ads:
UNIVERSIDADE DE SÃO PAULO
ESCOLA DE ENGENHARIA DE SÃO CARLOS
DEPARTAMENTO DE ENGENHARIA ELÉTRICA
CÉLIO RICARDO CASTELANO
ESTUDO COMPARATIVO DA TRANSFORMADA WAVELET
NO RECONHECIMENTO DE PADRÕES DA ÍRIS HUMANA
São Carlos - SP
2006
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
CÉLIO RICARDO CASTELANO
ESTUDO COMPARATIVO DA TRANSFORMADA WAVELET
NO RECONHECIMENTO DE PADRÕES DA ÍRIS HUMANA
Dissertação apresentada à escola de Engenharia
de São Carlos, da Universidade de São Paulo,
como parte dos requisitos necessários à obtenção
do título de Mestre em Engenharia Elétrica.
Área de Atuação: Processamento de Sinais e
Instrumentação
Orientador: Prof. Dr. Adilson Gonzaga.
São Carlos - SP
2006
ads:
i
DEDICATÓRIA
À Deus, criador de tudo e de todos, que possibilitou a conclusão de mais
uma etapa importante em minha existência. À Jesus, nosso Mestre e à todos
os amigos do plano maior.
À pessoa que me concedeu a oportunidade dessa vida, meu grande
exemplo, que com a sua honrosa profissão de manicure lutou para que,
primeiramente, seu único filho conseguisse a graduação e agora, esse
mestrado. Obrigado dona Maria de Fátima Castelano, tenho muito orgulho
de ser seu filho.
À minha filha Isis que muito tem me ensinado com a sua energia e alegria.
Espero prover-te não apenas os recursos materiais, mas principalmente,
Amor e bons exemplos.
ii
AGRADECIMENTOS
Aos meus avós Augusto e Dídima Castelano, pela criação com os melhores
princípios de dignidade e honestidade. À minha esposa Renata e sogra Nair,
pelo apoio e incentivo nas horas mais difíceis.
Ao professor Adilson Gonzaga por toda orientação, paciência e
compreensão, ensinando-me o que é ser um verdadeiro docente. À
professora Agma J. M. Traina, pela valiosa colaboração ao longo deste
trabalho e também pelas aulas de Computação Gráfica.
Ao amigo e professor Celso Zácari Faria, por conceder-me a primeira
oportunidade de lecionar, obrigado pela confiança e motivação. Ao grande
amigo Henrique Rodrigo, uma pessoa que personaliza o sentido real de
amizade; obrigado pela ajuda inestimável durante todo o curso, desde a
inscrição como aluno especial, o apoio nas disciplinas, as longas estadias,
enfim, grande parte desse trabalho devo à você. Obrigado também à Eleisy
e família, pela acomodação e cordialidade.
Aos irmãos Ângelo e Ulisses Christianini, da empresa Eletro Ponto de Bauru,
que me liberaram do trabalho para que eu cursasse todas as disciplinas. À
todos os amigos dessa empresa: Luís Antonio, Heverton, Ricardo
Christianini, Rose e Coleu, que sempre me apoiaram.
Ao Beto, Danielle e Jean pelas caronas de São Carlos à Bauru; Ronaldo
Martins e Kátia pela companhia nas viagens; à Patrícia Bellin, pela força e
grande ajuda desde a qualificação. Gabriel Calin, que tive o prazer de
conhecer na disciplina do prof. Adilson, autor principal do método de
extração da íris. Ao Leandro, pelos conselhos e motivação; Marcão, Menotti
e Vanderlei do LCR.
Ao oráculo Adriano Múfalo, camarada que sabe de tudo um monte; obrigado
pela ajuda na integração Delphi/Matlab e tantas outras desde os tempos da
graduação. À Alternativa Sistemas, na figura dos não menos amigos
Gustavo Lourenço e Miguel Damasceno.
iii
RESUMO
Neste trabalho é apresentado um método para reconhecimento de seres
humanos através da textura da íris. A imagem do olho é processada através
da análise do gradiente, com uma técnica de dispersão aleatória de
sementes. Um vetor de características é extraído para cada íris, baseado na
análise dos componentes Wavelet em diversos níveis de decomposição.
Para se mensurar as distâncias entre esses vetores foi utilizado o cálculo da
Distância Euclidiana, gerando-se curvas Recall x Precision para se medir a
eficiência do método desenvolvido. Os resultados obtidos com algumas
famílias Wavelets demonstraram que o método proposto é capaz de realizar
o reconhecimento humano através da íris com uma precisão eficiente.
Palavras chave: Reconhecimento pela íris; Biometria; Recuperação de
imagem por conteúdo, Wavelets; Processamento de imagens; Análise de
Textura.
iv
ABSTRACT
This work presents a method for recognition of human beings by iris texture.
The image of the eye is processed through gradient analysis, based on a
random dispersion of seeds. So, it is extracted a feature vector for each iris
based on Wavelet Transform in some levels of decomposition. To estimate
the distances between these vectors it was used the Euclidean Distance,
and Recall x Precision curves are generated to measure the efficiency of the
developed method. The results gotten with some Wavelets families had
demonstrated that the proposed methodology is capable to do human
recognition through the iris with an efficient precision.
Keywords: Iris Recognition; Biometrics; Content-Based Image Retrieval,
Wavelets; Image Processing; Texture Analysis.
