme o tipo de aplicação. Técnicas para a estimação de movimento como
casamento de blocos (CB), e para a suavização de movimento como filtro de freqüência
passa baixa, são freqüentemente encontradas na literatura.
Este trabalho apresenta um sistema de estabilização digital de imagens em tempo
real capturadas por uma câmera digital, estimando e compensando movimentos
translacionais e rotacionais indesejados.
vii
PALAVRAS CHAVE: Estabilização de imagens em tempo real, estimação de
movimento, processamento digital de imagens e compensação de movimento.
viii
ABSTRACT
SILVESTRE, A.C. Real time digital image stabilization in videos sequences. 2006.
109 f. Dissertation (Master of Science Degree) – Departamento de Engenharia Elétrica,
Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos, 2006.
Undesirable shakes or jiggles, object motion within image or desirable motions
caused by the camera operator causes image differences in consecutive frames of video
sequences. The image stabilization consists of the process of removing inevitable and
undesirable fluctuations, shakes and jiggles; with this purpose, nowadays digital
processing techniques have been commonly applied in the electronic industry. On the
digital processing of image stabilization, computational methods of estimation,
smoothing and motion correction are necessary. In the literature various digital
processing techniques for image stabilization are described, the most suitable technique
should be chosen according to the kind of application. Techniques such as “Block
matching” used in motion estimation and low-pass filters used in motion smoothing are
found in a great number of papers.
This work presents a real time digital image stabilization system capable of
stabilizing video sequences with undesirable translational and rotational displacements
between frames.
KEY WORDS: Real time image stabilization, digital image processing, motion
estimation and smoothing.
ix
Índice de Figuras
Figura1.1 – Taxa de bits x Freqüência de vibração. (ENGELSBERG, A.; SCHMIDT,
G., 1999)........................................................................................................................... 2
Figura 3.1 – Estrutura básica de estabilização de imagem............................................. 11
Figura 3.2 – Block Matching.......................................................................................... 14
Figura 3.3 – Busca 3 passos ........................................................................................... 17
Figura 3.4 – Busca cruzada ............................................................................................ 18
Figura 3.5 – Quatro sub – imagens................................................................................. 28
Figura 3.6 - Sistema de estabilização apresentado em Engelsberg e Schmidt (1999).... 30
Figura 4.1 – (a) campo vetorial de movimento translacional, (b) campo vetorial de
movimento rotacional..................................................................................................... 37
Figura 4.2 – (a) histograma para movimento translacional, (b) histograma para
movimento rotacional..................................................................................................... 38
Figura 4.3 – (a) variância das imagens com movimento translacional, (b) variância das
imagens com movimento rotacional............................................................................... 39
Figura 4.4 – Ponderação na estimação de movimento global. (Chen, 2000) ................. 40
Figura 4.5 – Resposta em freqüência do filtro “Moving average” (Smith W., 1998).... 44
Figura 4.6 - Resposta em frequencia filtro Butterworth quinta ordem........................... 46
Figura 4.7 - Resposta em frequencia filtro Chebychev quinta ordem............................ 46
Figura 4.8 - Filtro Média de Movimento (quinta ordem)............................................... 47
Figura 4.9 - Filtro Butterworth (quinta ordem) .............................................................. 48
Figura 4.10 - Filtro Chebychev (quinta ordem).............................................................. 48
Figura 4.11 – Filtro Media Mov. Ordem 10................................................................... 49
Figura 4.12 – Filtro Butterworth ordem 10 .................................................................... 49
Figura 4.13 – Filtro Chebychev ordem 10...................................................................... 50
Figura 4.14 – (a) Compensação de movimento translacional, (b) Compensação
movimento rotacional..................................................................................................... 52
x
Figura 5.1 – Estrutura do sistema proposto.................................................................... 57
Figura 5.2 – Sistema de Estabilização de imagens......................................................... 58
Figura 5.3 – Ambiente fechado ...................................................................................... 59
Figura 5.4 – Ambiente aberto......................................................................................... 59
Figura 5.5 – Vetores de movimento horizontal.............................................................. 60
Figura 5.6 – Vetores de movimento vertical .................................................................. 60
Figura 5.7 – Ângulo de rotação ...................................................................................... 61
Figura 5.8– Vetores de movimento horizontal............................................................... 62
Figura 5.9 – Vetores de movimento vertical .................................................................. 62
Figura 5.10 - Vetores de movimento horizontal ( seqüência original e estabilizada) .... 63
Figura 5.11 - Ângulo de rotação (seqüência original e estabilizada) ............................. 64
Figura 5.12 – Vetores de movimento (ambiente fechado) ............................................. 64
Figura 6.1 – Estimação de movimento........................................................................... 68
Figura 6.2 – Raiz quadrada............................................................................................. 69
Figura 6.3 – Classificação de Movimento...................................................................... 70
Figura 6.4 – Movimento Global ..................................................................................... 71
Figura 6.5 – Imagem de referência................................................................................. 72
Figura 6.6 – Suavização de movimento ......................................................................... 73
Figura 6.7 – Detecção de grandes movimentos.............................................................. 74
Figura 6.8 – Correção de movimento............................................................................. 75
xi
Lista de Tabelas
Tabela 4.1 – Variância dos vetores de movimento suavizados ..................................... 50
Tabela 5.1 – Variância dos vetores de movimento global ............................................. 65
xii
Lista de Abreviaturas e Siglas
ITU-T-H.263 – Padrão de codificação de vídeo publicado pela International
Telecomunication Union
MPEG – Moving Picture Expert Group
OIS – Optical Image Stabilizer
EIS – Eletronic Image Stabilizer
CB – Casamento de Blocos
VLSI – Very Large System Integration
H.261 – Padrão de codificação de vídeo publicado pela International telecomunication
Union
EMQ – Mínimo erro médio quadrático
MDA – Mínima diferença absoluta
MCP – Máxima combinação por contagem
GC BPM – Gray coded bit plane matching
VFE – Vision Front End
OpenCV – Open source computer vision library
USB – Universal serial bus
RGB – Sistema de cor de imagens (vermelho, verde e azul)
Fps – Frames por segundo
YCrCb – Sistema de cor de imagens (Luminância, Crominância vermelha, Crominância
azul)
FPGA – Field Programable Gate Arrays
xiii
Sumário
RESUMO ....................................................................................................vi
ABSTRACT ........................................................................................... viiiii
SUMARIO.................................................................................................xiii
Introdução....................................................................................................1
1.1 Motivação............................................................................................................... 1
1.2 Objetivos................................................................................................................. 3
1.3 Organização da Monografia ................................................................................... 4
Sistemas de Estabilização de imagens .......................................................6
2.1 Métodos Mecânicos................................................................................................ 6
2.2 Métodos Ópticos..................................................................................................... 7
2.3 Métodos Mecânicos – Digitais ............................................................................... 8
2.4 Método Digital........................................................................................................ 9
Estabilização digital de imagens ..............................................................11
3.1 Estrutura básica de estabilização de imagens digital.......................................... 11
3.2 Estimação de movimento.................................................................................... 12
3.2.1 Movimentos translacionais............................................................................ 13
3.2.1.1 Casamento de Blocos (“Block Matching”) .............................................. 13
3.2.1.2 Correlação de Fase para movimentos translacionais (Phase Correlation).20
3.2.2 Movimentos rotacionais ................................................................................ 22
3.3 Suavização de movimento.................................................................................. 24
3.4 Correção de movimento....................................................................................... 25
3.5 Exemplos de estabilização digital de imagem.................................................... 26
xiv
3.6 Conclusão ........................................................................................................... 31
Sistema de Estabilização de Imagem Digital..........................................34
4.1 Estimação dos vetores de movimento ................................................................. 34
4.1.1 Vetor de movimento global........................................................................... 36
4.1.2 Movimentos rotacionais e translacionais....................................................... 36
4.1.2 Modelo “Affine”............................................................................................ 39
4.1.3 Imagem de referência .................................................................................... 41
4.2 Movimentos desejados e indesejados................................................................... 43
4.2.1 Filtro Média de Movimento........................................................................... 44
4.3 Compensação de movimentos .............................................................................. 51
4.3.1 Variações profundas nas imagens ................................................................. 52
4.4 Parâmetros do sistema de estabilização............................................................... 54
4.5 Conclusão ............................................................................................................ 56
Testes e Resultados....................................................................................57
5.1 Teste do Sistema de Estabilização de Imagem.................................................... 57
5.2 Resultados............................................................................................................. 59
5.3 Conclusão ............................................................................................................. 66
Análise em Hardware do Sistema............................................................67
6.1 Estimação de movimento ..................................................................................... 68
6.2 Classificação de movimento................................................................................. 70
6.3 Vetor de movimento global.................................................................................. 71
6.4 Imagem de referência ........................................................................................... 72
6.5 Suavização de movimento.................................................................................... 72
6.6 Detecção de grandes movimentos ........................................................................ 73
6.7 Correção de movimento........................................................................................ 74
6.8 Conclusão ............................................................................................................. 76
xv
Conclusões e sugestões para trabalhos futuros ......................................77
7.1 Principais contribuições........................................................................................ 78
7.2 Sugestões para trabalhos futuros .......................................................................... 78
Referências.................................................................................................80
APÊNDICE A – Software do sistema de estabilização de imagem
desenvolvido...............................................................................................83
APÊNDICE B – Biblioteca OpenCV.....................................................100
1
Capítulo 1
Introdução
1.1 Motivação
Os movimentos indesejados realizados por uma câmera de vídeo, usando como
exemplo uma pessoa que está realizando uma filmagem através de uma câmera portátil
ou uma câmera acoplada a um veículo, fazem com que as imagens obtidas apresentem
pequenas interferências inevitáveis, como vibrações ou pequenas flutuações,
principalmente quando os movimentos com a câmera são rápidos. Esses pequenos
deslocamentos presentes na seqüência de imagens são capazes de interferir de forma
negativa em processos de codificação e compactação de vídeo e em processos de
detecção de movimentos de objetos no campo de ação da câmera. (GUESTRIN, C.;
COZMAN, F.; KROTKOV, E., 1998)
Na codificação de vídeo, pequenas vibrações indesejadas presentes na imagem
causam aumentos na taxa de bits. O estudo realizado em Engelsberg e Schmidt (1999)
analisa a relação entre as vibrações e as variações na taxa de bits de uma codificação
ITU-T-H.263, em que um típico cenário de vídeo-fone, com uma pessoa (cabeça e
ombro) em primeiro plano, é artificialmente agitado por movimentos de características
aproximadamente senoidais e horizontais, com diferentes amplitudes e freqüências.
O comportamento obtido na análise entre a taxa de bits de codificação e a
freqüência de vibração, no estudo de Engelsberg e Schmidt é apresentado pela figura
2
1.1, sendo possível observar um aumento significativo na taxa de bits da codificação,
mostrando com isso, a importância da retirada dos deslocamentos indesejados entre os
quadros de um vídeo para este processo.
Em processos de Compactação de vídeo, como a codificação MPEG-4,
pequenos deslocamentos podem contribuir para a diminuição da taxa de compressão,
prejudicando desta forma, a eficiência do processo.
Figura1.1 – Taxa de bits x Freqüência de vibração. (ENGELSBERG, A.; SCHMIDT, G., 1999).
Nos telescópios usados na astronomia são utilizados comumente, técnicas de
suavização de movimentos entre as imagens para compensar efeitos de baixa ordem da
vista atmosférica e instabilidades locais dos índices de refrações próximos ao telescópio.
(TEARE, S.W. et. al., 2004).
Em produtos eletrônicos comerciais, tais como câmeras portáteis de vídeo,
telefones celulares de última geração e câmeras digitais, necessitam de mecanismos ou
processos capazes de remover as vibrações e flutuações nas imagens obtidas durante a
captação do vídeo ou imagem. (CHANG, J.Y. et. al., 2002).
0
120
240
310
300
320
280
390
0
100
200
300
400
500
Aumento na
taxa de bits
(%)
0 0,25 0,5 0,75 1 1,5 2 4
Frequencia (Hz)
Deslocamentos de 1,25 pixel
3
As câmeras compactas comerciais, equipadas com poderosas ações de “zoom”,
sofrem grandes problemas com flutuações na imagem. Vários sistemas de compensação
de deslocamentos de imagens vêm sendo desenvolvidos para obter câmeras que tirem
fotos sem degradações causadas por pequenos movimentos. (KO, S.J. et. al., 1999).
A remoção de movimentos indesejados em seqüências de imagens também
possui um importante papel em muitas aplicações de visão computacional, como tele-
operações, navegação automática, navegação de robôs, modelagem de cenas, entre
outras.
1.2 Objetivos
O objetivo deste trabalho foi o de desenvolver um sistema digital de
estabilização de imagens em tempo real, isto é, um sistema capaz de fornecer em tempo
real imagens estáveis, originadas de uma seqüência de imagens instáveis, fornecidas por
uma câmera em movimento. A estabilidade é encontrada corrigindo a imagem a fim de
que se diminua ou anule as variações de movimento rotacional e translacional entre os
quadros da seqüência de imagens instáveis de entrada. Técnicas de processamento
digital de imagem, como casamento de blocos e filtros de freqüência passa baixa, foram
utilizadas para a estimação e suavização de movimento. O sistema desenvolvido
procurou ter as seguintes características:
• Operação em tempo real, permitindo a correção da imagem capturada e
apresentação da imagem processada;
5
• No capitulo 5 são apresentados os testes e resultados obtidos pelo sistema
de estabilização desenvolvido;
• No capitulo 6 é apresentada a análise realizada para a implementação em
hardware do sistema desenvolvido;
• No capítulo 7 são apresentadas sugestões para trabalhos futuros e
algumas considerações finais.
Neste trabalho, há também dois apêndices contendo o programa desenvolvido
para a implementação do sistema de estabilização de imagem e informações sobre a
biblioteca OpenCV utilizada no projeto.
6
Capítulo 2
Sistemas de Estabilização de imagens
Neste capítulo são descritos alguns dos diferentes métodos de estabilização de
imagens encontrados em câmeras comerciais e em trabalhos na literatura. Os principais
métodos utilizados, atualmente, para estabilização de imagens podem ser classificados
como: métodos Mecânicos, no qual a estimação e compensação dos movimentos são
realizadas por equipamentos mecânicos; métodos Ópticos que realizam o processo de
estabilização de imagem através de sensores e sistemas ópticos; métodos Mecânicos –
Digitais, em que a estimação dos movimentos é realizada por sensores mecânicos, e
ópticos, porém a compensação é realizada de forma digital e métodos Digitais, no qual a
estimação e a compensação dos movimentos são realizadas totalmente por
processamento digital. (ENGELSBERG, A.; SCHMIDT, G., 1999)
2.1 Métodos Mecânicos
Os métodos de estabilização de imagem totalmente mecânicos são mais
encontrados atuando externamente à câmera e são chamados de estabilizadores de
câmera, pois buscam estabilizar o equipamento de captura de imagem e não
propriamente a imagem. O método mecânico mais simples é conhecido como suporte
fixo ou tripé. Sistemas de estabilização de imagens mecânicos mais elaborados,
conhecidos como “Steadicam” ou “GlideCam”, usados principalmente em
cinematografia, utilizam o centro de gravidade da câmera para a estabilização, isolando-
a do operador evitando que as vibrações do mesmo sejam transmitidos a câmera. Além
7
disso, estes sistemas aumentam a inércia da câmera, deslocando seu centro de gravidade
de modo que o operador possa manipulá-la facilmente. A figura 2.1 apresenta um
sistema “Steadicam” sendo manipulado por um cinegrafista. (HANDBOOK: SteadiCam
Manual, 2001)
Figura 2.1 – Sistema SteadiCam. (HANDBOOK: SteadiCam Manual, 2001).
