شناسایی عنبیه با استفاده از تبدیل Ridgelets

در این پست می خوام از یه روش جدید واسه تشخیص عنبیه بگم که از یه مقاله پیداش کردم ، خیلی جالب بود ، تمرکز این روش در استفاده از تبدیل Ridgelets به جای موجک هاست تبدیل Ridgelets از ترکیب تبدیل Radon با تبدیل موجک بدست می یاد . نویسندگان این مقاله معتقدن که Ridgelets در تشخیص خطوط بهتر از موجک ها عمل می کنه . چون موجک ها بیشتر واسه تشخیص موقعیت نقاط به کار می رن. نکته ی دیگه تو این مقاله حذف مرحله ی نرمال سازی تصویر عنبیه ست که همیشه جزاصلی سیستم تشخیص به شمار می رفته ( حداقل تو هر مقاله ایی که من خوندم این طوری بود … ) که به جای این مرحله از ماسک گذاری استفاده کرده . یکی از نقاط قوت این روش البته براساس گفته های نویسندگانش کاهش حجم چشمگیر بردار ویژگی از تصویر عنبیه ، بدون کوچک ترین اثر بر دقت سیستمه .

به هر حال اگه دوست داری بدونی که چه خبره ؟ و جزییات مقاله رو متوجه بشی ترجمه ی زیر رو بخون ( اصل مقاله رو واسه دانلود گذاشتم / شیوه ی نگارش ترجمه رو از عامیانه به رسمی تغییر دادم )

http://jips-k.org/dlibrary/JIPS_v08_no3_paper06.pdf

Iris Recognition Using Ridgelets

استخراج ویژگی های تصویر یکی از مراحلی است که برای آنالیز بیومتریک استفاده می شود . این مقاله راهکار نوینی را با عنوان تبدیل Ridgelets برای سیستم های تشخیص عنبیه ارائه داده است. این تبدیل ترکیبی از تبدیل Radon و موجک ها ست که برای استخراج اطلاعات بافتی مثل عنبیه بسیار مناسب خواهد بود .

روش پیشنهاد شده در این مقاله باعث کاهش حجم بردار ویژگی تا اندازه ی 1×4 و همچنین کاهش مقدار پارمتر های FAR (False acceptance Rate) و FRR (False Rejection Rate) وافزایش دقت سیستم شده است. این روش همچنین از فرایند نرمال سازی که به طور سنتی در سیستم های شناسایی عنبیه استفاده می شود ، اجتناب می کند. نتایج حاصل دقتی معادل 99.82% ، FAR برابر0.1309 % و FRR معادل 0.0434% را نشان می دهد .

Introduction:

سیستم های شناسایی سریع و کارآمد در هر زمانی مورد نیاز هستند . ویژگی های مربوط به صورت الگوهای صوتی ، هندسه ی کف دست ، الگوهای شبکیه ، الگوهای سیاهرگ ، امضا ، تشخیص صوت ، گرمانما ی صورت ، ناخن ، الگوهای راه رفتن و ….. به عنوان بیومتریک با درجه ی اطمینان مختلف شناخته می شوند. با این حال عنبیه به عنوان یک بیومتریک ، با درجه اعتماد بالاتر در مقایسه با دیگر روش ها به حساب می آید چون در تمام طول زندگی یکتا و بدون تغیییر باقی می ماند . از سال 1992 عنبیه به عنوان یک بیومتریک در حوزهی تحقیقات گسترده ایی قرار گرفته است و یکتایی الگو های آن توسط J.pospisil و A.muron کشف شد . این الگوها که عنبیه را اندامی منحصر به فرد ساخته در گفتاری از Daugman شرح داده شده :

“An advantage that the iris shares with finger prints is the chaotic morphogenesis of its minutiae”

عنبیه به عنوان یک قسمت رنگی بین مردمک و صلبیه تشخیص داده می شود.

mu1

اندام محافظت شده ، با دوام بالا و بدون تغییر در تمام طول زندگی ، ویژگی بارز عنبیه ست که شامل اطلاعات بافتی زیادی می باشد. از این بافت به طور کامل برای طراحی سیستم شناسایی بیومتریکی استفاده می شود. یک چالش مهم در این سیستم ها هزینه ی بالای محاسباتی ست که در متد های سنتی وجود دارد ، بنابراین توسعه ی یک سیستم شناسایی با پاسخ دهی سریع ، محاسبات ساده بدون از دست دادن پارامتر های کارایی برای کاربرد های online به عنوان یک نیاز شناخته می شود.

