در 1985،  ساتوشی واتناب   الکو را به صورت  نقطه مقابل اشفتگی  تعریف کرده است: یک واحد کامل، با تعریف مبهم که می تواند به یک نام داده شود: به عبارت دیکر، یک الگو  می تواند  هر  شی یا بخش مورد نظر باشد که برای تشخیص و شناسایی لازم است. لازم  به ذکر است که   افراد  خواهان  درک نام هستند. مثال هایی از الگو ها به شرح زیر هستند: یک پیکسل در یک تصویر، یک شکل دو یا سه بعدی، یک   کاراکتر تایپ شده  یا دست نویس،  با  اثر انگشت، رد پا، صورت انسان، صدای فردف سیگنال صوت،  سری های زمانی ECG،  یک ساختمان یا شکل حیوان باشد.

 یک سیستم تشخیص الگو(PRS)  یک سیستم خودکار است که هدف آن طبقه بندی الگو های ورودی به یک کلاس ویژه است. این دو کار متوالی را انجام می دهد: 1-  تحلیل یا توصیفی که ویژگی ها را از الگوی مطالعه شده استخراچ کند و 2-   طبقه بندی یا تشخیصی که ما را قادر به  تشخیص یک شی یا الگو با استفاده از ویژگی های بر گرفته  شده   از اولین کار ، می کند

 این  وب سایتی برای دوره های اموزشی تشخیص الکو می باشد که در  اولین  سال  لیسانس  تدریس می شوذ. مواد ارایه شده انقدر کامل هستند که به عنوان یک دستور العمل  اموزشی در نظر گرفته می شود.

 فنون تشخیص الگو مربوط به تئوری ها و الگوریتم های  انتزاعی می باشد. روش های تشخیص الکو در  بسیاری از  زمینه ها مفید هستند. نظیر  بازیابی اطلاعات، داده کاوی، تحلیل تصویر سند و شناخت، زبان شناسی محاسباتی، پزشکی قانونی، بیومتریک و بیوانفورماتیک. وب سایت هایی برای دوره های مربوط به داده کاوی و یادگیری ماشینی وجود دارند.

 بیشتر موضوعات مربوط به روش های طبقه بندی آماری هستند. آن ها شامل روش های  مولد  نظیر روش های مبتنی بر تئوری بیزین تصمیم گیری و روش های براورد پارامتر و براورد تراکم هستند. روش های   دیگر شامل  طبقه بندی نزدیک ترین همسایه،  ماشین های بردار پشتیبان هستند. شبکه های عصبی مصنوعی، ترکیب  دسته بند و خوشه بندی از اجزای اصلی تشخیص  الگو هستند.

 یک دوره اموزشی در زمینه احتمال می تواند پیش نیاز باشد

 برنامه های  فنون تشخیص الکو با پروژه های مربوط به تشخیص  اثر  انگشت،  تشخیص دست خط و   تایید دست خط   نشان داده می شوند.

جلسه اول
 

جلسه دوم
 

جلسه سوم
 

جلسه چهارم
 

جلسه پنجم
 

جلسه ششم
 

جلسه هفتم
 

جلسه هشتم
 

جلسه نهم
 

جلسه دهم
 

جلسه یازدهم
 

جلسه دوازدهم
 

جلسه سیزدهم
 

جلسه چهاردهم
 

جلسه پانزدهم
 

جلسه شانزدهم
 

جلسه هفدهم
 

جلسه هیجدهم
 

جلسه نوزدهم
 

جلسه بیستم
 

جلسه بیست و یکم
 

جلسه بیست و دو
 

جلسه بیست و سوم
 

نوشته آموزش فارسی شناسایی الگو اولین بار در ايران متلب. پدیدار شد.

زبان برنامه نویسی پایتون یکی از زبان های برنامه نویسی است که به سرعت در حال افزایش محبوبیت و کاربرد در بین برنامه نویسان می باشد.

پردازش تصویر روشی برای تبدیل یک تصویر به صورت دیجیتال و انجام برخی از عملیات بر روی آن، به منظور دریافت یک تصویر بهبود یافته و یا برای استخراج برخی از اطلاعات مفید از آن است. 

سرفصل مطالب :

باز کردن و نوشتن فایلهای تصویری

نمایش تصویر

تغییرات پایه

اطلاعات آماری

تبدیلات هندسی geometrical

فیلتر کردن تصویر

تبدیل فوریه تصویر

بلوری کردن

شفاف سازی

حذف نویز

عملیات مرفولوژی

استخراج ویژگی

لبه یابی

قطعه بندی segmentation

انداه گیری خصوصیات اشیا object داخل تصویر

نوشته پردازش تصویر در پایتون اولین بار در ايران متلب. پدیدار شد.

.

.

.

.

.

.

بعد از مدتها ایران متلب تصمیم گرفت فیلم آموزشی تهیه شده توسط مهندس قیصری مدیر گروه ایران متلب را برای استفاده کاربران ایران متلب جهت دانلود قرار دهد.

این فیلم آموزشی یک محصول منحصربفرد از ایران متلب می باشد که هیچ جای دیگری مشابه آن را پیدا نخواهید کرد. آموزش های متلب زیاد هستند اما آموزشی که توسط متخصص با تجربه و با سابقه متلب تهیه شده است ، کمیاب است.

مهندس قیصری دارای سابقه نه ساله در کدنویسی متلب در پروژه های مختلف دانشجویی و صنعتی می باشد. ایشان تاکنون بیش از چند میلیون خط کد متلب را نوشته است و با بیشتر قسمت ها و دستورات متلب آشنایی دارند.

