COMPARAÇÃO DE TÉCNICAS DE VISÃO COMPUTACIONAL NA IDENTIFICAÇÃO DE CABEÇOTES FUNDIDOS USANDO WEBCAM PARA GUIAR UM ROBÔ INDUSTRIAL

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "COMPARAÇÃO DE TÉCNICAS DE VISÃO COMPUTACIONAL NA IDENTIFICAÇÃO DE CABEÇOTES FUNDIDOS USANDO WEBCAM PARA GUIAR UM ROBÔ INDUSTRIAL"

Transcrição

1 COMPARAÇÃO DE TÉCNICAS DE VISÃO COMPUTACIONAL NA IDENTIFICAÇÃO DE CABEÇOTES FUNDIDOS USANDO WEBCAM PARA GUIAR UM ROBÔ INDUSTRIAL Victor Hugo Bueno Preuss, 1 Ramon Cascaes Semim, 1 Roberto Silvio Ubertino Rosso Jr., 1 Alexandre Gonçalves Silva, 2 1 Universidade do Estado de Santa Catarina, Rua Paulo Malschitzki, s/número Campus Universitário Prof. Avelino Marcante Bairro Zona Industrial Norte CEP Joinville SC 2 Universidade Federal de Santa Catarina, Campus Universitário Reitor João David Ferreira Lima Trindade Florianópolis SC Resumo: Este artigo descreve os procedimentos utilizados na aplicação de três técnicas de visão computacional (SIFT, SURF e ORB) no desenvolvimento de um sistema de visão para um robô, cuja tarefa é realizar oleação e a paletização de cabeçotes fundidos de motores. As três técnicas são comparadas em termos de robustez, precisão e tempo de execução. O objetivo do sistema de visão é identificar o cabeçote, sua posição e orientação, e fornecer esses dados ao robô, para que ele possa realizar a pega da peça com precisão. Concluiu-se que o algoritmo SURF obteve melhor desempenho para a aplicação, por apresentar os melhores resultados em termos de robustez na identificação, precisão na determinação da posição/orientação do cabeçote e tempo de execução. Palavras-chave: Sistema de Visão, Reconhecimento de Padrões, Detecção de Objetos, SURF, SIFT, ORB. 1. INTRODUÇÃO A automatização de processos industriais vem ganhando espaço ano após ano, pois há diversas tarefas na indústria que podem ser desempenhadas com maior eficiência e qualidade por robôs, economizando tempo e dinheiro das empresas. Os robôs são excelentes na execução de tarefas que exigem demasiado esforço repetitivo ou submetam a algum tipo de perigo o trabalhador, sendo programados de forma a realizar o que lhes foi incumbido sem, no entanto, serem capazes de fazer qualquer tipo de análise do ambiente que altere seu comportamento (Semim, 2012). A visão computacional entra como uma opção quando o robô se encontra em situações nas quais ele deve tomar uma decisão baseado no que há ao seu redor. Os sistemas de visão computacional envolvem diversas etapas, que vão desde a aquisição da imagem, processamento, tratamento, até a retirada das informações relevantes daquela imagem (Gonzalez; Woods, 2002). Neste trabalho serão descritos alguns métodos utilizados na aquisição de informações pertinentes da imagem e os resultados apresentados pelos mesmos aplicados numa célula robotizada. Neste trabalho foram implementadas três técnicas de detecção e descrição de características locais de uma imagem, aplicadas ao reconhecimento de objetos. São elas: SIFT (Scale Invariant Feature Transform), SURF (Speeded Up Robust Features) e ORB (Oriented FAST and Rotated BRIEF). Todas foram utilizadas com o auxílio da biblioteca OpenCV (Bradski; Kaehler, 2008). Este artigo está organizado da seguinte maneira: na seção 2 são descritos alguns conceitos básicos necessários ao entendimento do projeto e também o funcionamento dos algoritmos SIFT, SURF e ORB. Nas seções 3 e 4 são expostos o problema proposto para o projeto e o modo encontrado para solucioná-lo. Por fim em 5, 6 e 7 são apresentados os resultados obtidos e feita uma discussão a respeito do trabalho desenvolvido seguido das conclusões finais. 2. VISÃO COMPUTACIONAL Visão computacional é a tarefa de automatizar e integrar uma ampla gama de processos e representações usados para percepção visual. Inclui muitas técnicas, como processamento de imagens (transformando, codificando e enviando imagens) e classificação de padrões estatísticos (teoria da decisão estatística aplicada a padrões gerais, visuais ou não) (Ballard; Brown, 1982). É responsável pela maneira como o computador enxerga o meio à sua volta, extraindo informações significativas a partir de imagens capturadas por câmeras, sensores, scanners, entre outros dispositivos. Estas informações permitem reconhecer, manipular e pensar sobre os objetos que compõem uma imagem (Milando; Honorato, 2010). Neste trabalho, algoritmos de visão computacional serão aplicados no reconhecimento de cabeçotes em uma linha de produção. Estes algoritmos são introduzidos nos subtópicos a seguir.

2 2.1. Matriz Hessiana Uma matriz hessiana é uma matriz quadrada formada por derivadas parciais de segunda ordem. A matriz descreve a curvatura local de uma função de múltiplas variáveis. Na Eq. (1) é mostrada a matriz hessiana utilizada nos algoritmos SIFT e SURF para análise da vizinhança de um ponto de interesse. H D D xx xy D D xy yy (1) 2.2. SIFT (Scale Invariant Feature Transform) SIFT é um método que usa técnicas de processamento de imagem para encontrar pontos de interesse em uma imagem e gerar um vetor de descritores, invariante as transformações de escala e de rotação e parcialmente invariante a distorções afins e mudanças de luminosidade. O vetor de descritores gerado pode ser utilizado no reconhecimento de objetos e cenas, monitoramento de movimento e resolução de problemas envolvendo estruturas 3D de múltiplas imagens (Lowe, 2004). O primeiro passo do algoritmo é calcular uma pirâmide gaussiana (Gonzalez; Woods, 2002). Isto é feito aplicando repetidamente um filtro de suavização gaussiano e reduzindo as dimensões da imagem em um fator de 2. Então uma pirâmide de diferença de gaussianas é computada da subtração de níveis adjacentes da pirâmide gaussiana, como mostra a Fig. (1). Os pontos de interesse são encontrados calculando os pontos de máximo e mínimo na pirâmide de diferença de gaussianas. Isto é feito utilizando uma vizinhança de 26 pixels, mostrada na Fig. (2). Cada pixel é comparado à sua vizinhança de 8 e também a 9 vizinhos na escala acima e abaixo. Se ele for um máximo ou mínimo local, é feita uma expansão de Taylor na região, pois a localização exata do ponto de mínimo ou máximo é uma posição entre pixels. Os pontos de interesse passam agora por dois filtros: um que remove os pontos com baixo contraste a partir de um valor de threshold sugerido por Lowe (2004) em 0,03; outro que remove os pontos de interesse pertencentes a bordas utilizando uma matriz hessiana (ver Eq. 1). O ponto de interesse é rejeitado caso a razão Tr(H)² / Det(H) seja maior que (r+1)² / r, onde Tr(H) é o traço da matriz hessiana, Det(H) é o determinante da matriz hessiana e r é a razão entre os autovalores da matriz hessiana. No artigo publicado por Lowe (2004) é sugerido utilizar 10 como valor de r, e esse foi o valor utilizado durante o trabalho. Figura 1. Pirâmide Gaussiana e Pirâmide de Diferença de Gaussianas. Fonte: adaptada de Lowe (2004). Depois são atribuídas direções a cada um dos pontos de interesse de forma que este passo é fundamental na aquisição da invariância à rotação. A orientação dos pontos de interesse é atribuída da seguinte maneira. Primeiro a magnitude e orientação do gradiente dos pixels vizinhos ao ponto de interesse são pré-computados utilizando, respectivamente as Eqs. (2) e (3).

3 Figura 2. Vizinhança de 26 pixels. Fonte: adaptada de Lowe (2004). m 2 ( x, y) ( L( x 1, y) L( x 1, y)) ( L( x, y 1) L( x, y 1)) 2 (2) ( x, y) tan 1 (( L( x, y 1) L( x, y 1)) /( L( x 1, y) L( x 1, y))) (3) Então um histograma é formado com os resultados. O histograma é composto de 36 intervalos de 10 graus de amplitude, totalizando 360 graus. A magnitude do gradiente é então somada no respectivo intervalo ao qual pertence o ângulo Ɵ. A orientação atribuída ao ponto de interesse é aquela cujo intervalo possui a maior soma de magnitudes. Múltiplos pontos de interesse podem surgir a partir de um, pois qualquer intervalo do histograma que possuir somatório maior que 80% da maior soma de magnitudes, também é adicionado ao grupo. Por último é gerado um vetor de descritores de 128 posições para cada um dos pontos de interesse. Ele é calculado atribuindo orientações para uma vizinhança de 4x4 do ponto de interesse (esta vizinhança só é possível pois o SIFT gera subpixels através de uma expansão de Taylor feita ao redor do ponto), porém o histograma feito para cada ponto vizinho possui apenas 8 intervalos de 45 graus, o que garante maior robustez ao algoritmo. Tem-se então 8 intervalos para uma vizinhança de 4x4, daí vem as 128 posições do vetor de descritores (4 x 4 x 8 = 128) (Lowe, 2004) Imagens Integrais Imagens integrais são imagens onde cada ponto X = (x, y) T armazena a soma das intensidades de todos os pixels numa área retangular entre a origem e X. Utilizando imagens integrais é possível calcular a soma das intensidades de qualquer região com apenas três operações como visto na Fig. (3) (Bay et al., 2008). Figura 3. Calculando soma das intensidades na região. Fonte: Bay et al. (2008).