تبدیل موجک در تشخیص اثر نقاط عملکرد مناسبی دارد اما زمانی که اثر خطوط بیان می شود نمی توان ازتبدیل موجک استفاده کرد و تبدیل Ridgelets مطرح می شود.

پیشنهاد ما در این مقاله ارائه ی الگوریتمی موثر برای شناسایی عنبیه براساس تبدیل Ridgelets است که برای استخراج ویژگی ها از عنبیه با فرآیند نقاب گذاری (Masking) ترکیب شده است . در بخش بعدی شرح کار و زمینه ی نظری عنبیه به عنوان یک بیومتریک بیان شده است ، در بخش سوم Mask های پیشنهاد شده مورد بحث قرار گرفته اند . در بخش چهارم خلاصه ایی از Ridgelets و تبدیل Radon و تبدیل های wavelet گسسته (DWT) بیان شده ، در بخش پنجم روش پیشنهاد شده به طور کامل شرح داده شده و در بخش های ششم و هفتم به ترتیب نتایج آزمایش و نتیجه ی کلی از کار بیان شده است .

شرح کار Relaeted work:

متد های زیادی برای شناسایی عنبیه وجود دارد که تقریبا همه ی آنها از فرآیند نرمال سازی تصویر عنبیه استفاده می کنند. مرحله ی نرمال سازی به اندازه ایی در سیستم های تشخیص رایج شده است که به پاس خدمات محقق مشهور J.Daugman مدل صفحه ی لاستیکی داگمن برای آن پیشنهاد شد. روش پیشنهادی این مقاله ، به طور کامل از مرحله ی نرمال سازی اجتناب می کند. تفکیک عنبیه و نرمال سازی آن در شکل زیر نمایش داده شده است.

mu2

هدف از متد پیشنهاد شده ، کاهش اندازه ی بردار ویژگی بدون تاثیر بر روی دقت سیستم و همچنین کاهش پارامتر های FAR و FRR است. استفاده از تبدیل Ridgelets که ترکیبی از تبدیل Radon و تبدیل موجک هاست برای استخراج ویژگی ها از تصویر عنبیه بسیار مناسب است. در حال حاضر روش پیشنهادی از تجزیه موجک ها درسطح سیگنال استفاده می کند ، تجزیه سطح سیگنال نتایج بهتری نسبت به تجزیه سطح بالا دارد زیرا تجزیه سطح بالا باعث افزونگی می شود. مقایسه ی نتایج بدست آمده از روش پیشنهاد شده با دیگر روش ها یی که از نرمال سازی استفاده می کنند و طول بردار ویژگی بزرگتری دارند قابل تامل است .

Main contribution:

از هر سیستم بیومتریک انتظار می رود که با کمترین طول بردار ویژگی ، کاهش پارامترهای FAR و FRR ، بیشترین میزان دقت را داشته باشد . برای برآورده شدن این خواسته ها ، از تبدیل Ridgelets استفاده شده است . بخش اصلی این مقاله به صورت مختصر در زیر بیان شده : روش پیشنهاد شده اولا ، اندازه ی بردار ویژگی را برای بهبود سرعت سیستم کاهش می دهد . تبدیل Ridgelets که ترکیبی از تبدیل Radon و تبدیل موجک ها ست ، مقیاس هایی از موقعیت خطوط را تشریح می کند. این مقیاس خطوط از بافت عنبیه استخراج می شود و کمترین اندازه را دارد. این کاهش سایز هیچ تاثیری بر دقت سیستم ندارد و باعث افزایش سرعت آن نیز می شود. دوما ، در این روش مرحله ی نرمال سازی حذف شده و این موضوع باعث کاهش زمان پردازش و بهبود عملکرد سیستم می شود. سوما ، تبدیل Ridgelets استفاده شده در این روش منجر به افزایش دقت و کاهش FAR و FRR شده و در آخر روش پیشنهاد شده با تعدادی از متد های موجود مقایسه می شود .

