احتمال حضور پلک در نوار انتخابی کمتر میباشد. از طرفی هر چه نوار باریک تر باشد تعداد پیکسل های درگیر کمتر میباشد و خطا در محاسبات بیشتر میشود. بین خطا و احتمال حضور پلک باید یک مصامحه انجام پذیرد برای این کار مرز درونی ثابت نگه داشته شد و مرز بیرونی به سمت مردمک حرکت داده میشود. با نزدیک شدن مرز بیرونی در ابتدا افزایش دقّت داریم و بعد از آن به علّت از دست دادن پیکسل های بیشتر، دقّت پایین آمده و خطا بیشتر میشود. در کل این تغییرات تا جایی ادامه مییابد که دقّت قابل توجه باشد.
2-8-7. مروری بر برخی ابزارهای استفاده شده در استخراج ویژگی
2-8-7-1. فیلترهای گابور
از فیلترهای گابور عموماً برای استخراج ویژگی از تصاویر عنبیه استفاده میشود. در بعضی روش ها از یک دسته از فیلترهای گابور برای استخراج ویژگی استفاده شده است.
عموما ًدر این روش ها تصویر ورودی، ? I (x, y),(x, y) (که در آن ? یک زیر مجموعه از نقاط تصویر است. با تابع فیلتر گابور دو بعدی آن، ? (g (x, y),(x, y به صورت زیر کانوالو شده و تابع گابور ویژگی r(x, y) حاصل میشود.

که در آن ها خانواده فیلترهای گابور به کار رفته به صورت زیر است:

فیلترهای گابور میتوانند برای نمایش بهینه یک سیگنال در حوزه زمان و فرکانس به طور توأم مورد استفاده قرار گیرند. همانطور که در معادله بالا دیده میشود یک فیلتر گابور از تلفیق یک تابع گوسی با یک تابع سینوسی یا کسینوسی ایجاد میشود. این کار باعث میشود تا یک تلفیق بهینه اطّلاعات را در دو حوزه زمان و فرکانس داشته باشیم، چراکه تابع سینوسی کاملا در حوزه فرکانس تخصیص (لوکالیزه) داده میشود در صورتی که در حوزه ی زمان این گونه نیست. در صورتی که در معادله بالا به جای تابع کسینوسی از تابع نمایی استفاده کنیم، تابع خروجی دارای قسمت های حقیقی و موهومی خواهد بود.

2-8-7-2. استفاده از تبدیل موجک
موجک ها می توانند برای تجزیه اطّلاعات ناحیه عنبیه به اجزایی که به دقّت های متفاوت متعلق هستند، استفاده گردند. موجک ها اطّلاعات بیشتر و دقیق تری نسبت به تجزیه به وسیله تبدیل فوریه در حوزه فرکانس به ما میدهند و میتوان دقیقا ًویژگی هایی که در یک موقعیت و دقّت خاص وجود دارند را به وسیله آن ها با هم مقایسه کرد. گروهی از فیلترهای خانواده موجک به عنوان بانک موجک ها (نامی است که به مقدار فیلترهای اعمال شده به تصویر عنبیه گفته میشود، بعد از اعمال بانک، الگوی عنبیه بدست می آید) نامیده میشوند، به ناحیه دو بعدی اعمال میشوند و در هر کدام برای یک دقّت و با یک پایه خاص میباشند. خروجی اعمال این موجک ها سپس کد شده و یک نمایش فشرده و سرراست از بافت عنبیه ایجاد میگردد. ابزار موجک میتواند در تجزیه تصاویر کمک کند و خواص و ویژگی های تصاویر را بیرون بکشد. برای استخراج ویژگی ها تبدیل موجک نسبت به تبدیل فوریه برتری دارد.

2-8-7-3. استفاده از تبدیل لاپلاس گوسی
در سامانه ارائه شده توسط وایلدز، به منظور کد کردن ویژگی های عنبیه، از تجزیه ناحیه عنبیه با فیلترهای لاپلاس گوسی استفاده شده است. فیلترهای لاپلاس گوسی استفاده شده در این روش به صورت زیر میباشند:

فاصله شعاعی هر نقطه از مرکز فیلتر است، ? انحراف معیار استاندارد گوسی و ? که تصویر فیلتر شده به صورت هرم های لاپلاسی نمایش داده میشوند که قادر به فشرده سازی اطّلاعات بوده به نحوی که فقط اطّلاعات مفید و موثّر باقی میمانند. جزئیات این فیلتر و هرم های لاپلاسی توسط برت و آدلسون بیان شده است، یک هرم لاپلاسی با 4 سطح دقّت مختلف برای تولید کد عنبیه و استخراج ویژگی در این الگوریتم استفاده شده است.