Os sistemas de estabilização mecânicos de imagem de alto desempenho tendem
a ser volumosos e caros.
2.2 Métodos Ópticos
Os métodos ópticos (OIS) são sistemas internos ao equipamento de captura das
imagens que manipulam as mesmas antes que cheguem ao sensor da câmera.
Microsensores, que têm como princípio de funcionamento o giroscópio (dispositivo
capaz de detectar movimento em todas as direções), são colocados próximos às lentes
8
da câmera para transformar as vibrações em sinais elétricos. Estes sinais elétricos são
enviados a um microprocessador capaz de processar os dados recebidos e acionar
micromotores situados no conjunto de lentes da câmera. Os micromotores efetuam
pequenas alterações nos elementos ópticos, que deslocam a projeção da imagem sobre o
elemento sensor diminuindo ou anulando as vibrações da câmera. Métodos ópticos
desta configuração são encontrados em diversas câmeras comercias.
Um outro sistema óptico, também empregado em câmeras comerciais, utiliza
pequenas placas de vidro, formando um conjunto equivalente a um prisma que, ao se
mover, desvia os raios de luz da imagem de entrada. A luz é desviada de forma que, ao
passar pelas lentes do sistema, os movimentos indesejados da câmera são compensados.
O movimento deste prisma é controlado por um microprocessador que recebe
informações dos sensores ópticos de movimento. (BAPTISTA, E., 2000).
Os métodos ópticos de estabilização de imagem apresentam bom desempenho na
correção de instabilidades, porém são sistemas altamente sofisticados e de grande custo,
sendo encontrados somente em câmeras de uso profissional.
2.3 Métodos Mecânicos – Digitais
No método Mecânico - Digital a estabilização da imagem é realizada através de
sensores ópticos e mecânicos e por um processamento digital da imagem. Sensores
ópticos são utilizados de forma a detectar a movimentação da câmera capturando e
enviando as informações necessárias ao processador digital que estimará e compensará
9
os movimentos indesejados realizados pela câmera, por meio de um processamento
digital da imagem. (ENGELSBERG, A.; SCHMIDT, G., 1999)
2.4 Método Digital
O método Digital, também conhecido como EIS, é altamente utilizado em
câmeras comerciais de utilidade amadora e profissional, em processos de codificação e
em sistemas de compactação de imagem.
Nesta abordagem, a estimação, suavização e compensação dos movimentos entre
os quadros de um vídeo, são realizadas por processamento digital. Na literatura, são
encontrados diversos trabalhos que empregam diferentes técnicas de processamento
digital para realizar a estabilização da imagem. Alguns dos trabalhos pesquisados serão
apresentados e estudados no próximo capítulo.
2.5 Conclusão
Os principais métodos de estabilização de imagens utilizados atualmente podem
ser descritos como: Mecânicos, Ópticos, Mecânicos - Digitais e Digitais. O método
Digital, devido a sua maior facilidade de emprego em equipamentos, sem a necessidade
de acessórios, tem sido muito aplicado em câmeras comerciais, sendo objeto de estudo e
discussão em diversos trabalhos.
Já os Métodos Mecânicos, Ópticos e Mecânicos – Digitais são empregados,
principalmente, em câmeras de uso profissional utilizadas por cinegrafistas ou
10
fotógrafos de alto nível técnico. Geralmente, requerem experiência do operador e têm
um custo elevado.
11
Capítulo 3
Estabilização digital de imagens
O objetivo de qualquer processo de estabilização de imagem é retirar de uma
seqüência de imagens os movimentos indesejados (vibrações) entre uma imagem e
outra. No processo digital de estabilização, toda a informação necessária e as correções
estipuladas para a estabilização dos movimentos entre quadros devem ser estimadas
através de técnicas de processamento digital.
3.1 Estrutura básica de estabilização de imagens digital
O processo de estabilização de imagem pode ser dividido em três procedimentos
básicos de processamento, ilustrados na figura 3.1 e descritos a seguir:
Figura 3.1 – Estrutura básica de estabilização de imagem
1- Estimação de movimento: Cálculo dos vetores de movimento que representam os
deslocamentos entre as imagens presentes na seqüência de vídeo;
Seqüência de
Imagens
estabilizada
Seqüência de
Imagens
de
entrada
Estimação
de
movimento
Suavização
de
movimento
Correção
da
Imagem
1 2 3
12
2- Suavização de movimento: Através dos vetores de movimento estipulados estima a
correção necessária, para a suavização dos movimentos indesejados entre as
imagens da seqüência de vídeo;
3- Correção de movimento: Com as correções estimadas, atua sobre a imagem original
resultando numa imagem estabilizada.
No processo de estabilização para imagens coloridas, frequentemente é utilizado
o sistema de cor YCrCb (Luminância, Crominância vermelha, Crominância azul), sendo
o canal de Luminância, aplicado ao sistema como imagem de entrada para os processos
de estimação e suavização de movimento. Desta forma, todos os cálculos e estimação
dos movimentos desejados e indesejados são baseados apenas no canal de Luminância,
enquanto a correção de movimento é aplicada a todos os canais da imagem YCrCb.
Para cada bloco de processamento são encontradas, na literatura, diferentes
técnicas e abordagens de execução. Em seguida, algumas destas técnicas e abordagens
serão descritas.
3.2 Estimação de movimento
Para a estimação de movimento (que determina as variações de movimento
rotacional e translacional entre uma imagem e outra) foram desenvolvidas e aplicadas
comercialmente diversas técnicas em que o tipo de aplicação é um fator importante na
escolha da técnica a ser utilizada.
13
As principais e mais utilizadas técnicas de estimação de movimento
dimensionam os deslocamentos translacionais entre as imagens, através de vetores
bidimensionais chamados de vetores de movimento. Movimentos rotacionais são
estimados através de modelos de deslocamentos, geralmente formados por um vetor de
movimento translacional e uma matriz de rotação. Algumas das técnicas para a
estimação do movimento serão detalhadas a seguir.
3.2.1 Movimentos translacionais
3.2.1.1 Casamento de Blocos (“Block Matching”)
A técnica Casamento de blocos (CB) pode ser considerada a mais popular para
estimação de movimento translacional, principalmente devido a sua baixa complexidade
de hardware. Como resultado de sua larga disposição em VLSI, muitos códigos como
H.261 e MPEG 1 e 2 utilizam o CB para estimar o movimento entre duas imagens de
um vídeo. Neste procedimento, a estimação de movimento é realizada por um processo
de busca no domínio do pixel. (TEKALP,A.M. ,1995).
A idéia básica do CB (figura 3.2) é determinar o deslocamento de um pixel de
coordenadas (n
1
, n
2
) da imagem k em relação à imagem k+1, considerando um bloco de
tamanho N
1
x N
2
centralizado em (n
1
, n
2
). A busca de um bloco de mesmo tamanho e
melhor combinação, é normalmente limitada para redução de custos computacionais
14
- Critério de combinação: máxima correlação cruzada, mínimo erro
quadrático, etc;
- Estratégia de busca: busca completa, busca por três passos, busca cruzada,
etc;
- Determinação do tamanho de bloco: adaptativo, hierárquico, etc.
Figura 3.2 – Block Matching
¾
Critério de combinação
A combinação entre os blocos das imagens pode ser quantizada de acordo com
vários critérios, incluindo máxima correlação cruzada, minimização do erro médio
quadrático (EMQ), minimização da média da diferença absoluta (MDA) e máxima
combinação por contagem de pixel (MCP). Os critérios EMQ e MDA serão estudados
em seguida.
Quadro k
Quadro k+1
Bloco
Janela de busca
Pixel
N
1
M
1
N
2
M
2
15
O critério de EMQ é definido pela equação (1).
∑
∈
+++−=
Bnn
kdndnsknns
NN
dd
),(
2
221121
21
21
21
)]1,,(),,([
1
),(EMQ
(1)
Na qual B denota o bloco N
1
x N
2
para o conjunto de possíveis vetores de movimentos
(d
1
, d
2
) do bloco, K representa o índice da imagem e S é o valor em nível de cinzas do
pixel. O vetor de movimento estimado é obtido pelo par (d
1
, d
2
) que minimiza o EMQ,
equação (2).
),(minarg],[
21
),(
21
21
ddEMQdd
dd
T
=
(2)
O critério de minimização do EMQ pode ser visto como a imposição do fluxo
óptico para todos os pixeis do bloco, sendo o fluxo óptico definido como um campo
vetorial de velocidades que associa cada pixel a um único vetor de velocidade.
(TEKALP,A.M. ,1995)
O critério de minimização MDA pode ser definido na equação (3):
∑
∈
+++−=
Bnn
kdndnsknns
NN
ddMDA
),(
221121
21
21
21
)]1,,(),,([
1
),(
(3)
Este critério é o mais utilizado para aplicações em VLSI. A estimação de
deslocamentos é dada pelo par (d
1
, d
2
) que minimiza a equação (3).
16
),(minarg],[
21
),(
21
21
ddMDAdd
dd
T
=
(4)
A minimização MDA apresenta baixo desempenho em casos de grandes janelas
de busca, devido à presença de vários mínimos locais. (TEKALP,A.M. ,1995).
Este critério apresenta uma maior sensibilidade às variações de luminosidades
ou mudanças profundas nas imagens, resultando, nestes casos, em grandes perturbações
e erros de estimação dos vetores de movimento nestes casos.
Dos critérios estudados, pode-se observar que o critério EMQ apresenta
17
No entanto, em alguns casos, estratégias de busca mais rápidas e com menor
custo computacional são necessárias. Desta forma, estratégias como busca por três
passos e busca cruzada são utilizadas.
A figura 3.3 realiza um processo de busca, utilizando a estratégia dos três
passos. Uma janela de busca de M
1
x M
2
, na qual M
1
= M
2
= 15 é utilizada. Para o
tamanho do bloco podemos considerar N
1
= N
2
= 1. O pixel marcado com “0” indica o
pixel da imagem de busca (referência) relacionado ao pixel da imagem atual. No
primeiro passo o critério de combinação é aplicado em nove pixeis, o pixel “0” e os
pixeis “1”. Se o menor critério for encontrado para o pixel “0”, não há movimento entre
as imagens. No segundo passo, o critério de combinação é aplicado a oito pixeis, os
pixeis marcados com “2” e o pixel marcado com “1” (em negrito), sendo este o
escolhido como melhor combinação pelo passo anterior. O vetor de movimento é
encontrado no terceiro passo, em que os pixeis utilizados para a busca estão na
vizinhança de 8 conectados. Portanto, ao aplicar o critério de combinação para cada
pixel desta janela, o processo será finalizado. (TEKALP,A.M. ,1995)
2 2 2
1 1 2
1
2
3 3 3
2 2 3
2
3
3 3
3
1
0
1
1 1 1
Figura 3.3 – Busca 3 passos
M
2
M
1
18
Ao generalizarmos este procedimento a outros tamanhos de janela de busca,
serão realizados passos a mais ou a menos. Estes procedimentos, que utilizam diferentes
tipos de janela de busca, recebem o nome de n passos ou log-D.
A busca cruzada (figura 3.4) é uma outra estratégia rápida de estimação de
movimento. Nela a busca é realizada em quatro locais (pixeis) por etapa. Os pixeis são
determinados pela figura de uma cruz em “²” ou “«” pré-estabelecida, em que o
centro da figura representa o pixel inicial da busca ou o escolhido no passo anterior e as
extremidades, os outros locais de busca.
A distância entre os pixeis de busca, isto é, das pontas da “cruz”, é reduzida se o
pixel central apresenta o melhor critério de combinação ou se estamos trabalhando na
borda da janela de busca. Muitas variações desta estratégia de busca são encontradas na
literatura.
1 2 3
1
0
1
2
3
5
1 2
3
5
4
5
5
4
Figura 3.4 – Busca cruzada
M
2
M
1
19
O CB também pode ser generalizado para figuras de janela de busca com formas
variadas, tais como figuras curvilíneas, utilizando diferentes estratégias de busca
heurísticas.
¾ Determinação do tamanho do bloco de busca
A seleção do tamanho do bloco de busca (N
1
, N
2
) é essencial para qualquer
algoritmo de estimação CB. Se o bloco for muito pequeno, a combinação pode ser
estabelecida devido à similaridade de níveis de cinza entre os blocos e não com relação
ao seu movimento. Por outro lado, para grandes blocos de busca, o vetor de movimento
pode variar dentro do bloco, violando a hipótese de apenas um vetor por bloco.
(TEKALP, A.M., 1995)
Com o objetivo de contornar este problema, estratégias com estimativa
hierárquica do movimento foram desenvolvidas.
A estratégia de busca hierárquica representa a imagem na forma de pirâmide
pela transformada de Laplace ou de Wavelet dividindo-a em vários níveis de resolução,
e pode ser usada nos métodos estimação de movimento correlação de fase e CB, com a
finalidade de aumentar o desempenho de estimação dos vetores de movimento.
A idéia básica da estratégia de busca hierárquica é aplicar a estimação de
movimento para cada nível da pirâmide de Laplace ou Wavelet, sucessivamente,
iniciando do nível de menor resolução. Os níveis de baixa resolução determinam uma
estimação grosseira dos deslocamentos, usando blocos de grande tamanho. Observa-se
que, o “tamanho relativo do bloco” pode ser determinado relacionando-se o tamanho de
20
bloco normalizado com o tamanho da imagem num nível particular de resolução
(TEKALP, A.M., 1995). A estimação do vetor de movimento dos níveis de baixa
resolução é então passada aos níveis de resolução maior como uma estimação inicial.
Assim, os níveis de alta resolução trabalham como um ajuste fino da estimação de
movimento, utilizando tamanhos de blocos menores.
Apesar dos diferentes critérios de combinação, estratégias de busca e variações
da técnica de estimação CB, o desempenho deste método é comprometido em casos de
grandes movimentos rotacionais, profundas mudanças nas imagens e borramento das
imagens, podendo apresentar erros na estimação dos vetores de movimento.
3.2.1.2 Correlação de Fase para movimentos translacionais
(Phase– Correlation)
O método de correlação de fase estima o deslocamento entre dois blocos de
imagem pela normalização da função de correlação cruzada computada, no domínio da
freqüência (transformada de Fourier 2-D). Baseia-se no princípio de que deslocamentos
no domínio do espaço resultam em termos de fase linear no domínio de Fourier.
(TEKALP,A.M., 1995)
A função de correlação cruzada pode ser definida na equação (5),
),,()1,,(),(
2121211,
knnsknnsnnc
kk
−
−
∗
∗
+
=
+
(5)
em que, ** denota a operação de convolução 2-D.
21
Aplicando a transformada de Fourier para ambos os lados e normalizando a
expressão obtida temos.