Proposed iris Mask:

به عنوان یاد آوری در ابتدای این بخش ، بزرگترین مانع برای بالابردن راندمان محاسباتی ، نرمال سازی تصویر است . انسداد پلک ها و فرم مژه ها در یک سیستم شناسایی بزرگترین نویز به حساب می آید. با توجه به شکل زیر برای رفع مشکل انسداد پلک ها و فرم مژه ها از یک ماسک مناسب برای فرآیند تفکیک (Segmentation) استفاده می کنیم . این ماسک پردازش اضافی را رفع کرده و ناحیه ی عنبیه را بدست می دهد .

mu3

معادله ی Mask از دو معادله ی زیر با استفاده از تبدیل موجک گسسته (DWT) بدست آمده است.

mu4

mu5

به طوریکه :

Aip: مساحتی از عنبیه و مردمک

AP: مساحتی از مردمک

Rimax: بیشترین شعاع عنبیه

Rpmax: بیشترین شعاع مردمک

Pcc و Pcr: مختصات مرکز مردمک

RI: شعاع اولیه عنبیه

Rp: شعاع اولیه عنبیه (در مقاله ،عنبیه ذکر شده در صورتی که به مردمک بیشتر شباهت دارد)

مقادیر اولیه ی شعاع ها بدون هیچ تغییری در سطح روشنایی مردمک و عنبیه محاسبه می شوند. مردمک در تصویر بیشتر شبیه بیضی است بنابراین مرکز آن به وسیله ی تقاطع بزرگترین و کوچکترین محور بدست می آید. شکل زیر مقیاس ماسک و همچنین ضرایب مربوط به آنرا نشان می دهد. این ماسک برای تصویری به اندازه ی 30×30 بیان شده است.

mu6

Ridgelets Transform:

تفاوت اصلی تبدیل Ridgelets با wavelet در این است که موجک ها مقیاسی از موقعیت نقاط را بیان می کند اما Ridgelets موقعیت خطوط را تشریح می کنند. تبدیل Ridgelets از یک تصویر مثل (x,y)  fگرفته می شود و به وسیله ی معادلات زیر بیان خواهد شد :

mu7

که Df تبدیل Ridgelets ، a فاکتور مقیاس گذاری ، b تغییر جهت ، تتا زاویه چرخش است که به وسیله ی تبدیل های Radon و wavelet محاسبه می شوند .

mu8

mu9

یک نمونه از تبدیل Ridgelets در تصویر زیر نشان داده شده که تصاویر 3 و 4 از ایجاد یک سری مراحل بر روی تصاویر 1 و 2 بدست آمده است.

mu11

Radon Transform:

از نظر ریاضی تبدیل انتگرالی است که مقدار آن برابر با انتگرال تابع بر روی یک خط است.

معادله یک خط را در فضای دوبعدی می‌توان به صورت زیر نوشت:

nb

که s فاصله خط را از مبدأ مختصات نشان می‌دهد و بردار یکه عمود بر خط است. به همین ترتیب اگر نقطه تقاطع خط مزبور و خط عمود بر آن و گذرنده از مبدأ را B بنامیم آنگاه t فاصله هر نقطه واقع بر خط را تا نقطه B نشان می‌دهد. همچنین بردار راستای خط است. بدین ترتیب:

vb

تبدیل Radon از یک تصویر در واقع توانایی تبدیل تصاویر دو بعدی به خطوطی در دامنه پارامترهای خطی ممکن . به طوریکه هر خط در تصویر ، یک ماکزیمم بدست خواهد آمد که در پارامتر هایی در خطوط نظیر به نظیر موقعیت بندی می شود. فرم کلی تبدیل Radon به صورت زیر است :

mu12

که تتا زاویه ، p کوچکترین فاصله از مبدا مختصات است. بنابراین تبدیل Radon برای یک مجموعه پارامتر های p و تتا انتگرال خط از تصویر f(x,y) است که خط نظیر به نظیر با مقدار p و تتا تعیین موقعیت می شود.

