سیگنال اصلی
سیگنال جزئیات (۱)
سیگنال هموار شده (۱)
سیگنال جزئیات (۲)
سیگنال هموار شده (۲)
سیگنال جزئیات (۳)
سیگنال هموار شده (۳)
سیگنال جزئیات (n)
سیگنال هموار شده (n)
۲-۹. خلاصه فصل
این فصل بر روش های بکار برده شده توسط محقّقان در سیستم بیومتریک عنبیه تأکید دارد و سعی شده است روش های 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.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))
فصل
۱
۲
۳
۴
۵
روش اجرای تحقیق
۳-۱. 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.
۳-۲. 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(۳-۱) تصویر اولیه تابع canny اصلاح شده
تصویر (۳-۱) 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 (۳-۲) 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 (۳-۳)،(۳-۴) و (۳-۵) آمده است:
تصویر (۳-۳) نتیجه تصویر
تصویر (۳-۴) نتیجه تصویر از تأثیر مشتقات افقی
تصویر (۳-۵) 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 (۳-۶) آمده است.
تصویر (۳-۶) گرادیان تصویر
بعد از این مراحل زاویه هر لبه بدست می آید و بین صفر تا ۱۸۰ درجه نگاشت شده و در آخر به صورت زاویه ایی در میآیند که بین صفر تا ۱۸۰ درجه هستند نتیجه زاویه در تصویر (۳-۷) آمده است.
تصویر (۳-۷) 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 ۱۸۰ درجه داشته باشند ولی پایین وبالای عنبیه مقادیر نزدیک ۹۰ 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 ۱/g میرساند و روشنایی تصویر را تحت تاثیر قرار میدهد در ادامه تأثیر آن مشاهده میشود.
تصویر (۳-۸) تصویر بعد از تابع adggamma
تابع بعدی تابع nonmaxsup میباشد. وظیفه این تابع یافتن ماکزیمم لبه ها میباشد تا بتوان از تصویر (۳
-۸) 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(۳-۹). لبه سمت راست عنبیه
همانطور که در تصویر (۳-۹) 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 (۳-۱۰) مشاهده میشود.
تصویر(۳-۱۰). نتیجه تابع nonmaxsup
در آخر هم با یک آستانه گذاری لبه های مورد نظر را انتخاب میکنیم. در این مرحله از تابعhysthresh استفاده میکنیم این تابع تصویرو آستانه بالا و پایین را به ترتیب میگیرد. برای نقاطی که بدلیل انعکاس منبع نوری در سیستم تشخیص عنبیه وجود دارد می توان از آستانه گذاری استفاده کرد و نقاطی که دارای شدّت بسیار بالا هستند از مقایسه حذف شوند.
تصویر(۳-۱۱).نتیجه آستانه گذاری
۳-۴. ناحیه بندی عنبیه غیرایده آل
ناحیه بندی یکی از مهمترین بخش ها در سیستم تشخیص هویت میباشد و هر گونه خطا در این قسمت تقریباً غیر قابل جبران میباشد و خطای حاصل تا پایان کار از بخشی به بخش دیگر منتقل میشود. در این پایان نامه تمامی لبه ها بررسی میشوند و هر چه اندازه تصویر کمتر باشد زمان اجرا کمتر میشود که با کم شدن حجم تصویر، زمان اجرا به شدت کاهش مییابد. به همین دلیل معمولاً تصویر را با یک نسبت کوچک کرده و روش تشخیص دایره را به ان اجرا کرده و در پایان دوباره تصویر را به حجم اولیه میرسانیم.
برای ناحیه بندی عنبیه غیرایده آل نیاز هست تا مراکز دوایر(عنبیه و مردمک) را بدست آوریم.
برای اینکار باید مراکز را در رنج هایی که به صورت تجربی و با توجه به پیکسل های تصویر اولیه تعیین میکنیم را بدست آوریم. با توجه به اینکه حجم تصویر اولیه ۲۰۰*۱۵۰ پیکسل بوده میتوانیم رنج های زیر را به صورت تجربی تعریف نماییم.
R1=20-60 شعاع عنبیه
R2=5-15 شعاع مردمک