4 2.4. SURF (Speeded Up Robust Features) SURF é um algoritmo proposto por Bay, Tuytelaars e Van Gool em 2006 e é baseado nos mesmos princípios que o algoritmo SIFT, porém utiliza outros métodos, que geram resultados mais velozes e muitas vezes melhores (Bay et al., 2008). O algoritmo inicia criando uma pirâmide gaussiana, porém, ao contrário do algoritmo SIFT, devido ao uso de imagens integrais e filtros retangulares ( box filters ), a pirâmide é criada de baixo para cima, filtrando a imagem original com máscaras cada vez maiores. Então é feita a localização dos pontos de interesse utilizando, assim como no SIFT, uma supressão não-máxima em uma vizinhança 3x3x3, mostrada na Fig. (2), porém isto é feito comparando não a magnitude do ponto, mas o determinante da sua matriz hessiana. Em seguida é feita uma interpolação entre os máximos encontrados. SURF faz uso da distribuição da intensidade na vizinhança dos pontos de interesse para atribuir uma orientação ao ponto. Isto é feito utilizando a resposta nas direções x e y de uma wavelet de Haar numa vizinhança de 6s ao redor do ponto de interesse, onde s é a escala em que o ponto de interesse foi detectado. Para o descritor do ponto de interesse é utilizada uma vizinhança quadrada subdivida em 16 regiões de 2x2. A resposta da wavelet de Haar é calculada para todos os pontos e então cada região 2x2 recebe um vetor v de quatro dimensões, onde v = (Σd x, Σd y, Σ d x, Σ d y ), totalizando um vetor descritor de 64 posições. No vetor, d x e d y são as respostas da wavelet de Haar para um ponto (Bay et al., 2008) ORB (Oriented FAST and Rotated BRIEF) ORB é um detector de pontos de interesse e descritor criado para substituir SIFT em aplicações com baixa capacidade de processamento (ex: aplicativos para smartphones). ORB chega a ser quase duas ordens de magnitude mais rápido que SIFT e produz resultados similares no reconhecimento de objetos (Rublee et al., 2011). Para a seleção de pontos de interesse, ORB utiliza FAST (Rosten e Drummond, 2005), um detector de pontos de interesse. Porém os pontos de FAST não possuem uma componente para representar a orientação do ponto, portanto é adicionada uma orientação computada de maneira muito eficiente. Ela é baseada na intensidade do centroide (Rosin, 1999). O vetor de descritores é gerado utilizando uma versão modificada do descritor BRIEF (Calonder et al., 2010). É atribuído ao descritor um parâmetro de rotação, para que o algoritmo se torne invariante à rotação Regra dos k-vizinhos mais próximos Dado o conjunto de treinamento T = {<x 1, y 1 >, <x 2, y 2 >,..., <x n,y n >}, esse método de classificação de padrões visa determinar um subconjunto S contido em T composto de k amostras mais próximas de x no espaço de características. O rótulo atribuído a x é o que apresentar maior frequência dentre as amostras em S (Pedrini e Schwartz, 2008) Razão das distâncias dos vizinhos mais próximos (Nearest Neighbour Distance Ratio) O algoritmo de classificação baseado no vizinho mais próximo classifica duas regiões A e B se o descritor de B é o vizinho mais próximo do descritor de A e se a distância entre eles está abaixo de um certo valor de threshold. Na razão das distâncias dos vizinhos mais próximos (nearest neighbour distance ratio), a única diferença é que o threshold é aplicado a razão das distâncias do primeiro e segundo vizinho mais próximo. Portanto as regiões são classificadas se D A D B / D A - D C < t, onde D denota o descritor, D B é o primeiro e D C é o segundo vizinho mais próximo de D A e t é valor de threshold (Mikolajczyk e Schmid, 2005). 3. OBJETIVO DO TRABALHO Este projeto é a extensão de um trabalho previamente desenvolvido na UDESC e tem como objetivo principal verificar o desempenho de outros métodos utilizados no reconhecimento de padrões em imagens, aplicados ao cenário já estudado Descrição do Problema Inicial O cenário estudado no projeto inicial e documentado em Semim (2012) e Semim et al. (2012), consiste em uma célula de oleação e paletização de cabeçotes de motores à combustão da linha de Fundição E-II da Tupy SA, unidade Joinville/SC. Nesta linha são manufaturadas três famílias distintas de cabeçotes, sendo que cada uma possui modelos para motores de oito/seis e seis/quatro cilindros. É garantido que os cabeçotes sempre entrarão na linha com a mesma região voltada para cima, desta forma, é possível utilizar as características desta região para distinguir uma família da

5 outra. Entre as dificuldades do projeto, a principal encontra-se na pequena diferença entre o fundo das imagens, roletes de aço de um transportador industrial, e as faces usinadas dos cabeçotes de motores em ferro fundido. Na resolução deste problema Semim (2012) utilizou o Coeficiente de Correlação de Pearson (PCC) e técnicas de processamento de imagem para definir qual o modelo do cabeçote e segmentar os furos presentes nos blocos. Também utilizou a transformada de Hough para definir a posição das circunferências (furos) presentes no cabeçote, e a partir da posição destas é calculada a posição e orientação do bloco. O projeto inicial é discutido em maiores detalhes em Semim (2012) e Semim et al. (2012) Problema abordado neste projeto O problema abordado neste trabalho foi a implementação de um sistema de visão fazendo uso de três outras técnicas de visão computacional (SIFT, SURF e ORB). As três técnicas são comparadas entre si em termos de robustez, precisão e tempo de execução. O que se deseja é obter melhores alternativas e se possível apenas uma técnica para a solução de Semim (2012) que utilizou PCC em conjunto com a transformada de Hough. O projeto aqui desenvolvido se passa no mesmo cenário e utiliza o mesmo banco de dados de imagens para realizar os testes necessários. 4. IMPLEMENTAÇÃO A implementação do sistema de visão foi feita inteiramente em C++. Todo o algoritmo descrito a seguir faz uso da biblioteca OpenCV e utiliza SIFT, SURF e ORB para encontrar os pontos de interesse e seus respectivos vetores de descritores. Algumas funções utilizadas tiveram que ser desenvolvidas, porém boa parte do que foi necessário no projeto já se encontrava disponível para uso na biblioteca OpenCV. No início do programa, seis imagens-padrão contendo apenas o cabeçote tem as seguintes informações carregadas: vetor de pontos de interesse e vetor de descritores; coordenadas dos seus cantos e coordenadas dos centros dos furos presentes no cabeçote. A razão para serem utilizadas 6 imagens, apesar de serem 3 cabeçotes, foi a ineficiência dos três algoritmos utilizados (SIFT, SURF e ORB) para reconhecimento de cabeçotes quando rotacionados em 180 graus com relação a orientação da imagem-padrão. Isto tornou necessária a utilização de outra imagem-padrão para cada tipo de cabeçote, rotacionada em 180 graus em relação a outra, como mostrado nas Figuras (4a) e (4b). (a) Imagem-padrão do primeiro bloco não rotacionado. (b) Imagem-padrão do primeiro bloco rotacionado. Figura 4: Imagens tomadas como padrão para um bloco, sem e com rotação. Fonte: adaptadas de Semim (2012). A partir daí o programa entra num loop. A imagem do cabeçote vindo na esteira é adquirida e convertida para tons de cinza. Então um dos três algoritmos (SIFT, SURF ou ORB) é aplicado para gerar um vetor com os pontos de interesse da imagem obtida e outro vetor com o descritor de cada ponto encontrado.

