Chương 3. Cải tiến và thực nghiệm
3.8. Đánh giá vùng bất thường
Vùng bất thường được định nghĩa là những vùng mà thuộc tính hướng hoặc tần số
không ổn định, chẳng hạn như vùng delta, vùng có các đường vân bị uốn cong đột ngột, hoặc vùng có nhiều nhiễu.
Nhận xét
Trong khi tiến hành thực nghiệm, ta nhận thấy rằng thuật toán nâng cao áp dụng trên các vùng bất thường rất không hiệu quả do độ tin cậy của hướng và tần số cục bộ ở đây khá thấp. Điều này càng khó khăn hơn khi chúng ta sử dụng bộ lọc gabor để
nâng cao ảnh, vì hướng và tần số là hai thuộc tính rất quan trọng của bộ lọc này. Nếu hướng và tần số không chính xác, thì việc sử dụng bộ lọc Gabor có thể sản xuất ra những đường vân ảo và làm mất thông tin của ảnh gốc. Do vậy cần phải có phương pháp xác định các vùng bất thường để ta có biện pháp nâng cao hiệu quả hơn cho các vùng này.
Các hướng vân cục bộ tại các vùng bất thường không kiên định nên độ tin cậy coherence của hướng trong các vùng này rất thấp. Do vậy, để tìm các vùng bất thường, ta sẽ tính coherence cho từng vùng. Vùng có coherence thấp sẽđược đánh dấu là vùng bất thường.
Thuật toán đề xuất
Đầu vào: ảnh G.
1. Chia ảnh thành các khối w x w (16 x 16).
2. Với mỗi khối B có tâm (i,j), xét cửa sổ U có kích thước wU x wU (48 x 48) và cũng có tâm là (i,j). Tính độ tin cậy cohU của U (tương tự như tính coherence trong phần đánh giá hướng cục bộ). Nếu cohU rất nhỏ thì U là vùng bất thường. Dựa trên thực nghiệm, ta chọn ngưỡng trên của cohU là 0.2.
Chương 3. Cải tiến và thực nghiệm
Thực nghiệm
Hình 3.14a là ảnh gốc, kết quả tìm được hai vùng bất thường được khoanh bởi các ô vuông (hình 3.14b).
vùng bất thường
(a) (b)
Hình 3.14: Minh họa thuật toán tìm vùng bất thường; (a) ảnh gốc DB4_B/107_2; (b) hai vùng bất thường tìm được.
3.9. Phân vùng
Như đã đề cập trong phần đầu của chương, một điểm (hoặc một vùng) trong ảnh vân tay gốc có thể là vùng vân có thể khôi phục hoặc vùng không thể khôi phục. Phân loại các vùng này có thể dựa trên việc đánh giá hình dạng các sóng mà được tạo nên bởi các đường vân và rãnh vân. Ở đây, ta sử dụng bản đồ tần số F để phân vùng ảnh vân tay. Tại mỗi điểm (i,j), nếu F(i,j)>0 thì điểm (i,j) thuộc vùng vân tay có thể khôi phục, ngược lại nếu F(i,j)=0 thì điểm (i,j) thuộc vùng nền hoặc vùng vân không thể
khôi phục.
Gọi R là bản đồ vùng của ảnh vân tay G. Tại mỗi điểm (i,j):
R(i,j) = 0 nếu điểm (i,j) thuộc vùng không thể khôi phục; 1 nếu điểm (i,j) thuộc vùng có thể khôi phục; 2 nếu điểm (i,j) thuộc vùng bất thường.