),(),(
),(),(
),(
~
21211
21211
211,
ffSffS
ffSffS
ffC
kk
kk
kk
∗
+
∗
+
+
= (6)
Utilizando o modelo discreto de movimento, definido na equação (7), sua
transformada de Fourier 2-D na equação (8) e assumindo somente movimentos
translacionais, podemos reescrever a equação (6) na equação (9):
)1,,(),,(
221121
+
+
+= kdndnsknns
(7)
)}(2exp{),(),(
221121121
fdfdjffSffS
kk
+
=
+
π
(8)
)}(2exp{),(
~
2211211,
dfdfjffC
kk
+−=
+
π
(9)
Obtendo a transformada inversa, temos a função de correlação de fase.
),(),(
~
2211211,
dndnnnc
kk
−
−=
+
δ
(10)
Observe que, a função de correlação de fase consiste num impulso em que sua
localização, dada pelo par (d
1
, d
2
), gera o vetor de movimento.
O emprego deste método requer substituir a transformada 2-D de Fourier pela
transformada discreta 2-D de Fourier (DFT 2-D). Na prática, a função de correlação de
fase obtida apresenta vários picos principalmente devido a discretização empregada pela
DFT – 2D, a presença de objetos se movendo dentro do bloco e a presença de ruídos. O
vetor de movimento pode ser encontrado verificando-se a magnitude de cada pico da
função de correlação. (TEKALP, A.M., 1995)
22
A correlação de fase é relativamente insensível à mudanças na iluminação, pois
deslocamentos no valor médio ou multiplicação por constantes não alteram a fase de
Fourier.
Os métodos de estimação dos vetores de movimento CB e Correlação de Fase,
apresentados acima, determinam um vetor bidimensional para cada pixel ou bloco no
qual foi realizada a busca. Cada vetor de movimento é chamado de vetor de movimento
local, pois representa o deslocamento de um determinado pixel ou bloco. Para estimar o
vetor de movimento global, que represente o deslocamento geral entre as imagens, são
empregadas técnicas como o cálculo da média ou integração dos vetores de movimento
local.
3.2.2 Movimento rotacionais
Para estimar ou modelar os movimentos rotacionais entre as imagens de um
vídeo, outros modelos ou técnicas de estimação de movimento precisam ser empregadas
separadamente ou em conjunto com a estimação de movimentos translacionais.
Em Chang (2002), os movimentos rotacionais são representados em um modelo
dinâmico de movimento, cujos parâmetros são obtidos através das velocidades
estimadas de cada pixel. Para estimar as velocidades, emprega-se a técnica de fluxo
óptico.
23
Um modelo comumente empregado para a estimação e correção de movimentos
rotacionais em sistemas de estabilização de imagem é o modelo “Affine”, apresentado
abaixo na equação (11).
∆
∆
+
−
=
y
x
y
x
S
Y
X
α
β
β
α
, (11)
()
θ
α
cos= ,
()
θ
β
sin= ,
11
22
yx
yx
S
∆+∆
∆+∆
=
.
O termo
S (fator de escala) possibilita que variações de escala entre as imagens
possam também ser modeladas e corrigidas por este modelo. ∆x
1
, ∆x
2
, ∆y
1
, ∆y
2
são as
diferenças entre as coordenadas de dois pontos quaisquer, entre duas imagens. θ é o
ângulo de rotação entre as imagens.
Em Chen (2000), o modelo “Affine” é empregado em conjunto com a técnica de
estimação de movimento CB.
Morimoto e Chellapa (1996) utilizam pontos de referência para a estimação dos
parâmetros do modelo de movimento “Affine”. Comumente, aplicam-se regras
heurísticas para a seleção dos pontos de referência em imagem de campo aberto, sendo
o horizonte freqüentemente empregado.
24
3.3 Suavização de movimento
Os algoritmos de estabilização de imagens necessitam diferenciar os
movimentos desejados realizado pela câmera, daqueles que são indesejados. Na
literatura são encontradas diversas propostas.
Em Chen (2000), assume-se que movimentos intencionais caracterizam-se por
apresentarem variações suaves entre uma imagem e outra, de um vídeo. Assim,
componentes de altas freqüências na variação dos vetores de movimento são
consideradas efeitos de movimentos indesejados da câmera. Portanto, filtrando-se estas
componentes, tem-se a distinção entre os movimentos desejados e indesejados.
É comum a utilização de um filtro de freqüência passa baixa digital, como filtro
Gaussiano ou média de movimentos (“Moving Average”), permitindo, desta forma,
somente a passagem das componentes de baixa freqüência da variação dos vetores de
movimento.
Outros sistemas de estabilização de imagem, como descrito em Ko et. al.(1999),
utilizam processos de integração para permitir que somente os movimentos indesejados
estimados entre as imagens sejam corrigidos. Os vetores de movimento local são
integrados com um coeficiente de amortecimento D
1.
O vetor resultante da integração é
utilizado como vetor de correção do movimento da imagem. O coeficiente de
amortecimento tem seu valor no intervalo de 0<D
1
<1. Sua função é realizar a
convergência do vetor de movimento global a zero, quando não há movimento da
câmera.
25
Uma outra possível abordagem na determinação de movimentos desejados e
indesejados é a construção de um modelo cinemático, no qual os parâmetros cinéticos
do suporte da câmera e dos movimentos em que a câmera está sujeita sejam conhecidos.
Como por exemplo, no caso de uma câmera instalada num veículo aos quais os
parâmetros como, massa do veículo, características de suspensão, distâncias entre os
eixos e centro de gravidade sejam possíveis de serem calculados.
O modelo construído a partir destes parâmetros é utilizado para separar os
movimentos desejados das oscilações realizadas pelo veículo. Entretanto na maioria das
aplicações não é possível o conhecimento de todos os parâmetros, o que torna esta
abordagem freqüentemente inviável. Porém, um modelo genérico de movimento
inercial utilizado como filtro para as vibrações de alta freqüência indesejadas é proposto
em ZHU, Z. et. al. (1998). Este filtro combina métodos físicos e tem pequenos
deslocamentos de fase numa grande faixa de freqüência, e necessitando somente de um
conjunto de suposições da dinâmica de movimento. (ZHU, Z. et al., 1998).
Em Litvin et. al., é utilizado um filtro de Kalman (filtro adaptativo), para a
detecção dos movimentos intencionais realizados pela câmera.
3.4 Correção de movimento
Após a estimação de movimento e a determinação dos deslocamentos desejados
e indesejados, torna-se necessário empregar métodos de correção sobre as imagens.
26
A partir dos vetores de movimento desejados e indesejados é possível corrigir os
movimentos, imagem a imagem, deslocando-as de maneira contrária aos vetores de
movimento indesejados estimados. Um procedimento parecido a este é empregado em
Chen (2000), em que a imagem estabilizada é obtida empregando-se o vetor de
movimento suavizado (após filtragem passa baixa) sobre a imagem estabilizada ou a
original anterior. A escolha entre utilizar a imagem anterior estabilizada ou original é
estabelecida na estimação do erro de compensação propagado entre as imagens
consecutivas. Neste caso, um quadro de referência (original ou estabilizado anterior) é
escolhido num primeiro momento, em seguida, os quadros sucessivos são alinhados em
relação a este através de um deslocamento baseado nos vetores de movimento
estimados. Esta abordagem funciona satisfatoriamente se não houver mudanças
profundas no campo de visão e/ou movimentos de grandes distâncias da câmera, pois
cenas fora do campo de visão do quadro de referência não serão mostradas na imagem
estabilizada, causando problemas nas bordas das mesmas.
Uma possível abordagem deste problema, freqüentemente utilizada em câmeras
digitais comerciais, é a restrição do campo de visão para uma área menor que o sensor
de luz CCD. Com isso, é possível estabilizar as imagens com as informações das bordas
não presentes na imagem de referência.
3.5 Exemplos de estabilização digital de imagem
Na literatura são encontradas diversas propostas de sistemas de estabilização
digital de imagem.
27
Em Hansen et. al. (1994), é apresentado um sistema de estabilização de imagem
em tempo real baseado na construção de um mosaico de imagens. Utilizando um
hardware específico de processamento de imagem chamado “Vision Front End” (VFE),
este sistema busca estimar e corrigir movimentos de primeira ordem (modelo “Affine”)
presentes entre sucessivas imagens de um vídeo, alinhando-as num sistema de
coordenadas de referência e inserindo-as no mosaico de imagem na posição apropriada.
Para o alinhamento das imagens, uma transformação baseada no modelo
“Affine” é aplicada, transportando a imagem atual para o sistema de coordenadas da
imagem de referência. Um processo iterativo de multi resolução, operando em modo de
baixa para alta resolução sobre a pirâmide de Laplace, é utilizado para estimar os
parâmetros de movimento do modelo. Durante cada iteração, um campo de fluxo óptico
é estimado entre as imagens através da análise de uma correlação cruzada local e um
modelo de movimento “Affine” é gerado para o campo de fluxo óptico encontrado.
A representação por mosaico apresenta um melhor desempenho comparado a um
simples alinhamento entre as imagens, já que o campo de visão é expandido, não se
restringindo apenas ao da imagem de referência.
Uma técnica de estabilização baseada na codificação binária de níveis de cinza
de uma imagem é apresentada em Ko et al. (1999). A estimação de movimento proposta
realiza uma rápida combinação binária, usando a codificação de níveis de cinza dos
planos de bit de uma imagem GC-BPM para determinar os vetores de movimento locais
de quatro subimagens (figura 3.5), alocadas de forma apropriada na imagem em níveis
de cinza. Cada vetor de movimento das subimagens é determinado pela medida da
28
correlação entre o GC-BPM das subimagens da imagem anterior e atual. Esta
abordagem assume que todos os pixeis dentro das subimagens tenham movimento
uniforme e que a faixa de movimento seja restrita a janela de busca. O vetor de
movimento global do frame é encontrado através da média entre cada vetor de
movimento local das subimagens e do vetor de movimento global anterior.
Figura 3.5 – Quatro subimagens
Após a estimação do vetor global de movimento, o sistema decide qual
movimento da imagem é causado de forma intencional ou indesejada pela câmera. Com
este objetivo, um processo de integração dos vetores de movimento estimados com
coeficiente de amortecimento D
1
(0<D
1
<1), é utilizado.
Em Engelsberg e Schmidt (1999) é apresentada uma técnica de estabilização de
imagem cuja idéia básica é aumentar a imagem de entrada de forma a obtê-la com o
maior tamanho possível e cortá-la em um menor, resultando em uma imagem com
pouca ou nenhuma vibração indesejada. O processo de corte é controlado com base em
uma imagem de referência pré-estabelecida. Uma visão geral do sistema é apresentada
no diagrama de blocos da figura 3.6 (p. 30).
JANELA DE BUSCA
SI 1 SI 2
SI 3 SI 4
29
A imagem de entrada passa, basicamente, por 3 blocos:
1- Bloco de Memória: armazena as imagens recebidas para que as imagens
anteriores sejam fornecidas ao bloco de estimação de movimento;
2- Bloco de Zoom: Aumenta a imagem de entrada que futuramente será
recortada;
3- Bloco Estimação de movimento: utiliza as imagens passadas e presentes para
estimar o vetor de movimento.
Para realizar a estimação de movimento, são escolhidas 3 regiões da
imagem, determinadas com base no tipo de cenário da aplicação. Duas regiões
são alocadas para estimar os movimentos relacionados ao plano de fundo
(“background”) e uma região, para primeiro plano (“foreground”) da imagem. A
técnica CB com pontos de referência é utilizada para a estimação de movimento
de cada região.
Os vetores de movimento estimados são enviados ao bloco de validação,
que calcula um vetor de movimento global para a imagem de entrada. Cada
vetor de movimento de entrada é validado e testado para a estabilização do plano
de fundo e de frente. A decisão sobre o plano de estabilização é realizada de
acordo com o critério de detecção de movimento que, se baseia na análise dos
movimentos dentro das regiões.
30
Com o objetivo de realizar a estabilização na seqüência de imagens, este
sistema necessita de uma imagem de referência virtual, sobre a qual, a
verdadeira correção será realizada. Esta propriedade é determinada pelo bloco de
integração, que realiza uma integração entre os vetores de movimento globais
passados e presente, ponderados por um fator de amortecimento.
(ENGELSBERG, A.; SCHMIDT, G., 1999).
O último passo é realizado pelo bloco de recorte, no qual através do
controle do vetor de movimento integrado, uma subimagem pertinente é
recortada da imagem aumentada.
Figura 3.6 - Sistema de estabilização apresentado em Engelsberg e Schmidt (1999).
Chang (2002) apresenta uma abordagem de estabilização de imagem para
movimentos translacionais e rotacionais, em que, a técnica de fluxo óptico é aplicada
com o objetivo de determinar um vetor local de velocidade para cada pixel da imagem
atual. Estes vetores de velocidade são usados com a finalidade de determinar o
Estimação
Vetor de
Movimento
Validação
Vetor de
Movimento
Integração
Vetor de
Movimento
Recorte da
Imagem
Memória
Zoom
Seqüência de
Imagens
estabilizada
Seqüência de
Imagens
de
entrada
31
movimento global de translação e rotação em termos de um modelo dinâmico de
movimento, cujos parâmetros são encontrados por uma estimação de mínimos
quadrados.
Em Chen (2000), a estimação de movimento é obtida através da técnica de
estimação do CB busca completa. Esta abordagem trata movimentos translacionais e
rotacionais separadamente, realizando uma análise dos vetores de movimentos
encontrados. Um estudo apresentado neste artigo mostra que o conjunto dos vetores de
movimentos estimados pelo CB, apresenta uma variância maior para movimentos
rotacionais do que para movimentos translacionais. O modelo “Affine” é utilizado para
a suavização e compensação dos movimentos rotacionais. São empregadas também,
técnicas de estimação de erros baseadas na estimação do deslocamento, buscando uma
melhoria no desempenho do sistema e na decisão sobre a imagem de referência.
3.6 Conclusão
Atualmente na literatura são encontrados diversos sistemas digitais de
estabilização de imagens que, em sua maioria, mantém a estrutura básica (estimação,
suavização e compensação de movimento), se diferenciando, principalmente, nas
técnicas de processamento digital empregadas.
Em seguida, são exibidas as características principais dos sistemas estudados:
HANSEN et. al. (1994)
- Estabilização de imagem em tempo real;
32
- Correção de movimentos rotacionais e translacionais;
- Construção do modelo Affine;
- Representação por mosaico de imagens;
- Utilização de hardware específico para processamento de imagem.
Ko et. al. (1999)
- Estabilização de imagem por tempo real;
- Correção de movimentos translacionais;
- Estimação de movimento por codificação binária de níveis de cinza e busca
por três passos.
Engelsberg e Schimidt (1999)
- Correção de movimentos translacionais;
- Estimação de movimento por casamento de blocos com pontos de referência;
- Correção de movimento através de cortes realizados na imagem original
aumentada.
Chang (2002)
- Estimação de movimento através do cálculo do fluxo óptico;
- Correção de movimentos rotacionais e translacionais.
Chen (2000)
- Estimação de movimentos por casamento de blocos com busca completa;
- Construção do modelo Affine;
- Correção de movimentos translacionais e rotacionais.
33
Há um grande número de técnicas e estratégias utilizadas para o processo de
estabilização de imagem. Entretanto, grande parte dos sistemas estudados, contendo as
características do sistema desenvolvido neste projeto, isto é, operação em tempo real e
correção de movimentos translacionais e rotacionais, necessitam de ferramentas em
hardware específicas para processamento de imagem, capazes de realizar as operações
com grande velocidade. Deste modo, durante o desenvolvimento deste trabalho buscou-
se utilizar técnicas de processamento de vídeo e imagem, de baixo custo computacional
e uma linguagem de programação rápida.
