Ianuarie, 2009

Universitatea „Alexandru Ioan Cuza” Iași Facultatea de Informatică

Îmbunătăţirea imaginilor în domeniul spaţial, accentuând filtrele de

netezire şi câteva implementări folosind Adobe® Pixel BlenderTM

Proiect de cercetare

Realizator: Constantin Stan Master Optimizare Computațională

Anul I

Coordonator: Lect. Dr. Anca Ignat

Ianuarie, 2009

Cuprins

Introducere ................................................................................................................................................ 3 

Principii de bază ale filtrării spaţiale ......................................................................................................... 7 

Filtrele spaţiale de netezire ..................................................................................................................... 11 

Filtre lineare de netezire ...................................................................................................................... 11 

Filtre de ordonare statistică ................................................................................................................. 12 

Filtrele spaţiale de accentuare a detaliilor ............................................................................................... 13 

Ce este Pixel Blender? ............................................................................................................................ 14 

Concluzii și perspective .......................................................................................................................... 15 

Referințe .................................................................................................................................................. 16 

2

Îmbunătăţirea imaginilor în domeniul spaţial

Îmbunătăţirea imaginilor în domeniul spaţial, accentuând filtrele de

netezire şi câteva implementări folosind Adobe® Pixel BlenderTM

Introducere

Principalul obiectiv al îmbunătățirii este să proceseze o imagine, astfel încât rezultatul să devină

mai potrivit decât originalul pentru o anumită aplicaţie. Cuvântul specific este foarte important, pentru

că stabileşte de la bun început faptul că tehnicile discutate sunt într-o mare măsură orientate spre

problemă. În acest fel, de exemplu, este posibil ca o metodă care este utilă pentru îmbunătăţirea

imaginilor realizate cu ajutorul razelor X să nu fie cea mai bună abordare pentru îmbunătăţirea

imaginilor de pe Marte transmise de sondele spaţiale.

Cu toate acestea, indiferent de metoda folosită, intensificarea imaginilor este unul dintre

domeniile cele mai interesante şi mai atrăgătoare din punct de vedere vizual din cadrul procesării de

imagini.

Abordările îmbunătățirii de imagini se împart în două mari categorii: metodele domeniului

spaţial şi metodele domeniului frecvenţei.

Sintagma domeniul spaţial se referă la planul imaginii, iar abordările din această categorie se

bazează pe manipularea directă a pixelilor dintr-o imagine. Tehnicile de procesare legate de domeniul

frecvenţei au la bază modificarea transformării Fourier a unei imagini. Metodele spaţiale sunt cele

asupra carora ne vom concentra în materialul de față.

Se întâlnesc destul de des şi tehnici de îmbunătăţire ce se bazează pe diferite combinaţii de

metode din aceste două categorii. De altfel, trebuie să menţionăm şi faptul că multe dintre tehnicile

fundamentale ce au legătură cu îmbunătăţirea imaginilor au și legătură cu multe alte aplicaţii de

procesare a imaginilor.

Nu există o teorie generală a îmbunătăţirii imaginilor. Atunci când o imagine este procesată

pentru o interpretare virtuală, spectatorul este cel care judecă dacă o anumită metodă a dat rezultatele

dorite. Evaluarea vizuală a calităţii imaginii este un proces foarte subiectiv, astfel că definiţia „o

3

Ianuarie, 2009

imagine bună” este un standard iluzoriu prin care se pot compara performanţele unor algoritmi.

Atunci când problema se pune în cazul procesării imaginilor pentru percepţia maşinilor,

evaluarea este ceva mai uşoară. De exemplu, atunci când este vorba despre o aplicaţie pentru

recunoaşterea caracterelor şi fără a lua în considerare alte probleme, aşa cum ar putea fi necesarul

computaţional, cea mai bună metodă de procesare a imaginilor ar fi cea în urmă căreia ar rezulta cele

mai bune rezultate recunoscute de maşină.

Totuşi, chiar şi în situaţiile când unei probleme se poate aplica un criteriu foarte clar de

performanţă, de obicei este nevoie de mai multe încercări şi evaluări până când se poate alege o

anumită abordare pntru îmbunătăţirea imaginii.