Chương 3. Cải tiến và thực nghiệm
3.10. Nâng cao ảnh
Ta sử dụng bộ lọc Gabor để nâng cao chất lượng của ảnh vân tay. Với mỗi hướng là và tθ ần số f, bộ lọc Gabor h được tính như sau:
( ) 2 2 x y 2 2 x y x y 1 h(x, y : ,f , , ) exp .cos 2 f.x 2 θ θ θ ⎧ ⎡ ⎤⎫ ⎪ ⎪ θ δ δ = ⎨− ⎢ + ⎥⎬ π δ δ ⎢ ⎥ ⎪ ⎣ ⎦⎪ ⎩ ⎭ với x cos sin x y sin cos θ θ θ θ ⎡ ⎤ ⎡ ⎤ = ⎢ ⎥ ⎢− θ θ⎥ ⎣ ⎦ ⎣ ⎦ y ⎡ ⎤ ⎢ ⎥ ⎣ ⎦
Bộ lọc Gabor có cả hai thuộc tính hướng và tần số, nên khi các tham số được lựa chọn phù hợp, các bộ lọc này được sử dụng rất tốt trong khử nhiễu và làm thông tin các đường vân và rãnh vân rõ hơn. Tuy nhiên đối với các vùng bất thường, nơi có hướng và tần số vân cục bộ không ổn định, thì bộ lọc Gabor tỏ ra kém hiệu quả hơn, và thường tạo ra thông tin đường vân không chính xác. Do vậy đối những vùng bất thường, ta phải điều chỉnh các tham số của bộ lọc sao cho mức độ sai lệch thông tin là ít nhất. Như chúng ta đã biết bộ lọc Gabor có hai tham số là δx và . Nếu các tham số
này lớn, thì tính khử nhiễu của bộ lọc rất mạnh, nhưng dễ bỏ xót các chi tiết vân. Ngược lại khi các tham số này nhỏ, tính khử nhiễu kém hơn, nhưng bộ lọc sẽ bảo toàn
được những chi tiết vân.
y
δ
Dựa trên kinh nghiệm, Hong, Wan, Jain (1998) chọn δ =x 4 và . Các tham số này chạy khá tốt trong trường hợp vùng vân là ổn định. Đối với các vùng bất thường, từ nhận xét trên và bằng thực nghiệm, ta chọn
y 4
δ =
x 3
δ = và δ =y 2.
Đầu vào là ảnh G, bản đồ vùng R, bản đồ hướng O, bản đồ tần số F. Ảnh nâng cao E thu được bằng cách sau:
E(xi,yj) = 255 nếu R(xi,yj) = 0,
g g
g g
w / 2 w / 2
u=−w / 2 v=−w / 2h(u, v : O(i, j), F(i, j), 4, 4)G(i u, j v)− −
∑ ∑ nếu R(xi,yj) = 1,
g g
g g
w / 2 w / 2
u=−w / 2 v=−w / 2h(u, v : O(i, j), F(i, j),3, 2)G(i u, j v)− −
Chương 3. Cải tiến và thực nghiệm
Thực nghiệm
(a) (b)
Hình 3.15: Minh họa thuật toán nâng cao; (a) ảnh gốc DB1_B/101_3; (b) ảnh sau khi nâng cao và nhị phân hóa. cao và nhị phân hóa.
3.11. Đánh giá thực nghiệm
Đểđánh giá mức độ hiệu quả của các thuật toán đề xuất trong giai đoạn nâng cao
ảnh, ta sử dụng cơ sở dữ liệu ảnh vân tay mẫu của FVC2002. Đây là một cơ sở dữ liệu vân tay được cung cấp bởi 11 tổ chức, với nhiều ảnh vân tay khác nhau được quét từ
nhiều loại cảm biến (http://bias.csr.unibo.it/fvc2002/). Rất nhiều bài báo về nhận dạng vân tay dùng cơ sở dữ liệu này để đánh giá thuật toán của mình. Các ảnh vân tay được lựa chọn với các loại nhiễu khác nhau như các nếp gấp, vết nhòe, vân tay ẩm hoặc khô. Các thuật toán đề xuất sẽ được thử nghiệm trên những ảnh này, và so sánh với các thuật toán phổ biến khác.
Xét trên mức độ quan trọng và ảnh hưởng của các thuật toán đối với giai đoạn nâng cao ảnh, ta tập trung vào các thuật toán đánh giá hướng vân cục bộ, tần số vân cục bộ, và nâng cao ảnh dùng bộ lọc Gabor.
Để có thể đánh giá chính xác sự hiệu quả của kỹ thuật nâng cao ảnh vân tay, ta phải dựa vào tỉ lệ trích chọn minutiae đúng. Tuy nhiên, trong phạm vi của luận văn này, tôi chỉ tập trung nghiên cứu về kỹ thuật nâng cao ảnh vân tay, không thực nghiệm giai đoạn trích chọn minutiae của vân tay. Trên thực tế, cũng chưa có một thước đo chuẩn nào đểđánh giá hướng vân cục bộ (Ratha, 1995; Zhou, 2004) hay tần sồ vân cục bộ cho vân tay. Do vậy, ta đánh giá các thuật toán cải tiến dựa trên sự quan sát các kết quả thực nghiệm.