34
Capítulo 4
Sistema de Estabilização de Imagem
Digital
O sistema digital de estabilização de imagens desenvolvido neste trabalho tem
como objetivo principal, um bom desempenho em tempo real da estabilização de
imagens, realizando correções de movimentos translacionais e rotacionais e buscando
uma máxima praticidade na aplicação em hardware. Sua estrutura é baseada nos
sistemas de estabilização de imagem discutidos anteriormente. Porém, técnicas de
estimação de erro e detecção de movimento de objetos dentro da imagem foram
empregadas na escolha do quadro de referência e na decisão de compensação de
movimento respectivamente.
4.1 Estimação dos vetores de movimento
As características de trabalho e de aplicação do sistema desenvolvido levam à
abordagem de dois pontos importantes quanto à escolha da técnica de estimação dos
vetores de movimento:
- Custo computacional (memória computacional e tempo);
- Praticidade na implementação em hardware.
35
O sistema desenvolvido teve sua aplicação avaliada em hardware, portanto, a
escolha de uma técnica de estimação de movimento de fácil emprego neste tipo de
abordagem é importante.
Outra característica importante do sistema é a sua operabilidade em tempo real.
O sistema deve estimar, suavizar e corrigir os movimentos das imagens de entrada sem
prejudicar a velocidade de visualização das imagens originais e estabilizadas. Com isto
o processo de estimação de movimento deve possuir baixo custo computacional e,
conseqüentemente, apresentar um rápido processamento.
Visando as propriedades apresentadas e o tamanho escolhido do bloco de pixeis
e da janela de busca, uma generalização do processo CB com estratégia de busca por
três passos, chamado de CB n passos, foi utilizada.
A imagem de entrada (canal de Luminância) foi divida em blocos de 16 x 16 e
uma janela de busca, também de 16 x 16, foi empregada. Como critério de combinação,
primeiramente utilizou-se a minimização da média diferença absoluta (MDA), devido a
sua simplicidade e facilidade de aplicação, porém, foi apresentada na simulação do
sistema com o critério MDA, uma grande sensibilidade do sistema à variações de
luminosidade, movimentos de objetos e deformações nas imagens. Após vários testes,
escolheu-se o critério de minimização do erro médio quadrático (EMQ), já que este
método apresentou um melhor desempenho nas simulações quanto à variação de
luminosidade e deformações na imagem, embora tenha uma maior complexidade na
implementação em hardware como discutido no capitulo dois.
36
),(
VUMV
global
=
∑
=
=
N
i
i
u
N
U
1
1
4.1.1 Vetor de movimento global
Para realizar o processo de estabilização, devemos encontrar um vetor
bidimensional que descreva o deslocamento geral de uma imagem em relação à outra.
Aplicando-se a técnica CB n passos, encontram-se inicialmente, os vetores de
movimento local ilustrados na figura 4.1, estimando-se o movimento para cada bloco 16
x 16. O vetor de estimação global de movimento (U, V) é calculado baseado nos vetores
de movimento local estimados (u, v), através da equação (12):
(12)
N = número de vetores locais para cada imagem.
4.1.2 Movimentos rotacionais e translacionais
Os vetores de movimento estimados representam somente movimentos nas
direções verticais e horizontais, pois a técnica casamento de blocos (CB n passos)
empregada trata somente movimentos translacionais. Entretanto, em Chen (2000), um
processo de classificação do movimento em rotacional e translacional, através dos
vetores locais estimados pela CB, foi apresentado. Comparando-se a distribuição dos
vetores de movimento translacionais e rotacionais, é possível classificar uma
determinada distribuição de vetores em movimento de características translacionais ou
movimento de características rotacionais.
∑
=
=
N
i
i
v
N
V
1
1
37
Uma típica distribuição dos vetores de movimento estimados pelo CB n passos
para movimentos rotacionais e translacionais é apresentada na figura 4.1.
(a)
(b)
Figura 4.1 – (a) campo vetorial de movimento translacional, (b) campo vetorial de movimento rotacional
Nos histogramas de cada campo vetorial de movimento, figura 4.2, nota-se
variações de direção mais significativas para movimentos rotacionais.
38
(a)
(b)
Figura 4.2 – (a) histograma para movimento translacional, (b) histograma para movimento rotacional
Através do cálculo da variância da distribuição dos vetores de movimento é
possível estipular um limiar de classificação entre movimentos de características
39
rotacionais e translacionais. A figura 4.3 apresenta um gráfico da variância da
distribuição dos vetores de movimento para um vídeo capturado por uma “WebCam”
realizando movimentos puramente translacionais (a) e rotacionais(b) e o limiar de
classificação empiricamente estipulado no valor de 65.
0 10 20 30 40
0
20
40
60
80
Fram e
variancia u
0 10 20 30 40
0
20
40
60
80
Fram e
v a rianc ia v
0 20 40 60 80
0
50
100
150
Fram e
variancia u
0 20 40 60
40
estimação de movimento foram selecionados. Deste modo, torna-se importante uma
maior precisão da estimação dos vetores locais para os pontos escolhidos. Com este
objetivo, uma ponderação que prioriza os pontos centrais em relação aos pontos da
borda dos blocos é efetuada na estimação dos vetores de movimento local. Este
processo foi utilizado em Chen (2000), no qual a busca ponderada foi chamada de
ponderação do casamento de blocos (“Block Matching Weight”). A ponderação
aplicada ao bloco de busca do sistema desenvolvido é apresentada na figura 4.4 e é
descrita pela fórmula da gaussiana 2D (equação 13).
Figura 4.4 – Ponderação na estimação de movimento global. (Chen, 2000)
e
y
x
yxG
+
−
=
σ
2
2
2
2
),(
(13)
Onde σ é o parâmetro que define a largura da função gaussiana.
41
Na sua aplicação ao sistema desenvolvido, esta ponderação foi utilizada de
forma matricial, isto é, aplicou-se uma matriz 16x16 a cada bloco do processo de
estimação de movimento.
Utilizando os vetores de movimento estimados para os pontos centrais dos
blocos pode-se reescrever o modelo “Affine” na equação (14):
∆
∆
−
−
−
=
y
x
x
y
x
y
x
y
y
x
y
x
y
x
Y
X
Y
X
Y
X
n
n
n
n
n
n
β
α
1
0
1
0
1
0
0
1
0
1
0
1
2
2
1
1
2
2
1
1
2
2
1
1
MM
MMM
, (14)
A equação descreve um sistema de 2N equações e quatro incógnitas, em que os
parâmetros do modelo podem ser encontrados aplicando-se uma resolução por mínimos
quadrados.
4.1.3 Imagem de referência
Os vetores de movimento estimados para uma imagem dimensionam o
deslocamento desta em relação a uma imagem anterior do vídeo chamada de imagem de
iii
iii
vyY
uxX
+=
+= ,
42
referência, portanto, a seleção correta da referência é de grande importância e atua
diretamente no desempenho do sistema.
A escolha da imagem de referência no sistema desenvolvido foi realizada através
da análise do vetor de movimento global estimado e pelo número de imagens que
distanciam a imagem atual da de referência. Num estado inicial, a primeira imagem
capturada torna-se de referência para os quadros seguintes. Nas próximas passagens, a
distância euclidiana das imagens é calculada com base nos vetores de movimento
global. Utilizando-se um limiar, classifica-se o deslocamento como pequeno ou grande.
Se um pequeno deslocamento é identificado, a imagem estabilizada passa a ser
utilizada como referência, sendo adotada para estimar o deslocamento da imagem
seguinte. Por outro lado, se um movimento de grande deslocamento ocorre, a imagem
de referência anterior é mantida, evitando-se uma propagação de erro no sistema de
estabilização, já que a imagem atual estabilizada, neste caso, apresenta uma grande
diferença de campo de visão, podendo, desta forma, apresentar deformações
consideradas nas suas bordas.
Além do deslocamento entre as imagens, a distância no tempo entre a imagem
de referência e a atual deve ser controlada para que informações novas ou movimentos
propositais realizados pela câmera não sejam perdidos. Com este objetivo, um contador
de reinício (“reset”) foi implementado. Se o contador atingir um número maior que um
limiar pré-estipulado, a imagem estabilizada seguinte passa a ser utilizada como
referência.
43
4.2 Movimentos desejados e indesejados
Para que um sistema de estabilização de imagem comporte-se de forma
satisfatória, é necessária a separação entre os movimentos desejados (realizados pelo
operador da câmera ou pelo sistema de captação de imagem de forma proposital) das
pequenas vibrações e variações indesejadas. Neste trabalho, foi suposto que
movimentos indesejados são caracterizados por componentes de alta freqüência nos
vetores de movimento, enquanto baixas freqüências correspondem a movimentos
desejados. Esta relação de movimentos desejados e indesejados, em baixa e alta
freqüência respectivamente, é amplamente utilizada nos trabalhos encontrados na
literatura.
Os filtros digitais passa baixa, como média de movimentos (“Moving
Average”), filtros de Chebychev e Butterworth ou os filtros adaptativos como Kalmam,
podem ser utilizados para separar as componentes de freqüência. Aplicando-se estes
filtros aos vetores de movimento global estimados e aos parâmetros do modelo
“Affine”, é possível separar os movimentos desejados corrigindo apenas as rotações,
deslocamentos verticais e deslocamentos horizontais involuntários.
Neste trabalho, foram testados os filtros passa baixa Média de Movimento,
Butterworth e Chebychev. As características e resultados de desempenho obtidos para
cada filtro foram analisadas com relação ao custo computacional, ordem e capacidade
de suavização de movimento. Após esta análise, o filtro de melhor comportamento foi
utilizado no sistema de estabilização de imagem.
44
As características, resultados e análise dos filtros estudados são apresentados a
seguir.
4.2.1 Filtro Média de Movimento
O filtro digital média de movimentos pode ser definido pela equação (15).
∑
−
=
−=
1
0
)(
1
)(
M
j
jix
M
iy
(15)
Sendo, y o sinal de saída e x o sinal de entrada. M descreve a ordem do filtro, para um
filtro de quinta ordem, M=5.
A resposta em freqüência deste tipo de filtro de diferentes ordens é apresentada
na figura 4.5:
Figura 4.5 – Resposta em freqüência do filtro “Moving average” (Smith W., 1998).
45
Os filtros de média de movimento são comumente utilizados, devido a sua
facilidade de utilização e entendimento. Requerem baixo custo computacional, sendo
empregados com uma convolução no domínio do tempo.
Embora apresentem um pobre desempenho no domínio da freqüência (figura
4.5), pois possuem pouca habilidade em separar as faixas de freqüência, filtros de média
de movimento são grandes “suavizadores”, isto é, de bom desempenho no tempo, o que
somado com seu rápido processamento, torna-os uma boa ferramenta na suavização dos
vetores de movimento.
4.2.2 Filtros Passa Baixa Butterworth e Chebychev
Um Filtro Buterworth passa baixa também foi estudado para o processo de
suavização de movimento e pode ser descrito pela equação (16):
)(*)1()1(*)2(
)()1()1(*)2()(*)1()(*)1(
NyNanya
NxNbnxbnxbnya
+−−−−
+
+
+
−
+
=
K
KK
(16)
em que;
N é a ordem do filtro, y(n) e x(n) são os sinais de saída e entrada
respectivamente.
O filtro utilizado foi projetado através do software Matlab, sendo encontrado
para N = 5 os vetores de coeficientes a e b apresentados a seguir:
a = [ 1 -2,9754 3,8060 -2,5453 0,8811 -0,1254]
b = [0,0013 0,0064 0,0128 0,0128 0,0064 0,0013]
46
A resposta em freqüência do filtro Butterworth de quinta ordem é apresentada a
seguir na figura 4.6:
Figura 4.6 - Resposta em freqüência filtro Butterworth quinta ordem
Outro filtro estudado foi o filtro Chebychev passa baixa. Este filtro também pode
ser descrito pela equação (16) e os vetores de coeficientes encontrados pelo Matlab são:
a = [ 1 -3,6925 5,7275 -4,7864 2,1123 -0,3927]
b = [0,0006 0,0029 0,0058 0,0058 0,0029 0,0006]
A resposta em freqüência é apresentada na figura 4.7, para um filtro de quinta
ordem.
Figura 4.7 - Resposta em freqüência filtro Chebychev quinta ordem
47
Os filtros de Butterworth e Chebychev apresentam um melhor desempenho na
resposta em freqüência em relação ao filtro Média de Movimento, porém apresentam
uma maior complexidade na sua aplicação, tanto em hardware quanto em software.
4.2.3 Análise dos Filtros utilizados
Os filtros apresentados anteriormente foram aplicados ao vetor de movimentos
horizontal, vertical e rotacional, estimados para um vídeo. Primeiramente filtros de
quinta ordem foram empregados. Os resultados em relação às coordenadas horizontais
dos vetores de movimento estimados são apresentados na figuras 4.8, 4.9 e 4.10:
Figura 4.8 - Filtro Média de Movimento (quinta ordem)
48
Figura 4.9 - Filtro Butterworth (quinta ordem)
Figura 4.10 - Filtro Chebychev (quinta ordem)
É possível observar que, os filtros Chebychev e Butterworth, embora possuam
uma melhor resposta em freqüência, não apresentam uma diferença significativa em
relação ao filtro Média de Movimento na suavização do vetor de movimento.
49
Em seguida, filtros de décima ordem foram aplicados aos vetores de movimento
estimados. Os resultados são apresentados nas figuras 4.11, 4.12 e 4.13:
Figura 4.11 – Filtro Media Mov. Ordem 10
Figura 4.12 – Filtro Butterworth ordem 10
50
Figura 4.13 – Filtro Chebychev ordem 10
Através da análise dos gráficos dos vetores de movimento suavizados obtidos
para cada tipo de filtro empregado, é possível observar que, o filtro Média de
Movimento apresentou um desempenho semelhante ou superior aos outros filtros
aplicados ao sistema. Isto pode ser quantizado pelo cálculo da variância dos vetores de
movimento suavizados estimados. Os valores das variâncias são apresentados na tabela
4.1:
Ordem Média de Movimento Butterworth Chebychev
5 7,5 8,6 8,5
10 0,9 2,4 2,5
Tabela 4.1-Variâncias dos vetores de movimento suavizados
Observa-se que, os valores das variâncias são menores para os vetores obtidos
pelos filtros Média de Movimento de quinta e décima ordem. Devido a este fato,
somado ao de os filtros Média de Movimento possuírem fácil implementação e
51
entendimento, optou-se por utilizar um filtro Média de Movimento no processo de
suavização e separação de movimentos desejados e indesejados no sistema
desenvolvido.
É possível notar também que, ao aumentarmos a ordem do filtro, obtemos uma
maior suavização do movimento, porém uma maior suavização acarretará em um maior
deslocamento da imagem e, conseqüentemente, uma maior perda nas bordas das
mesmas após o processo de compensação de movimento. Este efeito foi observado nos
testes realizados com filtros Média de Movimento de ordem maior que 10, como por
exemplo, ordem 15, com os quais o sistema apresentou grandes deslocamentos e perdas
nas bordas das imagens.
Portanto, para o funcionamento do sistema optou-se por um filtro Média de
Movimento de ordem 10.