2-8-7-4. موجک هار
Lim برای استخراج ویژگی از تبدیل موجک استفاده کرده است با فیلترهای چند بعدی بردارهای 87 بعدی برای ویژگی ها استخراج شده است، هر بردار قسمت حقیقی دارد که در بازه 1- تا 1+ هستند، ویژگی ها براساس علامت تقسیم بندی میشوند.
علامت های مثبت به یک و علامت های منفی به صفر برگردانده میشوند. بر این براساس نتیجه 87 بیت میباشد. Lim از روش موجک هار و فیلتر گابور استفاده کرده است و نشان داده است که موجک هار کمی بهتر در حدود 9/0 درصد است.

2-8-7-4-1. تبدیل موجک هار
تبدیل موجک هار تبدیلی جدایی پذیر است، تبدیل یکبار در جهت افقی صورت میگیرد و بار دیگر در جهت قائم بر روی تبدیل یافته ی افقی اعمال میشود.
2-8-7-4-1-1. چگونگی فرآیند
1. اعمال فرآیند میانگین گیری و تفاوت به روی دوتایی های افقی
2. اعمال فرآیند میانگین گیری و تفاوت به روی دوتایی های عمودی
3. تکرار فرآیند 2و1 بر روی میانگین در جهت افقی و عمودی

فیلتر بالا گذر فیلتر پایین گذر
سیگنال اصلی

سیگنال جزئیات (1)
سیگنال هموار شده (1)

سیگنال جزئیات (2)
سیگنال هموار شده (2)

سیگنال جزئیات (3)
سیگنال هموار شده (3)

سیگنال جزئیات (n)
سیگنال هموار شده (n)

2-9. خلاصه فصل
این فصل بر روشهای بکار برده شده توسط محقّقان در سیستم بیومتریک عنبیه تأکید دارد و سعی شده است روشهای جدید و معمول که در مراجع آورده شده است را معرفی نماید.
این فصل می تواند به خوبی مفاهیم مورد نیاز برای درک بهتر سیستم های تشخیص هویّت از طریق عنبیه را به خواننده علاقمند به کار بر روی سیستم های تشخیص هویّت از طریق عنبیه بیان دارد. البته می توان توضیحات کاملتر در مورد جزئیات روش ها را در مراجع جست.

روش اجرای تحقیق

3-1. مقدّمه
استفاده از الگوریتمهای بهینه سازی هوشمند منجر به یافتن جواب بهینه در حل مسائل مختلف میشود. در این پایان نامه به بررسی دقیق روش پیشنهادی پردازش تصویر با کمک الگوریتمهای بهینه سازی هوشمند میپردازیم. خصوصیات این روش دقّت بالا و کیفیت تشخیص بهتر میباشد. در ادامه به بررسی جزئیات و نتایج عملی این روش میپردازیم.

این مطلب رو هم توصیه می کنم بخونین:   دانلود پایان نامه با موضوع زیر، زمانی، خطی

3-2. پیش پردازش و ناحیه بندی استفاده شده برای تصاویر عنبیه غیر ایده آل
در پیش پردازش معمولاً برای انجام پروژ ه های پردازش سیگنال تک بعدی مانند صدا یا دو بعدی مانند تصویر برای آماده سازی سیگنال ها، نیازمند به این بخش هستیم در این بخش معمولاً پیش پردازش هایی بر روی اطّلاعات خام انجام میشود که باعث بهبود نتایج و افزایش دقّت میشود. در این پروژه پیش پردازش مربوط به آماده سازی تصویر است و بعد از این مرحله تصویر برای جداسازی آماده میشود. اوّلین نکته که در این مرحله به ذهن میرسد لبه یابی است تا بتوان لبه های عنبیه و مردمک را یافت. تابع های زیادی برای لبه یابی وجود دارد ولی همگی آنها لبه ها را یا به صورت افقی یا به صورت عمودی یا قطری جدا میکنند که برای تشخیص دایره مناسب نمیباشند و باید از ترکیب آنها استفاده کرد.
در زیر مراحل مختلف پیاده سازی با آوردن تصویر نشان داده شده است:
در تصویر(3-1) تصویر اولیه تابع canny اصلاح شده