Aşa cum am menţionat şi mai devreme, sintagma domeniu spaţial se referă la totalitatea

pixelilor care alcătuiesc o imagine. Metodele domeniului spaţial sunt produse care acţionează direct

asupra acestor pixeli. Procesele domeniului spaţial vor fi notate prin expresia (1):

g(x, y) = T[ f(x, y) ],

în care f(x, y) este imaginea input, g(x, y) este imaginea procesată, iar T este un operator al lui f, definit

în apropierea lui (x, y). Mai mult, T poate acţiona asupra unui set de imagini input, aşa cum ar fi

efectuarea unei adunări pixel cu pixel a unui număr de K imagini pentru reducerea zgomotului.

Principala abordare în definirea unei vecinătăţi în jurul unui punct (x, y) este dată de folosirea

unei zone de sub-imagine pătrată sau rectangulară centrată în (x, y), după cum este prezentat în

imaginea Fig. 1. Centrul sub-imaginii este mutat pixel cu pixel, începând de exemplu cu colţul din

stânga. Operatorul T este aplicat fiecărei locaţii (x, y) pentru a produce rezultatul g în acea locaţie. În

acest proces se vor folosi numai pixeli din acea zonă a imaginii care este deschisă de vecinătate. Deşi

se pot folosi şi alte forme de vecinătate, ca apg( x, y) = TCf(x, y)D, proximităţile unui cerc, matricile

pătrate şi rectangulare sunt de departe cele mai predominante, pentru că sunt uşor de implementat.

4

Îmbunătăţirea imaginilor în domeniul spaţial

Cea mai simplă formă a lui T este atunci când vecinătatea are dimensiunea 1x1 (adică un singur

pixel). În acest caz, g depinde numai de valoarea lui f la (x, y), iar T devine o funcţie de transformare

de nivel gri (numită şi intensitate sau mapare) de forma (2):

s = T(r)

în care pentru simplificarea notaţiei, r şi s sunt variabile care denotă respectiv nivelul gri al funcţiilor

f(x, y) şi g(x, y) în orice punct (x, y). De exemplu, dacă T(r) are forma prezentată în Fig. 2 (a), efectul

acest transformări ar fi producerea unei imagini cu un contrast mai mare decât originalul, prin

întunecarea nivelurilor inferioare lui m şi luminarea nivelurilor care în imaginea originală sunt

superioare lui m.

5

Ianuarie, 2009

Prin această tehnică, numită şi extinderea contrastului, valorile lui r sub m sunt reduse prin

transformarea funcţiei într-o gamă restrânsă de s, spre negru. Efectul opus are loc pentru valori ale lui r

deasupra lui m. În cazul limitator prezentat în Fig. 2 (b), T(r) produce o imagine pe două niveluri

(binară). O mapare a acestei forme este numită o funcţie prag. Unele abordări de procesare destul de

simple, deşi foarte puternice, pot fi formulate prin transformări de nivel gri. Datorită faptului că

îmbunătăţirea oricărui punct dintr-o imagine depinde numai de nivelul de gri al acelui punct, tehnicile

din această categorie mai sunt numite şi procesări ale punctului. Vecinătăţile mai mari permit o mult

mai mare flexibilitate.

Abordarea generală este să se folosească o funcţie a valorilor lui f într-o vecinătatea predefinită

a punctului (x, y), pentru a se determina valoarea lui g la (x, y). Una dintre abordările principale ale

acestei formulări se bazează pe utilizarea aşa-numitelor măşti (numite şi filtre, nuclee, şabloane sau

ferestre). În esenţă, o mască este o matrice 2-D de mici dimensiuni (ca de exemplu 3x3), ca în Fig. 1, în

care valorile coeficienţilor măştii determină natura procesului, aşa cum ar ascuţirea imaginii. Tehnicile

de îmbunătăţire care au la bază acest tip de abordare sunt numite şi procesări/filtrări ale măştii.

6

Îmbunătăţirea imaginilor în domeniul spaţial

Principii de bază ale filtrării spaţiale

Unele operaţiunii de vecinătate utilizează valorile pixelilor imaginilor din vecinătate şi valorile

corespunzătoare ale unei sub-imagini care are aceleaşi dimensiuni ca şi vecinătatea. Sub-imaginea este

numită şi mască, filtru, nucleu, şablon sau fereastră, primele trei cuvinte fiind cele mai des întâlnite în

terminologia de specialitate. Valorile dintre sub-imagine filtru sunt cel mai adesea numite coeficienţi, şi

nu pixeli.