4.3 Compensação de movimentos
Após a estimação dos vetores de movimento, a classificação do movimento em
rotacional ou translacional e a suavização e filtragem do vetor de movimento global ou
dos parâmetros “Affine”, podemos corrigir as imagens numa seqüência de vídeo,
deformando-as ou deslocando-as de forma a diminuir ou anular as vibrações
indesejadas.
No sistema desenvolvido, a correção foi realizada deslocando a imagem de
forma contrária ao vetor de movimento indesejado, no caso de movimentos
52
translacionais. Os movimentos rotacionais estipulados são compensados, obtendo-se
outro modelo contrário aos parâmetros de rotação e translação dos movimentos
indesejados. A figura 4.14 ilustra o modo de correção de movimento realizado.
(a)
(b)
Figura 4.14 – (a) Compensação de movimento translacional, (b) Compensação movimento rotacional
4.3.1 Variações profundas nas imagens
Nas seqüências de imagens, nas quais o sistema de estabilização deve atuar,
existem freqüentemente objetos se movimentando, pessoas passando em frente à
câmera, imagens captadas com deformações e borramentos ou grandes ângulos de
rotação entre as imagens. Estes efeitos causam mudanças profundas nas imagens que,
interferem na estimação dos vetores de movimento local. Estas interferências nas
estimações de movimento causam erros no processo de estabilização.
Imagem Referência
Imagem T
Mov. Indesejado
estimado
Imagem T
Imagem Estabilizada
Imagem Referência
Imagem T
Imagem Estabilizada
Imagem T
53
Embora o critério de combinação escolhido, EMQ, tenha apresentado um bom
desempenho em relação ao critério MDA, problemas com grandes variações na
luminosidade, na rotação e nos níveis de cinza são intrínsecos a técnica CB de
estimação dos vetores de movimento.
Com o objetivo de diminuir este tipo de erro, utilizou-se um sistema de detecção
de mudanças profundas nas imagens. Através de um algoritmo de detecção de
movimento média móvel ponderada, apresentado em Gonzáles e Woods (1993), e de
um limiar pré-estabelecido, foi possível detectar grandes alterações na seqüência das
imagens, evitando que possíveis erros ocorressem e se propagassem no sistema de
estabilização.
Na ocorrência de uma grande variação dos níveis de cinza entre as imagens, o
processo de correção é desabilitado, não interferindo na imagem original de entrada,
evitando desta forma, uma propagação de erro da estimação de movimento. O processo
de correção é habilitado novamente quando uma nova imagem é capturada.
O algoritmo implementado na detecção de grandes variações das imagens
calcula a diferença ponderada no tempo, em termos de níveis de cinza, entre a imagem
diferença anterior (
I
med
n-1
) e a atual (I
i
n
), mostrada na equação (16):
I
I
I
n
med
n
i
n
med
1
).1(
−
−+=
αα
(16)
54
Avaliando os pixeis da imagem diferença
I
med
, quanto ao valor em nível de cinza
e quanto à sua quantidade na imagem, podemos estipular uma classificação relacionada
às variações nas imagens.
Dependendo da constante α escolhida para a ponderação, o sistema detectará
somente variações bruscas entre as imagens, ao mesmo tempo em que ruídos não
causarão grandes perturbações, pois informações das imagens antigas serão preservadas.
Para os testes e funcionamento do sistema desenvolvido, a constante α foi fixada
no valor 0,7.
4.4 Parâmetros do sistema de estabilização
Em cada processo do sistema de estabilização desenvolvido são necessários
parâmetros estimados através da observação dos dados capturados.
Para a classificação do movimento em rotacional ou translacional, um limiar da
variância dos vetores de movimento local é estipulado. Nos testes realizados, foram
utilizados vários valores de limiar, e o valor de 65 apresentou um melhor desempenho,
porém, variações no tamanho da imagem e iluminação podem interferir na grandeza dos
valores calculados. Desta forma, ajustes para diferentes equipamentos e locais de
captura de imagem devem ser efetuados.
55
Na escolha da imagem de referência, dois parâmetros são necessários: limiar da
distância euclidiana entre as imagens e a distância máxima no tempo entre a imagem de
referência e a de entrada.
Novamente, vários testes foram realizados com o objetivo de se encontrar os
valores de melhor desempenho para os parâmetros. Os efeitos causados por imagens
capturadas em diferentes locais e situações de iluminação foram fatores importantes na
escolha destes valores.
O limiar da distância euclidiana foi fixado em 5 pixeis e interfere no máximo
deslocamento permitido da imagem. Com relação à distância no tempo entre as
imagens, um cuidado maior deve ser tomado, pois informações importantes da
seqüência de imagens podem ser perdidas. Nos testes, fixou-se uma distância máxima
de 7 imagens entre a de referência e entrada.
Um último parâmetro é estipulado no algoritmo de detecção de movimento de
objetos para determinar mudanças profundas nas imagens, evitando-se uma estimação
de movimento errada. Na simulação, este parâmetro foi determinado em 1000 pixeis,
presentes na imagem diferença acima do nível de cinza 250, para uma imagem de 320 x
240 pixeis e 256 níveis de cinza. Para esta escolha, também se aplicou vários valores a
este parâmetro, observando o valor de melhor desempenho, isto é, capaz de evitar que
grandes movimentos prejudiquem o sistema e que movimentos possíveis de
estabilização sejam corrigidos.
56
4.5 Conclusão
Com a definição da estratégia de busca n passos e do processo CB para a
estimação de movimento, foi possível realizar a estabilização de imagens para
movimentos rotacionais e translacionais, sem grandes custos computacionais,
viabilizando a operação do sistema em tempo real. Observando os resultados obtidos na
simulação dos filtros passa baixa projetados, verificou-se um melhor comportamento do
filtro Média de movimento, que juntamente com a sua facilidade de implementação,
justifica a sua utilização no sistema desenvolvido. Foi necessário também, estabelecer
uma relação entre a ordem do filtro e as perdas nas bordas da imagem após a
estabilização, pois, filtros de ordem grande acarretam em grandes perdas. Neste sistema,
foram utilizados quatro parâmetros que devem ser ajustados para um melhor
funcionamento do processo de estabilização para diferentes tipos de iluminação,
ambiente, etc.
57
Capítulo 5
Testes e Resultados
5.1 Teste do Sistema de Estabilização de Imagem
A estrutura do sistema desenvolvido é apresentada na figura 5.1.
Figura 5.1 – Estrutura do sistema proposto
A implementação do sistema de estabilização apresentado, incorreu no
desenvolvimento de um aplicativo na linguagem C++ (figura 5.2) na ferramenta de
desenvolvimento Microsoft Visual C++ 6.0, utilizando a biblioteca OpenCV (“Open
Source Computer Vision Library”), dedicada ao processamento de imagens. Uma
imagem da tela do aplicativo desenvolvido está mostrada na figura 5.2:
Estimação
de
movimento
Suavização
de
movimento
Correção
da
Imagem
Imagem
estabilizada
Imagem
de
entrada
Detecção
de
movimento
Classifica-
ção de
movimento
Limiar
variância
Imagem
de
referência
Limiar de
deslocamento e
da distância
entre imagens
58
Figura 5.2 – Sistema de Estabilização de imagens
OpenCV é uma coleção de funções em C ou C++, desenvolvida pela empresa
Intel, que implementa alguns algoritmos popularmente conhecidos de processamento de
imagem ou visão computacional.
O aplicativo desenvolvido foi executado em um microcomputador Pentium IV.
Durante a simulação em tempo real, as imagens foram capturadas por uma câmera, tipo
“WebCam”, conectada a porta USB do Microcomputador.
As imagens de 240 x 320 pixeis RGB, capturadas pela câmera WebCam
Creative NX Pro a 12 fps (frames por segundo), foram convertidas do sistema de cor
RGB para YCrCb. O canal de Luminância Y foi utilizado como entrada para o sistema
de estabilização.
59
Foram capturadas imagens em ambientes fechados, como uma sala de
laboratório ou escritório, exemplificado na figura 5.3, e imagens em ambientes abertos,
como por exemplo, imagens de paisagens ou de transito urbano, capturadas em um
carro em movimento, como mostrado na figura 5.4:
Figura 5.3 – Ambiente fechado
Figura 5.4 – Ambiente aberto
5.2 Resultados
Primeiramente, foram realizados os testes para as imagens de ambiente fechado.
Nas figuras 5.5 e 5.6, são apresentados os vetores de movimento global
estimados nas direções horizontal e vertical, respectivamente, e também os vetores de
60
movimento suavizados (movimentos desejados) e indesejados (movimentos de alta
freqüência, vibrações), calculados para as imagens capturadas.
Figura 5.5 – Vetores de movimento horizontal
Figura 5.6 – Vetores de movimento vertical
61
Os ângulos de rotação global estimados, ângulos suavizados (desejados) e
indesejados, para uma seqüência de imagem artificialmente rotacionada, são mostrados
na figura 5.7.
Figura 5.7 – Ângulo de rotação
Em seguida, foram utilizados como imagens de entrada, os vídeos capturados em
ambiente aberto por um carro em movimento, o que pode ser considerado como uma
situação real de uso do sistema de estabilização de imagens.
Nas figuras 5.8 e 5.9 são apresentados os vetores de movimento global
estimados nas direções horizontal e vertical, respectivamente, e também os vetores de
movimento suavizados (movimentos desejados) e indesejados, calculados para as
imagens capturadas.
62
Figura 5.8– Vetores de movimento horizontal
Figura 5.9 – Vetores de movimento vertical
Os dados apresentados nas figuras acima nos mostram a ocorrência de uma
suavização para a perturbação presente na seqüência de imagens originais, já que,
63
movimentos suavizados apresentam pouca variação de direção e os vetores de
movimentos indesejados (que futuramente serão utilizados na correção de movimento)
são compostos por grande parte das mudanças de direção de alta freqüência presentes na
estimação de movimento da imagem, permitindo desta forma, que movimentos suaves
sejam mantidos.
Após a estabilização da seqüência de imagens, foram estimados os vetores de
movimento para a seqüência estabilizada. Nas imagens em ambiente fechado, os
resultados obtidos para a direção horizontal e para o ângulo de rotação são comparados
com os resultados de estimação de movimento da seqüência de imagens original e são
apresentados nas figuras 5.10, 5.11, respectivamente.
Figura 5.10 - Vetores de movimento horizontal (seqüência original e estabilizada)
64
Figura 5.11 - Ângulo de rotação (seqüência original e estabilizada)
Foram obtidos também, os vetores de movimento para as imagens em ambiente
aberto. A figura 5.12 apresenta os vetores calculados para a direção horizontal de
movimento, para as imagens originais e estabilizadas.
Figura 5.12 – Vetores de movimento (ambiente fechado)
65
Em todos os testes realizados, os parâmetros do sistema citados anteriormente
foram fixado nos valores apresentados no capítulo 4 e um filtro Média de Movimento
de ordem 10 foi utilizado.
Com o objetivo de realizar uma melhor análise dos resultados encontrados,
foram calculadas as variâncias para os vetores de movimento original e estabilizado, das
direções verticais e horizontais, para as seqüências de imagens capturadas. Os
resultados são apresentados na tabela 5.1.
Direção Movimento original Movimento estabilizado
Horizontal – Ambiente
Fechado
9,7469 2,3810
Vertical – Ambiente
Fechado
1,6681 0,9181
Horizontal – Ambiente
Aberto
1,3897 0,813
Vertical – Ambiente
Aberto
13,969 13,3499
Tabela 5.1 – Variância dos vetores de movimento global
As variâncias calculadas para os movimentos originais possuem um valor maior
do que em relação aos valores obtidos para os movimentos estabilizados tanto para
imagens de ambiente aberto quanto fechado, indicando desta forma, que o sistema de
estabilização de imagem foi capaz de suavizar os movimentos para as duas situações de
ambiente retirando os movimentos indesejados de alta freqüência, presentes nas
imagens originais capturadas. Entretanto, é importante notar um melhor desempenho do
sistema para ambiente fechado, mostrando que os parâmetros utilizados são mais
adequados a este cenário.
66
5.3 Conclusão
Através dos resultados encontrados é possível observar que mesmo após o
processo de estimação de movimento, ainda existem componentes de alta freqüência na
seqüência de imagens estabilizadas, porém, obteve-se uma grande redução das
vibrações nas imagens originais, estabilizando-as, principalmente para ambientes
fechados. Assim, podemos verificar um bom comportamento do sistema em tempo real,
estimando, classificando, suavizando e compensando os movimentos.
67
Capítulo 6
Análise em Hardware do Sistema
Esta secção propõe uma análise da implementação em hardware, do sistema de
estabilização de imagens proposto.
A análise desenvolvida foi baseada na estrutura do sistema apresentada no
capitulo 5, portanto, pode ser dividida em sete blocos básicos de processamento:
-
Estimação de movimento;
-
Classificação de movimento;
-
Vetor de movimento global;
-
Imagem de referência;
-
Suavização de movimento;
-
Detecção de grandes movimentos;
-
Correção de movimento.
Para cada bloco de processamento foi desenvolvido um programa no software
ALTERA Quartus 6.0 utilizando funções pré-definidas em hardware pelo software, que
podem ser implementadas facilmente em uma FPGA.
O objetivo desta análise é apresentar a estrutura básica de uma possível solução
da implementação em hardware do sistema, observando quais componentes, funções e
68
operações devem ser utilizadas e visando uma futura implementação real em hardware.
Processos de endereçamento de memória e sinais de sincronismo do sistema não foram
estudados.
6.1 Estimação de movimento
VCC
Sinal Bloco I m. R ef .
INPU T
2
Signed
squa re operat ion
dataa[7..0] res ult[15..0]
lpm_mult0
ins t 4
A
B
A
-B
dataa[7..0]
datab[7..0]
result[7..0]
lpm _add_s ub0
inst 5
A
B
A
+B
dataa [15..0]
datab [15..0]
res ult[15..0]
lpm _add_s ub1
ins t 6
uns igned c om pa re
dataa[15..0]
datab[15..0]
alb
lpm _c om pare0
inst 8
OR 2
ins t 2
OR2
inst 3
65536 W ord(s)
RAM
Block Ty pe: AU TO
data_a[7..0]
addres s _a[15..0]
w r en_a
data_b[7..0]
addres s _b[15..0]
w r en_b
clock_a
enable_a
clock_b
enable_b
q_a[7..0]
q_b[7..0]
altsyncram0
inst 10
65536 W ord(s)
RAM
Block Ty pe: AU TO
data_a[7..0]
addres s _a[15..0]
w r en_a
data_b[7..0]
addres s _b[15..0]
w r en_b
clock_a
enable_a
clock_b
enable_b
q_a[7. .0]
q_b[7. .0]
alt s y nc ram0
inst 11
vetor d e mo vimeto
Ra iz qua dr a da
Sinal de vídeo
S i na i s d e c o nt ro l e
uP - Sinaiis de Controle e Endereçamento de Memória
uP
Raiz quadr ada
inst 7
I/O Type
EQ M
Posic ao do bl oco com EQM
Logic a de en der eç ame nto
inst 9
I/O Type
Figura 6.1 – Estimação de movimento
Para o processo de estabilização de movimento apresentado na figura 6.1, foram
utilizadas duas memórias para o armazenamento dos quadros do vídeo atual e de
referência, operadores de soma e multiplicação, comparadores e duas portas lógicas OU.