v
LISTA DE ILUSTRAÇÕES
Figura 2.3 – Taxas de precisão de sistemas biométricos .................................18
Figura 3.1 – Esquema geral do funcionamento de um sistema CBIR ..............30
Figura 3.2 – Formas em imagens. a) Artificiais e b) Naturais (CASTAÑON,
2003). ............................................................................................32
Figura 3.3 – Categorias de representação de formas em imagens. (a)
baseada em bordas. (b) baseada em regiões. (AL-TAYECHE;
KHALIL, 2003) ...............................................................................32
Figura 3.4 – Imagens com textura ....................................................................34
Figura 3.5 – Consulta por Abrangência (Range Query)....................................36
Figura 3.6 – Consulta pelos k vizinhos mais próximos (k Nearest-Neighbors
Query)............................................................................................37
Figura 3.7 – Propriedades da desigualdade triangular (VARGAS, 2004)......... 41
Figura 3.8 – Exemplo de uma R-Tree (FREDERICK, 1999).............................42
Figura 3.9 – Exemplo de uma V-Tree (FREDERICK, 1999).............................43
Figura 3.10 – Exemplo de uma Quad-Tree (FREDERICK, 1999).....................44
Figura 3.11 – Exemplo de uma Slim-Tree (BUENO; TRAINA; TRAINA JR,
2005). (a) Representação planar. (b) Estrutura. ............................ 46
Figura 4.1 – Exemplos de wavelets..................................................................49
Figura 4.2 – Processo de decomposição das wavelets....................................50
Figura 4.3 – Árvore de três níveis de decomposição wavelet...........................50
Figura 4.4 – (a) Janelas de análise no plano tempo-freqüência para a
WFT(Transformada de Fourier por Janelas) e para as wavelets –
(b) Cobertura do espectro de freqüências pela Transformada por
Janelas de Fourier (acima) e pela Transformada Wavelet. ...........54
Figura 4.5 – (a) 3 exemplos de escala de sinal em wavelet. (b)
posicionamento(deslocamento) de sinal em wavelet (MISITI et
al, 2005).........................................................................................55
Figura 4.6 – Análise de um sinal 1-D através da DWT.....................................57
Figura 4.7 – (a) Esquema de organização dos coeficientes Wavelets. (b)
Imagem original. (c) Decomposição em 3 níveis pela wavelet
Daubechies-4. (d) os três níveis de decomposição(L1, L2, L3)
vistos individualmente, com seus respectivos coeficientes de
aproximação, detalhes horizontais, diagonais e verticais ..............58
Figura 4.8 – Árvore de decomposição de sinais na Transformada Wavelet
Packet, onde A representa os coeficientes de aproximação (filtro
passa-baixa) e D o coeficiente de detalhe (filtro passa-alta) .........59
Figura 4.9 – Árvore da organização da Wavelet Packets. A escala j define os
níveis de decomposição e W(n) a posição. ...................................60
Figura 5.1 – Equalização de Histograma. (a) Imagem original. (b) Histograma
da imagem original. (c) Imagem equalizada. (b) Histograma da
imagem equalizada........................................................................66
Figura 5.2 – (a) Nove sementes na imagem. (b) Direção de varredura das
sementes .......................................................................................67
Figura 5.3 – Localização da pupila através da dispersão de 9 sementes,
onde cada semente possui uma cor diferente. (a) Imagem
completa. (b) Destaque das sementes na região da pupila...........68
vi
Figura 5.4 – Pupila não localizada....................................................................69
Figura 5.5 – Pupila localizada...........................................................................70
Figura 5.6 – (a) Imagem original. (b) Imagem processada ...............................71
Figura 5.7 – (a) Região inicial de análise das 6 sementes (retângulos) ...........72
Figura 5.8 – Íris normalizada em 64x512 pixels................................................73
Figura 5.9 – Separação da região de interesse................................................74
Figura 5.10 – imagem referente à uma íris não detectada. ..............................75
Figura 5.11 – Região de interesse com influência da pálpebra. .......................76
Figura 5.12a – Região de interesse sem influência da pálpebra (Desvio
padrão dos coeficientes de aproximação igual a 55).....................77
Figura 5.12b – Região de interesse com influência da pálpebra (Desvio
padrão dos coeficientes de aproximação igual a 74).....................77
Figura 5.13a – Imagem de uma íris desfocada (indivíduo 96)..........................80
Figura 5.13b – Identificação das 7 imagens com maior similaridade em
relação à imagem desfocada (Figura 5.13a) – acerto de 100%
(7/7). ..............................................................................................80
Figura 5.13c – Imagem de uma íris desfocada (indivíduo 38). .........................80
Figura 5.13d – Identificação das 7 imagens com maior similaridade em
relação àimagem desfocada (Figura 5.13c) – acerto de 85,71%
(6/7). ..............................................................................................80
Figura 5.14a – Região de interesse 31x224. ....................................................81
Figura 5.14b – Região de interesse com histograma equalizado. ....................81
Figura 5.15 – Decomposição da região de interesse........................................82
Figura 5.16 – Gráfico da Distância Euclidiana de uma íris ...............................85
Figura 6.1 – Modelo das curvas Recall x Precision. .........................................90
Figura 6.2 – Curva Recall x Precision do sistema de recuperação sem a
verificação da qualidade de imagem. ............................................91
Figura 6.3 – Curva Recall x Precision do sistema de recuperação com a
verificação da qualidade de imagem. ............................................92
vii
LISTA DE TABELAS
Tabela 3.1 – Descrição formal dos algoritmos kAndRange e kOrRange..........38
Tabela 3.2 – Símbolos......................................................................................38
Tabela 5.1 – Dimensão dos vetores referentes aos componentes Wavelet.....83
Tabela 5.2 – Dimensão dos vetores referentes aos componentes Wavelet.....84
Tabela 6.1 – Avaliação do método de localização e extração da íris ...............88
Tabela 6.2 – Distâncias Euclidianas entre as imagens.....................................88
Tabela 6.3 – Tamanho dos vetores referentes aos componentes Wavelet. .....89
Tabela 6.4 – Taxa de Reconhecimento Correto. ..............................................95
viii
LISTA DE ABREVIATURAS E SIGLAS
1-1 Método de comparação um-para-um
1-N Método de comparação um-para-muitos
AFIS Automated Fingerprint Identification System
CBIR Content-Based Image Retrieval
COM Component Object Model
CWT Continuous Wavelet Transform
DWT Discrete Wavelet Transform
EER Equal Error Rate
FAR False Acceptance Rate
FFT Fast Fourier Transform
FRR False Rejection Rate
k-NN k-Nearest Neighbor
MAM Metric Access Method
NLPR National Laboratory of Pattern Recognition
QMF Quadrature Mirros Filters
SAM Spatial Access Method
SGBD Sistema de Gerenciamento de Banco de Dados
WFT Windowed Fourier Transform
ix
SUMÁRIO
RESUMO.............................................................................................................................................. iii
ABSTRACT.......................................................................................................................................... iv
CAPÍTULO 1 – INTRODUÇÃO ...................................................................................................... 11
1.1 CONSIDERAÇÕES INICIAIS......................................................................... 11