6 O próximo passo é definir qual tipo de bloco de motor está presente na imagem em análise, e se ele está ou não rotacionado. Isto é feito da seguinte maneira: é aplicada a regra dos k-vizinhos mais próximos, com k igual a 2, entre a imagem capturada e as duas imagens-padrão pertencentes a um tipo de bloco de motor. Os pontos encontrados pelo reconhecimento são filtrados utilizando a razão da distância dos vizinhos mais próximos (ver 2.6). Se o número de pontos reconhecidos entre a imagem de entrada e as duas imagens-padrão for superior a um valor de threshold, então é definido que o bloco de motor contido na imagem capturada é o que está contido nas imagens-padrão. Caso contrário o algoritmo repete o passo anterior com as próximas duas imagens-padrão que representam outro tipo de cabeçote. O valor de threshold foi calculado através de testes, verificando qual o mínimo de pontos reconhecidos corretamente quando o bloco de motor da imagem de entrada era do mesmo tipo que o das imagens-padrão, e o máximo de pontos reconhecidos incorretamente quando o bloco de entrada era de tipo diferente do contido nas imagens-padrão. O threshold foi estabelecido na metade destes extremos. Foi calculado um valor diferente para cada um dos algoritmos (SIFT, SURF e ORB). Embora o valor de cada um tenha sido diferente, os três criaram uma margem bastante grande entre os dois valores, o que garante o reconhecimento correto do bloco contido na imagem de entrada. Então é escolhida a imagem-padrão com o maior número de pontos reconhecidos. É utilizada uma rotina que encontra um grupo de quatro pontos que tenham sido reconhecidos com grande grau de precisão. Isto é feito da seguinte maneira: grupos de quatro pontos de interesse reconhecidos são gerados aleatoriamente; é calculada a partir deles a matriz de transformação de projeção perspectiva utilizando a OpenCV. Esta transformação é aplicada nos quatro cantos da imagem-padrão, mostrada nas Figuras (4a) e (4b), e nos centros dos dois furos mais afastados entre si do motor; caso o reconhecimento dos pontos de interesse tenha sido preciso, os pontos gerados pela transformação devem respeitar as relações métricas existentes entre os pontos da imagem-padrão. Portanto, no algoritmo são calculados os ângulos e as distâncias entre os quatro cantos e a distância entre os centros. Os ângulos devem ser de aproximadamente 90 graus, com uma margem de erro estipulada em 0,5 grau, e as distâncias podem ter um desvio de até 5 mm da distância equivalente na imagem-padrão. Se um grupo passar em todas as restrições, ele é selecionado, e a partir dele é calculada a posição e orientação da peça com as coordenadas dos centros em relação a origem. O ângulo é calculado pelo arcotangente do coeficiente angular da reta que passa pelos dois furos, ver Figura (5), e a posição é dada pelas coordenadas do ponto médio entre os dois furos. Uma vez reconhecido o bloco e calculadas posição e orientação, são traçados círculos sobre os furos e retas que delimitam o bloco na imagem, conforme mostram as Figuras (7a) e (7b). Figura 5. Ilustração do cálculo do ângulo de inclinação do cabeçote. Fonte: próprio autor. 5. ANÁLISE DE RESULTADOS Neste tópico serão mostrados os resultados obtidos a partir de diversos testes utilizando SIFT, SURF e ORB no reconhecimento dos blocos de motor. Os testes foram realizados com as 129 imagens utilizadas por Semim (2012). Foram definidos manualmente a posição dos centros dos furos de todos os blocos de motor e o ângulo de inclinação. Estes valores foram considerados ideais e utilizados para comparação com as respostas encontradas pelo sistema de visão. O algoritmo desenvolvido foi aplicado nas 129 imagens e foram calculados o desvio médio, desvio padrão e desvio máximo para os valores de ângulo e posição encontrados pelo sistema. As Tabelas (1) e (2) ilustram estes resultados: Tabela 1: Representa os desvios na distância, em pixels, da coordenada ideal dos centros, para a coordenada encontrada pelo algoritmo. SIFT SURF ORB Desvio médio (pixels) 1,14 1,03 1,21 Desvio padrão (pixels) 1,07 1,02 1,10 Desvio máximo (pixels) 4,05 3,44 4,10

7 Tabela 2: Representa os desvios no ângulo, em graus, da inclinação do cabeçote baseada nos seus furos. SIFT SURF ORB Desvio médio (graus) 0,18 0,16 0,20 Desvio padrão (graus) 0,43 0,40 0,45 Desvio máximo (graus) 1,13 1,24 1,29 Na Tabela (1) os valores relacionados aos desvios estão em pixels. A partir da calibração feita por Semim (2012), tem-se que o valor de um pixel é de 1,25 mm na direção X e 1,26 mm na direção Y. Daí é possível calcular que o maior erro de posição dado pelo sistema é de aproximadamente 5 mm, valor aceitável visto que ainda estão em estado bruto nesse estágio da linha de produção. É possível notar que o algoritmo SURF apresenta os melhores resultados na determinação da posição dos cabeçotes, embora a diferença de desempenho dos três algoritmos seja pouco considerável. Também foram observados os resultados relacionados ao tempo de execução dos algoritmos por imagem processada. Os resultados estão apresentados na Tabela (3): Tabela 3: Tempo médio e máximo de execução dos algoritmos e desvio padrão, em segundos. SIFT SURF ORB Tempo médio (s) 1, , , Tempo máximo (s) 2, , , Desvio padrão (s) 0, , , A partir da tabela é visível que ORB é o mais veloz dos três algoritmos, com boa margem na maioria dos casos. Porém também pode ser visto que há um alto desvio padrão na medida de tempo de execução, que é atribuído aos casos em que o ORB não consegue encontrar com facilidade um grupo de pontos que atenda as restrições de precisão. 6. DISCUSSÃO Diversos desafios surgiram durante a implementação dos algoritmos na resolução do problema de reconhecimento dos cabeçotes. Primeiramente vale ressaltar alguns aspectos diferentes na implementação utilizada para o algoritmo ORB. Para duas das 129 imagens, a imagem de entrada teve mais pontos de interesse reconhecidos com a imagem-padrão cujo bloco de motor estava voltado para o sentido oposto. Porém isto pode ser detectado no momento em que a posição dos centros é calculada em relação a origem, pois as distâncias encontradas serão o inverso do esperado. Portanto, ainda é possível definir com certeza a orientação do motor. Um problema encontrado ainda no algoritmo ORB, é que em 4 imagens nenhum grupo de pontos de interesse era preciso suficiente para respeitar todas as condições de precisão impostas ao reconhecimento do bloco. Isto tornou necessária a adição de uma rotina extra, que matinha armazenado o melhor grupo encontrado e fornecia-o como resultado final. Embora os resultados com estas 4 imagens estivessem dentro de uma margem de erro aceitável (dentro dos limites de funcionamento do robô), não há como ter certeza do bom desempenho do ORB em uma situação de uso em processo. Além disso, estas 4 imagens também são o pior caso de tempo para o ORB, pois são testados grupos de pontos para as duas imagens-padrão do motor, antes do resultado aproximado ser fornecido. Este é o único caso em que ele não supera SIFT e SURF em tempo de execução. Outro problema detectado durante o desenvolvimento do projeto foi a existência de regiões muito semelhantes entre si nos três tipos de blocos, mostradas nas Figuras (6a), (6b) e (6c), o que causava um alto índice de falsos reconhecimentos, pois os pontos eram muitas vezes associados a regiões semelhantes, porém não a correta. Isto foi resolvido com a abordagem utilizando subgrupos de apenas quatro pontos, pois é a quantidade mínima necessária para a criação da matriz de transformação, e em todos os testes há pelo menos quatro pontos detectados corretamente e com precisão necessária para o robô.

8 (a) Regiões do primeiro cabeçote com grande semelhança entre si. (b) Regiões do segundo cabeçote com grande semelhança entre si. (c) Regiões do terceiro cabeçote com grande semelhança entre si. Figura 6: Regiões dos três cabeçotes com grande semelhança entre si, responsáveis pelo alto índice de falsos reconhecimentos de pontos. Fonte: próprio autor. 7. CONCLUSÃO Os resultados apresentados pelos três algoritmos na implementação final do sistema de visão mostraram atender as necessidades de funcionamento da célula robótica, como pode ser visto em azul nas Figuras (7a) e (7b), com reconhecimentos bastante precisos da posição e orientação do bloco. Analisando o desempenho de tempo de execução dos algoritmos, SURF se mostrou o mais adequado, por ser mais rápido que o SIFT em todos os casos de teste e não apresentar situações críticas de execução como o ORB. Concluindo, entre as três opções analisadas nesse trabalho, o algoritmo SURF melhor desempenho e foi considerado o mais apto a ser utilizado no sistema de visão, por possuir tempo de execução constante nos casos de teste, dentro do limite de tempo que a célula robotizada possui para realizar o seu ciclo, e ao mesmo tempo apresentar os resultados mais precisos. O algoritmo SIFT também apresentou resultados bastante apurados para o cálculo da orientação e posição, porém em momento algum superou o SURF em velocidade. O ORB apresentou alta velocidade no reconhecimento dos blocos em mais de 96,8% dos testes realizados. Porém possui um pior caso bastante inferior ao SIFT e SURF por apresentar problemas para encontrar um grupo de 4 pontos reconhecidos com precisão, dessa forma não cumprindo as restrições de precisão na posição encontrada, além do tempo de execução ser quase proibitivo. Na continuação deste trabalho serão comparados os resultados das três técnicas com os resultados obtidos em Semim (2012) utilizando as mesmas condições de trabalho e também com outras técnicas como BRISK (Leutenegger et al., 2011) e FREAK (Alahi et al., 2012).

9 (a) Cabeçote reconhecido pelo sistema de visão utilizando SURF. (b) Outro modelo de cabeçote reconhecido pelo sistema de visão utilizando SURF. Figura 7: Dois tipos de cabeçotes reconhecidos pelo sistema de visão com posição e orientação. Fonte: próprio autor 8. AGRADECIMENTOS Os autores desejam agradecer a Universidade do Estado de Santa Catarina onde esta pesquisa foi realizada e à Tupy S.A. pelo apoio ao trabalho. Agradecem também à Fundação de Amparo à Pesquisa e Inovação do Estado de Santa Catarina (FAPESC) no apoio a fase final deste trabalho via o Convênio TR 3288/ REFERÊNCIAS Alahi., A.; Ortiz, R.; Vandergheynst, P., 2012, FREAK: Fast Retina Keypoint. In IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2012 Ballard, D. H.; Brown, C. M. B., 1982, Computer Vision. 1st New Jersey: Prentice Hall. 544p. Bay, H.; Ess, A.; Tuytelaars, T.; Van Gool. L., 2008, SURF: Speeded Up Robust Features. Computer Vision and Image Understanding, Vol. 110, No. 3, p Bay, H.; Tuytelaars, T.; Van Gool. L., 2006, Surf: Speeded up robust features. European Conference on Computer Vision, Bradski, G., Kaehler, A., 2008, Learning OpenCV: Computer Vision with the OpenCV Library, O'Reilly. Calonder, M.; Lepetit V.; Stretcha, C.; Fua, P., 2010, Brief: Binary robust independent elementary features. European Conference on Computer Vision. Gonzalez, R. C.; Woods, R. E., 2002, Digital Image Processing. 2nd New Jersey: Prentice Hall. 793 p.