69
O bloco chamado de uP representa os sinais de sincronismo, de habilitação dos demais
processos e de endereçamento das memórias.
Para o calculo da raiz quadrada utilizada no EMQ, pode-se utilizar a série de
Taylor desta função. O diagrama da figura 6.2 representa o calculo da raiz quadrada por
este método.
signed com pare
datab[]=10
dataa[31 ..0]
clock
c lken
agb
alb
lpm _com pare0
inst
signed com pare
datab[]=100
dataa[31 ..0]
clock
c lken
agb
alb
lpm _com pare1
inst3
signed com pare
datab[] =1000
dataa[31 ..0]
clock
c lken
agb
alb
lpm _com pare2
inst4
signed com pare
datab[]=1
dataa[31 ..0]
clock
c lken
agb
alb
lpm _com pare3
inst5
2
Signed
square operation
dataa[31..0]
clock
ena
res ult[63. .0]
lpm_mult 0
inst 6
Pipeline length of 1
Denom is U N SI GN ED
Num er is SI GN ED
num er[31..0]
denom[31..0]
clock
clken
quotient[31. .0]
remain[31..0]
lpm _divi de0
inst 7
Pipeline length of 1
Denom is UNSIGNED
Num er is SI GN ED
numer[31..0]
denom[31..0]
clock
clken
quotient[31. .0]
remain[31..0]
lpm _divi de0
inst8
Pipeline length of 1
Den om i s U N SI GN ED
Num er is SI GN ED
numer[31..0]
denom[31..0]
clock
clken
quotient[31.. 0]
remain[31..0]
lpm _divi de0
inst 9
Pipeline length of 1
Denom is UNSIGNED
Num er is SI GN ED
num er[31..0]
denom[31..0]
clock
clken
quotient[31. .0]
remain[31..0]
lpm _divi de0
inst 10
Signed
mult iplic ation
dataa[31. .0]
datab[31. .0]
clock
clken
res ult[63..0]
lpm_mult1
inst 11
Signed
mult iplic ation
dataa[31. .0]
datab[31. .0]
clock
c lken
result[63..0]
lpm_mult1
inst 13
1
A
B
A+B/A -B
datab[31. .0]
clock
add_s ub
c lken
result[31..0]
lpm _add_sub0
inst 14
A
B
A+B
dataa[31. .0]
datab[31. .0]
clock
clken
res ult[31. .0]
lpm_add_s ub1
inst 15
A
B
A+B
dataa[31 ..0]
datab[31 ..0]
clock
clken
res ult[31..0]
lpm _add_sub1
inst 16
A
B
A+B
dataa[31..0]
datab[31..0]
clock
c lken
res ult[31. .0]
lpm_add_s ub1
inst 17
0
32
lpm_constant0
inst 18
0
32
lpm _cons t ant 0
inst 19
0
32
lpm _cons t ant 0
inst20
0
32
lpm _cons t ant 0
inst 21
Pipeline length of 1
Denom is SIGN ED
Num er is SIGNED
numer[31..0]
denom[31..0]
clock
c lken
quotient[31.. 0]
remain[31..0]
lpm_divide1
inst 22
Pipeline length of 1
Denom is SI G N ED
Num er is SI GN ED
numer[31..0]
denom[31..0]
clock
c lken
quotient[31.. 0]
remain[31..0]
lpm _divi de1
inst 23
Pipeline length of 1
Denom is SIGN ED
Num er is SIGNED
numer[31..0]
denom[31..0]
clock
c lken
quotient[31.. 0]
remain[31..0]
lpm_divide1
inst 24
AND2
inst 25
AND2
inst 27
OR4
inst 29
0
32
lpm_c ons t ant0
inst 26
0
32
lpm_c ons t ant0
inst 28
0
32
lpm _cons t ant 0
inst 30
Pipeline length of 1
Den om i s SI GN ED
Num er i s SI GN ED
num er[31..0]
denom [31..0]
clock
c lken
quotient[31.. 0]
remain[31..0]
lpm _divi de2
inst 32
0
32
lpm _cons t ant 0
inst31
MSE
ENT R A D A
Figura 6.2 – Raiz quadrada
Na estimação de movimento rotacional, o vetor de movimento estimado pelo
mesmo processo e estrutura anterior é ponderado por uma curva gaussiana através de
uma matriz e é utilizado como entrada para o cálculo dos parâmetros do modelo Affine.
70
Os parâmetros do modelo Affine são calculados através do sistema de equações
apresentados anteriormente no capitulo 4, desta forma, este processo apresenta cálculos
mais complexos que, por sua vez, podem ser facilmente realizados por um software
implementado num microprocessador.
6.2 Classificação de movimento
A
B
A
+B
dat aa[ 15. . 0]
dat ab[ 15. . 0]
clo ck
clk e n
res u lt[1 5..0 ]
l pm_add_sub0
in st
Pi pel i ne l e ngt h of 1
Denom i s SI GNED
Nu mer i s SI GNED
num er [ 15. . 0]
denom [1 5 ..0 ]
clock
clk en
quot i ent [ 15. . 0]
re main[ 15. . 0]
l pm_di vi de0
in st1
5
16
l pm_cons t ant 0
in s t2
2
Si gned
s quare oper at i on
dat aa[ 15. . 0]
clo ck
ena
re su lt[3 1..0 ]
l p m_mu l t 1
in s t3
A
B
A
+B
dat aa[ 15. . 0]
dat ab[ 15. . 0]
clo ck
clk e n
re su lt[1 5 ..0]
l pm_add_sub0
in s t4
2
Si gned
s quare oper at i on
dat aa[ 15. . 0]
clo ck
ena
res u lt[3 1..0 ]
l p m_mu l t 1
in st5
234
Si gned
m ultip lication
dat aa[ 15. . 0]
clo ck
clk e n
re su l t[3 1 . .0 ]
l p m_mu l t 2
in s t6
A
B
A
-B
dat aa[ 15. . 0]
dat ab[ 15. . 0]
clo ck
clk e n
re su lt[1 5..0 ]
l pm_add_sub2
in st8
s i gned c ompar e
dat ab[ ] =50
dat aa[ 15. . 0]
clock
clk e n
agb
al b
l pm_ c o mp a r e 1
in s t9
V
et or de m ovi m ent o
Mov ro ta cio n a l
Mov t r ans l ac i ona
l
Figura 6.3 – Classificação de Movimento
O processo de classificação de movimento, representado na figura 6.3, foi
desenvolvido utilizando um comparador e operadores de multiplicação, soma e divisão.
Este processo recebe como entrada, os vetores de movimento estimados anteriormente,
calcula a variância entre os vetores e os classifica em movimentos rotacionais e
translacionais. Desta forma, tem como saída um sinal (bit) de habilitação da ponderação
matricial na estimação de movimento rotacional ou de habilitação para o cálculo do
vetor de movimento global translacional.
71
O diagrama apresentado acima representa o processo para uma coordenada do
vetor de movimento estimado pelo bloco estimação de movimento, portanto, é
necessário aplicar o mesmo processo para a outra coordenada do vetor.
6.3 Vetor de movimento global
A
B
A
+B
dataa[15..0]
datab[15..0]
clock
clken
r es ult[15..0]
l pm_ add_s ub0
ins t
Pipeline lengt h of 1
D enom is SI GN ED
N um er is SIGN ED
numer[15..0]
denom[15.. 0]
clock
clken
quotient[15..0]
remain[15..0]
lpm_divide3
ins t 2
300
16
lpm _c ons t ant 3
ins t 3
Mov. local
Mov . Global
Figura 6.4 – Movimento Global
Para determinar o vetor de movimento global, foram empregados operadores de
soma e divisão, como mostra a figura 6.4. O sinal de saída do bloco de classificação de
movimento deve habilitar ou não habilitar esta operação, isto é, no caso da classificação
de movimento translacional, temos como entrada, para este bloco, os vetores de
movimento estimados anteriormente, por outro lado, se um movimento rotacional é
classificado, esta operação não é realizada.
Novamente, o bloco de processamento desenvolvido representa apenas uma
coordenada dos vetores de movimento, sendo necessário, aplicar o mesmo processo à
outra coordenada.
72
6.4 Imagem de referência
2
Signed
squar e oper at ion
dataa[ 15. . 0]
clock
ena
re sul t [31..0]
lpm _mult 6
inst
2
Signed
squar e oper at ion
dataa[ 15. . 0]
clock
ena
re sul t [31..0]
lpm _mult 6
inst1
A
B
A
+B
dataa[ 31. . 0]
datab[ 31. . 0]
clock
clken
re sul t [31..0]
l pm_add_ s ub6
inst3
s i gned c ompare
datab[ ] =16
dataa[ 31. . 0]
cl ock
cl ken
alb
l pm_c ompare5
inst5
Habilit a M emor ia Fram e anter io
r
Cor r d. X MV Global
C oord Y . MV G lobal
Figura 6.5 – Imagem de referência
Nesta etapa, foram utilizados um comparador e operadores de multiplicação, soma
apresentados na figura 6.5. Este processo resulta num sinal de habilitação para a
memória que irá armazenar o quadro de referência, e tem como sinal de entrada, os
vetores de movimento globais estimados, para os movimentos translacionais ou os
vetores que representam estes movimentos translacionais no modelo “Affine”, sendo o
último utilizado quando movimentos rotacionais são classificados pelo sistema.
6.5 Suavização de movimento
O diagrama de suavização de movimento foi desenvolvido para um filtro Média
de Movimento de ordem 10. Foram utilizados 9 atrasadores (“buffers”) e operadores de
soma e divisão. A figura 6.6 representa o cálculo para uma coordenada do vetor de
movimento global estimado ou para um parâmetro do modelo Affine, sendo novamente
necessário aplicar o mesmo processo à outra coordenada ou parâmetro. Novamente, os
sinais de entrada são os vetores de movimento globais calculados anteriormente ou os
parâmetros do modelo “Affine”.
73
Pipeline length of 1
Denom is SI GN ED
Num er is SI GN ED
numer[ 15..0]
denom[15..0]
clock
clken
quotient[15..0]
remain[15..0]
lpm _divi de2
inst 1
CASC AD E
inst
CASC AD E
inst 4
CASC AD E
inst 5
CASC AD E
inst 6
CASC AD E
inst 7
CASC AD E
inst 8
CASC AD E
inst 9
CASC AD E
inst 10
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
LATENCY=1
Input s igned
data15x [15..0]
data14x [15..0]
data13x [15..0]
data12x [15..0]
data11x [15..0]
data10x [15..0]
data9x [15..0]
data8x [15..0]
data7x [15..0]
data6x [15..0]
data5x [15..0]
data4x [15..0]
data3x [15..0]
data2x [15..0]
data1x [15..0]
data0x [15..0]
clock
clken
res ult[15..0]
parall el_add0
inst 11
CASC AD E
inst 12
10
8
lpm _c ons t ant 2
inst 13
V etor de Mov . Suaviz ad
o
V et. Mov . Globais
Figura 6.6 – Suavização de movimento
6.6 Detecção de grandes movimentos
Na detecção de grandes variações na imagem foram utilizadas as memórias com
as informações dos quadros atuais e de referência do vídeo, operadores de soma,
divisão, multiplicação e dois comparadores, como foi apresentado na figura 6.7. Este
processo necessita de uma lógica complexa de endereçamento das memórias, porém,
esta lógica não foi desenvolvida neste trabalho.
O diagrama de blocos apresentado resulta num sinal de habilitação para todo o
sistema de estabilização de movimento.
74
65536 W ord
(
s
)
RAM
Bloc k Ty p e: AU TO
data_a[7..0]
addres s _a[15..0]
wren_a
data_b[7..0]
addres s _b[15..0]
wren_b
clock
q_a[7..0]
q_b[7..0]
altsyncram0
inst
65536 W ord
(
s
)
RAM
Bloc k Ty p e: AU TO
data_a[7..0]
addres s _a[15..0]
wren_a
data_b[7..0]
addres s _b[15..0]
wren_b
clock
q_a[7..0]
q_b[7..0]
altsyncram0
inst 1
7
Signed
m ult ip lic at ion
data a[15.. 0]
clock
clken
res ult[31..0]
lpm_mult3
ins t 3
3
Signed
m ult ip lic at ion
data a[15.. 0]
clock
clken
res ult[31..0]
lpm_mult4
ins t 5
Pipeli ne lengt h of 1
Denom is SI GN ED
Num er is SI GN ED
numer[15..0]
denom[15..0]
clock
clken
quotient[15..0]
remain[15..0]
lpm _divi de1
inst 6
10
16
lpm _c ons t ant 1
inst 7
10
16
lpm _c ons t ant 1
ins t 8
Pipeline length of 1
Denom is SIGNED
Num er is SIGNED
numer [ 15. .0]
denom[15..0]
clock
clken
quotient[15..0]
remain[15..0]
lpm _di vi de1
inst 9
A
B
A-B
dataa[15..0]
datab[15..0]
clock
clken
r esult[15..0]
lpm _add_s ub3
inst 10
255
Signed
m ult ip lic at ion
data a[15. .0]
clock
clken
res ult[31..0]
lpm_mult5
ins t 11
s igned c om par e
dat ab[] =250
dataa[15..0]
clock
clken
agb
lpm _c om pare2
inst 12
A
B
A+B
data a[15.. 0]
data b[15.. 0]
clock
clken
res ult[15..0]
lpm _add_s ub4
ins t 13
s igned c om pare
datab[]=1100
data a[15.. 0]
clock
clken
agb
lpm _c om pare3
inst 15
contr ole da estab. de mov iment
o
Figura 6.7 – Detecção de grandes movimentos
6.7 Correção de movimento
Este processo é realizado através do endereçamento da memória que armazena o
quadro atual da seqüência de vídeo, baseado no vetor de movimento indesejado
estimado, calculado pelo processo apresentado na figura 6.8. O diagrama apresentado
recebe os vetores de movimento globais e os vetores de movimento suavizados, calcula
os vetores de movimento indesejados e estabelece como a imagem deve ser deslocada
através do endereçamento das memórias. Foram utilizados operadores de subtração, de
multiplicação e comparadores para realizar este cálculo. No diagrama é apresentado o
75
processo para a coordenada horizontal, sendo necessário substituir o número de colunas
pelo número de linhas, para realizar o mesmo processo para a coordenada vertical.