1.2 OBJETIVOS .............................................................................................. 12
1.3 ESTRUTURA DA DISSERTAÇÃO ................................................................. 13
CAPÍTULO 2 – BIOMETRIA .......................................................................................................... 14
2.1 INTRODUÇÃO........................................................................................... 14
2.2 MEDIDAS DE PRECISÃO............................................................................ 17
2.3 BIOMETRIA POR FACE .............................................................................. 18
2.4 BIOMETRIA POR IMPRESSÃO DIGITAL ....................................................... 20
2.5 BIOMETRIA PELA RETINA ......................................................................... 24
2.6 BIOMETRIA PELA ÍRIS............................................................................... 26
2.7 CONSIDERAÇÕES FINAIS .......................................................................... 29
CAPÍTULO 3 – RECUPERAÇÃO DE IMAGENS BASEADA EM CONTEÚDO (CBIR)........ 30
3.1 INTRODUÇÃO........................................................................................... 30
3.2 REPRESENTAÇÃO DE IMAGENS ................................................................. 31
3.2.1 Atributo Forma ............................................................................................................. 31
3.2.2 Atributo Cor.................................................................................................................. 33
3.2.3 Atributo Textura............................................................................................................ 33
3.3 CONSULTA POR SIMILARIDADE................................................................. 34
3.3.1 CONSULTA POR ABRANGÊNCIA (RANGE QUERY) .................................. 35
3.3.2 CONSULTA PELOS K VIZINHOS MAIS PRÓXIMOS (K-NN) ........................ 36
3.3.3 CONSULTA PELOS K VIZINHOS MAIS PRÓXIMOS E/OU ABRANGÊNCIA
(KANDRANGE E KORRANGE) .............................................................................. 37
3.3.4 ESTRUTURAS DE INDEXAÇÃO ............................................................... 38
3.3.4.1 R-TREE ............................................................................................... 41
3.3.4.2 V-TREE ............................................................................................... 43
3.3.4.3 QUAD-TREE......................................................................................... 44
3.3.4.4 SLIM-TREE........................................................................................... 45
3.4 CONSIDERAÇÕES FINAIS .......................................................................... 46
CAPÍTULO 4 – WAVELETS............................................................................................................ 48
4.1 INTRODUÇÃO........................................................................................... 48
4.2 HISTÓRICO .............................................................................................. 51
4.3 TRANSFORMADA DE FOURIER................................................................... 51
4.4 COMPARAÇÃO ENTRE A TRANSFORMADA DE FOURIER E A TRANSFORMADA
WAVELET ........................................................................................................... 52
4.5 TRANSFORMADA WAVELET CONTÍNUA .................................................... 54
4.6 TRANSFORMADA WAVELET DISCRETA ..................................................... 56
4.7 TRANSFORMADA “WAVELET PACKET”..................................................... 58
4.8 CONSIDERAÇÕES FINAIS .......................................................................... 61
CAPÍTULO 5 – METODOLOGIA................................................................................................... 62
x
5.1 INTRODUÇÃO........................................................................................... 62
5.2 MATERIAIS.............................................................................................. 63
5.3 EQUIPAMENTO UTILIZADO....................................................................... 63
5.4 SEGMENTAÇÃO DA ÍRIS............................................................................ 64
5.5 ALGORITMO GENERALIZADO DE SEGMENTAÇÃO DA ÍRIS .......................... 65
5.5.1 Equalização da Imagem................................................................................................ 65
5.5.2 Localização da pupila...................................................................................................66
5.5.3 Aumento do contraste da imagem.................................................................................70
5.5.4 Localização da Borda Externa da Íris..........................................................................71
5.5.5 Extração da Íris ............................................................................................................72
5.6 ANÁLISE DAS IRISES EXTRAÍDAS .............................................................. 73
5.6.1 AVALIAÇÃO DA QUALIDADE DAS IMAGENS ........................................... 75
5.6.2 COMPOSIÇÃO DO VETOR DE CARACTERÍSTICAS ..................................... 81
5.6.3 RECONHECIMENTO ATRAVÉS DAS CARACTERÍSTICAS EXTRAÍDAS .......... 84
5.7 CONSIDERAÇÕES FINAIS .......................................................................... 86
CAPÍTULO 6 – RESULTADOS E CONCLUSÕES .......................................................................87
6.1 RESULTADOS........................................................................................... 87
6.1.1 AVALIAÇÃO DA LOCALIZAÇÃO E EXTRAÇÃO DA ÍRIS ............................. 87
6.1.2 AVALIAÇÃO DO MÉTODO DE RECUPERAÇÃO DE IMAGENS ...................... 88
6.2 CONCLUSÃO............................................................................................ 92
6.3 SUGESTÃO PARA TRABALHOS FUTUROS .................................................... 95
REFERÊNCIAS BIBLIOGRÁFICAS..............................................................................................97
APÊNDICE A – SOFTWARE DESENVOLVIDO........................................................................102
APÊNDICE B – TABELA COM A QUALIDADE DAS IMAGENS DO BANCO ....................104
APÊNDICE C – CÓDIGO FONTE ................................................................................................122
11
Capítulo 1 – Introdução
____________________________________________________________________________________________
C
C
a
a
p
p
í
í
t
t
u
u
l
l
o
o
1
1
–
–
I
I
n
n
t
t
r
r
o
o
d
d
u
u
ç
ç
ã
ã
o
o
1.1 Considerações iniciais
Medidas biométricas têm sido amplamente exploradas em aplicações de
identificação e verificação de indivíduos, através da análise das
características físicas que os distinguem, tais como voz, geometria da mão,
impressão digital, forma de andar, retina e íris. Dentre todas essas
características, o reconhecimento pela íris tem mostrado altos índices de
acertos, como verificado nos trabalhos de (DAUGMAN, 2001, 2002; MA et
al, 2003; WILDES, 1997). Impressão digital e reconhecimento da voz, por
exemplo, podem sofrer alterações ao longo da vida do indivíduo,
ocasionados por mudanças naturais, acidentes ou patologias, e dessa
forma, grande influência negativa teria na eficiência de tais sistemas de
reconhecimento. A íris, por outro lado, é uma medida biométrica que não
sofre mudanças expressivas durante a vida, garantindo assim maior
fidelidade na análise das suas características.
Um sistema completo de identificação pela íris pode ser dividido em três
etapas distintas: a aquisição de imagens, detecção da íris viva, que garante
que a imagem não é uma foto ou vídeo gravado previamente, e o
reconhecimento, que pode ser uma autenticação ou identificação, que se
diferem pela finalidade.