10 Lowe, D. G., 2004, Distinctive image features from scale-invariant keypoints. International Journal of Computer Vision, 60(2): Mikolajczyk, K.; Schmid, C.,2005, A performance evaluation of local descriptors. PAMI, 27(10): MILANDO, D.; HONORATO, L. B., 2010, Visão Computacional. UNICAMP, OpenCV Open Source Compute Vision Library Diponível em: <http://opencv.org/>. Acesso em: 25 janeiro Pedrini, H.; Schwartz, W. R., 2008, Análise de Imagens Digitais: Princípios, Algoritmos e Aplicações. 1st ed., São Paulo: Thomson Learning,. 508 p. Rosten, E.; Drummond, T., 2006, Machine learning for high-speed corner detection. European Conference on Computer Vision, Vol. 1. Rosten, E.; Porter, R.; Drummond, T., 2010, Faster and better: A machine learning approach to corner detection. IEEE Trans. Pattern Analysis and Machine Intelligence, 32: Rosin, P. L., 1999, Measuring corner properties. Computer Vision and Image Understanding. 73(2): Rosso Jr., R. S. U.; Tormena, C.; Silva, A. G.; Semim, R. C.; Silva, A. R. da., 2011, Reconhecimento e localização de objetos por visão computacional aplicado a uma célula com robô industrial. Relatório de pesquisa, Joinville: UDESC. 13 p. Rublee, E.; Rabaud, V.; Konolige, K.; Bradski, G. R., 2011, ORB: An efficient alternative to SIFT or SURF. ICCV 2011: Semim, Ramon Cascaes., 2012, Sistema de visão para guiar um robô de manipulação de cabeçotes fundidos. 125 f. Dissertação (Mestrado Profissional em Engenharia Elétrica Área: Automação de Sistemas) Universidade do Estado de Santa Catarina. Programa de Pós-graduação em Engenharia Elétrica, Joinville, Semim, Ramon Cascaes, Rosso Jr; Roberto S. U.; Silva, Alexandre G.; Silva, Anderson Resendes; Tormena, Camila., 2012, Engine Head Blocks Handling Robot Guided by Vision System. Proceedings of the 14th IFAC Symposium on Information Control Problems in Manufacturing. Vol. 14 Part 1, p Bucharest, Romania, 2012 DOI: / RO Leutenegger, Stefan; Chli, Margarita; Siegwart, Roland., 2011, BRISK: Binary Robust Invariant Scalable Keypoints. ICCV p DIREITOS AUTORAIS Os autores são os únicos responsáveis pelo conteúdo do material impresso incluído no seu trabalho. 11. ABSTRACT This article describes the procedures used to implement three computer vision techniques (SIFT, SURF and ORB) in developing a vision system for a robot whose task is to perform the oil bath and palletizing foundry engines head blocks. The three techniques are compared in terms of robustness, accuracy and execution time. The purpose of the vision system is to identify the head, its position and orientation, and provide this data to the robot so that it can perform the accurate handle of the part. It was concluded that the SURF algorithm performed better for the application, by presenting the best results in terms of robustness in the identification, precision in determining the head block position/orientation and execution time.

Casamento de padrões em imagens e vídeos usando características de imagens

Casamento de padrões em imagens e vídeos usando características de imagens Casamento de padrões em imagens e vídeos usando características de imagens Kassius Vinicius Sipolati Bezerra DCEL / CEUNES / UFES São Mateus, ES, Brazil Edilson de Aguiar DCEL / CEUNES / UFES São Mateus,

Leia mais

Identificação de objetos móveis com uso de imagens aéreas obtidas por VANT. Rodrigo Augusto Rebouças 1 Matheus Habermann 1 Elcio Hideiti Shiguemori 1

Identificação de objetos móveis com uso de imagens aéreas obtidas por VANT. Rodrigo Augusto Rebouças 1 Matheus Habermann 1 Elcio Hideiti Shiguemori 1 Identificação de objetos móveis com uso de imagens aéreas obtidas por VANT Rodrigo Augusto Rebouças 1 Matheus Habermann 1 Elcio Hideiti Shiguemori 1 1 Instituto de Estudos Avançados IEAv/DCTA São José

Leia mais

Reconhecimento de marcas de carros utilizando Inteligência Artificial. André Bonna Claudio Marcelo Basckeira Felipe Villela Lourenço Richard Keller

Reconhecimento de marcas de carros utilizando Inteligência Artificial. André Bonna Claudio Marcelo Basckeira Felipe Villela Lourenço Richard Keller Reconhecimento de marcas de carros utilizando Inteligência Artificial André Bonna Claudio Marcelo Basckeira Felipe Villela Lourenço Richard Keller Motivação Análise estatística das marcas de carros em

Leia mais

Scale-Invariant Feature Transform

Scale-Invariant Feature Transform Scale-Invariant Feature Transform Renato Madureira de Farias renatomdf@gmail.com Prof. Ricardo Marroquim Relatório para Introdução ao Processamento de Imagens (COS756) Universidade Federal do Rio de Janeiro,

Leia mais

Detecção e Rastreamento de Objetos coloridos em vídeo utilizando o OpenCV

Detecção e Rastreamento de Objetos coloridos em vídeo utilizando o OpenCV Detecção e Rastreamento de Objetos coloridos em vídeo utilizando o OpenCV Bruno Alberto Soares OLIVEIRA 1,3 ; Servílio Souza de ASSIS 1,3,4 ; Izadora Aparecida RAMOS 1,3,4 ; Marlon MARCON 2,3 1 Estudante

Leia mais

2.1.2 Definição Matemática de Imagem

2.1.2 Definição Matemática de Imagem Capítulo 2 Fundamentação Teórica Este capítulo descreve os fundamentos e as etapas do processamento digital de imagens. 2.1 Fundamentos para Processamento Digital de Imagens Esta seção apresenta as propriedades

Leia mais

Visão computacional no reconhecimento de formas e objetos

Visão computacional no reconhecimento de formas e objetos Visão computacional no reconhecimento de formas e objetos Paula Rayane Mota Costa Pereira*, Josemar Rodrigues de Souza**, Resumo * Bolsista de Iniciação Científica da Faculdade de Tecnologia SENAI CIMATEC,

Leia mais

Segmentação de imagens tridimensionais utilizando o sensor Microsoft Kinect

Segmentação de imagens tridimensionais utilizando o sensor Microsoft Kinect Segmentação de imagens tridimensionais utilizando o sensor Microsoft Kinect Lucas Viana Barbosa 1 ; Wanderson Rigo 2 ; Manassés Ribeiro 3 INTRODUÇÃO Os sistemas de visão artificial vêm auxiliando o ser

Leia mais

Detecção em tempo real de movimentos de olhos e boca em um vídeo em cores

Detecção em tempo real de movimentos de olhos e boca em um vídeo em cores Detecção em tempo real de movimentos de olhos e boca em um vídeo em cores Daniel Ponciano dos Santos Barboza, Programa de Engenharia de Sistemas e Computação - PESC/COPPE Universidade Federal do Rio de

Leia mais

RECONHECIMENTO DE PLACAS DE AUTOMÓVEIS ATRAVÉS DE CÂMERAS IP

RECONHECIMENTO DE PLACAS DE AUTOMÓVEIS ATRAVÉS DE CÂMERAS IP RECONHECIMENTO DE PLACAS DE AUTOMÓVEIS ATRAVÉS DE CÂMERAS IP Caio Augusto de Queiroz Souza caioaugusto@msn.com Éric Fleming Bonilha eric@digifort.com.br Gilson Torres Dias gilson@maempec.com.br Luciano

Leia mais

Descritores de Imagem

Descritores de Imagem Descritores de Imagem André Tavares da Silva 31 de março de 2014 1 Descritores de imagem (continuação) 1.1 Frameworks de detecção de objetos SIFT (scale-invariant features transform) (Lowe, 1999) SIFT

Leia mais

Comparação entre a Máscara de Nitidez Cúbica e o Laplaciano para Realce de Imagens Digitais

Comparação entre a Máscara de Nitidez Cúbica e o Laplaciano para Realce de Imagens Digitais Comparação entre a Máscara de Nitidez Cúbica e o Laplaciano para Realce de Imagens Digitais Wesley B. Dourado, Renata N. Imada, Programa de Pós-Graduação em Matemática Aplicada e Computacional, FCT, UNESP,

Leia mais

Explorando Dicionários Visuais para Recuperação de Imagem por Conteúdo

Explorando Dicionários Visuais para Recuperação de Imagem por Conteúdo Explorando Dicionários Visuais para Recuperação de Imagem por Conteúdo Bruno Miranda Sales¹ e Rodrigo Tripodi Calumby¹ ¹Departamento de Ciências Exatas Universidade Estadual de Feira de Santana (UEFS)

Leia mais

VISÃO COMPUTACIONAL COM A OPENCV MATERIAL APOSTILADO E VEÍCULO SEGUIDOR AUTÔNOMO. Professora da Escola de Engenharia Mauá (EEM/CEUN-IMT).