65536 W ord(s )
RAM
Bloc k Ty pe: A U TO
data_a[7..0]
addres s _a[15..0]
w r en_a
data_b[7..0]
addres s _b[15..0]
w r en_b
clock_a
enable_ a
clock_b
enable_ b
q_a[7..0]
q_b[7..0]
altsyncram0
inst 10
65536 W ord( s )
RAM
Bloc k Ty pe: A U TO
data_a[7..0]
addres s _a[15..0]
w r en_a
data_b[7..0]
addres s _b[15..0]
w r en_b
clock_a
enable_ a
clock_b
enable_ b
q_a[7..0]
q_b[7..0]
altsyncram0
inst 11
A
B
A
-B
dataa[ 31.. 0]
datab[ 31.. 0]
clock
clken
result[31..0]
lpm _add_s ub2
ins t
s igned c o m pare
datab[]=0
dataa[7..0]
clock
clken
agb
lpm _c o mpare6
inst 1
A
B
A
-B
dataa[31..0]
datab[31..0]
clock
clken
res ult[31..0]
lpm _add_s ub7
inst 2
s igned c o m pare
datab[]=0
dataa[7..0]
clock
clken
alb
lpm _c o mpare7
inst 3
-1
Signed
m ultiplic at ion
dataa[31..0]
clock
clken
res u lt[31..0]
lpm_mult8
ins t5
V etor de Mov .Global - Co ord. Hor izontal
V etor de Mov . Suaviz ado - Coord. Hor izontal
Logica_endereç amento
inst 4
I/O Type
320
15
lpm _c o ns t ant 1
ins t6
Numer o de Colunas do Frame ( 320)
Figura 6.8 – Correção de movimento
76
6.8 Conclusão
Neste capítulo, foi proposta uma estrutura para a implementação em hardware
do sistema de estabilização de imagens. Apesar dos processos de estimação e correção
de movimento apresentarem uma maior dificuldade em sua implementação,
necessitando de funções mais complexas no cálculo dos vetores de movimento e no
endereçamento das memórias, foi possível observar que, vários blocos de
processamento do sistema desenvolvido podem ser implementados através de
operadores e funções pré-definidas em hardware, facilmente aplicadas a uma FPGA. As
funções mais complexas podem ser implementadas em software, utilizando linguagem
C em um microprocessador de alto desempenho (Como, por exemplo, tipo ARM).
77
Capítulo 7
Conclusões e sugestões para trabalhos
futuros
O trabalho apresentou um sistema de estabilização de imagens capaz de
trabalhar em tempo real, estimar, classificar, suavizar e corrigir movimentos
translacionais e rotacionais entre as imagens de um vídeo. Os movimentos são
estimados pela técnica Casamentos de Blocos (CB), com a estratégia de busca n passos.
Para os movimentos rotacionais foi criado um modelo Affine, o qual tem seus
parâmetros determinados pelos vetores de movimento obtidos pela técnica CB
ponderada. A classificação em movimentos translacionais e rotacionais foi realizada
através do cálculo da variância dos vetores de movimento estimados pelo CB. Para a
suavização de movimento, foi utilizado um filtro média de movimento de ordem 10. A
correção dos movimentos foi realizada deslocando as imagens em direção contrária aos
vetores de movimento indesejados estimados, baseados nos vetores de movimento
suavizados e originais. Foi criado um software em C++ utilizando a biblioteca
OpenCV, especializada em processamento de imagem. Diversos testes do sistema, em
diferentes situações de captura de imagem, foram realizados. Os resultados
78
experimentais obtidos e algumas conclusões baseadas nos mesmos, também foram
apresentados neste trabalho.
7.1 Principais contribuições
As principais contribuições do trabalho foram:
•
Desenvolvimento de um sistema de estabilização totalmente digital;
•
Desenvolvimento de um sistema de estabilização capaz de atuar em tempo real e
corrigir movimentos translacionais e rotacionais entre as imagens;
•
Desenvolvimento e utilização de software em C++ e da biblioteca OpenCV em
sistemas de estabilização de imagens;
•
Desenvolvimento de uma estrutura básica em hardware do sistema de
estabilização de imagem desenvolvido;
•
Publicação e apresentação do trabalho “Estabilização digital de imagens em
tempo real em seqüências de vídeo” no II Workshop de Visão Computacional –
WVC 2006.
7.2 Sugestões para trabalhos futuros
As sugestões para trabalhos futuros são:
79
•
Evolução, adequação e estudo da estrutura em hardware apresentada do sistema
desenvolvido;
•
Implementação de um hardware dedicado para o sistema de estabilização de
imagens;
•
Utilização de diferentes técnicas de estimação de movimento ou critérios de
combinação do CB;
•
Utilização de filtros adaptativos para a suavização de imagem;
•
Utilização de técnicas com mosaico de imagens ou dilatação e cortes destas,
evitando bordas sem informações nas imagens estabilizadas;
•
Utilização do processo de estabilização de imagens em sistemas aplicados de
visão computacional.
80
Referências
BAPTISTA, E. (2000). Estabilizando Trepidações : Revista Zoom Magazine.
Disponível em: <http://www.fazendovideo.com.br>.Acessado em 22. Maio. 2006
BROOKS, A.C. (2003), Real-Time Digital Image Stabilization: EE 420 Image
Processing Computer Project Final Paper.
CHANG, J.Y. et al. (2002). Digital Image Translational and Rotational Motion
Stabilization using Optical Flow Technique: IEEE Transactions on Consumer
Electronics, Vol. 48, Nº 1.
CHEN,T.(2000). Video Stabilization Algorithm Using a Block-Based Parametric
Motion Model: EE392J Project Report, Stanford University, USA.
CHOI, K.S. et. al.(2000), An Efficient digital Image Stabilizing Technique for mobile
Video Communications
: Department of Electronics Engineering, Korea University, Korea.
DURIC, Z.; ROSENFELD, A.(1996), Image Sequence Stabilization in Real Time:
Academic Press Limited, USA
ENGELSBERG, A.; SCHMIDT, G. (1999). A comparative review of digital image
stabilizing algorithms for mobile video communications: IEEE Transactions on
Consumer Electronics, Vol. 45, Nº 3.
FERREIRA, R.;CARDOSO, B.; CARVALHO, F.(2001). Integração Homen-Máquina
por detecção de movimento : PT Inovação, Portugal.
GONZALES, R. C.; WOODS, R. E.(1993), Digital Image Processing: Prentice Hall
GUESTRIN, C.; COZMAN,F.; KROTKOV, E.(1998). Fast Software Image
Stabilization whit Color Registration: Proceeding of the 1998 IEEE/RSJ , Intl.
Conference on Intelligent Robots and Systems Victoria, B.C.Canada.
HANDBOOK: SteadiCam Manual (2001).
Disponível em <http:// www.seaticam.com/setadicammanual.pdf
> Acessado em
10.Maio.2006.
81
HANSEN, M. et al. (1994). Real Time Scene Stabilization and Mosaic Construction:
David Scarnoff Research Center, Priceton, NJ.
KO, S.J. et al. (1999). Fast Digital Image Stabilizer Based on Gray – Coded Bit – Plane
Matching: IEEE Transaction on Consumer Electronics Vol. 45, Nº 3.
KURAZUME R.; HIROSE, S. (2000), Development of Image Stabilization System for
Remote Operation of walking robots: Proceedings of the 2000 IEEE International
Conference on Robotics e Automation ,San Francisco, CA.
LITVIN, A.;KONRAD, J.; KARL, W. C.(2003). Probabilistic video stabilization using
Kalman filtering and mosaicking : Symposium on Electronic Imaging, Image and Video
Communications and Proc, Santa Clara, CA, USA.
MORIMOTO, C.; CHELLAPA, R. (1996). Fast Electronic Digital Image Stabilization:
IEEE Proceedings of ICPR `96, p.284-288.
MORIMOTO, C.; CHELLAPA, R. (1995). Automatic Digital Image Stabilization:
Computer Vision Laboratory, Center for Automation Research, University of Maryland.
REFERENCE MANUAL: Open Source Computer Vision Library (2001). Intel
Corporation, USA.
SMITH, W. (1998). The Scientist and Engineer's Guide to Digital Signal Processing.
Disponível em:<http://www.dps.com>. Acesso em: 10. Maio. 2006.
TEARE, S.W. et al. (2004). Embedded Controller Based Image Stabilizer: 2004, AAS
204 th Meeting, Seção 10 Instrumentation, Ground-Based.
TEKALP,A.M. (1995). Digital Video Processing: Prentice Hall Signal Processing
Series. Upper Saddle River ,NJ, Cap. 6, p. 95 – 116.
UOMORI, K. et. al.(1990), Automatic Image Stabilizing System by Full-Digital Signal
Processing:
IEEE Transactions on Consumer Electronics, Vol. 36, No. 3.
WELCH, G.; BISHOP, G.(2004), An Introduction to the Kalman Filter: Department of
Computer Science University of North at Chapel Hill
82
ZHU, Z. et al. (1998). Camera Stabilization Based on 2.5D Motion Estimation and
Inertial Motion Filtering: 1998 International Conference on Intelligent Vehicles.
83
APÊNDICE A – Software do sistema de
estabilização de imagem desenvolvido
- Captura da imagem gerada pela WebCam
cap = cvCaptureFromCAM(CV_CAP_MIL);
cvNamedWindow("WebCam",CV_WINDOW_AUTOSIZE);
ncol= cvGetCaptureProperty(cap,CV_CAP_PROP_FRAME_HEIGHT);
nlin= cvGetCaptureProperty(cap,CV_CAP_PROP_FRAME_WIDTH);
im = cvCreateImage(cvSize(nlin,ncol),IPL_DEPTH_8U, 3);
im1 = cvCreateImage(cvSize(nlin,ncol),IPL_DEPTH_8U, 3);
im2 = cvCreateImage(cvSize(nlin,ncol),IPL_DEPTH_8U, 3);
im3 = cvCreateImage(cvSize(nlin,ncol),IPL_DEPTH_8U, 1);
im4 = cvCreateImage(cvSize(nlin,ncol),IPL_DEPTH_8U, 1);
while(cap)
{
cvGrabFrame(cap);
camera=cvRetrieveFrame( cap );
cvCvtColor(camera,im1, CV_BGR2HSV);
cvConvertImage( im1, im2, 1);
cvSplit( im2, 0, 0 , im3,0);
if(i>1)
{
Icurr = cvGetMat( im3, Icurr, 0, 0 );
while (j<76800) // WIDTH * HEIGHT
{
mat2[j]=Icurr->data.ptr[j];
j=j+1;
}
cvShowImage("WebCam",Icurr);
cvWaitKey(1);
j=0;
o=0;
y=0;
w=0;
84
for (y=0;y<240;y++)
{
o=320*y;
for (g=0;g<320;g++)
{
Fcurr[y] [g]=mat2[g+o];
Fcurr[y] [g] = Fcurr[y] [g] / 255;
}
}
- Cálculo da diferença entre imagens para a detecção de
grandes variações.
o=0;
for (y=0;y<240;y++)
{
o=320*y;
for (g=0;g<320;g++)
{
out[g+o] = (0.7*Fcurr[y] [g] -((1-0.7)*Fant[y] [g]))*255;
if(out[g+o]>=250)
{
outant++;
}
}
}
if (outant>sinthreshold2)
{
diferenca = 1;
o=0;
outant = 0;
for (y=0;y<240;y++)
{
o=320*y;
for (g=0;g<320;g++)
{
out[g+o] = Fcurr[y] [g]*255;
}
}
}
else
{
diferenca = 0;
outant=0;
}// Fim da estimação de grandes variações
85
-
Estimação de movimento (n step) entre o Frame atual e de
referencia (frame estabilizado)
if (diferenca ==0)
{
o=0;
y=0;
for (y=1;y<14;y++)
{
for (o=1;o<19;o++)
{
for (t=0;t<16;t++)
{
for (p=0;p<16;p++)
{
bloco2[t] [p]=Fcurr[16*y+t] [16*o+p];
}
}
for (t=0;t<16;t++)
{
for (p=0;p<16;p++)
{
vetor2[w]=bloco2[p] [t];
w=w+1;
}
}
w=0;
h=0;
q=0;
passo = 16;
passo2 = passo/2;
endx = 0;
endy=0;
endxf=0;
endyf=0;
endxw = 0;
endyw=0;
endxfw=0;
endyfw=0;
auxend=0;
86
for (step=1;step<5;step++)
{
h=0;
q=0;
for (k=-passo2;k<=passo2;k+=passo2)
{
for (d=-passo2;d<=passo2;d+=passo2)
{
for (t=0;t<16;t++)
{
for (p=0;p<16;p++)
{
bloco1[t] [p]=Fant[16*y+t+k+endx] [16*o+p+d+endy];
}
}
for (t=0;t<16;t++)
{
for (p=0;p<16;p++)
{
vetor1[w]=bloco1[p] [t];
w=w+1;
}
}
w=0;
smse = 0;
- Cálculo do critério MSE
for (w=0;w<256;w++)
{
mse[w]=vetor2[w]-vetor1[w];
mse[w]=mse[w]*mse[w];
smse = smse + mse[w];
}
atual= sqrt(smse);
w=0;
- Casamento de blocos ponderado
for (w=0;w<256;w++)
{
msew[w]=vetor2[w]-vetor1[w];
msew[w] = msew[w] * mat4[w];
msew[w]=msew[w]*msew[w];
smsew = smsew + msew[w];
}
87
atualw= sqrt(smsew);
w=0;
if (atual<MSE)
{
MSE = atual;
index = h;
}
h++;
if (atualw<MSEw)
{
MSEw = atualw;
indexw = q;
}
q++;
}
}
h=0;
MSE = 1000;
auxend = index/3;
endx = -passo2 + ((index-auxend*3)*passo2);
endy = -passo2 + auxend*passo2;
endxf = endxf+endx;
endyf = endyf+endy;
q=0;
MSEw = 1000;
auxend = indexw/3;
endxw = -passo2 + ((indexw-auxend*3)*passo2);
endyw = -passo2 + auxend*passo2;
passo2=passo2/2;
endxfw = endxfw+endxw;
endyfw = endyfw+endyw;
}
u[y] [o] = endxf;
v[y] [o] = endyf;
uw[y] [o] = endxfw;
vw[y] [o] = endyfw;
}
}
// Fim da estimação de movimento
-
Construção dos vetores com os movimentos estimados
q=0;
l=0;
for (o=1;o<19;o++)
{
88
for (y=1;y<14;y++)
{vetor3[l] = u[y] [o];
vetor4[q] = v[y] [o];
l++;
q++;
}
}
l=0;
q=0;
Us=0;
Vs=0;
-
Classificação de movimento
for (p=0;p<234;p++)
{
Us=Us+vetor3[p];
Vs=Vs+vetor4[p];
}
Us=Us/234;
Vs=Vs/234;
cvWaitKey(1);
-
Cálculo da variância dos vetores de movimento estimados
aux2 = 0;
p=0;
l=0;
Us = 0;
Vs = 0;
for (p=0;p<234;p++)
{
Us=Us+vetor3[p];
Vs=Vs+vetor4[p];
}
Us=Us/234;
Vs=Vs/234;
p=0;
Uvar = 0;
Vvar = 0;
for (p=0;p<234;p++)
{
Uvar=Uvar+(vetor3[p]*vetor3[p]);
Vvar=Vvar+(vetor4[p]*vetor4[p]);
}
89
Uvar = Uvar - 234*(Us*Us);
Vvar = Vvar - 234*(Vs*Vs);
p=0;
Uvar = Uvar/233;
Vvar = Vvar/233;
- Decisão entre movimentos rotacionais e translacionais
if (Uvar < varthreshold && Vvar < varthreshold)
{
// Movimento translacional
metodo=1;
}
else
{
// Movimento rotacional
metodo=0;
for (o=1;o<19;o++)
{
for (y=1;y<14;y++)
{
vetor3w[l] = uw[y] [o];
vetor4w[q] = vw[y] [o];
l++;
q++;
}
}
Us=0;
Vs=0;
for (p=0;p<234;p++)
{
Us=Us+vetor3w[p];
Vs=Vs+vetor4w[p];
}
Us=Us/234;
Vs=Vs/234;
}
- Calculo vetor de movimento global
Uvar=0;
Vvar=0;
us = cvRound(Us);
vs = cvRound(Vs);
90
- Vetor de valores anteriores de movimento para utilização no processo de
suavização de movimento
for (p=0;p<9;p++)
{
valorvs[p]=valorvs[p+1];
valorus[p]=valorus[p+1];
}
valorvs[9] = vs;
valorus[9] = us;
- Cálculo dos parâmetros para o modelo AFFINE
h=0;
for (t=1;t<14;t++)
{
y=16*t+8;
for (q=1;q<19;q++)
{
o=16*q+8;
Y=y+vw[t] [q];
X =o+uw[t] [q];
vetorXY[h]=X;
Hxy[h] [0]=o;
Hxy[h] [1]=-y;
Hxy[h] [2]=1;
Hxy[h] [3]=0;
h++;
vetorXY[h]=Y;
Hxy[h] [0]=y;
Hxy[h] [1]=o;
Hxy[h] [2]=0;
Hxy[h] [3]=1;
h++;
}
}
cvSetData(temp,Hxy,32);
cvSetData(temp2,vetorXY,8);
cvSolve( temp, temp2, temp3, CV_SVD );
alpha =temp3->data.db[0];
beta =temp3->data.db[1];
xoffset =temp3->data.db[2];
yoffset =temp3->data.db[3];
theta = atan(beta/alpha);
91
-
Vetor de valores anteriores de parâmetros AFFINE para utilização no processo
de suavização de movimento
for (p=0;p<9;p++)
{
xoffsetvet[p]=xoffsetvet[p+1];
yoffsetvet[p]=yoffsetvet[p+1];
thetavet[p]=thetavet[p+1];
}
xoffsetvet[9]=xoffset;
yoffsetvet[9]=yoffset;
thetavet[9]=theta;
-
Suavização de movimento para movimentos translacionais (Filtro Média de
Movimento)
if (metodo==1)
{
convus[0] = valorus[0] * filter;
convus[1] = valorus[1] * filter+ convus[0];
convus[2] = valorus[2] * filter+ convus[1];
convus[3] = valorus[3] * filter+ convus[2];
convus[4] = valorus[4] * filter+ convus[3];
convus[5] = valorus[5] * filter+ convus[4];
convus[6] = valorus[6] * filter+ convus[5];
convus[7] = valorus[7] * filter+ convus[6];
convus[8] = valorus[8] * filter+ convus[7];
convus[9] = valorus[9] * filter+ convus[8];
convus[10] = convus[9] - convus[0];
convus[11] = convus[9] - convus[1];
convus[12] = convus[9] - convus[2];
convus[13] = convus[9] - convus[3];
convus[14] = convus[9] - convus[4];
convus[15] = convus[9] - convus[5];
convus[16] = convus[9] - convus[6];
convus[17] = convus[9] - convus[7];
convus[18] = convus[9] - convus[8];
convvs[0] = valorvs[0] * filter;
convvs[1] = valorvs[1] * filter+ convvs[0];
convvs[2] = valorvs[2] * filter+ convvs[1];
convvs[3] = valorvs[3] * filter+ convvs[2];
convvs[4] = valorvs[4] * filter+ convvs[3];
convvs[5] = valorvs[5] * filter+ convvs[4];
convvs[6] = valorvs[6] * filter+ convvs[5];
convvs[7] = valorvs[7] * filter+ convvs[6];
92
convvs[8] = valorvs[8] * filter+ convvs[7];
convvs[9] = valorvs[9] * filter+ convvs[8];
convvs[10] = convvs[9] - convvs[0];
convvs[11] = convvs[9] - convvs[1];
convvs[12] = convvs[9] - convvs[2];
convvs[13] = convvs[9] - convvs[3];
convvs[14] = convvs[9] - convvs[4];
convvs[15] = convvs[9] - convvs[5];
convvs[16] = convvs[9] - convvs[6];
convvs[17] = convvs[9] - convvs[7];
convvs[18] = convvs[9] - convvs[8];
Usuav = cvRound(convus[9]);
Vsuav = cvRound(convvs[9]);
- Cálculo da distancia (movimento) entre as imagens
difmv = 0;
difmv = sqrt((us*us)+(vs*vs));
- Cálculo do movimento global indesejado
if (us>=-2 && us<=2 && vs>=-2 && vs<=2)
{
uf=-us;
vf=-vs;
}
else
{
uf = Usuav - us;
vf = Vsuav - vs;
}
-
Compensação do movimento e determinação do Frame estabilizado
t=0;
q=0;
if (uf>=0 && vf>=0)
{
for (y=0;y<240-vf;y++)
{
t=0;
for (g=0;g<320-uf;g++)
{
t++;
out[q] = Fcurr[y] [g] *255;
93
q++;
}
if (t<320)
{
while (t<320)
{
out[q] = 0;
q++;
t++;
}
}
}
if (q<76800)
{
while (q<76800)
{
out[q]=0;
q++;
}
}
}
else if(uf<0 && vf>=0)
{
for (y=0;y<240-vf;y++)
{
t=0;
for (g=0;g<-uf;g++)
{
out[q] = 0;
q++;
}
for (g=-uf;g<320;g++)
{
t++;
out[q] = Fcurr[y] [g] *255;
q++;
}
}
if (q<76800)
{
while (q<76800)
{
out[q]=0;
q++;
}
}
}
else if(uf>=0 && vf<0)
94
{
for (y=0;y<-vf*320;y++)
{
out[q] =0;
q++;
}
for (y=-vf;y<240;y++)
{
t=0;
for (g=0;g<320-uf;g++)
{
t++;
out[q] = Fcurr[y] [g] *255;
q++;
}
if (t<320)
{
while (t<320)
{
out[q]=0;
q++;
t++;
}
}
}
}
else if(uf<0 && vf<0)
{
for(y=0;y<-vf*320;y++)
{
out[q] = 0;
q++;
}
for (y=-vf;y<240;y++)
{
t=0;
for (g=0;g<-uf;g++)
{
out[q] = 0;
q++;
}
for (g=-uf;g<320;g++)
{
t++;
out[q] = Fcurr[y] [g] *255 ;
q++;
}
}
if (q<76800)
95
{
while (q<76800)
{
out[q]=0;
q++;
}
}
}
} //fim metodo-1 (movimento translacional)
- Suavização de movimento para movimentos rotacional (Filtro Média de
Movimento)
else
{
l=0;
q=0;
sumtheta = sumtheta + theta;
sumxoffset = sumxoffset + xoffset;
sumyoffset = sumyoffset + yoffset;
convxoffset[0] = xoffsetvet[0] * filter;
convxoffset[1] = xoffsetvet[1] * filter+ convxoffset[0];
convxoffset[2] = xoffsetvet[2] * filter+ convxoffset[1];
convxoffset[3] = xoffsetvet[3] * filter+ convxoffset[2];
convxoffset[4] = xoffsetvet[4] * filter+ convxoffset[3];
convxoffset[5] = xoffsetvet[5] * filter+ convxoffset[4];
convxoffset[6] = xoffsetvet[6] * filter+ convxoffset[5];
convxoffset[7] = xoffsetvet[7] * filter+ convxoffset[6];
convxoffset[8] = xoffsetvet[8] * filter+ convxoffset[7];
convxoffset[9] = xoffsetvet[9] * filter+ convxoffset[8];
convxoffset[10] = convxoffset[9] - convxoffset[0];
convxoffset[11] = convxoffset[9] - convxoffset[1];
convxoffset[12] = convxoffset[9] - convxoffset[2];
convxoffset[13] = convxoffset[9] - convxoffset[3];
convxoffset[14] = convxoffset[9] - convxoffset[4];
convxoffset[15] = convxoffset[9] - convxoffset[5];
convxoffset[16] = convxoffset[9] - convxoffset[6];
convxoffset[17] = convxoffset[9] - convxoffset[7];
convxoffset[18] = convxoffset[9] - convxoffset[8];
convyoffset[0] = yoffsetvet[0] * filter;
convyoffset[1] = yoffsetvet[1] * filter+ convyoffset[0];
convyoffset[2] = yoffsetvet[2] * filter+ convyoffset[1];
96
convyoffset[3] = yoffsetvet[3] * filter+ convyoffset[2];
convyoffset[4] = yoffsetvet[4] * filter+ convyoffset[3];
convyoffset[5] = yoffsetvet[5] * filter+ convyoffset[4];
convyoffset[6] = yoffsetvet[6] * filter+ convyoffset[5];
convyoffset[7] = yoffsetvet[7] * filter+ convyoffset[6];
convyoffset[8] = yoffsetvet[8] * filter+ convyoffset[7];
convyoffset[9] = yoffsetvet[9] * filter+ convyoffset[8];
convyoffset[10] = convyoffset[9] - convyoffset[0];
convyoffset[11] = convyoffset[9] - convyoffset[1];
convyoffset[12] = convyoffset[9] - convyoffset[2];
convyoffset[13] = convyoffset[9] - convyoffset[3];
convyoffset[14] = convyoffset[9] - convyoffset[4];
convyoffset[15] = convyoffset[9] - convyoffset[5];
convyoffset[16] = convyoffset[9] - convyoffset[6];
convyoffset[17] = convyoffset[9] - convyoffset[7];
convyoffset[18] = convyoffset[9] - convyoffset[8];
convtheta[0] = thetavet[0] * filter;
convtheta[1] = thetavet[1] * filter+ convtheta[0];
convtheta[2] = thetavet[2] * filter+ convtheta[1];
convtheta[3] = thetavet[3] * filter+ convtheta[2];
convtheta[4] = thetavet[4] * filter+ convtheta[3];
convtheta[5] = thetavet[5] * filter+ convtheta[4];
convtheta[6] = thetavet[6] * filter+ convtheta[5];
convtheta[7] = thetavet[7] * filter+ convtheta[6];
convtheta[8] = thetavet[8] * filter+ convtheta[7];
convtheta[9] = thetavet[9] * filter+ convtheta[8];
convtheta[10] = convtheta[9] - convtheta[0];
convtheta[11] = convtheta[9] - convtheta[1];
convtheta[12] = convtheta[9] - convtheta[2];
convtheta[13] = convtheta[9] - convtheta[3];
convtheta[14] = convtheta[9] - convtheta[4];
convtheta[15] = convtheta[9] - convtheta[5];
convtheta[16] = convtheta[9] - convtheta[6];
convtheta[17] = convtheta[9] - convtheta[7];
convtheta[18] = convtheta[9] - convtheta[8];
-
Cálculo dos parâmetros AFFINE para os movimentos indesejados
thetaind = convtheta[9]-theta;
97
if (theta<=-2 && theta>=2)
{
alphaind= cos(thetaind);
betaind = sin(thetaind);
}
else
{
alphaind= cos(-theta);
betaind = sin(-theta);
}
xoffsetind = xoffset - convxoffset[9];
yoffsetind = yoffset - convyoffset[9];
- Correção do movimento rotacional
for (y =0;y<240;y++)
{
for (g=0;g<320;g++)
{
coorx = (alphaind * y) +(-betaind *g) -xoffsetind;
coory = (betaind * y) + (alphaind *g) -yoffsetind;
Uvar=coorx;
Vvar=coory;
o=cvRound(Uvar);
w=cvRound(Vvar);
Uvar=0;
Vvar=0;
if (o<0||w<0||o>=240 || w>=320)
{
out[q] = 0;
}
else
{
out[q] = Fcurr[o] [w]*255;
}
q++;
}
}
}// fim (movimento rotacional)
}
- Apresentação da imagem estabilizada
cvSetImageData( teste, out, 320);
98
cvShowImage("WebCam Estabilizada",teste);
Uvar = 0;
Vvar = 0;
h=0;
y=0;
o=0;
}// end i - numero de frames
- Escolha da imagem de referência
t=0;
if (i == 0 || somareset>reset)
{
somareset = 0;
im4 = cvCloneImage( im3 );
Iant= cvGetMat( im4, Iant, 0, 0 );
while (t<76800)
{
mat3[t]= Iant->data.ptr[t];
t+=1;
}
t=0;
o=0;
y=1;
for (y=0;y<240;y++)
{
o=320*y;
for (g=0;g<320;g++)
{
Fant[y] [g]=mat3[g+o];
Fant[y] [g] = Fant[y] [g] / 255;
}
}
}
if(difmv < sinthreshold && i>=1 && somareset<=reset )
{
// Frame de referencia = Frame atual suavizado
t=0;
o=0;
y=1;
for (y=0;y<240;y++)
{
o=320*y;
for (g=0;g<320;g++)
{
Fant[y] [g] = out[g+o];
99
Fant[y] [g] = Fant[y] [g] / 255;
}
}
} // Fim da escolha da imagem de referencia
somareset++;
h=0;
i=i+1;
} // Fim da captura de imagem
fclose(pf);
cvReleaseCapture(&cap);
}// Fim do processo de estabilização
100
APÊNDICE B – Biblioteca OpenCV
OpenCV significa Intel® Open Source Computer Vision Library. É uma coleção de
funções em C e C++ que, implementam alguns algoritmos mais comuns em
processamento de imagens e visão computacional. Pode ser livremente utilizada em
aplicações comerciais e não comerciais.
As funções são divididas em várias bibliotecas como: CVCAM, CXCORE, CV,
HighGUI, CV, CVAUX, etc.
Neste trabalho foram utilizadas as funções presentes em quatro bibliotecas. As funções
e bibliotecas utilizadas são detalhadas abaixo:
CVCAM
CvCam é uma plataforma universal para o processamento de vídeo gerados por uma
câmera digital. Possui uma simples interface de programação para leitura e controle de
seqüências de vídeo, processamento e armazenamento de frames.
Funções utilizadas
cap = cvCaptureFromCAM(CV_CAP_MIL); - Captura da imagem gerada pela câmera
digital.
cvReleaseCapture(&cap); - Finaliza a estrutura criada para a captura da imagem gerada
pela câmera.
CV
101
CV é a biblioteca composta pelas funções de processamento de imagem mais
comumente utilizadas, como: operações morfológicas, filtros e conversão de cores,
Histogramas, Fluxo Óptico, etc.
Funções utilizadas:
cvCvtColor(camera,im1, CV_BGR2HSV); - Conversão de Cores
im4 = cvCloneImage( im3 ); - Cópia de imagens
CXCORE
CXCORE é composta por funções que realizam operações básicas, como cálculos
estatísticos, cálculos aritméticos e acesso a elementos de vetores, etc.
Funções utilizadas:
cvSetImageData( teste, out, 320); - atribui dados aos pixeis da imagem
cvSetData(temp,Hxy,32); - Atribui o dados ao vetor
cvSolve( temp, temp2, temp3, CV_SVD ); - Resolução de sistemas lineares ou
problemas de mínimo quadrados.
cvSplit( im2, 0, 0 , im3,0); - Divide os canais da imagem e separa um canal específico
im4 = cvCreateImage(cvSize(nlin,ncol),IPL_DEPTH_8U, 1); - Cria a estrutura de uma
imagem e atribui dados a ela.
HiguiGUI
102
A biblioteca HighGUI é formada por funções de abertura e fechamento de janelas,
carregamento e gravação de imagens, etc.
Funções utilizadas:
cvNamedWindow("WebCam",CV_WINDOW_AUTOSIZE); - Cria uma janela com o
nome especificado.
ncol= cvGetCaptureProperty(cap,CV_CAP_PROP_FRAME_HEIGHT); - Captura as
propriedade do Frame.
cvShowImage("WebCam Estabilizada",teste); - Mostra a imagem numa janela
especificada.
cvConvertImage( im1, im2, 1); - Converte um imagem a outra com translação.
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