Na autenticação, os dados da pessoa que deseja ter acesso em um
12
Capítulo 1 – Introdução
____________________________________________________________________________________________
determinado local são comparados aos do usuário cadastrado que ela afirma
ser. Sistemas desse tipo são conhecidos como 1-1 (um-para-um), pois a
medida biométrica que se apresenta é simplesmente checada com o que foi
registrado no banco de dados, durante o cadastro dessa pessoa.
Já na identificação, o reconhecimento de uma pessoa ocorre quando se tem
o dado biométrico dela e se faz uma busca num banco de dados,
comparando as informações até que se encontre (ou não) um registro
idêntico ao que é procurado, com certa margem de erro inclusa. Sistemas
desse tipo são conhecidos por 1-N (um-para-muitos), pois o dado de uma
pessoa é comparado ao de várias outras. Essa alternativa é usada em
sistemas de identificação civil ou criminal, quando não se conhece a
identidade da pessoa cujos dados foram coletados.
Um fator chave em sistemas biométricos é a necessidade de serem não-
invasivos, ou seja, não ter contato físico ou intervenção humana, e não
necessitar de ajustes e manutenções constantes de operadores, garantindo
assim um padrão único para todas as imagens capturadas. Nos sistemas
atuais que utilizam a íris, as duas exigências fundamentais são de que o
usuário deve permanecer parado em uma posição definida e com os olhos
abertos, enquanto uma fonte de luz ilumina os olhos e uma câmera captura
as imagens. Mesmo apresentando esses aspectos um tanto quanto
invasivos, o reconhecimento pela íris mostra-se com maior eficiência em
relação às demais características biométricas, conseguindo altas taxas de
acertos e baixo tempo de processamento computacional (DAUGMAN, 2001,
2002; MA et al., 2003; WILDES, 1997).
1.2 Objetivos
A proposta deste trabalho é a análise comparativa de algoritmos baseados
em Wavelets para o reconhecimento de imagens da íris, utilizando o banco
CASIA, mantido pelo Laboratório Nacional de Reconhecimento de Padrões
(NLPR), Instituto de Automação e Academia Chinesa de Ciências, contendo
13
Capítulo 1 – Introdução
____________________________________________________________________________________________
756 imagens de íris humanas, de 108 indivíduos.
É proposto também um método de localização da pupila e íris, através da
direção do gradiente. Localizadas as bordas internas e externas, é extraída a
íris (região de interesse na imagem), para ser analisada através de diversas
famílias de transformadas Wavelets, visando encontrar aquela que
apresente os melhores resultados para reconhecimento.
Para avaliação dos resultados são utilizadas curvas Recall x Precision,
técnica esta amplamente empregada em Sistemas de Recuperação de
Imagens Baseada em Conteúdo (CBIR).
1.3 Estrutura da Dissertação
Este capítulo introduziu o assunto sobre o reconhecimento de íris.
O capítulo 2 enfoca os diversos tipos de medidas biométricas como meio de
identificação ou autenticação de pessoas.
O capítulo 3 descreve sobre os Sistemas de Recuperação Baseados em
Conteúdo (CBIR).
O capítulo 4 apresenta uma introdução sobre a Transformada Wavelet, bem
como algumas de suas famílias e uma comparação com a Transformada de
Fourier.
O capítulo 5 descreve a metodologia.
O capítulo 6 discute os resultados obtidos e as conclusões.
14
C
C
a
a
p
p
í
í
t
t
u
u
l
l
o
o
2
2
–
–
B
B
i
i
o
o
m
m
e
e
t
t
r
r
i
i
a
a
2.1 Introdução
Atualmente o termo biometria tem sido empregado para referenciar o
emergente campo de tecnologia da informação voltado à identificação de
indivíduos a partir das suas características biológicas, tais como: impressão
digital, geometria das mãos, retina, face e íris, e também características
comportamentais como a forma de andar ou porte, assinatura, voz e escrita.
A Figura 2.1 representa algumas possibilidades de identificação biométrica.
Os recentes avanços nesta área do conhecimento, bem como a crescente
necessidade por segurança em todo mundo, têm contribuído para o
desenvolvimento de sistemas inteligentes de identificação pessoal baseados
nas características biométricas. Diversas aplicações desses métodos tem
sido empregadas na sociedade, dentre elas destacam-se:
• Controle de acesso a lugares restritos;
• Identificação pessoal para empresas;
• Criação de retrato falado;
• Monitoramento de aeroportos, estações e arenas esportivas;
15
Capítulo 2 – Biometria
____________________________________________________________________________________________
• Envelhecimento computadorizado para auxiliar a busca por
desaparecidos;
• Sistemas de controles criminais;
O esquema básico utilizado pelos métodos de reconhecimento biométrico
pode ser decomposto sucintamente em três etapas distintas: aquisição de
imagens, extração de características e reconhecimento (Figura 2.2).
(a) (b) (c) (d)
(e) (f) (g) (h)
Figura 2.1 – Alguns indicadores biométricos. (a) face, (b) impressão digital, (c)
geometria da mão, (d) retina, (e) voz, (f) assinatura, (g) íris e (h) forma de
andar(porte)
16
Capítulo 2 – Biometria
____________________________________________________________________________________________
Na etapa de aquisição, uma seqüência de imagens é capturada para
extração de características, onde operações de tratamento são executadas
com a finalidade de garantir as imagens de melhor qualidade para o
reconhecimento, que dependendo do contexto, pode operar nos modos de
autenticação e/ou identificação.
No modo de autenticação, o indivíduo se apresenta como sendo uma
determinada pessoa e o sistema confere a veracidade da informação,
retornando verdadeiro ou falso, gerando uma comparação um-para-um. Já o
modo de identificação lança os dados de determinado indivíduo em um
Figura 2.2 – Esquema generalizado do funcionamento de sistemas
biométricos
17
Capítulo 2 – Biometria
____________________________________________________________________________________________
banco de dados, onde eles são comparados aos de várias outras pessoas
até que seja possível determinar a identidade correta, gerando uma
comparação um-para-muitos. Identificação é voltada para aplicações onde
se deseje garantir que múltiplos indivíduos não utilizem a mesma identidade.
2.2 Medidas de Precisão
A precisão dos sistemas biométricos é medida através das taxas de falsa
aceitação (FAR – False Acceptance Rate) e falsa rejeição (FRR – False
Rejection Rate). A FAR representa a percentagem de usuários não-
autorizados que são incorretamente identificados como usuários válidos. A
FRR representa a percentagem de usuários autorizados que são
incorretamente rejeitados. Essas taxas são interdependentes, ou seja,
reduzindo-se a taxa de falsa aceitação, a taxa de falsa rejeição aumentará, e
reduzir a taxa de falsa rejeição implica no aumento da taxa de falsa
aceitação.
O nível de precisão configurado no algoritmo de comparação tem efeito
direto nessas taxas. O modo como essas taxas são determinadas é
fundamental para a operação de qualquer sistema biométrico e assim deve
ser considerado um fator primário na sua avaliação. Os dispositivos
biométricos físicos tendem a ter uma menor taxa de falsa aceitação por
causa da estabilidade da característica medida e porque as características
comportamentais são mais fáceis de serem adulteradas por outros usuários.
A configuração do valor limite para tolerância a estes erros é crítica no
desempenho do sistema. A falsa rejeição causa frustração, gerada pela não
identificação de um usuário autêntico, ao passo que a falsa aceitação causa
fraude, permitindo acesso a um indivíduo impostor.
Muitos sistemas podem ser configurados para fornecer detecção sensível
(baixa FAR e alta FRR), onde altos níveis de segurança são requeridos, ou
detecção fraca (baixa FRR e alta FAR), que por sua vez são utilizados, por
exemplo, em sistemas com um número reduzido de usuários. A medida
18
Capítulo 2 – Biometria
____________________________________________________________________________________________
crítica é conhecida como taxa de cruzamento (EER – Equal Error Rate). Ela
é o ponto onde a FAR e a FRR cruzam-se. A figura 2.3 mostra as taxas de
falsa aceitação e falsa rejeição.
Figura 2.3 – Taxas de precisão de sistemas biométricos
2.3 Biometria por Face
Duas abordagens distintas são usualmente tratadas em sistemas
biométricos por face: detecção e reconhecimento. Em se tratando de
detecção, a função dos algoritmos é conseguir extrair faces humanas de
uma imagem estática ou de uma seqüência de imagens. Detecção de faces
é consideravelmente difícil porque envolve a localização da face sem
nenhum conhecimento prévio de suas escalas, localizações, orientações
(ereta, rotacionada) com ou sem oclusões, posicionadas de frente ou perfil
(MARIN; BARRETO, 2003).
Três fatores são citados como problemas complexos na dissertação de
mestrado de Marroni (MARRONI, 2002). Primeiro: variação de padrões
devido a diferenças na aparência facial, discrepâncias entre imagens
diferentes de uma mesma face, expressão e cor da pele. Segundo:
ocultação de características faciais por objetos como bigode, óculos, cabelo
na face e maquiagem. Terceiro: a escala e a orientação da face na imagem,
dificultando o uso de templates fixos para localizar as características
19
Capítulo 2 – Biometria
____________________________________________________________________________________________
procuradas.
Um sistema de reconhecimento de face tem como objetivo identificar, que
consiste em investigar a face de uma pessoa em um conjunto de faces e
encontrar a classe correta para a face investigada. Além disso, com base em
uma face investigada, verificar a autenticidade e certificar ou não a
informação declarada. Deve também determinar se uma face é de uma
classe e em caso positivo, determinar sua identidade, através de
características de cada indivíduo.
O reconhecimento de face tem início a partir da captura de imagens
estáticas ou imagens de vídeo, seguida da detecção de um rosto que será
comparada com modelos armazenados numa base de dados,
complementada com a análise da cor da pele, detecção de linhas ou ainda
de um modelo híbrido (POH; KORCZAK, 2001). É importante também
adaptar o modelo a todas as condições que podem alterar a aparência de
um indivíduo, como o uso de óculos, envelhecimento, barba, etc, conforme
Figura 2.4.
Os métodos de reconhecimento de face podem ser agrupados em diversas
categorias sendo elas: por atributos, holísticas, baseadas na transformada
de Gabor, tridimensionais, seqüências de vídeo entre outras (CHELLAPPA
Figura 2.4 – Sistema de verificação de face
20
Capítulo 2 – Biometria
____________________________________________________________________________________________
et. al., 1995).
As aplicações para os sistemas de reconhecimento de face envolvem:
identificação pessoal para banco, passaporte, fichas criminais; sistemas de
segurança e controle de acesso; monitoramento de multidões em estações,
shopping centers, etc; criação de retrato falado; busca em fichas criminais;
envelhecimento computadorizado para auxiliar a busca por desaparecidos;
interfaces homem-máquina para o reconhecimento de expressões faciais;
entre outras diversas aplicações (SCHWERDT; CROWLEY, 2000; GONG et
al, 2000; PENTLAND, 2000).
2.4 Biometria por Impressão Digital
A impressão digital é o desenho formado pelas papilas que são compostas
por linhas e vales, formando padrões que tornam cada pessoa única, pois, a
impressão digital não muda durante a vida. A biometria digital é bastante
utilizada, tendo um alto nível de aceitação em registros civis e investigações
criminais, tendo como função identificar os padrões (minúcias).
Os AFIS (Automated Fingerprint Identification System) sistemas automáticos
de identificação de impressões digitais são compostos por vários estágios de
processamento, sendo eles: melhoria de imagem, cálculo da imagem
direcional, redução de ruídos, segmentação e o afinamento (thinning) (JAIN
et al. 1997). O objetivo desses sistemas é a comparação de imagens a
serem identificadas com as armazenadas em um banco de dados de
impressão digitais, conforme mostra a Figura 2.5.
21
Capítulo 2 – Biometria
____________________________________________________________________________________________
Durante décadas, vários métodos têm sido desenvolvidos para o propósito
de classificação de impressão digitais automaticamente, como os métodos
Estruturais, Estatísticos, Sintáticos, por Redes Neurais Artificiais, Híbridos,
entre outros.
O desenho da impressão digital apresenta uma área útil onde é possível
observar a área padrão, que é a parte principal da impressão do dedo
formada por cristas e todos os seus aspectos, e tipos de linhas, que podem
ser contínuas ou não, conforme mostra a Figura 2.6.
Figura 2.5 – Comparação de minúcias
Área Padrão
Figura 2.6 – Área padrão e Tipos de linhas
22
Capítulo 2 – Biometria
____________________________________________________________________________________________
Os pontos singulares em impressão digital são conhecidos como: núcleo,
que é um ponto localizado na área central da impressão digital, e delta, que
é um ângulo ou triângulo formado pelas cristas papilares, que podem ser
observados na Figura 2.7.
A caracterização de aspectos de impressões digitais tem sido apresentada
por diversos autores, sendo, Francis Galton (KARU; JAIN, 1996) o primeiro a
fazer um estudo dos aspectos de impressões digitais como: cristas finais,
cristas bifurcadas, cristas curtas, cruzamentos, esporas e ilhas, chamados
de minúcias ou pontos característicos, que são acidentes que se encontram
nas cristas papilares como, por exemplo, linhas que terminam abruptamente
ou se bifurcam, e tem a finalidade de estabelecer a unicidade das
impressões digitais, (Figura 2.8).
Figura 2.7 – Ponto delta e núcleo de uma impressão digital
Figura 2.8 – Aspectos de impressões digitais (Detalhes de Galton)
23
Capítulo 2 – Biometria
____________________________________________________________________________________________
A impressão digital pode ser dividida em várias classes, sendo a primeira
tentativa proposta por Edward Henry (HENRY, 1905) que dividiu em cinco
classes, uma delas pertinentes ao delta e outra às linhas do sistema nuclear
(núcleo), sendo elas: Arco plano, Arco Angular, Presilha Interna (Direita),
Presilha Externa (Esquerda) e Verticilo, conforme ilustrado na Figura 2.9.
A verificação da impressão digital pode ser uma boa escolha para sistemas
que operam em um ambiente controlado, além de o equipamento apresentar
baixo custo, tamanho pequeno, e facilidade de integração de dispositivos de
autenticação de impressão digital. Porém, dentre as biometrias físicas é a
de menor confiabilidade devido ao fato dos equipamentos utilizados para a
captura dos padrões não distinguirem, eficientemente, um dedo vivo de um
morto, sendo, fácil produzir uma impressão digital sintética com ou sem a
colaboração do proprietário (PUTTE; KEUNING, 2000). Existem atualmente
leitores que tentam resolver o problema do “efeito dedo morto” recorrendo a
sensores de tensão arterial, condutividade, temperatura e leitura de padrões
existentes em camadas inferiores à epiderme, porém, estas tecnologias são
Figura 2.9 – As cinco classes propostas por Henry
(deltas e núcleos destacados em vermelho)
24
Capítulo 2 – Biometria
____________________________________________________________________________________________
caras e ainda não atingiram o nível de maturidade desejado.
2.5 Biometria pela Retina
A retina é composta de células sensíveis à luz, os cones e os bastonetes.
Essas células transformam a energia luminosa das imagens em sinais
nervosos que são transmitidos ao cérebro pelo nervo ótico. Normalmente, as
imagens dos objetos que olhamos diretamente formam-se na região da
retina bem na linha que passa pela pupila e pelo centro do cristalino, isto é,
pelo eixo do globo ocular (VESPER, 2005). A figura 2.10 ilustra o olho
humano, com seus órgãos internos e veias da retina.
Figura 2.10 – Olho humano, onde é possível verificar a composição das
veias na retina.
Fonte: (VESPER, 2005).
25
Capítulo 2 – Biometria
____________________________________________________________________________________________
Os sistemas biométricos baseados na leitura de retina analisam a camada
de vasos sanguíneos situada na parte de trás do olho, através da utilização
de uma fonte de luz de baixa intensidade para oticamente reconhecer
padrões únicos.
A captura das imagens é feita através do posicionamento de um indivíduo no
aparelho de leitura (Figura 2.11), devendo este olhar para um determinado
ponto fixo, onde uma seqüência de imagens é capturada para extração de
características.
As vantagens dos sistemas que utilizam a retina como medida biométrica
são:
• Estabilidade ao longo da vida de um indivíduo, mantendo o mesmo
padrão desde o nascimento até a sua morte, onde em segundos
desaparece devido a sua estrutura aquosa;
• Proteção: por se tratar de um órgão interno e que se decompõe caso
for extraído, praticamente exclui qualquer possibilidade de fraudes,
onde indivíduos pudessem utilizar uma outra retina que não fosse a
sua;
Figura 2.11 – Aparelho leitor de imagens da retina
Fonte: (RETICA, 2005).
26
Capítulo 2 – Biometria
____________________________________________________________________________________________
• Unicidade: probabilidade de duas retinas apresentarem o mesmo
padrão está na ordem de 1 em 10.000.000 de indivíduos. (RETICA,
2005).
Atualmente os fatores que limitam o uso desta tecnologia são: o custo
elevado de implantação, a necessidade de o usuário olhar através de um
aparelho para um determinado ponto fixo, e o receio por possíveis danos
causados pelo contato dos olhos no aparelho.
2.6 Biometria pela Íris
A íris, um órgão interno protegido do olho e de formato anelar, está situada
atrás da córnea e do humor aquoso, entre a esclera (parte mais clara do
olho) e a pupila (parte mais escura do olho). É a parte responsável pela
coloração dos olhos, e ajuda a regular a quantidade de luz que entra no
olho. A figura 2.12 mostra a composição do olho humano.
A formação da íris inicia-se no terceiro mês de gestação e as estruturas que
criam seu padrão completam-se, na sua maior parte, no oitavo mês, embora
o crescimento da pigmentação possa continuar nos primeiros anos após o
nascimento (DAUGMAN, 2001). Sua estrutura constitui-se de diversas
Figura 2.12 – O olho humano
27
Capítulo 2 – Biometria
____________________________________________________________________________________________
características de minúcias, tais como: sardas, sulcos de contração, listras,
etc. Essas características, geralmente chamadas de textura da íris, são
únicas e permanecem praticamente inalteradas por toda existência do
indivíduo (BOLES, 1997; DAUGMAN, 2002; WILDES et al, 1996).
Todas essas características intrínsecas da íris produzem grande
autenticidade e exclusividade dentre os indivíduos. Cálculos estatísticos
revelam que a probabilidade de ocorrência do mesmo padrão de íris em
diferentes indivíduos está na ordem de 1 em 10
78
(GONZAGA, 2003). A
anatomia da íris bem como suas características propícias para biometria são
vistas na figura 2.13.
Um completo sistema de identificação pessoal baseado na análise da íris
humana é constituído em 3 etapas distintas, como observado na figura 2.14.
Figura 2.13 – Anatomia da íris humana. A estrutura da íris vista de forma
frontal. A aparência visual da íris humana deriva desta estrutura anatômica
28
Capítulo 2 – Biometria
____________________________________________________________________________________________
De forma resumida, na primeira etapa de aquisição de imagens, uma
seqüência é capturada para garantir um número suficiente de imagens, já
que é comum ocorrer à movimentação da cabeça e o piscar dos olhos por
parte do usuário. É necessário também um processamento dessas imagens,
visando melhorar a sua qualidade e realçar as características de textura da
íris. No processo de localização, os objetivos compreendem a detecção da
íris viva, para que não ocorra que a imagem de entrada seja uma foto ou
mesmo uma lente de contato, usada por um individuo impostor; a extração
da íris, que tem a finalidade de obter somente a região da íris, descartando a
pupila e esclera; e a Extração de características, onde o padrão da íris é
codificado através de um vetor, contendo as informações processadas
apenas desta região de interesse. A última etapa é o reconhecimento, onde
este vetor de características é comparado com os demais padrões do banco
de dados.
A variável de decisão, aqui denominada pela letra D representa as duas
maneiras de reconhecimento: autenticação e identificação.
Figura 2.14 – Diagrama esquemático do reconhecimento biométrico pela íris
humana
29
Capítulo 2 – Biometria
____________________________________________________________________________________________
2.7 Considerações Finais
Neste capítulo foi abordado o assunto biometria, descrevendo algumas
características físicas utilizadas para reconhecimento pessoal. Com o
aumento da criminalidade global, a biometria está cada vez mais presente
na sociedade, apresentando diversas vantagens em relação aos métodos
tradicionais de autenticação, como cartões e senhas, pelo fato de analisar as
características físicas inerentes a cada indivíduo.
A íris humana é uma das medidas de maior confiabilidade para biometria,
tendo como vantagens a unicidade pessoal e dificuldade para fraudes,
devido a sua composição fisiológica.
30
Capítulo 3 – Recuperação de Imagens Baseado em Conteúdo (CBIR)
____________________________________________________________________________________________
C
C
a
a
p
p
í
í
t
t
u
u
l
l
o
o
3
3
–
–
R
R
e
e
c
c
u
u
p
p
e
e
r
r
a
a
ç
ç
ã
ã
o
o
d
d
e
e
I
I
m
m
a
a
g
g
e
e
n
n
s
s
B
B
a
a
s
s
e
e
a
a
d
d
a
a
e
e
m
m
C
C
o
o
n
n
t
t
e
e
ú
ú
d
d
o
o
(
(
C
C
B
B
I
I
R
R
)
)
3.1 Introdução
O termo CBIR (Content-Based Image Retrieval) refere-se aos sistemas de
recuperação de imagens baseados em características visuais tais como: cor,
forma e textura. O seu esquema geral de funcionamento está ilustrado na
figura 3.1, onde, considerando-se uma imagem de entrada, o sistema CBIR
irá pesquisar no banco de dados as n imagens de maior similaridade à
imagem de consulta, de acordo com um critério fornecido previamente
(CASTAÑON, 2003).
Figura 3.1 – Esquema geral do funcionamento de um sistema CBIR
31
Capítulo 3 – Recuperação de Imagens Baseado em Conteúdo (CBIR)
____________________________________________________________________________________________
3.2 Representação de Imagens
Alguns métodos como associação das imagens com uma determinada
palavra chave, número, descrição por categorias dentre outros, não podem
ser considerados CBIR, já que se mostram ineficientes na análise de
grandes bancos de dados, consumindo demasiado tempo computacional.
(AL-TAYECHE; KHALIL, 2003)
Para caracterização e representação de imagens, os sistemas de
recuperação fazem uso de alguns atributos visuais, como: forma, cor e
textura. Dependendo do tipo da aplicação e do tamanho do banco de dados,
apenas um destes atributos pode ser suficiente para representá-las. Pode
ocorrer também que em sistemas com grande quantidade e não
uniformidade de imagens, apenas um atributo não seja suficiente para
discriminar satisfatoriamente as suas características, bem como alcançar
níveis adequados de recuperação, motivo pelo qual alguns sistemas
procuram utilizar múltiplos atributos para a sua indexação e recuperação
(CASTAÑON, 2003).
3.2.1 Atributo Forma
O atributo forma para sistemas de recuperação por conteúdo é uma
abordagem tão importante quanto difícil, fundamentalmente pelo fato de ter
que segmentar e conhecer o tamanho e orientação dos objetos contidos na
imagem (CASTAÑON, 2003). Outro aspecto que torna a análise de formas
uma tarefa computacionalmente difícil é a existência de ruídos, oclusões e
distorções, introduzidos no processo de aquisição de imagens, significando a
descaracterização e até mesmo a transformação de uma determinada forma
em outra. Theodoridis (THEODORIDIS; KOUTROUMBAS, 2003) cita como
exemplo o tamanho dos nódulos em aplicações médicas, como forma de
classificação entre malignos e benignos. Os nódulos que apresentam bordas
irregulares têm uma probabilidade maior de serem malignos, e aqueles com
bordas mais regulares são geralmente benignos.
A figura 3.2 mostra alguns exemplos de formas em imagens.
32
Capítulo 3 – Recuperação de Imagens Baseado em Conteúdo (CBIR)
____________________________________________________________________________________________
(a)
(b)
Figura 3.2 – Formas em imagens. a) Artificiais e b) Naturais (CASTAÑON,
2003).
A representação de formas em imagens pode ser dividida em duas
categorias: baseada na borda (contour-based) e baseada na região (region-
based) (THEODORIDIS; KOUTROUMBAS, 2003). A caracterização baseada
na borda utiliza apenas o limite externo da forma, considerando, por
exemplo, somente os pixels que determinam o seu contorno (características
morfológicas). Já a representação baseada na região utiliza a região
completa da forma, como por exemplo, todos os pixels que estão contidos
na forma determinada. A figura 3.3 ilustra estas categorias.