VISÃO COMPUTACIONAL COM A OPENCV MATERIAL APOSTILADO E VEÍCULO SEGUIDOR AUTÔNOMO. Professora da Escola de Engenharia Mauá (EEM/CEUN-IMT). VISÃO COMPUTACIONAL COM A OPENCV MATERIAL APOSTILADO E VEÍCULO SEGUIDOR AUTÔNOMO Riccardo Luigi Delai 1 ; Alessandra Dutra Coelho 2 1 Aluno de Iniciação Científica da Escola de Engenharia Mauá (EEM/CEUN-IMT);

Leia mais

Anotador automático de placas de publicidade em vídeos esportivos

Anotador automático de placas de publicidade em vídeos esportivos MAC0499 - Trabalho de Formatura Supervisionado Professor: Carlos Eduardo Ferreira Universidade de São Paulo Instituto de Matemática e Estatística Aluno: Ricardo Augusto Fernandes Orientador: Prof. Dr.

Leia mais

DESEMPENHO DE ALGORITMOS DETECTORES DE KEYPOINTS PARA UM SISTEMA DE NAVEGAÇÃO VISUAL DE ROBÔS BASEADOS EM SMARTPHONES

DESEMPENHO DE ALGORITMOS DETECTORES DE KEYPOINTS PARA UM SISTEMA DE NAVEGAÇÃO VISUAL DE ROBÔS BASEADOS EM SMARTPHONES DESEMPENHO DE ALGORITMOS DETECTORES DE KEYPOINTS PARA UM SISTEMA DE NAVEGAÇÃO VISUAL DE ROBÔS BASEADOS EM SMARTPHONES Bruno A. S. Santana, Rosiery S. Maia, Wilfredo Blanco, Anderson Souza Universidade

Leia mais

IDENTIFICAÇÃO DE MARCADORES DE PAVIMENTAÇÃO NA ORIENTAÇÃO DE CEGOS

IDENTIFICAÇÃO DE MARCADORES DE PAVIMENTAÇÃO NA ORIENTAÇÃO DE CEGOS IDENTIFICAÇÃO DE MARCADORES DE PAVIMENTAÇÃO NA ORIENTAÇÃO DE CEGOS André Zuconelli¹, Manassés Ribeiro² Instituto Federal de Educação, Ciência e Tecnologia Catarinense - Campus Videira Rodovia SC, Km 5

Leia mais

Filtragem Espacial. (Processamento Digital de Imagens) 1 / 41

Filtragem Espacial. (Processamento Digital de Imagens) 1 / 41 Filtragem Espacial (Processamento Digital de Imagens) 1 / 41 Filtragem Espacial Filtragem espacial é uma das principais ferramentas usadas em uma grande variedade de aplicações; A palavra filtro foi emprestada

Leia mais

Cálculo de volume de objetos utilizando câmeras RGB-D

Cálculo de volume de objetos utilizando câmeras RGB-D Cálculo de volume de objetos utilizando câmeras RGB-D Servílio Souza de ASSIS 1,3,4 ; Izadora Aparecida RAMOS 1,3,4 ; Bruno Alberto Soares OLIVEIRA 1,3 ; Marlon MARCON 2,3 1 Estudante de Engenharia de

Leia mais

Reconhecimento de ações humanas utilizando histogramas de gradiente e vetores de tensores localmente agregados

Reconhecimento de ações humanas utilizando histogramas de gradiente e vetores de tensores localmente agregados Reconhecimento de ações humanas utilizando histogramas de gradiente e vetores de tensores localmente agregados Luiz Maurílio da Silva Maciel 1, Marcelo Bernardes Vieira 1 1 Departamento de Ciência da Computação

Leia mais

PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO DEPARTAMENTO DE INFORMÁTICA PÓS GRADUAÇÃO EM INFORMÁTICA

PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO DEPARTAMENTO DE INFORMÁTICA PÓS GRADUAÇÃO EM INFORMÁTICA PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO DEPARTAMENTO DE INFORMÁTICA PÓS GRADUAÇÃO EM INFORMÁTICA INF2608 FUNDAMENTOS DE COMPUTAÇÃO GRÁFICA RELATÓRIO: IMAGENS SÍSMICAS VISUALIZAÇÃO E DETECÇÃO

Leia mais

UFGD FCA PROF. OMAR DANIEL BLOCO 4 PROCESSAMENTO DE IMAGENS

UFGD FCA PROF. OMAR DANIEL BLOCO 4 PROCESSAMENTO DE IMAGENS UFGD FCA PROF. OMAR DANIEL BLOCO 4 PROCESSAMENTO DE IMAGENS Executar as principais técnicas utilizadas em processamento de imagens, como contraste, leitura de pixels, transformação IHS, operações aritméticas

Leia mais

SEMANA NACIONAL DE CIÊNCIA E TECNOLOGIA 2014 FORMULÁRIO PARA SUBMISSÃO DE PROJETOS

SEMANA NACIONAL DE CIÊNCIA E TECNOLOGIA 2014 FORMULÁRIO PARA SUBMISSÃO DE PROJETOS SEMANA NACIONAL DE CIÊNCIA E TECNOLOGIA 2014 FORMULÁRIO PARA SUBMISSÃO DE PROJETOS Formulário para submissão de projeto Dados do Projeto e do (a) Orientador (a) do Projeto Título do Projeto: Um aplicativo

Leia mais

SEGEMENTAÇÃO DE IMAGENS. Nielsen Castelo Damasceno

SEGEMENTAÇÃO DE IMAGENS. Nielsen Castelo Damasceno SEGEMENTAÇÃO DE IMAGENS Nielsen Castelo Damasceno Segmentação Segmentação Representação e descrição Préprocessamento Problema Aquisição de imagem Base do conhecimento Reconhecimento e interpretação Resultado

Leia mais

de Bordas em Imagens Digitais

de Bordas em Imagens Digitais Anais do CNMAC v.2 ISSN 1984-820X Avaliação Quantitativa de um Método Automático de Extração de Bordas em Imagens Digitais Inês A. Gasparotto Boaventura Departamento de Ciências de Computação e Estatística,

Leia mais

NPDI Find Porn: Uma Ferramenta para Detecção de Conteúdo Pornográfico

NPDI Find Porn: Uma Ferramenta para Detecção de Conteúdo Pornográfico NPDI Find Porn: Uma Ferramenta para Detecção de Conteúdo Pornográfico Ramon F. Pessoa 1, Edemir Ferreira de A. Junior 1, Carlos A. Caetano Junior 1, Silvio Jamil F. Guimarães 2, Jefersson A. dos Santos

Leia mais

Chow&Kaneko buscam as modas da imagem para separar os objetos. Admite que os tons na vizinhança de cada moda são do mesmo objeto.

Chow&Kaneko buscam as modas da imagem para separar os objetos. Admite que os tons na vizinhança de cada moda são do mesmo objeto. Respostas Estudo Dirigido do Capítulo 12 Image Segmentation" 1 Com suas palavras explique quais os problemas que podem ocorrer em uma segmentação global baseada em níveis de cinza da imagem. Que técnicas

Leia mais

[Fingerprint Recognition]

[Fingerprint Recognition] Mestrado em Engenharia de Segurança Informática Tecnologias Biométricas Pedro Santos santos.pmcm@gmail.com 12065 Filipe Vieira fil.vieira@gmail.com 12049 Rui Pereira ruipereira.eng@gmail.com 12061 Docente

Leia mais

Sistema de Controle de Acesso Baseado no Reconhecimento de Faces

Sistema de Controle de Acesso Baseado no Reconhecimento de Faces Sistema de Controle de Acesso Baseado no Reconhecimento de Faces Access Control System Based on Face Recognition Tiago A. Neves, Welton S. De Oliveira e Jean-Jacques De Groote Faculdades COC de Ribeirão

Leia mais

SOFTWARE PARA IDENTIFICAÇÃO E CLASSIFICAÇÃO DE CÉLULAS DO ENDOTÉLIO CORNEANO DESENVOLVIDO PARA DISPOSITIVOS MÓVEIS

SOFTWARE PARA IDENTIFICAÇÃO E CLASSIFICAÇÃO DE CÉLULAS DO ENDOTÉLIO CORNEANO DESENVOLVIDO PARA DISPOSITIVOS MÓVEIS 221 SOFTWARE PARA IDENTIFICAÇÃO E CLASSIFICAÇÃO DE CÉLULAS DO ENDOTÉLIO CORNEANO DESENVOLVIDO PARA DISPOSITIVOS MÓVEIS Jean-Jacques S. De Groote - Prof. Dr. do Centro Universitário Uniseb de Ribeirão Preto.

Leia mais

Implementação de Algoritmo em PHP para Detecção de Faces em Imagens Estáticas

Implementação de Algoritmo em PHP para Detecção de Faces em Imagens Estáticas Implementação de Algoritmo em PHP para Detecção de Faces em Imagens Estáticas Helmiton Filho, Mikaelle Oliveira, Carlos Danilo Miranda Regis Instituto Federal de Educação, Ciência e Tecnologia da Paraíba

Leia mais

Seleção Retangular Esta é uma das ferramentas mais usadas. A seleção será indicada pelas linhas tracejadas que fazem a figura de um retângulo.