Chương 3. Cải tiến và thực nghiệm
3.11.1. Đánh giá thuật toán tìm hướng vân cục bộ
Ta sẽ so sánh kết quả của ba thuật toán tìm hướng dựa trên gradient bằng thực hiện trên 3 loại ảnh vân tay khác nhau: ảnh trong hình 3.16 có nhiều nếp gấp, hình 3.17 là
ảnh của vân tay bị ẩm, hình 3.18 là ảnh vân tay khô và chất lượng xấu. Trong mỗi hình, (a) là ảnh gốc, (b) là ảnh hướng dùng thuật toán gradient thông thường, (c) là ảnh hướng dùng thuật toán của Wang, Hu, và Han (2007), (d) dùng thuật toán cải tiến.
(a) (b)
(c) (d)
Chương 3. Cải tiến và thực nghiệm
(a) (b)
(c) (d)
Chương 3. Cải tiến và thực nghiệm
(a) (b)
(c) (d)
Hình 3.18: Đánh giá thuật toán tìm hướng vân trên ảnh có vân tay khô (DB4_B/108_2)
Rõ ràng, thuật toán cải tiến cho kết quả hướng ổn định và tốt hơn nhiều so với thuật toán tìm hướng dựa trên gradient thông thường, và nhỉnh hơn một chút so với thuật toán tìm hướng của Wang, Hu, và Han.
Chương 3. Cải tiến và thực nghiệm
3.11.2. Đánh giá thuật toán tìm tần số vân cục bộ
Để đánh giá thuật toán tìm tần số vân cục bộ, ta so sánh kết quả giữa thuật toán của Hong, Wan, Jain (1998) và thuật toán cải tiến. Kết quả được đánh giá trên nhiều loại ảnh vân tay khác nhau. Dưới đây là minh họa kết quả đánh giá trên hai loại ảnh:
ảnh trong hình 3.19 có nhiều nếp gấp (sử dụng ảnh gốc DB1_B/105_6 ở hình 3.16a), hình 3.20 là ảnh của vân tay bị ẩm (sử dụng ảnh gốc DB3_B/103_5 ở hình 3.17a). Trong mỗi hình, (a) là ảnh tần số dùng thuật toán của Hong, Wan, Jain (1998), (b) là
ảnh tần số dùng thuật toán cải tiến. Trong hai ví dụ này, ta đều thấy ảnh tần số của thuật toán cải tiến trơn hơn so với ảnh tần số của thuật toán Hong, Wan, Jain (1998).
Đối với hình 3.20, ta nhận thấy tần số vân cục bộở vùng giữa của ảnh tần số 3.20a rất không ổn định và không tin cậy. Đó là do ảnh vân tay gốc có các đường vân nằm quá sít nhau, thậm trí không phân biệt được ranh rới giữa chúng. Trong khi đó, ảnh tần số được đánh giá bởi thuật toán cải tiến (hình 3.20b) có vùng giữa với tần sốđược đánh giấu là lỗi (các ô đen), chứng tỏ thuật toán cải tiến có độ tin cậy cao hơn.
(a) (b)
Chương 3. Cải tiến và thực nghiệm
(a) (b)
Hình 3.20: Đánh giá thuật toán tìm hướng vân trên ảnh có vân tay ẩm (DB3_B/103_5).
3.11.3. Đánh giá thuật toán nâng cao ảnh
Dưới đây là minh họa kết quả của thuật toán nâng cao trên ba loại ảnh: ảnh có nếp gấp (hình 3.21), ảnh vân tay ẩm (hình 3.22) và ảnh vân tay khô (hình 3.23). Với mỗi hình, (a) là ảnh gốc, (b) là ảnh nâng cao dùng bộ lọc Gabor, (c) là ảnh nâng cao sau khi nhị phân hóa. Trong các ảnh nâng cao, đa số các đường vân được làm rõ hơn, trơn hơn, và các nét đứt được nối lại. Tuy nhiên thuật toán nâng cao dùng bộ lọc Gabor chưa hiệu quả tại một số vùng nhiễu, do các đường vân quá sít nhau, hoặc hướng và tần số vân cục bộ biến đổi đột ngột. Hình 3.24 cho thấy ảnh hưởng của việc đánh giá vùng bất thường.
Chương 3. Cải tiến và thực nghiệm
(a) (b) (c)
Hình 3.21: Đánh giá thuật toán nâng cao trên ảnh có nếp gấp (DB2_B/103_2).
(a) (b) (c)
Chương 3. Cải tiến và thực nghiệm
(a) (b) (c)
Hình 3.23: Đánh giá thuật toán nâng cao trên ảnh có vân tay khô (DB1_B/101_4).
(a) (b) (c)
Hình 3.24: Hiệu quả của việc đánh giá vùng bất thường; (a) ảnh gốc DB1_B/102_7; (b) ảnh nâng cao không có đánh giá vùng bất thường; (c) ảnh nâng cao có đánh giá vùng bất thường. nâng cao không có đánh giá vùng bất thường; (c) ảnh nâng cao có đánh giá vùng bất thường.
Chương 3. Cải tiến và thực nghiệm
3.11.4. Đánh giá thời gian của các thuật toán
Thực nghiệm chạy trên máy có cấu hình CPU 1.6 Ghz, RAM 512 Mb. Với ảnh 350 x 350, thời gian trung bình của các thuật toán như sau:
Thuật toán Thời gian (s)
Đánh giá hướng 0.43
Đánh giá tần số 0.21
Nâng cao ảnh 1.47
Tổng thời gian 2.11
Một số thuật toán cải tiến trong nâng cao chất lượng ảnh vân tay
KẾT LUẬN
Với mục đích tìm hiểu nhận dạng vân tay nói chung và nghiên cứu sâu giai đoạn nâng cao chất lượng ảnh vân tay nói riêng, luận văn đã đạt được một số thành quả nhất
định, cụ thể như sau:
- Tìm hiểu kiến trúc chung của một hệ thống nhận dạng vân tay tựđộng. Nhờ đó có những định hướng nghiên cứu trong hiện tại và tương lai.
- Nghiên cứu sâu rộng về giai đoạn nâng cao chất lượng ảnh vân tay, giai đoạn mang tính quyết định đến độ chính xác của một hệ thống nhận dạng vân tay tự động. Trong quá trình nghiên cứu, đã tìm hiểu khá nhiều kỹ thuật nâng cao. - Đề xuất một số cải tiến, đặc biệt là các thuật toán tìm hướng vân và tần số vân
cục bộ. Hiệu quả của những cải tiến được khẳng định dựa trên cơ sở toán học và đánh giá bằng thực nghiệm. Các thuật toán cải tiến có độ chính xác cao hơn so với các thuật toán chưa cải tiến và có độ phức tạp tính toán chấp nhận được. - Cài đặt khá hoàn chỉnh một kỹ thuật nâng cao chất lượng ảnh vân tay. Cụ thể
hơn, ta sử dụng bộ lọc Gabor để làm rõ các chi tiết đường vân. Kỹ thuật được
đánh giá trên nhiều dữ liệu vân tay khác nhau như cơ sở dữ liệu vân tay FVC2002, VeriFinger.
- Từ thực nghiệm cũng cho thấy, kỹ thuật nâng cao sử dụng bộ lọc Gabor vẫn tỏ
ra cứng nhắc và có khá nhiều nhược điểm như không hiệu quả tại các vùng có
điểm rẽ nhánh, điểm kết thúc, và các vùng đặc biệt, hay phát sinh các đường vân ảo.
Hướng phát triển trong tương lai
Trên cơ sở những thành quảđạt được, dựđịnh nghiên cứu tương lai như sau:
- Tiếp tục nghiên cứu và cải tiến thuật toán nâng cao chất lượng ảnh vân tay, nhằm cho kết quả tốt hơn. Như ta đã biết, thuật toán nâng cao dùng bộ lọc Gabor không cho kết quả tốt tại các vùng bất thường – nơi các đường vân có hướng thay đổi đột ngột, hoặc những vùng có tần số không ổn định. Do vậy tại các vùng này, ta sẽ sử dụng phương pháp trích chọn đường vân trực tiếp trên
ảnh cấp xám. Nói cách khác, ta sẽ áp dụng một thuật toán lai ghép giữa thuật toán dùng bộ lọc gabor và thuật toán trích chọn đường vân trực tiếp trên ảnh cấp xám, nhằm kết hợp ưu điểm của hai thuật toán này.