Conceptul de filtrare îşi are rădăcinile în utilizarea transformării Fourier pentru procesarea

semnalelor în domeniul frecvenţei. Noi suntem interesaţi în operaţiunile de filtrare realizate direct

asupra pixelilor dintr-o imagine. Vom folosi sintagma filtrare spaţială pentru a deosebi acest tip de

proces de filtrarea în domeniul frecvenţei, mai tradiţională.

Mecanismele filtrării spaţiale sunt ilustrate în Fig. 3. Procesul este alcătuit din simpla mutare a

măştii-filtru dintr-un punct în altul al imaginii. La fiecare punct (x, y), răspunsul filtrului în acel punct

este calculat folosind o relaţie predefinită. Pentru o filtrare spaţială lineară, răspunsul este dat de o

sumă de produse ale coeficienţilor filtrului, iar pixelii imaginilor corespunzătoare în acea zonă sunt

măriţi de către masca filtru. Pentru masca 3x3 prezentă în Fig. 3, rezultatul (sau răspunsul), R, filtrării

lineare cu masca filtru în punctul (x, y) al imaginii este cel pe care îl vedem este suma produselor

coeficienţilor măştii, cu pixelii corespunzători direct sub mască. Coeficientul w(0, 0) coincide cu

valoarea imaginii f(x, y), ceea ce ne arată că masca este centrată la (x, y) atunci când are loc calcularea

sumelor produselor. Pentru o mască de mărimea m*n, presupunem că m=2a+1 şi n=2b+1, unde a şi b

sunt unităţi non-negative.

Astfel, în următoarele rânduri vom pune accentul mai mult pe măşti cu dimensiuni impare,

considerând cea mai mică mărime ca fiind 3x3 (vom exclude din discuţie banalul caz al măştii 1x1).

7

Ianuarie, 2009

În general, filtrarea lineară a unei imagini f de dimensiunile MxN cu o mască filtru de mărimea

m*n este dată de expresia (3):

8

Îmbunătăţirea imaginilor în domeniul spaţial

în care, aşa cum s-a arătat în paragraful anterior, a = (m – 1) / 2 şi b = (n – 1) / 2. Pentru a putea genera

o imagine complet filtrată, această ecuaţie trebuie să fie aplicată pentru x=0, 1, 2, p , M-1 şi y=0, 1, 2, p

, N-1. În acest mod, putem fi siguri că masca va procesa toţi pixelii imaginii. Atunci când m=n=3, se

poate verifica uşor că această expresie se reduce la exemplul oferit mai sus. Procesul filtrării lineare

prezentat în Eq. (3.5-1) este similar unui concept al frecvenţei domeniului numit suprapunere. Din

acest motiv, filtrarea spaţială lineară mai este definită şi ca „suprapunerea unei măşti cu o imagine.” În

mod similar, măştile filtrelor mai sunt numite şi măşti de suprapunere sau nuclee de suprapunere.

Atunci când ne axam pe rezultatul R al unei măşti m*n în orice punct (x, y), şi nu pe metodele de

implementare a unei măşti de suprapunere, de cele mai multe ori se simplifică notaţia, prin folosirea

următoarei expresii (4):

,în care w sunt coeficienţii măştii, z sunt valorile nivelurilor gri ale imaginii corespunzătoare acelor

coeficienţi, iar mn este numărul total de coeficienţi ai măştii. Pentru masca generală 3x3 prezentată în

Fig. 4, răspunsul în orice punct (x, y) al imaginii este dat de (5):

9

Ianuarie, 2009

Trebuie să menţionăm că această formulă simplă este deosebit de importantă pentru că este des

prezentă în literatura de specialitate legată de procesarea imaginilor. Filtrele spaţiale non-lineare

acţionează asupra vecinătăţilor, iar mecanismele folosirii unei măşti asupra unei imagini sunt aceleaşi

ca cele prezentate mai sus. Cu toate acestea, în general, operaţiile de filtrare se bazează pe valorile

pixelilor în vecinătatea analizată, fără a folosi în mod explicit coeficienţii în sumele de produse descrise

în (3) şi (4). Reducerea zgomotului poate fi efectuată cu un filtru non-linear, a cărui funcţie de bază este

să calculeze valoarea mediană a nivelului de gri din vecinătatea în care filtrul este localizat. Calcularea

medianului este o operaţie non-lineară, la fel ca şi calcularea variaţiei.