Seleção Retangular Esta é uma das ferramentas mais usadas. A seleção será indicada pelas linhas tracejadas que fazem a figura de um retângulo. O que é o Gimp? O GIMP é um editor de imagens e fotografias. Seus usos incluem criar gráficos e logotipos, redimensionar fotos, alterar cores, combinar imagens utilizando o paradigma de camadas, remover

Leia mais

Visão Computacional e Realidade Aumentada. Trabalho 3 Reconstrução 3D. Pedro Sampaio Vieira. Prof. Marcelo Gattass

Visão Computacional e Realidade Aumentada. Trabalho 3 Reconstrução 3D. Pedro Sampaio Vieira. Prof. Marcelo Gattass Visão Computacional e Realidade Aumentada Trabalho 3 Reconstrução 3D Pedro Sampaio Vieira Prof. Marcelo Gattass 1 Introdução Reconstrução tridimensional é um assunto muito estudado na área de visão computacional.

Leia mais

FILTRAGEM ESPACIAL. Filtros Digitais no domínio do espaço

FILTRAGEM ESPACIAL. Filtros Digitais no domínio do espaço FILTRAGEM ESPACIAL Filtros Digitais no domínio do espaço Definição Também conhecidos como operadores locais ou filtros locais Combinam a intensidade de um certo número de piels, para gerar a intensidade

Leia mais

PROF. DR. JACQUES FACON

PROF. DR. JACQUES FACON PUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON LIMIARIZAÇÃO DUPLA DE ISTVÁN CSEKE PROJETO DE UMA RÁPIDA SEGMENTAÇÃO PARA

Leia mais

SCANNER DE TRIANGULAÇÃO LASER PARA PROTOTIPAGEM 3D

SCANNER DE TRIANGULAÇÃO LASER PARA PROTOTIPAGEM 3D SCANNER DE TRIANGULAÇÃO LASER PARA PROTOTIPAGEM 3D Autores: Evandro Francisco WEISS, Felipe Augusto SCHIQUETTI, Eduardo Bidese PUHL Identificação autores: Aluno da Ciência da Computação, Bolsista IFC Rio

Leia mais

SEGMENTAÇÃO DE IMAGENS EM PLACAS AUTOMOTIVAS

SEGMENTAÇÃO DE IMAGENS EM PLACAS AUTOMOTIVAS SEGMENTAÇÃO DE IMAGENS EM PLACAS AUTOMOTIVAS André Zuconelli 1 ; Manassés Ribeiro 2 1. Aluno do Curso Técnico em Informática, turma 2010, Instituto Federal Catarinense, Câmpus Videira, andre_zuconelli@hotmail.com

Leia mais

Figura 01: Aplicações do Filtro Espacial Passa-Baixa.

Figura 01: Aplicações do Filtro Espacial Passa-Baixa. 791 IMPLEMENTAÇÃO DE TÉCNICAS DE PRÉ-PROCESSAMENTO E PROCESSAMENTO DE IMAGENS PARA RADIOGRAFIAS CARPAIS Rafael Lima Alves 1 ; Michele Fúlvia Angelo 2 Bolsista PROBIC, Graduando em Engenharia de Computação,

Leia mais

Processamento de Imagem. Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com

Processamento de Imagem. Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Processamento de Imagem Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Visão Computacional Não existe um consenso entre os autores sobre o correto escopo do processamento de imagens, a

Leia mais

Análise da Extração de Atributos do Algoritmo SURF em Espécies de Peixe

Análise da Extração de Atributos do Algoritmo SURF em Espécies de Peixe Análise da Extração de Atributos do Algoritmo SURF em Espécies de Peixe Artigo Completo Marcelo Rafael Borth (IFMS Instituto Federal de Mato Grosso do Sul) marceloborth@gmail.com Hemerson Pistori (UCDB

Leia mais

Universidade Federal do Rio de Janeiro - IM/DCC & NCE

Universidade Federal do Rio de Janeiro - IM/DCC & NCE Universidade Federal do Rio de Janeiro - IM/DCC & NCE Processamento de Imagens Tratamento da Imagem - Filtros Antonio G. Thomé thome@nce.ufrj.br Sala AEP/033 Sumário 2 Conceito de de Filtragem Filtros

Leia mais

Descritores de textura na análise de imagens de microtomografia computadorizada

Descritores de textura na análise de imagens de microtomografia computadorizada Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Descritores de textura na análise de imagens de microtomografia computadorizada Sandro R. Fernandes Departamento de Educação e Tecnologia, Núcleo de

Leia mais

Tratamento da Imagem Transformações (cont.)

Tratamento da Imagem Transformações (cont.) Universidade Federal do Rio de Janeiro - IM/DCC & NCE Tratamento da Imagem Transformações (cont.) Antonio G. Thomé thome@nce.ufrj.br Sala AEP/133 Tratamento de Imagens - Sumário Detalhado Objetivos Alguns

Leia mais

Um sistema de visão computacional para detecção automática de caracteres em uma linha de montagem automotiva

Um sistema de visão computacional para detecção automática de caracteres em uma linha de montagem automotiva 225 Um sistema de visão computacional para detecção automática de caracteres em uma linha de montagem automotiva Marcus V. C. Guelpeli1, Bruno S. P. de Oliveira2, Wellington C. A. Landim2 1 Curso de Sistema

Leia mais

MODELAGEM DIGITAL DE SUPERFÍCIES

MODELAGEM DIGITAL DE SUPERFÍCIES MODELAGEM DIGITAL DE SUPERFÍCIES Prof. Luciene Delazari Grupo de Pesquisa em Cartografia e SIG da UFPR SIG 2012 Introdução Os modelo digitais de superficie (Digital Surface Model - DSM) são fundamentais

Leia mais

4 Segmentação. 4.1. Algoritmo proposto

4 Segmentação. 4.1. Algoritmo proposto 4 Segmentação Este capítulo apresenta primeiramente o algoritmo proposto para a segmentação do áudio em detalhes. Em seguida, são analisadas as inovações apresentadas. É importante mencionar que as mudanças

Leia mais

UNIVERSIDADE F EDERAL DE P ERNAMBUCO ANÁLISE DE UM MÉTODO PARA DETECÇÃO DE PEDESTRES EM IMAGENS PROPOSTA DE TRABALHO DE GRADUAÇÃO

UNIVERSIDADE F EDERAL DE P ERNAMBUCO ANÁLISE DE UM MÉTODO PARA DETECÇÃO DE PEDESTRES EM IMAGENS PROPOSTA DE TRABALHO DE GRADUAÇÃO UNIVERSIDADE F EDERAL DE P ERNAMBUCO GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO CENTRO DE INFORMÁTICA 2010.2 ANÁLISE DE UM MÉTODO PARA DETECÇÃO DE PEDESTRES EM IMAGENS PROPOSTA DE TRABALHO DE GRADUAÇÃO Aluno!

Leia mais

Sistema de Contagem, Identificação e Monitoramento Automático de Rotas de Veículos baseado em Visão Computacional

Sistema de Contagem, Identificação e Monitoramento Automático de Rotas de Veículos baseado em Visão Computacional Universidade Federal de Minas Gerais Escola de Engenharia Curso de Graduação em Engenharia de Controle e Automação Sistema de Contagem, Identificação e Monitoramento Automático de Rotas de Veículos baseado

Leia mais

UNIVERSIDADE PRESBITERIANA MACKENZIE Faculdade de Computação e Informática MATRIZ CURRICULAR ELETIVAS

UNIVERSIDADE PRESBITERIANA MACKENZIE Faculdade de Computação e Informática MATRIZ CURRICULAR ELETIVAS MATRIZ CURRICULAR S LIVRE ESCOLHA Núcleo Temático: HUMANAS Disciplina: LÍNGUA BRASILEIRA DE SINAIS 34 h/a (.34 ) Teóricas Etapa: 4ª Compreensão de aspectos composicionais da Língua Brasileira de Sinais

Leia mais

VCA Treinamento em Algoritmo

VCA Treinamento em Algoritmo Conteúdo VCA Treinamento em Algoritmo VCA Treinamento em Algoritmo Conteúdo Algoritmos Rastreador (tracker) Monitoramento Objeto Abandonado/Removido Pessoas Calibração Classificação Linha de contagem Auto

Leia mais

Universidade Federal de Goiás Instituto de Informática Processamento Digital de Imagens

Universidade Federal de Goiás Instituto de Informática Processamento Digital de Imagens Universidade Federal de Goiás Instituto de Informática Processamento Digital de Imagens Prof Fabrízzio Alphonsus A M N Soares 2012 Capítulo 2 Fundamentos da Imagem Digital Definição de Imagem: Uma imagem

Leia mais

Operações Algébricas e Lógicas. Guillermo Cámara-Chávez

Operações Algébricas e Lógicas. Guillermo Cámara-Chávez Operações Algébricas e Lógicas Guillermo Cámara-Chávez Operações Aritméticas São aquelas que produzem uma imagem que é a soma, diferença, produto ou quociente pixel a pixel Operações Aritméticas Fig A

Leia mais

Processamento de Imagem. Prof. Herondino

Processamento de Imagem. Prof. Herondino Processamento de Imagem Prof. Herondino Sensoriamento Remoto Para o Canada Centre for Remote Sensing - CCRS (2010), o sensoriamento remoto é a ciência (e em certa medida, a arte) de aquisição de informações

Leia mais

Introdução ao Processamento de Imagens

Introdução ao Processamento de Imagens Introdução ao PID Processamento de Imagens Digitais Introdução ao Processamento de Imagens Glaucius Décio Duarte Instituto Federal Sul-rio-grandense Engenharia Elétrica 2013 1 de 7 1. Introdução ao Processamento

Leia mais

Microsoft Access: Criar consultas para um novo banco de dados. Vitor Valerio de Souza Campos

Microsoft Access: Criar consultas para um novo banco de dados. Vitor Valerio de Souza Campos Microsoft Access: Criar consultas para um novo banco de Vitor Valerio de Souza Campos Conteúdo do curso Visão geral: consultas são essenciais Lição: inclui sete seções Tarefas práticas sugeridas Teste.