این مجموعه فیلم آموزشی بیش از 100 قسمت یا 200 قسمت شاید هم بیشتر خواهد بود که به مرور برای خریداران این محصول ایمیل خواهد شد. کاربران محترمی که می خواهند بقیه قسمت ها را به مرور دریافت کنند ، می توانند هزینه این آموزش را پرداخت کنند.

مهندس قیصری قصد دارند در این محموعه بزرگ فیلم آموزشی ، همه چیزهایی که از متلب بلد هستند را به دیگران یاد بدهند. 

چرا این آموزش به مرور برای کاربران ایمیل می شود؟

یادگیری یک نرم افزار برنامه نویسی مانند متلب یک شبه اتفاق نمی افتد و نیاز به تمرین و ممارست دارد. لذا ایران متلب تصمیم گرفت قسمت های آموزش را به مرور برای کاربران خود ارسال کند تا زمان داشته باشند با تمرین های مختلف آموزش را در ذهن خود نهادینه کنند.

هر چند مدت یک بار قسمتی از این آموزش ایمیل خواهد شد؟

به طور متوسط هر هفته ، سه تا چهار قسمت ایمیل خواهد شد.

لینک دانلود

نوشته سیر تا پیاز متلب MATLAB اولین بار در ايران متلب. پدیدار شد.

پردازش تصویر روشی برای تبدیل یک تصویر به فرم دیجیتال و انجام عملیات بر روی آن ، تا یک تصویر بهبود یافته بدست آمده و اطلاعات مفیدی از تصویر استخراج شود.

تصویر یک سیگنال دو بعدی می باشد. لذا پردازش تصویر به نوعی یک پردازش سیگنال می باشد. خروجی آن می تواند تصویر یا خصوصیتی در مورد تصویر باشد.

پردازش تصویر امروزه یکی از موضوعات بسیار پرکاربرد در علوم مختلف می باشد.

کاربردهای پردازش تصویر دیجیتال

بازسازی و افزایش کیفیت تصویر

مهندسی پزشکی

شناسایی از راه دور remote sensing

انتقال و کدگذاری

بینایی ماشین و ربات

پردازش رنگ

شناسایی الگو

پردازش ویدئو

آنالیز تصاویر میکروسکوپی

کاربردهای اصلی پردازش تصویر دیجیتال در پزشکی به صورت زیر است :

تصویربرداری اشعه گاما

اسکن PET

تصویر برداری X Ray

CT اسکن

تصویربرداری UV

اهداف پردازش تصویر

میتوان به پنج گروه آنرا تقسیم کرد :

تصویر سازی (visualization) : مشاهده قسمت هایی از تصویر که قابل مشاهده نیست.

بازسازی و افزایش کیفیت (image sharping and restoration) : برای ایجاد تصویر بهتر .

بازیابی تصویر (image retrieval) : جستجو برای تصویر مورد علاقه .

اندازه گیری الگو (measurement of pattern) : اندازه گیری اشیای مختلف داخل تصویر.

شناسایی تصویر (image recognition) : تمایز دادن اشیای داخل تصویر.

هدف از تهیه این فیلم آموزشی :

به موازات گسترش كاربردهاي پردازش تصویر، نياز به فراگيري آن برای علاقه مندان به وجود آمده است. اما کتاب های زیادی در این زمینه نوشته شده اما در اکثر آنها تئوری با فرمول و روابط پیچیده بیان شده است و علاقه مندان با مراجعه به آنها از ادامه مسیر یادگیری نا امید می شوند. در اکثر این کتاب ها جنبه کاربردی بودن کمتر مورد توجه قرار گرفته است.

لذا گروه برنامه نویسی ایران متلب تصمیم گرفت یک فیلم آموزشی جامع ، بر اساس سالها تجربه خود در پروژه های مختلف پردازش تصویر، برای استفاده علاقه مندان تهیه کند.

یک عکس هم از گروه بینایی ماشین شرکت mathworks که برنامه نویسان توابع پردازش تصویر متلب هستند را براتون پیدا کردم که در قسمت زیر میتونید آنها ببینید :

مخاطبین :

اين فيلم آموزشي توسط هر فردي كه دوست دارد تا با پردازش تصویر آشنا بشود قابل استفاده است و توسط دانشجويان تمامي رشته ها قابل استفاده است.

سرفصل ها : ( به مرور تکمیل می شود)

توضیح با جزییات دستور imread

چه فرمت هایی imread پشتیبانی می کند؟

کلاس خروجی unit8 و unit16

انواع تصاویر در تولباکس پردازش تصویر متلب

Binary و indexed و gray level و True Color

تصاویر DICOM

کاربرد تصاویر indexed

دستور dicominfo

دلیل 4 بعدی خروجی تصاویر DICOM

پارامتر NumberOfFrames

تبدیل فرمت تصاویر

نمایش چند تصویر در یک پنجره(عمودی و افقی)

قرار دادن عنوان برای پنجره

هشدار (warning) نمایش تصویرهای خیلی بزرگ

فرمت NITF

فرمت analyze 7.5

فرمت interfile

تصاویر HDR (High Dynamic Range)

دستور tonemap

معرفی دستورات تبدیل فرمت تصاویر

دستور rgb2gray

تبدیل تصویر خاکستری به رنگی rgb

دستور im2bw

تعیین حد آستانه باینری کردن

دستور graythresh

دستور index2gray

دستور rgb2gray

کاربرد hsv در شناسایی چهره

تبدیل به فرمت double

تنطیمات تولباکس پردازش تصویر

Initial magnification

Border Style در imshow

نمایش Axes تصویر

مختصات فضایی (x,y) در تصویر

گزینه Copy Figure

Border Style نوع Tight

ذخیره سازی تصویر

گزینه Enable Hardware Optimization

گزینه imtool

پنجره Inspect Pixel Values

کاربرد imtool در پروژه های برنامه نویسی

ابزار measure distance

نمایش فیلم یا multiframe

نمایش تصاویر gif به صورت فیلم

ساخت فیلم با تصاویر متوالی

دستور immovie

دستور implay

کار با movie player متلب

تبدیلات هندسی

دستور imcrop

برش یا بریدن بخشی از تصویر

گزینه Copy Position در imcrop

کاربردهای imcrop در استخراج ویژگی

ارتباط regionprops و imcrops

دستور تغییر اندازه تصویر imresize

کابردهای imresize

چند برابر کردن تصویر

تغیییر اندازه تصویر به مقدار یک مشخص

تغییر اندازه تصویر به تعداد سطر مشخص و تعداد ستون نامشخص

تئوری تغییر اندازه تصویر

روش nearest neighbor

روش bilinear

روش bicubic

روش box shape kernel

روش مثلثی triangular

روش cubic

روش lanczos

چرخش تصویر imrotate

تصحیح پرخش تصویر

کاربرد در شناسایی حروف

دستور imtranslate

جابجایی مکانی تصویر

پر کردن اطراف تصویر با عدد خاصی

گزینه FilledValues

دستور impyramid

گزینه reduce

گزینه expand

معیارهای کیفیت تصویر SSIM

دستور imwrap

دستور affline2d

توضیح عناصر ماتریس affline

دستور imshowpair

محاسبه اتوماتیک tform

تصحیح کجی تصویر

دستور fitgeotrans

تبدیل affine

تبدیل projective

تبدیل شباعت غیر reflective

تبدیل Piecewise Linear

تبدیل Local Weighted Mean (میانگین وزندار محلی)

تبدیل چند جمله ای polynomial

کمترین تعداد نقاط لازم برای affine

تاثیر چرخش تصویر در الگوریتم

دستور imfuse

انداختن دو تصویر بر روی هم

دستور imref2d

دستور imregconfig

توابع registration

گزینه های رجسیتر

(تعداد کل تکرارها ، حداقل و حداکثر طول گام ، تلورانس اندازه گرادیان ، فاکتور relaxation )

دستور imregister

نوع translation

نوع rigid

نوع similarity

نوع affine

توضیح فلوچارت registration

توابع افزایش contrast تصویر

افزایش کیفیت تصویر

تابع imadjust

تخصیص بازه برای imadjust

Imadjust برای تصاویر رنگی

استفاده از []

تابع imcontrast

کار با ابزار Adjust Contrast

تغییر مینیمم و ماکزیمم کنتراست تصویر

دستور imsharpen

تمایز دادن لبه ها

حذف ماتی و بلوری تصویر

یکسان سازی هیستوگرام

تفاوت histeq و adapthisteq

نحوه انتخاب تابع یکسان سازی هستوگرام

imhistmatch

تغییر هیستوگرام بر مبنای هیستوگرام تصویر مرجع

تعیین حد پایین imadjust

تایع stretchlim

اضافه کردن نویز به تصویر

چرا نویز به تصویر اضافه می کنیم؟

تابع imnoise

انواع نویز (Gaussian و localvar و poisson و salt @ pepper و speckels )

( گایوسین و واریانس محلی و پواسون و نمک و فلفل و اسپکلز)

پارامترهای میانگین و واریانس نویز گایوسین

پارامترهای نویز سفید گایوسین میانگین-صفر

پارامترهای نویز نمک و فلفلی

رابطه کلی نویز speckels

نکاتی در مورد نویز در تصویر

طریقه بیان نتایج حذف نویز در مقاله

فیلتر ها در تصویر

مفعوم convolution

مفهوم correlation

پنجره یا window در فیلترها

توضیج کانالوشن با مثال

توضیح correlation با مثال

حرکت sliding پنجره فیلترینگ

کرنل یا kernel در فیلترینگ

Convolution یا correlation کدام مناسب تر است؟

مفهوم padding

مقدار padding چقدر می تواند باشد ؟

حرکت distinct پنجره فیلترینگ

پیکسل مرکزی یا center pixel در پردازش تصویر

Sliding یا distinct کدام مناسب تر است؟

تابع nlfilter

تابع blockproc

کاربرد imfilter

ساخت فیلتر با fspecial

فیلتر میانگین average

فیلتر میانگین دایره ای circular

فیلتر پایین گذر گایوسین lowpass filter gaussian

فیلتر لاپلاسین laplacian

فیلتر گایوسین لاپلاسین

فیلتر تقریب حرکت خطی دوربین motion

فیلتر prewitt

فیتلر sobel

یافتن لبه های عمودی

یافتن لبه های افقی

استخراج لبه های عمودی و افقی با هم

خصوصیات کرنل فیلتر

اعمال فیلتر به تصویر

دستور imadd

تنظیم اندازه پنجره فیلتر میانگین

برای حذف نویزهای ضربه ای چه کار کنیم؟

تابع imgaussfilt

لینک دانلود

دانلود و مشاهده قسمت اول :

لینک دانلود قسمت اول (کیفیت اصلی)
لینک مشاهده قسمت اول در آپارات
لینک مشاهده قسمت اول در تخته سفید
لینک مشاهده قسمت اول در یوتیوب

دانلود و مشاهده قسمت دوم :

لینک دانلود قسمت دوم (کیفیت اصلی)
لینک مشاهده قسمت دوم در آپارات
لینک مشاهده قسمت دوم در تخته سفید
لینک مشاهده قسمت دوم در یوتیوب

نوشته فیلم آموزشی پردازش تصویر در متلب MATLAB اولین بار در ايران متلب. پدیدار شد.

مقدمه

در جامعه امروز ما تشخیص هویت نقش مهمی را ایفا می کند
در تشخیص هویت سعی می شود تا برای چنین سوالاتی پاسخ پیدا کنیم:
۱) ایا یک فرد خاص همان کسی است که ادعا می کند؟
۲) ایا سوابق و یا اطلاعاتی از یک فرد خاص موجود است؟
۳) ایا یک فرد خاص حق ورود به سیستم را دارد؟
۴) یک کارمند خاص مجاز به چه عملیاتی در سیستم است؟
برای پاسخ دادن به این سوالات در اولین گام باید هویت فرد را مشخص کرد.از طرفی دیگر با رشد سریع تکنولوژی شاهد ان هستیم که ارتباط بین افراد بیش از پیش الکترونیکی می شود. بنابراین نیاز داریم تا هویت افراد را بطور دقیق و خودکار تعیین کنیم.

انواع مشخصه هاي تشخيص هويت

امروزه مشخصه هاي متعددي از انسانها مي تواند براي شناسايي به کار رود که تعدادي از آنها فيزيکي و تعدادي رفتاري هستند. بعنوان مثال مي توان از اثر انگشت، پوشش عنبيه و شبکيه، الگو هاي سياهرگهاي بدن و DNA  بعنوانويژگي هاي فيزيکي و تون صدا، امضا و سرعت تايپ بعنوان ويژگي هاي رفتاري نام برد. از ويژگي هاي رفتاري معمولا تنها براي تاييد هويت استفاده مي در حالي که ويژگي هاي فيزيکي هم براي شناسايي و هم براي تاييد هويت قابل استفاده اند. براي دسترسي به اين ويژگي ها از ابزارها و روشهاي خاصي مانند ضخامت و قطر رگها يا دايره هاي رنگي چشم، لرزشهاي ناخودآگاه دست، چيدمان و شيوه قرار گرفتن اشکال هندسي بر روي انگشتان و … استفاده مي شود.

روشهاي سنتي

با وجودیکه شناسایی افراد بصورت خودکار در جامعه امروز امری ضروری به نظر می اید اما شناسایی افراد توسط خصیصه های فیزیکی  ورفتاريان ها موضوع تازه ای نیست .انسان ها یکدیگر را با توجه به خصیصه های فیزیکی شان شناسایی می کنند.ما در ملاقات حضوری یکدیگر را از روی چهره تشخیص می دهیم و یا در ارتباط تلفنی با توجه به صدای فرد مقابل به هویت او پی می بریم. در روش های سنتی اطلاعاتی که فرد در اختیار دارد بیانگر هویت اوست.از جمله این اطلاعات می توان به کلمه رمز و یا یک شماره شناسایی اشاره کرد که این روش های سنتی دارای مزایا و معایبی هستند .

• مزایا:
  سادگی و کم هزینه بودن ان ها است.سیستمی که بخواهد چنین شاخص هایی را مورد شناسایی قرار دهد چندان پیچیده نخواهد بود و با هزینه اندکی نیز قابل پیاده سازی است.
  ●معایب:
  این شاخص ها قابل دزدین هستند و یا ممکن است فراموش شوند.در واقع در روش های سنتی سیستم قادر نیست تا بین فرد واقعی و فرد نفوذ کننده تمایز قایل شود و هر کسی که دانش مورد نظر را در اختیار داشته باشد به عنوان فرد واقعی شناسایی خواهد شد پس می توان نتیجه گرفت که سیستم های سنتی از امنیت کافی برای جامعه الکترونیکی امروزی ما برخوردار نیستند.

علل استفاده ازاثرانگشت

اما امروزه تعیین هویت قطعی افراد در مبادله اطلاعات یک عنصر

حیاتی در ایمنی داده ها است.بنابراین روش های مختلفی برای

تعیین هویت افراد وجود دارد.
تعیین هویت افراد با استفاده ازاثرانگشت نسبت به سایرروش هاي تعیین هویت بطور گسترده ای مورد استفاده قرار می گیرد.به برامدگی ها و فرو رفتگی های موجود در پوست نوک انگشت اثر انگشت گویند بزرگترین دلیل استفاده گسترده و عمومی از اثر انگشت بعنوان ابزار تعیین هویت این است که اثر انگشت افراد منحصر به فردند و در طول عمر فرد تغییر نمی کنند.

كاربردها

روش های شناسایی اثر انگشت یکی از جالب توجه ترین روش های تشخیص الگو برای تعیین هویت افراد هستند.تکنیک های شناسایی اثر انگشت اطمینان و ثبات در تشخیص هویت را تضمین می کنند و بدین ترتیب در کاربردهای مختلف مورد استفاده قرار می گیرد.
از جمله اثر انگشت در صنایع کامپیوتری مانند business,Network,Software liciensing و وسايل جانبی مانند ماوس و صفحه کلید کاربرد دارد.همچنین در روشن کردن اتومبیل , قفل گاو صندوق یا درب ها و یا کارت های اعتباری استفاده می شود.

مشكلات استفاده ازاثرانگشت

از طرف دیگر مشکلات عملی زیادی در سیستم های شناسایی اثر انگشت وجود دارد.هر دفعهکهیک اثر انگشت گرفته می شود ممکن است بخاطر قابلیت کشسانی پوست , تحریفاتی در شکل و محل اثر انگشت ایجاد شود.علاوه بر این اطمینان بالا و پردازش بلادرنگ  فاکتورهای مهم مورد نیاز در سیستم خودکار شناسایی اثر انگشت هستند.
برای حل این مشکلات , استخراج ریزه ها از تصاویر اثر انگشت و کاربرد ان ها در تطبیق اثر انگشت مورد بررسی قرار می گیرد.

بیومتریک

به روشها و سيستمهاي آماري و رياضي مورد استفاده براي تحليل داده هاي فيزيولوژيک، بيومتريک گفته مي شود.

روش های بیومتریک از اثر انگشتان , الگوهای رفتاری , خصوصیات چهره ای , اسکن شبکیه چشم , دستخط بعنوان خصیصه های قابل شناخت انسان استفاده می کنند.
این ویژگی ها یا در وجود فرد مسستر است و یا رفتاری است که او از خود بروز می دهد.بنابراین به صورت ذاتی نسبت به روش های سنتی قابل اعتماد تر بوده است و از امنیت بیشتری برخوردار است.به همین نسبت نیز سیستم هایی که قادر به تشخیص شاخص های بیومتریکی هستند از پیچیدگی بیشتری برخوردارند.

نکته قابل توجه اینست که سیستم های بیومتریک نیز قابل نفوذ هستند و در پاره ای موارد امکان تهیه یک کپی و یا تقلید از ویژگی مورد نظر وجود دارد.در چنین مواردی سیستم بیومتریک ممکن است دچار اشتباه گردد.با این حال سیستم های بیومتریک به مراتب نسبت به سیستم های سنتی قابل اعتماد تر می باشند.

سیستم های بیومتریک

یک سیستم بیومتریک در واقع یک سیستم شناسایی الگو است که هویت فرد را با تجزیه و تحلیل ویژگی های استخراج شده از خصیصه بیومتریکی تعیین می کند.
یک سیستم بیومتریک از لحاظ منطقی به دو بخش تقسیم می شود:

1-بخش نام نويسي

2-بخش شناسايي

بخش نام نويسي

در بخش نام نویسی جمع اوری خصیصه های بیومتریکی افراد و ذخیره ان ها در سیستم انجام می شود.
در طی این فاز ویژگی مورد نظر توسط بخش بیومتریک خوان خوانده شده و سپس توسط بخشی با نام استخراج کننده ویژگی , ویژگی های موجود در قالب الگوهایی جدا می شود و در بانک داده سیستم قرار می گیرد.

بخش شناسايي

وظیفه بخش شناسایی , تشخیص و تایید هویت افراد در هنگام ورود و یا دستیابی به سیستم است. طی این فاز بخش بیومتریک خوان خصیصه بیومتریکی را خوانده و ویژگی های ان را استخراج می کند سپس این ویژگی ها را با الگو های موجود در بانک داده سیستم مقایسه می کند و در نهایت مجوز ورود یا عدم ورود به سیستم را صادر می کند.

تفاوت درسيستمهاي سنتي وبيومتريك
در روش های سنتی دانشی که به سیستم ارایه می شود بطور دقیق هویت فرد را مشخص می کند.تفاوت اصلی بین یک سیستم بیومتریک و یک سیستم سنتی تشخیص هویت در پاسخی است که هر یک از این دو به خصیصه ارایه شده می دهند.
بر خلاف سیستم های سنتی یک سیستم بیومتریک جواب مطلق اری یا نه مبنی بر رد یا پذیرش نمی دهند.به عنوان مثال در یک سیستم سنتی یا عین کلمه رمز ارایه شده در سیستم موجود است و یا نیست. بنابراین حالت بینایی وجود ندارد اما در یک سیستم بیومتریک عین خصیصه ارایه شده به سیستم را در بانک داده نداریم وانچه ارزیابی می شود میزان شباهت خصیصه ارایه شده با خصیصه موجود در بانک داده است. مثلامیزان شباهت امضای ارایه شده با امضایی که از قبل در سیستم موجود است, اندازه گیری می شود.

خطا در سیستم های بیومتریکی

هدف ایده ال طراحی یک سیستم بیومتریک است که میزان تطبیق بین دو خصیصه را بطور صد در صد مشخص کند. اما در عمل دستیابی به چنین سیستمی غیر ممکن است .بنابراین همواره از یک مقدار حد استانه برای تصمیم گیری در مورد  رد یا پذیرش خصیصه مورد نظر استفاده می شود.با توجه به مطالب بیان شده دو نوع خطا برای یک سیستم بیومتریک می توان تعریف کرد.
۱- رد درست: بدین معنا که به فرد اصلی اجازه ورود به سیستم داده نشود.این خطا زمانی رخ می دهد که سیستم شباهت کافی بین خصیصه ارایه شده و خصیصه موجود در سیستم پیدا نکند.
۲ – پذیرش نادرست :به این معنا که به کاربر غیر مجاز اجازه ورود به سیستم داده شود.این خطا زمانی رخ می دهد که شباهت بین خصیصه ارایه شده توسط کاربر غیر مجاز و خصیصهه موجود در سیستم از حد استانه بیشر باشد.

اخذ تصویر

قدیمی ترین روش همان روش استفاده از کاغذ و جوهر است در این شیوه ابتدا سطح انگشت را به جوهر اغشته کرده و سپس روی کاغذ می غلتانند.برای وارد کردن تصویر به دست امده به یک سیستم کامپیوتری از یک پویشگر تخت استفاده می شود. تصویر بدست امده از این روش بسیار اعوجاج داشته و حتی در تشخیص بصورت دستی نیز نیازمند یک فرد خبره است.

اسكن زنده

روش دیگری که امروزه در بسیاری از سیستم ها از ان استفاده می شود بکارگیری دوربین های CCD است.
در روش اخیر که اصطلاحا اسکن زنده نیز نامیده می شود دستیابی به تصویری با کیفیت خوب امکان پذیر است.چهار تکنیک برای اسکن زنده وجود داردکه به ان ها اشاره

می کنیم:
۱) تکنیک نوری
۲) ماورا صوت
۳) میدان الکتریکی
۴) تکنیک حرارتی

درکلیه این تکنیک ها سطح انگشت با قسمت خاصی از دستگاه در تماس قرار گرفته تصویر اخذ می شود.
در تکنیک نوری انگشت بر روی یک منشور قرار می گیرد و به ان نور تابانده می شود.با اندازه گیری میزان نور بازگشتی از هر قسمت تصویری از اثر انگشت شکل می گیرد.
در روش ماورا صوت با توجه به میزان انرژی صوتی منعکس شده از سطح انگشت برای اشکار سازی لبه ها و شیارها استفاده می شود.

میدان الکتریکی بر اساس اندازه گیری اختلاف ظرفیت الکتریکی سطح انگشتی که حسگر را لمس می کند عمل می کنند

و در نهایت حسگر های حرارتی با اندازه گیری اختلاف دمای سطح پوست شیارها و لبه های اثر انگشت را نمایان می سازد.

عوامل اختلاف دردونسخه ازيك اثرانگشت

روش اسکن زنده ,تصویر نسبتا خوبی از اثر انگشت ارایه میدهد.اما هنوز هم عواملی چون خشکی پوست بیماری های پوستی , عرق, کثیفی و چربی باعث بوجود امدن اعوجاج درتصویر اثر انگشت می شوند.در هر دو روش سنتی و اسکن زنده عواملی باعث بروز اختلاف در دو نسخه از یک اثر انگشت می شوند که در زیر به ان ها اشاره می کنیم:
۱) انتقال: تفاوت در موقعیت مکانی نسخه های مختلفی که از اثر انگشت گرفته می شود.
۲) چرخش: ناشی از چرخش انگشت هنگام اخذ اثر انگشت است.

۳) مقیاس: از اختلاف فشاری که فرد در هر بار اخذ اثر انگشت به سطح دستگاه یا کاغذ وارد می کند ناشی می شود.
۴) اختلاف در اثر انگشت به دلیل عواملی چون بیماری های پوستی, سوختگی و عرق با وجود این که اسکن زنده تصویری با کیفیت خوب از اثر انگشت در اختیار ما قرار می دهد اما باز هم مکانیزم هایی به موازات ان برای اخذ اثر انگشت به صورت کنترل شده به کار می رود. در اخذ اثر انگشت به صورت کمنرل شده میزان فشاری که فرد در هر بار اخذ به سطح دستگاه وارد می کند توسط یک حسگر فشار اندازه گیری شده و به عنوان یک پارامتر ورودی به سیستم داده می شود بدین طریق می توان باز هم کارایی سیستم را افزایش داد.

طبقه بندی اثر انگشت
طبقه بندی اثر انگشت در سیستم های تعیین هویت مورد استفادهقرار می گیرد.هدف از طبقه بندی اثر انگشت این است که بانکداده را تا حد امکان به بخش های کوچکتری تقسیم کنیم     . درسیستم های تعیین هویت تنها بخشی از بانک داده که از  حیث طبقه متناظر با اثر انگشت ورودی است مورد جستجوقرار         می گیرد.درسیستم هایی که با جمعیت های کم کار می کنند

می توان از رده ای که اثر انگشت به ان متعلق است به عنوانتنهاویژگی برای تعیین یا تایید هویت فرد استفاده کرد.

روش هنري

از جمله قدیمی ترین سیستم طبقه بندی مورد استفاده در سیستم های دستی روشی است که توسط هنری ارائه شده است.در این طبقه بندی ۵ رده وجود دارد که به ترتیب راستحلقه, چپحلقه, پیچشی , کمانی و کمانی خیمه ای نامیده می شود.
تعیین طبقه برای یک اثر انگشت با توجه به جهت امتداد لبه ها در اطراف هسته و همچنین تعداد و چگونگی قرار گرفتن نقاط هسته و دلتا صورت می گیرد.در موارد کمی نمی توان یک اثر انگشت را به یک طبقه خاص نسبت داد و همواره در هر نوع سیستم طبقه بندی یک طبقه با نام طبقه غیر مترقبه در نظر گرفته می شود و چنین اثر انگشتی را به این طبقه نسبت

می دهند.

طبقه بندی ارائه شده برای فرایندی دستی طبقه بندی مناسبی است.چرا که ضوابط بیان شده برای نسبت دادن یک اثر انگشت به یک رده خاص بسیار شفاف و واضح است.در یک سیستم خودکار بهتر است تا با بیشتر کردن تعداد رده ها بانک داده را به بخش های کوچکتری تقسیم کنیم.اما به دلیل واضح بودن سیستم طبقه بندی ارائه شده اکثر سیستم های خودکار امروزی نیز از همین طبقه بندی استفاده

می کنند.

استخراج ویژگی های موجود در اثر انگشت
خصوصیات اصلی در یک اثر انگشت لبه ها)برجستگی ها) و شیارها ( فرو رفتگی ها(هستند که بصورت یک در میان قرار دارند.لبه ها و شیارها بصورت محلی دارای جهت یکسانی بوده و موازی می باشند.در خطوط لبه بی نظمی های مانند دو شاخه شدن خط لبه و پایان یافتن خط لبه دیده می شود در چنین حالتی اصطلاحا می گوییم با عدم پیوستگی محلی مواجه گشته ایم. که چنین نقاطی را ویژگی می نامند.
رایج ترین ویژگی هایی که امروزه از اثر انگشت استخراج می شود ویژگی هایی هستند که توسط Galton معرفی شدند.در ابتدا این شخص چهار ویژگی معرفی کرد اما بعد ها این ویژگی توسط افراد دیگری هم توسعه پیدا کرد و تا هجده ویژگی معرفی شد.

پايان لبه وريزه

استخراج خودکار کلیه ویژگی های معرفی شده توسط کامپیوتر بسیار مشکل بوده و حتی استخراج ان ها بصورت دستی نیز نیاز به تخصص دارد. در اکثر سیستم های خودکار امروزی فقط به استخراج دو ویژگی خاص با نام های پایان  لبه و دو شاخه که ریزه نامیده

می شود بسنده می شود.این دو ویژگی خاص بیشتر از ویژگی های دیگر در یک اثر انگشت قابل مشاهده است و الگوریتم های استخراج ان از قابلیت اعتماد بیشتری برخوردار می باشد.شناسایی اثر انگشت بر اساس تحلیل ریزه های استخراج شده انجام می شود.بنابراین قابلیت اجرا و کارایی سیستم خودکار شناسایی اثر انگشت به دقت ریزه های استخراج شده بستگی دارد.

تصويرباينري

البته تعداد زیادی از روش ها برای کشف ریزه های اثر انگشت وجود دارد در بیشتر این روش ها تصاویر سیاه و سفیدسطح خاکستری) اثر انگشت را به یک تصویر باینری (دو سطحیتبدیل می کند.
طی این فاز لبه ها از شیارها کاملا تفکیک می شود. سپس یک فرایند نازک سازی که باعث می شود تا لبه ها به منحنی هایی با عرض یک نقطه تبدیل شوند بر روی تصویر باینری انجام

می دهند.در مرحله بعد ریزه را از تصویر باینری نازک سازی شده استخراج می شوند. البته تبدیل تصویر سطح خاکستری به تصویر باینری , ممکن است بسیاری از اطلاعات ریزه ها را از بین ببرد و عملیات بسیار حساسی است.همچنین فرایند نازک سازی داخلی از نظر محاسباتی بسیار پیچیده است.

روش استخراج ریزه ها

روش استخراج ریزه های بررسی شده در این پروژه بر اساس الگوریتم دنبال کردن خط لبه است.در این الگوریتم جهت لبه ها و مشخصه های ساختاری خطوط لبه مانند عرض و فاصله خطوط لبه به صورت خودکار از تصویر سطح خاکستری اثر انگشت براورد می شوند.
برای بدست اوردن نتایج قابل اطمینان در استخراج ریزه تصویر اثر انگشت ورودی تحلیل می شود و پارامتر های خطوط لبه براورد می شوند. سپس الگوریتم دنبال کردن خط لبه برای استخراج ریزه ها بکار می رود.برای حفظ هر اثر انگشت,

مرز های تطبیق توافقی برای حذف ریزه های نا معتبر خارج از محدوده مورد نظر تولید و برای تعیین مقدار کمی ریزه ها از مفهوم مجموعه های فازی روی ریزه ها استفاده می شود.اگر ریزه های بدست امده معتبر باشند در یک بانک اطلاعاتی ثبت می شوند و در غیر این صورت به مرحله تطبیق می روند.

خصوصيات استخراجي ريزه ها

خصوصیاتی از اثر انگشت که در یک سیستم خودکار ذخیره

می شود شامل موقعیت مکانی , جهت و نوع ریزه ها است.بدین ترتیب مساله تطبیق دو اثر انگشت به تطبیق دو گراف یا دو مجموعه از نقاط منتهی می شود.تحقیقاتی که در طی یکصد سال گذشته صورت گرفته یکتا بودن الگوی اثر انگشت بر اساس ریزه را برای جمعیت های زیاد تضمین می کند.بر روی یک تصویر کامل از اثر انگشت بین ۵۰ تا ۱۵۰ ریزه قابل استخراج است و در یک سیستم خودکار استخراج و تطبیق حدود ۱۰ ریزه برای نتیجه گیری در مورد یکسان بودن دو اثر انگشت کافی می باشد.مشکل عمده سیستم های امروزی که بر اساس ریزه کار می کنند کیفیت پايین تصاویر اثر انگشت و در نتیجه عدم وجود الگوریتم های قابل اعتماد در استخراج ریزه است.

ديگرويژگي هاي استخراجي

همواره این احتمال وجود دارد که یک ریزه به اشتباه استخراج شود و یا ریزه ای که وجود دارد استخراج نشود.مساله استخراج اشتباه یک ویژگی در مورد دیگر ویژگی های معرفی شده به جز ریزه ها شدیدتر می باشد.
در بعضی سیستم ها ویژگی های دیگری نیز علاوه بر ریزه ها استخراج می شوند.یکی از رایج ترین این ویژگی ها تعداد لبه ایی است که توسط خط واصل بین دو ریزه قطع می شود.از دیگر این ویژگی ها می توان به حفره های موجود بر روی بعضی لبهها اشاره کرد.
حجم محاسبات برای استخراج ویژگی های یک اثر انگشت بسیار بالا می باشد. و این مساله به خصوص در سیستم های On Line مشکل بوجود می اورد.

در بخش هایی از اثر انگشت که از کیفیت مطلوبی برخوردار نیستند تعداد زیادی ویژگی کاذب استخراج می شود که واقعا وجود ندارند.
برای کاهش حجم محاسبات و صرفه جویی در وقت الگوریتم استخراج ویژگی بر روی کلیه قسمت های تصویر اعمال

نمی شود.بلکه ابتدا با محاسبات ساده تری سعی می شود تا قسمت هایی که دارای کیفیت بهتری هستند مشخص شوند و سپس تنها در این قسمت ها به استخراج ویژگی پرداخته می شود.
بدین طریق هم سرعت سیستم را افزایش داده ایم و هم به قابلیت اعتماد مکانیزم استخراج ویژگی افزوده ایم.در کنار این دو مزیت این روش دارای یک عیب نیز می باشد و ان اینست که با کنار گذاشتن قسمت هایی از اثر انگشت از درجه یکتایی ان کاسته می شود .

نقاط تكين

در یک اثر انگشت ویژگی هایی وجود دارد که برای فرایند طبقه بندی بسیار مناسب می باشد.که این ویژگی ها نقاط هسته و دلتا نام دارند.که با نام نقاط تکین نیز شناخته می شوند.
که با استفاده از نقشه جهتی استخراج نقاط هسته و دلتا میسر

می شود. نقشه جهتی(Direction Map) ماتریسی است که هر درایه از ان متناظر با محلی روی تصویر اثر انگشت بوده و مقدار هر درایه جهت غالب لبه ها و شیارها را در موقعیت مورد نظر نشان می دهد .

تطبیق اثر انگشت

تطبیق فرایندی است که طی ان میزان شباهت دو اثر انگشت اندازه گیری می شود.در اکثر سیستم ها از ریزه ها برای تطبیق دادن دو اثر انگشت استفاده می شود                         .
در روشی موسوم به بانک فیلتر ابتدا تصویر اثر انگشت به بخش هایی تقسیم می شود سپس در هر بخش فیلتری موسوم به Gabor Filter را با زاویه های مختلف اعمال کرده و به ازای هر زاویه انحراف معیار برای ناحیه مورد نظر محاسبه

می شود. با توجه به این که Gabor Filter یک فیلتر جهتی است و لبه های اثر انگشت نیزدر هر ناحیه دارای یک جهت غالب می باشد اعمال فیلتر با زاویه های مختلف باعث می شود که لبه ها تضعیف یا تقویت شوند.

اگر زاویه انتخاب شده برای فیلتر برابر یا نزدیک به جهت غالب لبه ها در ناحیه مورد نظر باشد ان ها را تقویت خواهد کرد و در غیر این صورت باعث تضعیف یا کم رنگ تر شدن لبه ها

می شود.در هر بار بکارگیری فیلتر انحراف معیار برای ناحیه مورد نظر محاسبه شده و مجموعه انحراف معیار های محاسبه شده بردار ویژگی متناظر با اثر انگشت مورد نظر را تشکیل

می دهد.در فاز تطبیق این بردار های ویژگی هستند که با هم مقایسه می شوند. سیستم های تطبیق مبتنی بر ریزه می توانند به یکی از این دو شیوه عمل کنند :
۱) تطبیق نقاط
۲) تطبیق ساختار

در تطبیق نقاط, موقعیت مکانی , نوع ریزه و جهت لبه ای که ریزه بر روی ان قرار گرفته به عنوان خصوصیات اثر انگشت ذخیره شده و سپس در فاز تطبیق بررسی می شود که چند ریزه به خصوصیات یکسان بر روی هم ردیف می شوند.
برای بررسی این موضوع دو اثر انگشت به گونه ای بر روی هم قرار

می گیرند که بیشترین ریزه با خصوصیات یکسان بر روی هم ردیف شوند.سپس این تعداد شمرده شده و با مقدار حد استانه مقایسه می شود و تصمیم لازم نیز اتخاذ می گردد.
در روش تطبیق ساختاری , دیگر به موقعیت مکانی ریزه ها توجهی

نمی شود بلکه ساختار اطراف ان هاو یا به عبارت دیگر نوع ریزه هایی که در همسایگی یک ریزه قرار دارند به عنوان خصوصیات ان مد نظر قرار می گیرد.بدین صورت یک زیر گراف برای یک ریزه تشکیل

می گردد و این زیر گراف های ریزه ها هستند که با هم تطبیق داده

می شوند.

در چهار دهه گذشته غير از روش انگشت نگاري روشهاي جديد ديگري (بيش از 10 روش) ابداع شده و مورد استفاده قرار گرفته است. موسسات و شرکتها روشهاي جديدتري را هر روزه مطرح مي کنند و کشورها با بررسي آنها و مقايسه سرعت، قيمت و هزينه استفاده از آنها روشهاي جديد را تاييد نموده يا مورد استفاده قرار مي دهند .

با تشکر از توجه شما

نوشته تشخيص هويت بااثر انگشت اولین بار در ايران متلب. پدیدار شد.

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.

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.

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 .

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

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.

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 :

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 .

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.

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:

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:

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 :

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 :

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 :

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.

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.

نوشته شناسایی عنبیه با استفاده از تبدیل Ridgelets اولین بار در ايران متلب. پدیدار شد.