O consideraţie importantă în operaţiile de implementare a vecinătăţii pentru filtrarea spaţială

este legată de ceea ce se petrece atunci când centrul filtrului se apropie de marginea unei imagini. Să

luăm exemplul unei măşti pătrate cu dimensiunea de n*n. Cel puţin una dintre marginile unei astfel de

măşti va coincide cu marginea imaginii dacă centrul măştii este la o distanţă de (n - 1) / 2 pixeli de la

margine. Dacă centrul măştii se mută mai aproape de margine, unul sau mai multe rânduri sau coloane

ale măştii vor fi localizate în afara planului imaginii.

Există mai multe soluţii pentru o astfel de situaţie. Cea mai simplă dintre acestea este să se

limiteze traseele centrului măştii, astfel încât să fie la o distanţă mai mare de (n - 1) / 2 pixeli faţă de

margine. Imaginea filtrată rezultată va fi mai mică faţă de original, dar toţi pixelii din imaginea filtrată

vor fi procesaţi de întreaga mască. Dacă este nevoie ca rezultatul să fie de aceeaşi dimensiune ca

10

Îmbunătăţirea imaginilor în domeniul spaţial

imaginea originală, abordarea care se foloseşte de cele mai multe ori este să se filtreze toţi pixelii doar

cu secţiunea măştii care este pe deplin conţinută de imagine. Prin această abordare, vor exista bande de

pixeli în apropierea marginii care vor fi procesaţi cu un filtru parţial.

Alte abordări similare se referă la „căptuşirea” imaginii prin adăugarea de rânduri şi coloane de

0 (sau altă constantă de nivel gri), sau prin dublarea anumitor rânduri şi coloane. La sfârşitul

procesului, căptuşeala va fi înlăturată. În acest fel, dimensiunile imaginii filtrate vor fi similare

originalului, dar valorile a porțiunii adăugate anterior vor afecta mai ales marginile, cu efecte mai

vizibile pe măsură ce masca este tot mai mare. Singura metodă prin care se poate obţine un rezultat

perfect filtrat este să se accepte o dimensiune mai redusă a imaginii filtrate, prin limitarea mişcării

centrului măştii filtrate la o distanţă mai mare sau egală cu (n - 1) / 2 pixeli de la marginea imaginii

originale.

Filtrele spaţiale de netezire

Filtrele de netezire (smoothing) sunt folosite pentru neclaritate şi pentru reducerea zgomotului.

Neclaritatea, sau estomparea detaliilor, este folosită în etapele premergătoare ale procesării, pentru

înlăturarea unor mici detalii dintr-o imagine înainte de extragerea unui obiect (mai mare) şi pentru

unirea unor mici goluri în linii sau curbe. Reducerea zgomotului poate fi realizată prin estomparea

detaliilor cu un filtru linear, dar şi printr-un filtru non-linear.

Filtre lineare de netezire

Rezultatul unui filtru spaţial linear de netezire este media pixelilor aflaţi în vecinătatea măştii

filtru. Aceste filtre se mai numesc şi filtre de mediere. Aceste filtre mai poartă şi denumirea de filtre

trece jos.

Ideea care stă la baza filtrelor de netezire este evidentă. Prin înlocuirea valorii fiecărui pixel

dintr-o imagine prin media nivelurilor de gri din vecinătatea definită de masca filtru se ajunge la o

imagine cu mai puţine tranziţii „ascuţite” între nivelurile de gri. Datorită faptului că zgomotul aleatoriu

este alcătuit de cele mai multe ori din treceri bruşte între nivelurile de gri, cea mai evidentă aplicaţie a

netezirii este reducerea zgomotului. Cu toate acestea, marginile (care sunt aproape întotdeauna

trăsături de bază ale unei imagini) sunt caracterizate de tranziţii aspre ale nivelurilor de gri, astfel că

unul dintre efectele nedorite ale filtrelor de mediere este întunecarea marginilor.

11

Ianuarie, 2009

O altă aplicaţie a acestui tip de proces se referă la netezirea contururilor false care rezultă din

folosirea unui număr insuficient de niveluri de gri.

O utilitate majoră a filtrelor de mediere este, de asemenea, reducerea detaliilor „irelevante”

dintr-o imagine. Termenul de „irelevant” se referă la regiunile de pixeli care sunt mici în comparaţie cu

dimensiunea măştii filtru.