Leia mais

3 Metodologia de Previsão de Padrões de Falha

3 Metodologia de Previsão de Padrões de Falha 3 Metodologia de Previsão de Padrões de Falha Antes da ocorrência de uma falha em um equipamento, ele entra em um regime de operação diferente do regime nominal, como descrito em [8-11]. Para detectar

Leia mais

Normalização Espacial de Imagens Frontais de Face

Normalização Espacial de Imagens Frontais de Face Normalização Espacial de Imagens Frontais de Face Vagner do Amaral 1 e Carlos Eduardo Thomaz 2 Relatório Técnico: 2008/01 1 Coordenadoria Geral de Informática Centro Universitário da FEI São Bernardo do

Leia mais

Respostas do Estudo Dirigido do Capítulo 14 Classical pattern recognition and image matching"

Respostas do Estudo Dirigido do Capítulo 14 Classical pattern recognition and image matching Respostas do Estudo Dirigido do Capítulo 14 Classical pattern recognition and image matching" 1 Com suas palavras explique o que é Reconhecimento de Padrões- RP. Quais são os fases clássicas que compõem

Leia mais

Classificação de Imagens

Classificação de Imagens Universidade do Estado de Santa Catarina Departamento de Engenharia Civil Classificação de Imagens Profa. Adriana Goulart dos Santos Extração de Informação da Imagem A partir de uma visualização das imagens,

Leia mais

Verificação de Qualidade de Imagens de Fundo de Olho a Partir de Descritores Baseados em Histogramas. Marina Silva Fouto - Reconhecimento de Padrões

Verificação de Qualidade de Imagens de Fundo de Olho a Partir de Descritores Baseados em Histogramas. Marina Silva Fouto - Reconhecimento de Padrões Verificação de Qualidade de Imagens de Fundo de Olho a Partir de Descritores Baseados em Histogramas Marina Silva Fouto - Reconhecimento de Padrões Tópicos Importância Trabalhos Relacionados Imagens e

Leia mais

Reconhecimento de Objectos

Reconhecimento de Objectos Dado um conjunto de características, relativas a uma região (objecto), pretende-se atribuir uma classe essa região, seleccionada de um conjunto de classes cujas características são conhecidas O conjunto

Leia mais

Avaliação de técnicas de seleção de quadros-chave na recuperação de informação por conteúdo visual

Avaliação de técnicas de seleção de quadros-chave na recuperação de informação por conteúdo visual Avaliação de técnicas de seleção de quadros-chave na recuperação de informação por conteúdo visual Shênia Salvador de Pinho, Kleber J. F. Souza Instituto de Ciências Exatas e Informática PUC Minas Guanhães,

Leia mais

Encontrando a Linha Divisória: Detecção de Bordas

Encontrando a Linha Divisória: Detecção de Bordas CAPÍTULO 1 Encontrando a Linha Divisória: Detecção de Bordas Contribuíram: Daniela Marta Seara, Geovani Cássia da Silva Espezim Elizandro Encontrar Bordas também é Segmentar A visão computacional envolve

Leia mais

UniRitter tecnológica: integrando Engenharias para desenvolvimento de um robô humanoide

UniRitter tecnológica: integrando Engenharias para desenvolvimento de um robô humanoide - SEPesq UniRitter tecnológica: integrando Engenharias para desenvolvimento de um robô humanoide 1. Introdução Diego Augusto de Jesus Pacheco Giovani Geremia Segundo Vargas (2012) é perceptível que uma

Leia mais

Processamento de Imagens COS756 / COC603

Processamento de Imagens COS756 / COC603 Processamento de Imagens COS756 / COC603 aula 10 - sugestões de trabalhos Antonio Oliveira Ricardo Marroquim 1 / 1 aula de hoje exemplos de projetos panorâmica (mosaico) deteção de faces extração de características

Leia mais

Técnicas de Suavização de Imagens e Eliminação de Ruídos

Técnicas de Suavização de Imagens e Eliminação de Ruídos 21 Técnicas de Suavização de Imagens e Eliminação de Ruídos Carlos H. Sanches 1, Paulo J. Fontoura 1, Phillypi F. Viera 1, Marcos A. Batista 1 1 Instituto de Biotecnologia Universidade Federal do Goiás

Leia mais

Desenvolvimento de um Sistema Híbrido para Rastreamento

Desenvolvimento de um Sistema Híbrido para Rastreamento Desenvolvimento de um Sistema Híbrido para Rastreamento de Objetos aplicado ao Futebol de Robôs Eduardo W. Basso 1, Diego M. Pereira 2, Paulo Schreiner 2 1 Laboratório de Robótica Inteligente Instituto

Leia mais

Sensores de Imagem ivu

Sensores de Imagem ivu Sensores de Imagem ivu www.bannerengineering.com.br Sensor de Visão ivu com interface integrada Sensor de imagem para inspeções de aprovação/rejeição ou leitura de código de barras Interface Gráfica do

Leia mais

Algoritmos de Subtração Básica de Fundo

Algoritmos de Subtração Básica de Fundo Algoritmos de Subtração Básica de Fundo Leonardo Ronald Perin Rauta leonardorauta@univali.br UNIVALI Anita Maria da Rocha Fernandes anita.fernandes@univali.br UNIVALI Resumo:Algoritmos de subtração de

Leia mais

AULA 5 Manipulando Dados Matriciais: Grades e Imagens. 5.1 Importando Grades e Imagens Interface Simplificada

AULA 5 Manipulando Dados Matriciais: Grades e Imagens. 5.1 Importando Grades e Imagens Interface Simplificada 5.1 AULA 5 Manipulando Dados Matriciais: Grades e Imagens Nessa aula serão apresentadas algumas funcionalidades do TerraView relativas a manipulação de dados matriciais. Como dados matriciais são entendidas

Leia mais

Processamento e Análise de Imagens (MC940) Análise de Imagens (MO445)

Processamento e Análise de Imagens (MC940) Análise de Imagens (MO445) Processamento e Análise de Imagens (MC940) Análise de Imagens (MO445) Prof. Hélio Pedrini Instituto de Computação UNICAMP 2º Semestre de 2015 Roteiro 1 Morfologia Matemática Fundamentos Matemáticos Operadores

Leia mais

Segmentação de Imagens

Segmentação de Imagens Segmentação de Imagens (Processamento Digital de Imagens) 1 / 36 Fundamentos A segmentação subdivide uma imagem em regiões ou objetos que a compõem; nível de detalhe depende do problema segmentação para

Leia mais

Capítulo 5 Filtragem de Imagens

Capítulo 5 Filtragem de Imagens Capítulo 5 Filtragem de Imagens Capítulo 5 5.1. Filtragem no Domínio da Frequência 5.2. Filtragem no Domínio Espacial 2 Objetivo Melhorar a qualidade das imagens através da: ampliação do seu contraste;

Leia mais

Universidade Federal de Santa Catarina CAPÍTULO 6 GRÁFICOS NO EXCEL.

Universidade Federal de Santa Catarina CAPÍTULO 6 GRÁFICOS NO EXCEL. CAPÍTULO 6 GRÁFICOS NO EXCEL. Um gráfico no Excel é uma representação gráfica dos números de sua planilha - números transformados em imagens. O Excel examina um grupo de células que tenham sido selecionadas.

Leia mais

Transformada de Hough. Cleber Pivetta Gustavo Mantovani Felipe Zottis

Transformada de Hough. Cleber Pivetta Gustavo Mantovani Felipe Zottis Transformada de Hough Cleber Pivetta Gustavo Mantovani Felipe Zottis A Transformada de Hough foi desenvolvida por Paul Hough em 1962 e patenteada pela IBM. Originalmente, foi elaborada para detectar características

Leia mais

RUÍDOS EM IMAGENS FILTRAGEM DE RUÍDOS. o Flutuações aleatórias ou imprecisões em dados de entrada, precisão numérica, arredondamentos etc...