Một số thuật toán cải tiến trong nâng cao chất lượng ảnh vân tay
- Tối ưu thuật toán, nhằm giảm độ phức tạp tính toán. Cài đặt hoàn thiện hơn giai
đoạn nâng cao chất lượng ảnh vân tay.
- Nghiên cứu về trích chọn các đặc trưng của vân tay, so sánh vân tay, để tiến tới xây dựng một hệ thống nhận dạng vân tay tựđộng hoàn chỉnh, ứng dụng được trong đời sống.
Một số thuật toán cải tiến trong nâng cao chất lượng ảnh vân tay
TÀI LIỆU THAM KHẢO
Areekul V., Watchareeruetai U., Tantaratana S., 2004. Fast Separable Gabor Filter for Fingerprint Enhancement. First International Conference, ICBA.
Babler W.J., 1991. Embryologic Development of Epidermal Ridges and Their Configuration. Birth Defects Original Article Series, vol. 27, no. 2.
Bazen A.M., Gerez S.H., 2001. Segmentation of Fingerprint Images. Proc Workshop on Circuits Systems and Signal Processing (ProRISC 2001), pp. 276-280.
Bazen A.M., Gerez S.H., 2002. Systematic methods for the computation of the directional fields and singular points of fingerprints. IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 24, no.7, pp. 905–919.
Cole S., 2001. The Myth of Fingerprints. The New York Times, May 13.
Cummins H., Midlo C, 1961. Fingerprints, Palms and Soles: An Introduction to Dermatoglyphics. Dover New York.
Galton F., 1892. Finger Prints. McMillan, London.
Gonzales R.C., Woods R.E., 1992. Digital Image Processing. Addison-Wesley, Reading, MA. Grasselli A., 1969. On the Automatic Classification of Fingerprints. Methodologies of Pattern
Recognition, S. Watanabe (Ed.), Academic, New York.
Greenberg S., Aladjem M., Kogan D., Dimitrov I., 2000. Fingerprint Image Enhancement Using Filtering Techniques. Proc. Int. Conf. on Pattern Recognition (15th), vol. 3, pp. 326-329.
Hong L., Wan Y., Jain A.K., 1998. Fingerprint Image Enhancement: Algorithm and Performance Evaluation. IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 20, no. 8, pp. 777-789.
Jain A.K., Pankanti S., 2000. Fingerprint Classification and Recognition. Image and Video Processing Handbook, A. Bovik (Ed.), pp. 821-836, Academic, New York.
Jiang X., 2000. Fingerprint Image Ridge Frequency Estimation by Higher Order Spectrum. Proc. Int. Conf. on Image Processing, vol. 1, pp. 462-465.
Kass M., Witkin A., 1987. Analyzing Oriented Patterns. Computer Vision, Graphics, and Image Processing, vol.37, no.3, pp. 362-385.
Lee H.C., Gaensslen R.E., 2001. Advances in Fingerprint Technology. 2nd edition, Elsevier, New York.
Maio D., Maltoni D., 1997. Direct Gray-Scale Minutiae Detection in Fingerprint. IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 19, no. 1.
Maio D., Maltoni D., 1998. Ridge-Line Density Estimation in Digital Images. Proc. Int. Conf. on Pattern Recognition (14th), pp. 534-538.
Maltoni D., Maio D., Jain A.K., Prabhakar S., 2003. Handbook of Fingerprint Recognition. Springer Verlag, New York.
Mehtre B.M., Murthy N.N., Kapoor S., Chatterjee B., 1987. Segmentation of Fingerprint Images Using thhe Directional Image. Pattern Recognition, vol. 20, no. 4, pp. 429-435. Moenssens A., 1971. Fingerprint Techniques. Chilton, London.
O’Gorman L., Nickerson J.V., 1988. Matched Filter Design for Fingerprint Image Enhancement. Proc. Int Conf. on Acoustic Speech and Signal Processing, pp. 916-919. O’Gorman L., Nickerson J.V., 1989. An Approach to Fingerprint Filter Design. Pattern
Một số thuật toán cải tiến trong nâng cao chất lượng ảnh vân tay