Filtre de ordonare statistică

Filtrele de ordonare statistică sunt filtre spaţiale non-lineare a căror rezultate se bazează pe

ordonarea (ierarhizarea) pixelilor conţinuţi în zona imaginii supusă filtrului, înlocuindu-se apoi

valoarea pixelului central cu valoarea determinată de rezultatul ierarhizării. Cel mai bine cunoscut

exemplu din această categorie este filtrul median, care, aşa cum sugerează şi numele său, înlocuieşte

valoarea unui pixel prin media nivelurilor de gri din vecinătatea acelui pixel (valoarea originală a

pixelului este inclusă în calcularea mediei).

Filtrele mediane sunt destul de bine cunoscute pentru că, în anumite cazuri de zgomot aleatoriu,

au o capacitate foarte bună de reducere a zgomotului, cu o estompare a detaliilor mai mică faţă de

filtrele de netezire lineare de mărimi similare. Aceste filtre sunt eficiente cu precădere în prezenţa

zgomotului de tip impuls, numit şi zgomot sare şi piper, pentru că apare sub formă de puncte albe şi

negre deasupra imaginii.

Astfel, trăsătura principală a filtrelor mediane este de a forţa punctele cu niveluri de gri

deosebite să fie mai mult ca punctele din vecinătatea lor. De fapt, grupurile izolate de pixeli care sunt

mai luminate sau mai întunecate faţă de vecinii lor, iar suprafaţa lor este mai mică de n2� 2 (unu şi

jumătate din zona filtru), sunt eliminate printr-un filtru median n*n. În acest caz, „eliminat” se referă la

faptul că aceşti pixeli sunt forţaţi să aibă intensitatea medie a vecinilor. Grupurile mai mari de pixeli

sunt afectate într-o proporţie mult mai mică. Deşi filtrul median este de departe cel mai folosit filtru de

ordonare statistică din procesarea imaginilor, el nu este în nici un caz singurul filtru din această

categorie. Mediana reprezintă mijlocul unui şir de numere ordonate, dar trebuie să ne aducem aminte că

ordonarea ierarhizată duce la multe alte posibilităţi. De exemplu, dacă folosim cel mai mare dintre

numerele din şirul ordonat, vom crea un filtru maxim, care poate fi utilizat pentru a găsi cel mai

luminos punct al unei imagini. Rezultatul unul filtru maxim 3x3 este dat de R = max { zk | k = 1, 2, ... ,

12

Îmbunătăţirea imaginilor în domeniul spaţial

9}. Dacă se alege cel mai mic număr din şirul ordonat, se va crea un filtru minim, care se foloseşte

pentru scopul opus faţă de filtrul maxim.

Filtrele spaţiale de accentuare a detaliilor

Principalul obiect al acestui tip de filtru este de a accentua detaliile de fineţe ale unei imagini

sau de a evidenţia un detaliu care a fost netezit, din greşeală sau ca efect natural a unei anumite metode

de achiziţie a imaginii. Utilizările acestui filtru variază, incluzând aplicaţii de la imprimare electronică

şi imagistică medicală, la inspecţii industriale şi conducerea automată a sistemelor militare.

Spuneam mai sus că netezirea detaliilor unei imagini poate fi realizată în domeniul spaţial prin

calcularea mediei pixelilor dintr-o vecinătate. De vreme ce prin această metodă se ajunge la o integrare

a pixelilor într-o vecinătate, este logic să considerăm că evidenţierea detaliilor poate fi realizată prin

diferenţiere spaţială.

Astfel, discuţiile din această secţiune se referă la diferite metode prin care se pot defini şi

implementa operatorii pentru accentuarea detaliilor prin diferenţiere digitală. În mod fundamental,

rezultatul unui operator derivativ este mai bun proporţional cu gradul de discontinuitate a imaginii în

punctul în care operatorul este aplicat. În acest fel, diferenţierea imaginii accentuează marginile şi alte

discontinuităţi (aşa cum este zgomotul) şi reduce atenţia asupra zonelor în care valorile nivelurilor de

gri nu variază foarte mult.

13

Ianuarie, 2009

Ce este Pixel Blender?