تصویر (3-1) تصویر اولیه بدون پیش پردازش
این تابع چهار پارامتر ورودی و دو خروجی دارد که در ادامه توضیح می دهیم.
ورودی تابع شامل Im، این پارامتر همان تصویر ورودی میباشد، Sigma ، معمولاً در پیش پردازش برای حذف نویز ابتدا تصویر را هموار میکنند که این کار بوسیله فیلتر گذاری گوسی اتفاق میافتد. هر فیلتر گوسی یک واریانس دارد که این مقدار با پارمتر سیگما در این تابع تعیین میشود.
بعضی از پردازش های روی تصویر کاملاً وابسته به حجم تصویر هستند بنابراین Scaling گاهی با یک مقایس تصویر را کوچک میکنند و بعد از اتمام پردازش دوباره تصویر را به اندازه واقعی میرساند این پارامتر کمتر از یک میباشد. اما در این پایگاه داده چون حجم زیاد نیست با قرار دادن یک برای این پارامتر تغییر مقیاس انجام نمی دهیم.
Vert,horz ، این دو پارامتر در اصل تأثیر لبه یابی افقی و عمودی را در تصویر انتهایی مشخص میکنند اگر یکی صفر باشد میتوان گفت که در آن جهت اصلاً لبه یابی انجام ندایم ولی در این پروژه ما هردو را یک در نظر گرفتیم.
خروجی تابع شامل Gradient تصویر لبه یابی شده، Or جهت تصویر میباشد.
در عملکرد تابع، در این تابع فیلتر گوسی تولید و اعمال شده است، مقایس بندی اتفاق میافتد و هربیت تصویر به صورت افقی ازبیت بعدی کم میشود.

تصویر (3-2) نتیجه تصویر
همچنین هر بیت تصویر به صورت عمودی از بیت بعدی کم میشود و در نهایت این عملیات به صورت افقی انجام میشود. نتیجه هر کدام به ترتیب در تصاویر (3-3)،(3-4) و (3-5) آمده است:

تصویر (3-3) نتیجه تصویر

تصویر (3-4) نتیجه تصویر از تأثیر مشتقات افقی

تصویر (3-5) نتیجه تصویر از تأثیر مشتقات عمودی
در مرحله ی بعدی این لبه یابی ها با هم ترکیب شده و گرادیان را می سازند که به صورت تصویر (3-6) آمده است.

تصویر (3-6) گرادیان تصویر
بعد از این مراحل زاویه هر لبه بدست می آید و بین صفر تا 180 درجه نگاشت شده و در آخر به صورت زاویه ایی در میآیند که بین صفر تا 180 درجه هستند نتیجه زاویه در تصویر (3-7) آمده است.

تصویر (3-7) زاویه لبه ها
منظور از زاویه لبه ها این است که هر لبه نسبت به افق چه زاویه ای دارد مثلا انتظار داریم که سمت چپ و راست عنبیه مقادیر صفر یا 180 درجه داشته باشند ولی پایین وبالای عنبیه مقادیر نزدیک 90 درجه داشته باشند در ادامه از این زوایا استفاده میکنیم، بعد از آن از تابع adjgamma استفاده میکنیم. در تابع adjgamma، ورودی شامل Im، این پارامتر تصویر گرادیان از مرحله قبل میباشد، G توان تابع گاما بوده است.
در عملکرد تابع adjgamma داریم: این تابع بسیار ساده میباشد و بعد از نرمال کردن تصویر و تبدیل آن به اعدادی بین صفر و یک آن را به توان 1/g میرساند و روشنایی تصویر را تحت تاثیر قرار میدهد در ادامه تأثیر آن مشاهده میشود.

تصویر (3-8) تصویر بعد از تابع adggamma
تابع بعدی تابع nonmaxsup میباشد. وظیفه این تابع یافتن ماکزیمم لبه ها میباشد تا بتوان از تصویر (3-8) که لبه ها به صورت ضخیم هستند لبه های نازک ایجاد کرد. اما باید به این نکته توجه داشت که هر لبه باید در جهت خودش ماکزیمم باشد اینجاست که ما به زاویه لبه ها برای یافتن جهت نیازمند هستیم.

تصویر(3-9). لبه سمت راست عنبیه
همانطور که در تصویر (3-9) مشاهده میشود، زاویه لبه ها تقریبا صفر با افقی محض است اگر به زوایا دقّت نکنیم و به صورت عمودی دنبال ماکزیمم بگردیم نتیجه خطوط افقی میباشد زیرا در مرکز این تصویر پیکسل ها روشنتر میباشند اما اگر با توجّه به زاویه فقط به صورت افقی دنبال ماکزیمم بگردیم یک خط عمودی بوجود میآید که درست می باشد ورودیهای این تابع، تصویر خروجی قبلی و زاویه لبه ها که در ابتدا خروجی تابع canny میباشد و یک شعاع میگیریم که انتظار داریم همسایگی مقایسه برای هر پیکسل را برای آن بدست آوریم. نتیجه در تصویر (3-10) مشاهده میشود.

تصویر(3-10). نتیجه تابع nonmaxsup
در آخر هم با یک

دسته‌ها: No category

دیدگاهتان را بنویسید