RUÍDOS EM IMAGENS FILTRAGEM DE RUÍDOS. o Flutuações aleatórias ou imprecisões em dados de entrada, precisão numérica, arredondamentos etc... RUÍDOS EM IMAGENS FILTRAGEM DE RUÍDOS RUÍDOS EM IMAGENS Em Visão Computacional, ruído se refere a qualquer entidade em imagens, dados ou resultados intermediários, que não são interessantes para os propósitos

Leia mais

BIOSYS: sistema de captura e armazenamento de imagens para exames oftalmológicos em biomicroscópios - Fase 1 1

BIOSYS: sistema de captura e armazenamento de imagens para exames oftalmológicos em biomicroscópios - Fase 1 1 BIOSYS: sistema de captura e armazenamento de imagens para exames oftalmológicos em biomicroscópios - Fase 1 1 Hélton José Oliveira Fernandes 2 ; Paulo Cesar Rodacki Gomes 3 INTRODUÇÃO O presente descreve

Leia mais

Hardware (Nível 0) Organização. Interface de Máquina (IM) Interface Interna de Microprogramação (IIMP)

Hardware (Nível 0) Organização. Interface de Máquina (IM) Interface Interna de Microprogramação (IIMP) Hardware (Nível 0) Organização O AS/400 isola os usuários das características do hardware através de uma arquitetura de camadas. Vários modelos da família AS/400 de computadores de médio porte estão disponíveis,

Leia mais

Universidade Federal de Alagoas Instituto de Matemática. Imagem. Prof. Thales Vieira

Universidade Federal de Alagoas Instituto de Matemática. Imagem. Prof. Thales Vieira Universidade Federal de Alagoas Instituto de Matemática Imagem Prof. Thales Vieira 2014 O que é uma imagem digital? Imagem no universo físico Imagem no universo matemático Representação de uma imagem Codificação

Leia mais

3 Classificação. 3.1. Resumo do algoritmo proposto

3 Classificação. 3.1. Resumo do algoritmo proposto 3 Classificação Este capítulo apresenta primeiramente o algoritmo proposto para a classificação de áudio codificado em MPEG-1 Layer 2 em detalhes. Em seguida, são analisadas as inovações apresentadas.

Leia mais

Processamento digital de imagens. introdução

Processamento digital de imagens. introdução Processamento digital de imagens introdução Imagem digital Imagem digital pode ser descrita como uma matriz bidimensional de números inteiros que corresponde a medidas discretas da energia eletromagnética

Leia mais

Ferramenta para detecção de fadiga em motoristas baseada no monitoramento dos olhos

Ferramenta para detecção de fadiga em motoristas baseada no monitoramento dos olhos Ferramenta para detecção de fadiga em motoristas baseada no monitoramento dos olhos Rafael Dattinger Acadêmico Dalton Solano dos Reis - Orientador Roteiro Introdução/Objetivos Fundamentação teórica Desenvolvimento

Leia mais

Módulo de captura de imagens do sistema Scisoccer

Módulo de captura de imagens do sistema Scisoccer 1 Módulo de captura de imagens do sistema Scisoccer Rafael Antonio Barro [1] Jailton Farias de Carvalho [2] Resumo: Este artigo descreve como funciona o módulo de captura de imagens do software Sci-soccer,

Leia mais

COM a legislação e normas em vigor, locais

COM a legislação e normas em vigor, locais Reconhecimento de Caminhos Táteis com Visão Computacional em Ambientes Controlados Rodrigo Lima, Maurício Marengoni, Universidade Presbiteriana Mackenzie Abstract This article presents the initial steps

Leia mais

Processamento Digital de Imagens: Técnicas para Análise Morfológica Endotelial

Processamento Digital de Imagens: Técnicas para Análise Morfológica Endotelial Processamento Digital de Imagens: Técnicas para Análise Morfológica Endotelial Edelber B. Oliveira, Renata M. Carvalho e J. J. De Groote Laboratório de Inteligência Artificial e Aplicações Faculdades COC,

Leia mais

COMPUTAÇÃO GRÁFICA. Rasterização e Preenchimento de Regiões. MARCO ANTONIO GARCIA DE CARVALHO Fevereiro de 2009. Computação Gráfica

COMPUTAÇÃO GRÁFICA. Rasterização e Preenchimento de Regiões. MARCO ANTONIO GARCIA DE CARVALHO Fevereiro de 2009. Computação Gráfica COMPUTAÇÃO GRÁFICA Rasterização e Preenchimento de Regiões Objetivos Conhecer os fundamentos da construção de linhas e círculos Conhecer o modelo scan-line modelo de sementes para preenchimento de polígonos

Leia mais

Sistema de Visão Computacional sobre Processadores com Arquitetura Multi Núcleos

Sistema de Visão Computacional sobre Processadores com Arquitetura Multi Núcleos Roberto Kenji Hiramatsu Sistema de Visão Computacional sobre Processadores com Arquitetura Multi Núcleos Tese apresentada à Escola Politécnica da Universidade de São Paulo para obtenção do Título de Doutor

Leia mais

USO DE DESCRITORES BINÁRIOS PARA DETECÇÃO DE PORNOGRAFIA

USO DE DESCRITORES BINÁRIOS PARA DETECÇÃO DE PORNOGRAFIA USO DE DESCRITORES BINÁRIOS PARA DETECÇÃO DE PORNOGRAFIA CARLOS ANTÔNIO CAETANO JÚNIOR USO DE DESCRITORES BINÁRIOS PARA DETECÇÃO DE PORNOGRAFIA Dissertação apresentada ao Programa de Pós-Graduação em

Leia mais

ROBÓTICA INTELIGENTE: USO DE VISÃO COMPUTACIONAL VOLTADA PARA O CONTROLE E NAVEGAÇÃO DE ROBÔS MÓVEIS AUTÔNOMOS

ROBÓTICA INTELIGENTE: USO DE VISÃO COMPUTACIONAL VOLTADA PARA O CONTROLE E NAVEGAÇÃO DE ROBÔS MÓVEIS AUTÔNOMOS ROBÓTICA INTELIGENTE: USO DE VISÃO COMPUTACIONAL VOLTADA PARA O CONTROLE E NAVEGAÇÃO DE ROBÔS MÓVEIS AUTÔNOMOS Matheus Doretto Compri, Fernando Osório, Denis Wolf Instituto de Ciências Matemáticas e de

Leia mais

Cálculo do conjunto paralelo

Cálculo do conjunto paralelo Cálculo do conjunto paralelo Vamos usar letras maiúsculas A; B, etc para representar conjuntos e letras minusculas x, y, etc para descrever seus pontos. Vamos usar a notação x para descrever a norma de

Leia mais

Estudo e proposta de adaptação do algoritmo SIFT em relação ao problema de iluminação em imagens

Estudo e proposta de adaptação do algoritmo SIFT em relação ao problema de iluminação em imagens Estudo e proposta de adaptação do algoritmo SIFT em relação ao problema de iluminação em imagens Machado, W. R. S. 1,2, Louro, A. H. F. 2, Gonzaga, A. 2, Boaventura, M. 3 1 Pontifícia Universidade Católica

Leia mais

MICROSCÓPIO ESPECULAR VOROCELL. Duvidas freqüentes a respeito do microscópio Vorocell, mitos e verdades.

MICROSCÓPIO ESPECULAR VOROCELL. Duvidas freqüentes a respeito do microscópio Vorocell, mitos e verdades. MICROSCÓPIO ESPECULAR VOROCELL Duvidas freqüentes a respeito do microscópio Vorocell, mitos e verdades. Porque o Microscópio Especular da Eyetec chama-se Vorocell? Vorocell é uma homenagem ao pesquisador

Leia mais

4 Avaliação Experimental

4 Avaliação Experimental 4 Avaliação Experimental Este capítulo apresenta uma avaliação experimental dos métodos e técnicas aplicados neste trabalho. Base para esta avaliação foi o protótipo descrito no capítulo anterior. Dentre

Leia mais

Estudos Iniciais do Sistema didático para análise de sinais no domínio da frequência DSA-PC: tipos de janelas temporais.

Estudos Iniciais do Sistema didático para análise de sinais no domínio da frequência DSA-PC: tipos de janelas temporais. Estudos Iniciais do Sistema didático para análise de sinais no domínio da frequência DSA-PC: tipos de janelas temporais. Patricia Alves Machado Telecomunicações, Instituto Federal de Santa Catarina machadopatriciaa@gmail.com

Leia mais

5 Sistema Experimental

5 Sistema Experimental 5 Sistema Experimental Este capitulo apresenta o sistema experimental utilizado e é composto das seguintes seções: - 5.1 Robô ER1: Descreve o robô utilizado. É dividida nas seguintes subseções: - 5.1.1

Leia mais

Manual de implantação

Manual de implantação Manual de implantação O BioPass ID é um serviço online baseado em nuvem que fornece uma poderosa tecnologia multibiométrica (reconhecimento de impressões digitais e face) para os desenvolvedores de qualquer

Leia mais

Introdução do Processamento de Imagens. Julio C. S. Jacques Junior juliojj@gmail.com

Introdução do Processamento de Imagens. Julio C. S. Jacques Junior juliojj@gmail.com Introdução do Processamento de Imagens Julio C. S. Jacques Junior juliojj@gmail.com Porque processar uma imagem digitalmente? Melhoria de informação visual para interpretação humana Processamento automático

Leia mais

Medida da velocidade de embarcações com o Google Earth

Medida da velocidade de embarcações com o Google Earth UNIVERSIDADE FEDERAL DO RIO DE JANEIRO Instituto de Física Programa de Pós-Graduação em Ensino de Física Mestrado Profissional em Ensino de Física Medida da velocidade de embarcações com o Google Earth

Leia mais

Processamento Digital de Imagens

Processamento Digital de Imagens Processamento Digital de Imagens Israel Andrade Esquef a Márcio Portes de Albuquerque b Marcelo Portes de Albuquerque b a Universidade Estadual do Norte Fluminense - UENF b Centro Brasileiro de Pesquisas

Leia mais

Operações Geométricas com Imagens

Operações Geométricas com Imagens Introdução ao PID Processamento de Imagens Digitais Operações Geométricas com Imagens Glaucius Décio Duarte Instituto Federal Sul-rio-grandense : Campus Pelotas Engenharia Elétrica Atualizado em 17mar2015

Leia mais