Tehnologia Adobe® Pixel Bender™ ajută la procesarea unor imagini sau secvenţe video,

oferind optimizare automatică în rularea folosind hardware eterogen. Limbajul de bază al acestei

tehnologii se poate utiliza pentru a implementa algoritmi de procesare a imaginii (filtre sau efecte),

indiferent de hardware. Limbajul grafic Pixel Blender este un limbaj bazat pe XML pentru a se utiliza

simultan operaţiuni de procesare individuală pentru pixeli, în filtrele complexe Pixel Blender.

Pixel Blender are mai multe avantaje:

- Curbă de învăţare joasă – Pixel Blender oferă un număr redus de unelte, suficiente

pentru scrie algoritmi complecşi de procesare a imaginii. Este mai uşor să înveţi să foloseşti

Pixel Blender faţă de C/C++ şi plug-in-ul SDK al fiecărei aplicaţii. Nu trebuie să se cunoască

nici un limbaj de grafică bazată pe umbră şi lumină sau API-uri multifir.

- Procesare paralelă - Pixel Bender permite aceluiaşi filtru să ruleze eficient pe diferite

arhitecturi GPU şi CPU, inclusiv pe sisteme cu procesoare multiple. Rezultatele procesării

imaginilor prin această tehnologie sunt excelente pentru produsele Adobe.

- Suportă toate adâncimile de bit – Acelaşi nucleu poate rula pe 8-bit/16-bit/32-bit în

interiorul aplicaţiei.

- Poate fi integrat pe multiple aplicaţii Adobe - Pixel Bender este parte componentă a

mai multe aplicaţii Adobe. Permite creearea de filtre ce pot fi utilizate în diferite produse

Adobe.

Pixel Blender este potrivit pentru implementarea algoritmilor în care procesarea oricărui pixel

are o dependenţă minimă faţă de valorile celorlalţi pixeli. De exemplu, se poate scrie un nucleu (kernel)

care să manipuleze luminozitatea imaginii, pentru că această caracteristică poate fi schimbată

independent pentru fiecare pixel. Nu este indicat să se folosescă Pixel Blender pentru a calcula o

histogramă, deoarece pentru aceasta este nevoie de valorile tuturor pixelilor din imagine.

14

Îmbunătăţirea imaginilor în domeniul spaţial

Concluzii și perspective

Adobe Pixel Blender oferă un set de facilități ce vor marca suita Adobe Creative Suite 4 (CS4),

suită lansată relativ recent. Noile clase Shader din ActionScript 3.0 lucrează cu tehnologia Adobe Pixel

Blender pentru a permite utilizatorului normal să-și scrie propriile filtre de manipulare a imaginilor și a

le aplica, dinamic, în proiectele lui Flash și nu numai. Scopul lucrării de față este doar introducerea spre

această oportunitate și nu de a descrie modul în care se realizează acest proces concret.

În momentul instalării programului Flash CS4 se instalează automat și Adobe Pixel Blender

Toolkit. Acest modul poate fi instalat și independent de suita CS4 fară nici un cost (vezi referința 3).

Scopul lui este să creeze filtre, folosind un limbaj de programare relativ ușor de învățat, salvându-le

pentru a fi folosite în cadrul suitei Adobe CS4 (Flash, Photoshop, ș.a.). De asemenea permite

importarea, modificarea și testarea filtrelor existente.

Testarea filtrelor în cadrul modulului (stand-alone) Adobe Pixel Blender se face, din nefericire,

doar peste imagini. Aceste filtre sunt aplicate în IDE-ul Flash și peste alte tipuri de obiecte și ar fi util

ca pe viitor să fie posibilă testarea pe obiecte de tip text, filme, clipuri animate direct în toolkit. Cu

toate acestea orizonturile deschise prin această tehnologie sunt foarte promițătoare, deoarece filtrele

scrise lucrează, se aplică, peste bytes, pentru ele necontând peste ce sunt aplicate. Poate fi vorba de o

imagine, un fișier audio sau chiar de un fișier video...

15

Ianuarie, 2009

16

Referințe

1. Digital Image Processing - Rafael C. Gonzalez, Richard E. Woods Prentice Hall; 2nd edition (15 Ianuarie, 2002); ISBN-13: 978-0201180756 2. ActionScript 3.0 for Adobe Flash CS4 Professional Classroom in a Book Adobe Press; 12 Noiembrie 2008; ISBN-13: 978-0321618382 3. http://labs.adobe.com/technologies/pixelbender/ 4. http://www.adobe.com