Wavelet Transforms:

محاسبه ضرایب موجک در هر مقیاس ممکن ، کارنسبتا مفیدی است و باعث تولید اطلاعات زیادی می شود. چرا که تنها یک مجموعه از مقیاس ها و موقعیت ها را در هر محاسبه شامل می شوند.اگر ما مقیاس ها و موقعیت ها را براساس توان هایی از 2 انتخاب کنیم ، پس از تفکیک دقت و کارایی بیشتری خواهیم داشت و اندازه ایی که تا 50% کاهش یافته است. همچنین ضریب 2 کوچکترین مقیاس ممکن و یک عدد صحیح است. یک چنین تفکیکی از تبدیل DWT از معادله ی زیر بدست می آید :

mu13

یک راه موثر برای پیاده سازی این موضوع استفاده از فیلترهایی است که در سال 1988 توسعه داده شد. این الگوریتم در واقع یک موضوع کلاسیک و شناخته شده در پردازش سیگنال با عنوان زیر باند کد گذار است. الگوریتم فیلتر گذاری برای خروجی های یک موجک سریع بسیار مناسب است. معادلات زیر برای محاسبه ی موجک استفاده شده :

mu14

که هر دو (اولی )مقیاس تابع و ( دومی)تابع موجک است که از ترکیبات خطی بیان می شوند.به طوریکه H (اولی)در معادله ی اول و h (دومی)در معادله ی دوم ضرایب انبساط نامیده می شوند ، به ترتیب در مقیاس و بردارها ی موجک ، آنها ضرایب فیلتر از تبدیل سریع موجک هستند. (FWT)

الگوریتم شکل زیر تجزیه ی یک بعدی موجک در سطح سیگنال را نمایش می دهد.

mu15

Proposed method:

اندازه ی بردار ویژگی در متد پیشنهاد شده ، در حدود 1×4 کاهش یافته است . این روش از نرمال سازی استفاده نمی کند و برای استخراج ویژگی از تبدیل Ridgelets که اثر خطوط عنبیه را بدست می دهد ، بهره می گیرد. روش پیشنهاد شده در بخش بعدی مورد بحث قرار گرفته است :

Image database:

پایگاه داده ی مورد استفاده در این آزمایش CASIA و UPOL است. که CASIA نسخه ی 1 شامل 756 تصویر مختلف از عنبیه ، که اندازه ی هرکدام از این تصاویر 280×320 است . در این پایگاه داده از 108 نفر تصویر عنبیه موجود است که از هر نفر، 7 مورد تصویر یکسان که در کل 756 مورد تصویر را شامل میشود. این 7 تصویر از یک شخص در دو جلسه اخذ شده : در جلسه ی اول سه تصویر و در جلسه ی دوم چهار تصویر دیگر. پایگاه داده ی CASIA نسخه ی سوم نیز مورد استفاده قرار گرفت که شامل 249 مورد تصویر عنبیه است. از این پایگاه داده تنها 33 مورد استفاد شد.از این 33 مورد 20 نمونه تصویر در پایگاه داده یافت شد که 10 مورد مربوط به چشم راست و 10 مورد دیگر مربوط به چشم چپ بود. پایگاه داده UPOL هم 384 تصویر از عنبیه را دارد که اندازه ی هرکدام در حدود 576x768x3 است.در این پایگاه داده 64 مورد مختلف وجود دارد که از هر مورد 6 تا تصویر که 3 تای آن چشم راست و 3 تای دیگر چشم چپ است.

Feature database creation:

ماسک های طراحی شده ، برای فیلتر کردن تصاویر چشم در پایگاه داده استفاده می شود.پس هر تصویر فیلتر شده با سه سطح موج تجزیه می شود. نتایج بدست آمده در حالتی که از نرمال سازی استفاده شده با حالت بدون نرمال سازی ( استفاده از ماسک های مختلف ) مقایسه می شود. برای استخراج کردن ویژگی عنبیه مقایسه ایی بین سطح اول انرژی که از معادله ی زیر بدست می آید و انحراف استاندار از هر زیر باند ( معادله ی دوم ) صورت گرفت. بدین گونه اندازه ی بردار ویژگی برای پایگاه داده 756×24 خواهد بود و اندازه ی بردار جستجو ( ویژگی عنبیه ی موردنظرquery) در حدود 1×4 است. در معادله ی سطح اول انرژی x(m,n) ، تابع فرکانسی گسسته . به طور مشابه انحراف استاندارد از معادله ی دوم بدست می آید. که wk(i,j) ، kامین زیر باند موجک تجزیه شده است.

mu16

 
image-processing-matlab-download-train
 

دیدگاه‌ خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *