Giả lập các trường hợp tân công ảnh đãđược nhúng, tiễn hành trích xuất đặc trưng sinh trắc học và đánh giá tấn công, độbên, độ toàn vẹn thông tin của các thuật toán watermarking được sử
KAU) +
Ức chế không tối đa - Non-maximum suppression: Chi maxima cục bộ nên được
đánh dâu là các cạnh Bước "nonmaximal suppression” duy trì những diém ảnh trên một cạnh với gradient cao nhât Các cường độ lớn nhât này xảy ra ngay tại các đường biên, và cường độ gradient nên tach ra với khoảng cach từ cạnh.
4) Ngưỡng đôi - Double thresholding: Các cạnh tiềm an được xác định bởi ngưỡng.
5) Dò cạnh bang hysteresis: Cuối cùng các cạnh được xác định bang cách loại bỏ tat cả các cạnh không kết nôi với cạnh chính.
3.1.2.3 Phan tach và xác định đường biên IRIS:
Toán tử phân cực - Daugman's integro-differential được sử dụng để tim tọa độ của ranh giới mông mat:
> Thứ nhất, giá trị tối thiểu có thể (rmin) và bán kính tối đa (rmax) cho mống mắt được thiết lập cho tham số tìm kiếm Đối với cơ sở dữ liệu không lý tưởng của WVU, rmax đã được thiết lập đến 50% kích thước hình ảnh và rmin được đặt thành 33% rmax.
> Toán tử tìm giá trị cường độ điểm ảnh thay đổi cực dai (J) bang cách tìm kiếm hình ảnh trong các bán kính xác định với một khoảng không tròn tròn trung tâm tại điêm a(x0, y0), với bán kính r của phương trình biên của ảnh ban dau với một nhân Gaussian G o J, trong trường hợp nay tương ứng với ranh giới mống mắt (trăng) vì sự thay doi cường độ điểm ảnh là tuyệt vời giữa các vùng đó o Đường biên của pupil sau đó được tim thay trong ranh giới iris-selera Đường biên của mông mat tương ứng với gia tri lớn thứ hai của J.
JŒ,xu,yạ) = Gor) * () f (CC) 4s, (3.3)
Hình 3.2 Vòng tròn mà các tham số của nó được ước tính bằng cách sử dụng Daugman's integro-differential
3.1.2.4 Loại bỏ các thành phan trên IRIS:
> Eyelid Removal o Một mô hình cạnh của hình ảnh được tạo ra bang cách sử dung canny edge detection. o Một đường được che vào cả hai mí mat bang cách sử dung Linear Hough
Transform o Một đường kẻ khác được vẽ dé cat hai đường thăng đầu tiên tại cạnh gần mống mắt.
> Lông mi được loại bỏ bởi ngưỡng vi chúng là thường sam mau hon so với mắt Tat cả giá trị nhỏ hơn giá trị ngưỡng đã được đặt thành NaN
Hình 3.3 Loại bỏ mi mắt với Linear Hough Transform (black boxes) và gỡ bỏ lông mi với thresholding
Quá trình chuân hóa sẽ tạo ra các vùng mông mat, có cùng kích thước không đôi, sao cho hai bức anh của cùng một mông mat dưới các điêu kiện khác nhau sẽ có cùng các đặc trưng không gian.
Daugman dé nghi biến đối tọa độ Cartesian sang hệ tọa độ cực dé ánh xạ mỗi điểm ảnh trong vung iris vào một cặp tọa độ cực (r, 8), trong đó r va 8 năm trong khoảng [0 1] và [0 2z] [2] Việc mở có thê được xây dựng như
I(x(r, 0), v(r, 6))1Œ, 8)như sau xŒ,8)( —r)Xp(8) + rx(8)y(r,6)(1 —r)Yp(8) + ry(@) (3.5) trong đó: I(x, y), (x,y), (r, 8), (Xp, Vp), (Xi, Vị) đại diện cho vùng mống mắt - iris, tọa độCartesian, tọa độ cực, toa độ của các biên pupil và mống mắt dọc theo hướng 0 Vì vậy, mô hình này thường được gọi là mô hình rubber sheet.
CES |
TRÍCH ĐẶC TINH VAN TAY DUNG MINUTIAE
Vân tay là sự tái sản xuất của bê mặt biểu bì đầu ngón tay Mỗi người sở hữu một dau vân tay khác nhau Rất ít trường hợp những người có dấu vân tay trùng nhau, do vậy, người ta sử dụng đặc điểm này để xây dựng các hệ thống bảo mật các thông tin riêng tư cho người sở hữu chúng, từ việc thay thé cho các khóa cho đến việc thay thé mật khẩu đã quá pho biến trong thời đại tin học ngày nay Đặc tính cau trúc rõ rệt nhất của một vân tay là một mẫu của sự xen kẽ giữa các vân và các rãnh (Ashbauph, 1999) Trong ảnh vân tay, các vân (được gọi là các đường vân) là mảu tối, các rãnh là màu sáng (Hình 3.9) Độ rộng của các đường vân có kích thước từ 100-300 uum Nói chung, chu vi của vân/rãnh là khoảng 500 um Các đường vân và rãnh của ảnh vân tay
Vân tay của mỗi người không đổi trong suốt cuộc đời Người ta có thể làm phẫu thuật thay da ngón tay, nhưng chỉ sau một thời gian vân tay lại hồi phục như ban đầu Nó là một tham số sinh học bất biến theo tuôi tác đặc trưng cho mỗi cá thé Trên các ảnh vân tay có các điểm đặc trưng (là những điểm đặc biệt mà vị trí của nó không trùng lặp trên các vân tay khác nhau) được phân thành hai loại: Singularity va Minutiae Singularity.
> Singularity: Trên vân tay có những vùng có cấu trúc khác thường so với những vùng bình thường khác (thường có cau trúc song song), những vùng như vậy goi là singularity.
Có hai loại singularity là core va delta.
Hình 3.9 Các điểm Singularity Core va Delta
Core thường có một số dang như sau:
Hình 3.10 Một số loại core thường gặp.
> Minutiae: Khi dò theo từng đường vân ta sẽ thay có những điểm đường vân kết thúc (Ridge Ending) hoặc rẽ nhánh (Bifurcation), những diém này được gọi chung là minutiaae.
Hình 3.11 Các điểm minutiae Ridge Ending (điểm kết thúc) va
Bifurcation (điểm rẽ nhánh) 3.2.2 Hệ thong trích đặc tính vân tay
3.2.2.1 Quá trình xử lý ảnh vân tay:
Mục đích của quá trình này là tăng cường ảnh vân tay, sau đó, rút trích đặc trưng vân tay từ ảnh đã được tăng cường Quá trình này được thực hiện qua các bước nhỏ sau: e Tăng cường ảnh: Ảnh được lẫy từ thiết bị đầu đọc vân tay sẽ được làm rõ Do các thiết bị đầu đọc vân tay không lẫy ảnh tốt hay do vân tay của người dùng trong lúc lẫy bị hao mòn, do ban, hay do lực an ngón tay trong lúc lay vân tay; do vậy, bước nay là một trong các bước quan trọng nhất của quá trình này để làm rõ ảnh vân tay để rút trích các đặc trưng đúng và day đủ. e Phân tích anh (Image Analysis): Thong qua phân tích anh, anh sẽ được loại bỏ những thông tin nhiễu hay những thông tin không can thiết. e Nhị phân hóa (Binarization): Nhị phân hóa ảnh vân tay thành ảnh trắng đen Bước này phục vụ cho bước Lam mỏng vân tay Bước này có thé có hoặc không vì phục thuộc vào thuật toán rút trích đặc trưng. e Làm mỏng (Thinning): Làm mỏng các đường vân lỗi của ảnh vân tay Bước nay nhằm mục đích cho việc rút trích đặc trưng của vân tay Bước này cũng có thể có hoặc không vì phục thuộc vào thuật toán rút trích đặc trưng.
34 KS: NGUYÊN THANH HOAN e Rút trích đặc trưng (Minutiae Extraction): Rút trích những đặc trưng cần thiết cho quá trình đôi sánh vân tay.
3.2.2.2 Quá trình đối sánh vân tay
Mục đích của quá trình này là đối sánh vân tay dựa trên các đặc trưng đã được rút trích Quá trình này được thực hiện qua các bước nhỏ sau: e Phân tích đặc trưng (Minutiae Analysis): Phân tích các đặc điểm cần thiết của các đặc trưng dé phục vu cho việc đôi sánh van tay. e Xét độ tương tự cục bộ (Local Similarily): Thuật toán đối sánh vân tay sẽ dựa vào các thông tin cục bộ của các đặc trưng (gồm: tọa độ (x, y), hướng của đặc trưng, góc tạo bởi tiếp tuyến của đường vân tại đặc trưng và trục ngang) của vân tay để tìm ra các cặp đặc trưng giống nhau giữa hai vân tay. e Xét độ tương tự toàn cục (Global Similarily): Từ nhưng khu vực tương tự nhau trên cục bộ, thuật toán sé tiêp tục mở rộng đôi sánh trên toàn cục. e Tính điểm đối sánh (Calculate Matching Score): Tính toán ty lệ độ giống nhau giữa các cặp đặc trưng Diém đôi sánh này sé cho biệt độ giông nhau cua hai ảnh vân tay là bao nhiêu.
Minutiae Local Global Calculate Analysis Similarity Similarit Matching
Hình 3.12 Sơ đồ các bước xử lý vân tay.
3.2.2.3 Các lỗi của hệ thong sinh trắc Quyết định của hệ thống được điều khiến bởi ngưỡng / Với điểm đối sánh s, ta có:
‹ Nếu s >/: cặp đối sánh (nghĩa là hai mẫu của cùng một người).
‹ Nếu s Giúp giảm sô chiêu của dữ liệu,
> Thay vi giữ lại các trục tọa độ của không gian cũ, PCA xây dựng một không gian mới it chiêu hơn, nhưng lại có kha năng biéu diên dữ liệu tot tương đương không gian cũ, nghĩa là dam bao độ biên thiên (variability) của dữ liệu trên mỗi chiêu mới.
> Các trục tọa độ trong không gian mới là t6 hợp tuyến tính của không gian cũ, do đó về mặt ngữ nghĩa, PCA xây dựng feature mới dựa trên các feature đã quan sát được Điêm hay là những feature này vẫn biểu diễn tốt dữ liệu ban dau.
> Trong không gian mới, các liên kết tiềm an của dữ liệu có thé được khám phá, ma nếu đặt trong không gian cũ thì khó phát hiện hơn, hoặc những liên kết như thế không thé hiện rõ.
Mục tiêu của PCA là tìm một không gian mới (với số chiều nhỏ hơn không gian cũ) Các trục tọa độ trong không gian mới được xây dựng sao cho trên mỗi trục, độ biến thiên của dữ liệu trên đó là lớn nhất có thể (maximize the variability) Một ví dụ kinh điển là hình ảnh về con lạc đà.
Cùng là một con lạc đả nhưng nếu nhìn từ bên hông thì ta có được đầy đủ thông tin nhất, trong khi nhìn từ phía trước thì thật khó để nói nó là lạc đà.
Hình 3.32 Minh hoa PCA - phép chiếu lên các trục tọa độ khác nhau có thé cho cách nhìn rat khác nhau về cùng mot dit liệu.
Giả sử tập dữ liệu ban đầu (tập điểm màu xanh) được quan sát trong không gian 3 chiều (trục màu đen) như hình bên trái Rõ ràng 3 trục này không biểu diễn được tốt nhất mức độ biến thiên của dữ liệu PCA do đó sẽ tìm hệ trục tọa độ mới (là hệ trục màu đỏ trong hình bên trai) Sau khi tìm được không gian mới, dữ liệu sẽ được chuyển sang không gian này để được biểu diễn như trong hình bên phải Rõ rang hình bên phải chỉ cần 2 trục tọa độ nhưng biểu diễn tốt hơn độ biến thiên của dữ liệu so với hệ trục 3 chiều ban đâu.
Hình 3.33 Minh hoa PCA: tim các trục tọa độ mới sao cho dit liệu có độ biến thiên cao nhát
Một điểm rất đẹp nữa của PCA là các trục tọa độ trong không gian mới luôn đảm bảo trực giao đôi một với nhau, mặc dù trong không gian ban dau, các trục có thê không trực giao.
Mục tiêu cua PCA là tìm trục cho không gian mới sao cho nó biêu diễn tot nhât mức độ biên thiên của dữ liệu Giả sử có ma trận X € R**"
Trong đó x; € RTMla các điểm trong không gian ban đầu Nhiệm vụ của PCA là đi tim khong gian mới với sô chiêu nhỏ hơn m, sao cho biêu diễn tot z điêm trong X Hình sau minh họa trọn vẹn y tưởng cua PCA.
Hình 3.34 Minh họa ý tuong cua PCA
Trong hình trên, goia € RTM, |la|] = 1 là một trục trong không gian mới cân tìm Khi đó toa độ của xi trên trục a chính là tích vô hướng ÿ; = a’ x;
Mục tiêu của PCA là tìm ơ sao cho nó biểu diễn xi tốt nhất, nghĩa là sao cho gi lớn nhất Hơn nữa, điều nay còn phải đúng cho tat cả n điểm trong X, nên mục tiêu của PCA là tìm a sao cho tat cả cỏc ỉ; = #Fx¿,ớ = 1 -n là cực đại Rừ ràng khi 9; cực đại thỡ trục a biểu diễn tốt nhất tat cả các vector cột trong X.
Núi cỏch khỏc, mục tiờu của PCA là cực đại tổng 4, ứ‡ Mà nờn mục tiờu của PCA là: max alXX'a (3.21) aeERTM |la||=1
Vậy van dé còn lại là làm thé nao để giải bài toán tối ưu này.
Ta nhận xét rang XXT € R"*” là ma trận đối xứng và positive semidefinite nên tất cả các trị riêng của XXT đều không âm:
>0 (3.22) và các vector riêng tương ứng là:14, U2, - Uy
Gọi A, là trị riêng lớn nhất của XXT, khi đó người ta chứng minh được a làm cực dai (1) chính là vector riêng tương ứng với A,.
Như vậy chỉ bằng cách tính XXT ta sẽ tính được các trị riêng và các vector riêng Các vector riêng còn được gọi là principal axis, do đó phương pháp này mới gọi là principal component analysis Việc còn lại là chọn k vector riêng ứng với k trị riêng lớn nhất, sau đó thực hiện phép nhân Xu;,Xu¿, -,Xuy dé tính tọa độ của X trong không gian k chiều mới, như đã trình bay trong bài trước.
Như vậy ta đã thực hiện xong PCA trên không gian RTMtao bởi các cột của X Bang cách chuyền vị X” và thực hiện các phép phân tích như trên, ta cũng được kết quả tương tự cho không gian RTM, nhưng khi đó các tri riêng cần tìm là trị riêng của X7X Một điểm đẹp mắt là các trị riêng của XTX cũng chính là trị riêng của XX”, do đó bang một phép phân tích trị riêng, ta có thé thực hiện PCA trên cả 2 chiều của X Trong ML nói chung việc này không thú vị lam, nhưng trong ngành thống kê thì kĩ thuật này rất hay được sử dụng.
Bai nay kết nối giữa motivation va thuật toán PCA Từ motivation, ta đi đến việc mô hình hóa PCA băng bài toán tôi ưu, và thay vì giải bài toán tôi ưu này một cách võ biên, ta có cách giải đẹp hon rat nhiêu, dựa vào nhận xét về tri riêng.
VVVV +
PHÉP BIEN DOI CURVELET
Curvelet Transform duoc dé xuất bởi Candues va Donoho vào năm 1999 Chuyén đổi Curvelet là một dang phát triển của phép biến đối Wavelet được thiết kế dé dai diện cho hình anh ở các quy mô và góc độ khác nhau Đối với tất cả các hình ảnh được sử dụng trong xử lý ảnh, hau hết các cạnh của hình ảnh thuộc về các đường cong chứ không phải đường thang Ridgelet không thé biểu diễn một cách hiệu quả những hình ảnh nay dé phân tích Tuy nhiên, nó có thể sẵn sảng để triển khai việc chuyển đôi Ridgelet theo một cách cục bộ Ở quy mô nhỏ, cạnh cong có thé là đường thắng Do đó, Curvelet Transform cung cấp cho chúng ta một cách dé phân tích một hình ảnh với các kích thước khối khác nhau và các hướng khác nhau.
4.2.1.1 Thế hệ I Biến đối Curvelet
Việc thực hiện của biễn đổi Curvelet có thé được được chia ra thành một tập hợp của các dãy wavelet bởi bộ lọc bandpass và sau đó phân tích từng day băng một biên đôi Ridgelet Kích thước khôi có thê được thay đôi ở môi câp tỷ lệ.
Các đối tượng f được chia ra thành một số lớp có độ phân giải mà đại diện cho các tần số khác nhau. trong đó Po va A, (s> 0) tương ứng là bộ lọc thông thấp và lọc thông cao.
Pf là lớp lọc thông thấp mịn và A,f là lớp thông cao.
Bước 2: (Smooth Partitioning) Đối với mỗi lớp thông cao Á ƒ, mỗi lớp được chia thành các phân vùng nhỏ với tỷ lệ phù hợp.
Bước 3: (Renormalization) Môi khung được tạo ra từ bước 2 được renormalized-tai chuân hóa vào các đơn vi vuông.
Mỗi khung được phân tích thông qua biến đổi ridgelet trực giao Trong bước này, các khung nhỏ là đăng hướng và tuân theo quy ước parabol width= length2.
Việc thực hiện Chuyến đổi Curvelet thé hệ đầu tiên có thé được tóm tat là hình anh dau tiên được phân tách thành một tập hợp các dải wavelet bang bộ lọc dai 13 va sau đó phân tích từng băng tan bởi một biến đối Ridgelet Kích thước khối có thé được thay đổi ở từng cấp độ Dinh nghĩa của Curvelet Transform chủ yếu bao gồm bốn ý tưởng.
LLL Discrete Ridgelet Transform Jf SK ff ASS
Zzz2 Wei FFT2D ->\/ 2⁄2 ff ff ð TINS| ìs
A A SE LINN
BIEN DOI CONTOURLET
Hiệu qua của thông tin thị giác nằm ở trung tâm của nhiều tac vụ xử ly hình ảnh, bao gồm nén, giảm nhiễu, trích xuất đặc trưng và các van dé nghịch đảo Hiệu qua của một đại diện dé cap đến kha năng nam bat thông tin quan trọng về một đối tượng quan tâm sử dung một mô ta nhỏ. Đối với nén hình ảnh hoặc thu héi hình ảnh dựa trên nội dung, việc sử dụng một biểu diễn hiệu quả ngụ ý sự nén của tập tin nén hoặc mục nhập chỉ mục cho mỗi hình ảnh trong cơ sở dữ liệu.
71 KS: NGUYEN THANH HOAN Đôi với các ứng dụng thực tê, can phải có một đại diện hiệu quả băng các phép biên đôi câu trúc và các thuật toán nhanh. Đối với tín hiệu mịn piecewise một chiều, giống như scanlines của một hình ảnh, wavelets đã được xác định như là công cụ thích hợp, bởi vì nó cung cấp một công cụ tối ưu cho những tín hiệu này theo một nghĩa nào đó [2] Ngoài ra, sự biéu diễn wavelet là một thuật toán hữu hiệu dé có hiệu quả; đặc biệt nó dẫn đến sự biến đổi nhanh và cấu trúc dữ liệu cây thuận tiện Đây là những lý do chính cho sự thành công của các wavelet trong nhiều ứng dụng xử lý tín hiệu và truyền thông.
Tuy nhiên, hình ảnh tự nhiên không phải chỉ đơn giản là ngăn xếp của dòng quét 1-D piecewise mịn; điểm gián đoạn (vi dụ mép) thường nam dọc theo đường cong mượt ma (vi dụ: đường nét) do ranh giới mượt mà của các đối tượng vật lý Do đó, hình ảnh tự nhiên chứa các cầu trúc hình học nội tại đó là các tính năng quan trọng trong thông tin thị giác Do sự mở rộng có thể tách rời từ các cơ sở 1-D, các wavelet trong 2-D rất tốt trong việc cô lập các gián đoạn tại các điểm biên nhưng sẽ không nhìn thay sự trơn tru doc theo đường viền Ngoài ra, các wavelet tách rời chỉ có thể năm bắt được thông tin định hướng giới hạn — là điều quan trọng và duy nhất của đặc tính tín hiệu đa chiêu Những điểm yếu này yêu cau các thuật toán mạnh mẽ hơn trong các không gian đa chiều.
Hinh 4.10 Wavelet so voi Contourlet: minh hoa viéc sang loc boi hai hé thong gân mot đường vién min.
Hãy xem xét tình hình khi một đường viền mượt đã được vẽ, như thé hiện trong hình 1 Bởi vi wavelets 2-D được xây dựng từ các phần tử tensor của wavelets 1-D, “wavelet” - họa sĩ phong cách được giới hạn sử dụng nét cọ hình vuông cùng đường viên, sử dụng kích cỡ khác nhau tương ứng với cầu tric multiresolution của wavelets Tuy nhiên, hoa sĩ theo phong cách mới đã khai thác hiệu quả sự trơn tru của đường viên bang cách tạo ra những nét cọ với các hình dang dai khác nhau và theo chiều hướng theo đường viền Phương pháp này được thực hiện bởi Cand`es và Donoho trong xây dựng curvelet.
Lấy cảm hứng từ phương pháp mô tả và các nghiên cứu liên quan đến hệ thông hình ảnh con người và số liệu thông kê hình ảnh tự nhiên, các đặc trưng mong muốn:
1) Multiresolution: Các đại diện nên cho phép hình anh dé được liên tục xấp xi, từ thô đến độ phân giải tôt.
2) Localization: Các yếu tố cơ bản trong biểu diễn phải được bản địa hóa trong cả không gian và các miễn tan so.
3) Critical sampling: Đối với một số ứng dụng (vi dụ, nén), biểu diễn nên tạo thành một co sở, hoặc một khung với sự dư thừa nhỏ.
4) Directionality: Biéu diễn phải bao gồm các yếu tố co bản định hướng theo nhiều hướng khác nhau, nhiêu hơn hướng được cung cap bởi các wavelet rời rac.
5) Anisotropy: Dé nam bắt các đường nét mịn trong hình ảnh, biểu diễn phải bao gồm các yêu tô cơ bản sử dụng nhiêu hình dạng dài với các tỷ lệ khía cạnh khác nhau.
Trong số những yêu cầu này, ba mục dau tiên được cung cấp tốt bởi wavelets có thé tách ra, trong khi hai cái cuối cùng đòi hỏi các công trình mới Phần phác thảo của phan còn lại của bai báo là như sau Sau khi xem xét các công việc liên quan, chúng tôi đề xuất mở rộng hình ảnh multiresolution và multidirection sử dụng các ngân hang bộ lọc không thể tách rời Kết cầu này cho phép mở rộng hình ảnh linh hoạt, địa phương, và định hướng bằng cách sử dụng các đoạn đường viên, va do đó nó được gọi là biến đôi contourlet Nó là quan tâm để nghiên cứu các hành vi giới hạn khi các chương trình như vậy được lặp lại trên quy mô hoặc hướng, đã được phân tích trong kết nồi giữa các ngân hàng bộ loc, lặp lại cua họ, và xây dung wavelet liên quan [26], [27].
Một kết nối như vậy được nghiên cứu, nơi chúng tôi thiết lập một liên kết chính xác giữa ngân hàng bộ lọc được đề xuất và sự mở rộng contourlet miễn liên quan liên quan trong một khung phân tích đa hướng hướng mới được xác định Công suất xấp xỉ của việc mở rộng đối tượng contourlet được nghiên cứu Chúng tôi thấy rằng với quy mô parabol và đủ thời điểm biến mat theo hướng, các đối tượng contourlets đạt được tỷ lệ xâp xỉ tối ưu cho các chức năng mịn mảng 2-D với các đường viền C2 (hai lần liên tục có thể phân biệt).
4.3.2 Co sở thuật toán Contourlet:
Xem xột việc mở rộng chuỗi tong quỏt bang {ỉ„}Z—; (vớ dụ như co sở Fourier hoặc wavelets) cho một tín hiệu xác định f như:
Sự phân rã lỗi của phép tính xấp xỉ của M là tốt nhất cung cấp một phép đo hiệu quả của việc mở rộng Sự xâp xi Mterm tot nhât (thường được gọi là xâp xi phi tuyên [1 ]) sử dụng sự mở rộng này được định nghĩa là fu = yinely CrOn (4.12) trong đó, IM là tập các chi mục của M — largest |c„| Chất lượng của ham fy xấp xi liên quan đến sự mở rộng {ỉ„}z_Ă hoặc sự mở rộng của năng lượng f thành một vài hệ sụ.
Gan đây, Cand’es va Donoho [28] đã đi tiên phong trong việc mở rộng mới trong không gian 2 chiều, liên tục bang cách sử dụng curvelets Sự mở rộng này đạt được việc xấp xi tối ưu về cơ bản đối với các chức năng smooth 2-D, nhưng ngoại trừ sự không liên tục dọc theo các đường cong C2 Đối với lớp chức năng nay, sai số xấp xi thời gian tốt nhất (trong hình vuông chuẩn L2)
| f- ful, sử dung curvelets có ty lệ phân rã O((logM)*M~“), trong khi với wavelet thì ty lệ này là O(M~*) và đối với cơ sở Fourier nú ỉ0(M~1⁄2), Vỡ vậy, đối với những hỡnh ảnh điển hỡnh với đường viên mượt, chúng tôi mong đợi một sự cải tiến đáng kế của một phương pháp curvelet giống như các wavelet, tương tự với sự cải tiến các wavelets trên nền Fourier cho các tín hiệu
73 KS: NGUYÊN THANH HOAN min một chiều Có lẽ quan trọng không kém, việc xây dựng curvelet cho thấy rang có thé phát triển một đại diện tối ưu cho hình ảnh với đường viền mịn thông qua một biến đôi cố định.
Việc chuyến đôi curvelet đã được phát triển ban đầu trong miễn liên tục thông qua việc lọc multiscale và sau đó áp dụng một khối chuyền đổi ridgelet [29] trên mỗi hình anh bandpass Sau đó, các tác giả đề xuất chuyền đổi curvelet thé hệ thứ hai được xác định trực tiếp thông qua phân vùng tần số mà không sử dụng biến đổi ridgelet Cả hai cấu trúc curvelet đòi hỏi một hoạt động quay và tương ứng với một phân vùng tần số 2-D dựa trên tọa độ cực Điều này làm cho xây dựng curvelet đơn giản trong miền liên tục nhưng gây ra việc thực hiện cho các hình ảnh rời rạc - lay mẫu trên một lưới hình chữ nhật - là rất khó khăn Đặc biệt, tiếp cận lay mau quan trong dường như khó khăn trong các công trình discretized như vay.
Ly do cho khó khăn này, chúng tôi tin răng, là bởi vì lưới lây mẫu điền hình điển hình áp đặt một hình học trước cho hình ảnh rời rạc; ví dụ thiên hướng mạnh về hướng ngang và dọc Thực tế này thúc đấy chúng tôi phát triển ve sự biến đổi multiresolution theo chiều hướng như các đường cong, nhưng trực tiếp trong miền roi rac, kết quả là xây dựng contourlet được mô ta trong bài báo này Chúng tôi muốn nhắn mạnh rang mặc dù các phép biến đổi curvelet và contourlet có một số đặc điểm và mục tiêu tương tự, thì phương pháp sau không phải là phiên bản riêng biệt của nó Ngoai curvelets và contourlets, gần đây đã có một số cách tiếp cận trong việc phát triển hiệu quả đại diện cua regularity hình hoc Các ví dụ dang chú ý là bandelets [30] chuyển đôi multiscale thích nghi cạnh [31], wedgelets [32], [33], va quadtree coding [34].
Những cach tiếp cận nay thường đòi hỏi một giai đoạn phát hiện cạnh, tiếp theo là một biểu diễn thích nghi Ngược lại, các đại diện curvelet và contourlet là những biến đổi cố định Tinh năng này cho phép chúng dễ dàng được áp dụng trong một loạt các nhiệm vụ xử lý hình ảnh, tương tự như wavelets.
Extracted watermarks for _- bands LL, LH, HL, HH and considered
Bang 3: Kết qua khoảng cách Hamming giữa các watermark và trích xuất
DWT Salt & Median Rotation decomposition | No attack pepper filter (5° > 5°) bands attack attack LL 0.0059 0.0376 0.2725 0.2090 LH 0.0039 0.3496 0.4897 0.3018 HL 0.0044 0.3477 0.4458 0.2866 HH 0.0122 0.2617 0.4438 0.3286
Trong dé xuất hình mờ nay, nhiều tinh năng sinh trắc học được nhúng trong hình anh lena ban dau va hinh anh sau đó được su dung đê kiêm tra chat lượng hình ảnh Cac mô hình dữ liệu sinh trac học có săn từ CASIA, khoa học chicagobooth, YCCE College; khoảng 100 bộ dữ liệu
83 KS: NGUYEN THANH HOAN diometric được sử dung dé thử nghiệm Các phương pháp đánh giá định lượng được sử dung, chang hạn như Do lường chi số kết cau (SSIM), PSNR để đánh giá chất lượng, xác thực cá nhân và tính bên vững của các tính năng sinh trắc học Hình 5.2 cho thấy tính năng sinh trắc học và hình ảnh gốc được sử dụng cho watermark Kích thước của hình ảnh lưu trữ là 512x512 pixel và kích thước hình ảnh thủy ấn là 128x128. iy,
Hình 5.2 Original Lena Image and Multiple Biometric data as Feature Watermark
Các đữ liệu sinh trac học được sử dụng nhúng vào hình ảnh ban đầu kích thước của các tính năng iris và vân tay là 4§x128§; kích thước khuôn mặt va tính năng chữ ký là 128x128 Tính năng thủy ân là dâu vân tay kích thước 48x128, và chữ ký mặt là 128x128.
‘Watermark nage BIOMETRIC WATERMARKING Project nfo
(®) None ee © JPEG Compression (@) © JPEG Compression (Qp) © Gaussian Noise (0; 0.001)
© Salt & Pepper Noise (0.005) rece leds | Browser ©) Speckle Noise (0.004) ©) Median Fitter (size = 3x3) © Mean Filter (size = 3x3) (©) Gaussian LP Fitter (size = 3x3) O Histogram Equalization © Cropping Original | Wet ked |
Browser] iginal Image ermarked Image
Signature Browser Extracted Watermark PNSR & SSIM 4 a zi Set PNSR 40.8672
Z\ } : SSIM 2 1 wy we Lt SSIM 1 ụ _ aL diệu fs ie as LPM: J lris-FingerPrint Feature Face-Signature Feature TIME CONSUM khán uới
Hình 5.3 Chương trình Matlab thực hiện Watermarking và đánh giả.
Chương trình Matlab Simulink kết nối và chạy chương trình trên Board Raspberry Pi với mô hình kết nôi như sau: function myApplication () t#codegen persistent w persistent d if isempty (w) w = matlab.raspi.webcam(0, (320,240]); d = matlab.raspi SDLVideoDisplay; end for k = 1:1000 img = snapshot (w); img = edgeDetect (img); displaylI mage (d, ima); release (w); release (đ) ; end
Lổ Lổ as ` Tas ne ` °
Hình 5.4 Mô hình kêt noi Matlab và Raspberry Pi
BK Image Watermarking Projet no ác KS Nguyée Thanh Hose
GS.TS.Lé Tiên Thường
RASPBERRYP! p University of Technology HCM Cây v4 6 Ping ú Gp Py ing y ad
R sgớ2RGB bb sg((2RGủ ap V4L2 Video Caoture splil2RGS spl2RGB2 i, RASPBERRYP!
> a R ali vou R ằ risPeaturelmmage Matrix Ph ing 6†*6 Naa) img G b
Conrcatarate 9gl@R6Bđ g 9gl@RGBS b
Jena Frown, Ea ins Ba ; v sIl2RửR1 Ei \Wslatma 2 sll2RửE3 fingerFeaturelonag finger ú muni SOL Watermarked Ing? i) muslrisFinger fingerFeature |
: muxlrisFinger moOrigt embing! mOrigh had m6: h It\2r 1lft6† lager oxlniaF inge ủ wxwilisFinger $SIMI = cuFacesin ——— kl WilrisFinger 4 embimg2}-——4 ImWatwmaftod† i SIM [ gs wir Wav@el exwmark_wavelel ; imgi0fln2FeaZ9 ealcutaieSSiM | cer ea|ưi cawFacesiyn =
DỰ Wikacesign Im/atermiafwed2 b0 AEE SSIM imgFaceSign oature foceF auburn ere -
_ Waveldl_Embeldad Wavelet_Extractod calculateSSiv SSI SioriotureF ealutonag signaturo mur S | k2 muxFaceSignalure sigqnatureFeature Ƒ_— i Mun acesignature
Hình 5.5 Chương trình Watermarking su dụng Matlab Simulink chạy trên Raspberry Pi
Bên cạnh đó, dé thực hiện so sánh và đánh gia với một số công trình nghiên cứu trên thé 2101, chúng tôi cũng tiễn hang các cuộc tan công khác nhau như nén JPEG, nhiễu Gaussian và nhiễu khác, một số loại bộ lọc và các cuộc tan công cắt xén Chúng tôi sử dụng ngưỡng của p là 0,85 để xác định tấn công Đối với đánh giá chung, chúng tôi xem xét PSNR, SSIM và các giá trị
SSIM trung bình như trong Bảng 4
Bang 4: Đánh giá kết quả kỹ thuật được dé xuất
JPEG Compression (Q = 70) 36.57 | 0.21] 0.27| 0.24 Yes Gaussian Noise (u =0, ứ =0.001) 31.43 | 0.17] 0.22] 0.19 Yes Salt & Pepper Noise (Noise Density = 0.005) | 28 03 | 0.14! 0.19! 0.16 Yes
Speckle Noise (Variance = 0.004) 36.24 | 0.21] 0.17| 0.19 Yes Median Filter (size = 3 x 3) 39.02 | 0.19] 0.15| 0.17 Yes Mean Filter (size = 3 x 3) 35.73 | 0.07| 0.06| 0.06 Yes Gaussian Low Pass Filter (size = 3 x 3) A1.34 | 0.38! 0.59! 0.48 Yes
Histogram Equalization 20.05 | 0.50] 0.57| 0.54 Yes Cropping 35.73 | 0.62| 0.67| 0.64 Yes
Bang 5: So sánh nhiều mô hình dé xuất kỹ thuật tham khảo va cham điểm
Features Technique Technique Tech ai ue
Watermark Biometric Biometric Biometric Features
Used Image Discrete Fast Discrete Multilevel Discrete
Curvelet, Contourlet Watermark Transform Transform Transform (CCT)
Embedding (DWT) (FDCT) PSNR value 35.18 dB 42.44 dB 44.21dB
Chuong 6 DANH GIA KET LUẬN VÀ GIẢI PHAP TƯƠNG LAI
Trong dé tài này, chúng tôi dé xuất một phương pháp mới dé thực hiện Multiple watermarking với các đặc tính sinh trắc học được sử dụng như là thông tin watermark Các thông tin sinh trắc học bao gồm: Méng mat — Iris, Dau vân tay — Fingerprint, Gương mặt — Face va Chữ ký — Signature, các thông tin sinh trắc hoc được xem xét thực hiện các thuật toán được đánh giá là tôi ưu hiện nay để trích xuất thông tin đặc trưng Việc trích đặc tính của các ảnh watermark này nhằm tối ưu việc thực hiện watermarking, tăng khả năng bảo vệ va dễ dàng nhận dang bị tấn công nhờ các thông tin đã được nhúng vào ảnh gốc và được trích xuất trở lại Chúng tôi đã triển khai các tính năng sinh trắc nhúng bang bộ lọc Gabor của Daugman, Minutiae, PCA; và sử dụng Chuyến đổi Phép biến doi Dicrete Wavelet, Fast Discrete Curvelet Transform hoac Contourlet
Transform dé phat hiện tan công, nhận dang cá nhân va xác thực bản quyén Chúng tôi đã trình bày các phương pháp khác nhau thực hiện việc tạo watermark trên toàn bộ miền tần số của wavelets đa kênh, chuyển đổi hệ số curvelet và contourlet, và ở các cấp khác nhau Chúng tôi xem xét thử nghiệm sử dụng các thuật toán khác nhau nham đánh giá khả năng nhúng anh, bảo toàn thông tin watermark, độ bên vững trước các loại tan công và thời gian thực hiện của mỗi loại Kết qua được thê hiện chỉ tiết ở chương 5 Qua đó, đánh giá cho thay đôi với Wavelet, cho phép giữ thông tin watermark khi không bị tan công, nhưng dễ dang bị loại bỏ khi bị nhiễu hay một sô loại tan công cơ bản khác Fast Discrete Curvelet Transform cho kết quả tương đối trước các tan công Nhưng kết qua cho thay Contourlet cho kết quả tốt hơn Fast Discrete Curvelet
Transform về thời gian, khả năng bảo vệ trước các tấn công.
Kết quả được trình bay trong bài báo “Multiple Watermarking with Biometric data using
Discrete Curvelets and Contourlets” (Hoan Nguyen-Thanh, Thuong Le-Tien) được đăng tai hội nghị ICIEE 2018.
Tuy nhién, két hợp các tính nang trong bộ sẽ lam tang tinh phức tap va tính xác thực của tinh năng sinh trắc học Kết quả thực nghiệm cho thấy phương pháp tiếp cận của chúng tôi được thực hiện tốt hơn so với các hình ảnh thủy văn hiện có Trong tương lai, chúng tôi xem xét phát triển các mô hình với các bức anh màu và video thời gian thực.
1 Chuong trinh trich xuat dac tinh Iris: function [template, mask] = ex irisFeature(eyeimage)
3% path for writing diagnostic images global DIAGPATH
DIAGPATH = ‘diagnostics'; snormalisation parameters radial res = 20; angular res = 240;
% with these settings a 9600 bit iris template is
%feature encoding parameters nscales=1; minWaveLength; mult=1; 3 not applicable if using nscales = 1 SigmaOnf=0.5; seyeimage = imread(eyeimage filename) ; if length(size(eyeimage) ) >2 eyeimage=rgb2gray (eyeimage) ; end seyeimage = eyeimage filename; imagewithcircles = uint8(eyeimage) ;
$get pixel coords for circle around iris [X, vị — circlecoords([circleiris(2),circleiris(1)],circleiris(3),size(eyeimage) ) ; ind2 = sub2ind(size(eyeimage),double(y),double(x));
$get pixel coords for circle around pupil circlecoords ([circlepupil (2),circlepupil (1)],circlepupil (3),size(eyeimage) ); indl = sub2ind(size(eyeimage),double(yp),double(xp)) ;
% Write circles overlayed imagewithcircles(ind2) = 255; imagewithcircles(indl) = 255; w = cd; cd (DIAGPATH) ; Simwrite (imagewithnoise2, [eyeimage filename, '-noise.jpg'],'jpg'); imwrite (imagewithcircles, [eyeimage filename, '-segmented.jpg'],'jpg'); cd(w);
[polar array noise array] = normaliseiris(imagewithnoise, circleiris(2),
Circleiris(1), circleiris(3), circlepupil (2), circlepupil (1), circlepupil(3),eyeimage filename, radial res, angular res);
% ® WRITE NORMALISED PATTERN, AND NOISE PATTERN
S 6 w = cd; imwrite (polar array, [eyeimage filename, '-polar.jpg'],'jpg'); imwrite (noise array, [eyeimage filename, '-polarnoise.jpg'],'jpg'); cd (w) 7
% perform feature encoding [template mask] = encode(polar array, noise array, nscales, minWaveLength, mult, SigmaOnf) ;
2 Chương trình trích xuất đặc tinh Fingerprint: function [ ret ] = ext finger( img file, display flag ) if nargin==1; display flag=0; end block size c = 32; YA=0; YB=0; XA=0; XB=0; img=imread(img file); if length(size(img))>2 img=rgb2gray (img) ; end
% Enhancement rrr rrr rr if display flag==1; fprintf(' >>> enhancement '); end yt=1; xl=1; yb=size(img,2); xr=size(img,1); for x=1:55 if numel (find(img(x,:)