(a)
(b)
Figura 3.3 – Categorias de representação de formas em imagens. (a)
baseada em bordas. (b) baseada em regiões. (AL-TAYECHE; KHALIL, 2003)
33
Capítulo 3 – Recuperação de Imagens Baseado em Conteúdo (CBIR)
____________________________________________________________________________________________
3.2.2 Atributo Cor
No reconhecimento automático de imagens, a cor é um poderoso descritor
de propriedades de um objeto, exercendo significativa importância na
segmentação e recuperação de imagens em um banco de dados. As
representações mais comuns de cores são RGB (red, green, blue), que é
baseado num sistema de coordenadas cartesianas, CMY (cyan, magenta,
yellow), utilizado pelas impressoras e copiadoras coloridas, e HSI (hue,
saturation, intensity), que é o modelo semelhante à forma com que o ser
humano percebe as cores, uma vez que permite separar as componentes de
matiz, saturação e intensidade da informação de cor em uma imagem
(FILHO; NETO, 1999). Exemplos da utilidade do modelo HSI vão desde o
projeto de sistemas de imageamento para determinação automática do
amadurecimento de frutas e vegetais, a sistemas para correspondência de
amostras de cores, ou para inspeção de qualidade de produtos coloridos
(GONZALES; WOODS, 2000).
Em sistemas CBIR o atributo “cor” pode ser representado a partir de
histogramas. Um histograma é uma função de distribuição de densidade que
indica o percentual (ou o número) de pixels que apresenta uma determinada
intensidade de cor. Em imagens coloridas, calcula-se o histograma
correspondente a cada um de seus componentes. Para uma imagem do tipo
RGB, por exemplo, são calculados três histogramas, um para cada
componente (R, G e B).
Liapis e Tziritas (2004) utilizam um histograma de coordenadas 2-D no
espaço de cores CIE Lab, para caracterizar o conteúdo de cromaticidade
contido na imagem, relatando que para recuperação e classificação de
imagens coloridas o fator de maior relevância é a distribuição de
cromaticidade, excluindo os componentes de iluminação, que são utilizados
para extrair características de textura.
3.2.3 Atributo Textura
Embora não exista nenhuma definição formal de textura, esse descritor
34
Capítulo 3 – Recuperação de Imagens Baseado em Conteúdo (CBIR)
____________________________________________________________________________________________
fornece intuitivamente medidas de propriedades como suavidade,
rugosidade e regularidade (GONZALES; WOODS, 2000).
Pode-se também estabelecer textura em imagem como sendo a composição
de determinados padrões que se repetem ao longo da superfície de um
objeto. Tais padrões envolvem freqüentemente as mudanças de orientação,
cor e escala, sendo que os sistemas de recuperação baseados em conteúdo
devem ser capazes de classificar texturas de maneira independente de tais
variações. Na figura 3.4 pode-se visualizar alguns exemplos de texturas.
Figura 3.4 – Imagens com textura
A análise de textura de imagens digitais tem por objetivo estabelecer o
relacionamento de vizinhança dos elementos de textura e seu
posicionamento em relação aos demais (conectividade), o número de
elementos por unidade espacial (densidade) e a sua homogeneidade ou
regularidade (CASTAÑON, 2003).
Um dos métodos mais utilizados na literatura para representar texturas em
imagens é o processamento de sinais através de Wavelets (MANJUNATH;
MA, 1996), onde esses padrões de textura podem ser decompostos e
analisados separadamente em cada resolução.
3.3 Consulta por Similaridade
Em um passado recente, a necessidade de armazenamento e recuperação
de informações em bancos de dados limitava-se a tipos simples de dados,
35
Capítulo 3 – Recuperação de Imagens Baseado em Conteúdo (CBIR)
____________________________________________________________________________________________
tais como: caracteres, números inteiros, lógicos, ponto flutuante, datas, etc.
Até então, consultas de dados de maior complexidade, de características
próprias em sua estrutura, como por exemplo: imagens, som, vídeos, DNA,
dentre outros, não poderiam ser realizadas na maioria dos sistemas
gerenciadores de bancos de dados existentes, já que estes não proviam tais
recursos.
Atualmente, existe a necessidade de manipulação desses tipos de dados
complexos, que devem ser armazenados e recuperados através de
elementos que definam a sua característica. Com essa finalidade é que
sistemas de recuperação baseados em conteúdo utilizam consultas por
similaridades.
O conceito de consulta por similaridade considera o quanto dois dados são
semelhantes entre si. Para medir esta semelhança utiliza-se de uma função
de distância (d()) adequada ao domínio dos dados. Essa função recebe dois
objetos (O
i
e O
j
) pertencentes ao mesmo domínio (D) e retorna o grau de
dissimilaridade destes objetos (LOPES, 2005). Caso Oi e Oj forem idênticos,
a função d() retorna zero; se eles forem diferentes, o valor será um inteiro
positivo relacionado à distância entre Oi e Oj, ou seja, quanto maior for à
distância entre os objetos, maior será o valor retornado pela função de
distância d().
Existem basicamente dois operadores mais comuns para consultas sobre
domínio de dados métricos, os quais podem ser chamados de operadores
básicos, são eles: consulta por abrangência (range query) e consulta pelos k
vizinhos mais próximos (k-nearest-neighbors query).
3.3.1 Consulta por Abrangência (Range Query)
Dados um conjunto de objetos O = {O
1
, O
2
, ... , O
n
} com O
1
, O
2
,..., O
n
∈
D,
uma função de distância métrica d(), um objeto de consulta Q
∈
D e uma
abrangência máxima de busca r(Q), a consulta por abrangência é definida
por pela equação 3.1 (LOPES, 2005):
36
Capítulo 3 – Recuperação de Imagens Baseado em Conteúdo (CBIR)
____________________________________________________________________________________________
)}(),({))(,( QrQOdeOOOQrQrange
iii
≤∈=
(3.1)
Essa definição pode ser compreendida como a seleção de todos os objetos
O
i
do conjunto O, tal que a distância de O
i
para Q seja menor ou igual à
abrangência da consulta (r(Q)). Exemplo: “Encontre as cidades que estão
em um raio de até 100 km de distância da Capital”. Nessa consulta, o objeto
foco é a Capital, o domínio D é o conjunto de cidades, e a abrangência ou
raio de busca (distância máxima) é 100 km. A distância utilizada é a medida
em km que separa as cidades. A figura 3.5 ilustra este exemplo.
Figura 3.5 – Consulta por Abrangência (Range Query)
3.3.2 Consulta pelos k Vizinhos mais Próximos (k-NN)
Dados um conjunto de objetos O = {O
1
, O
2
, ... , O
n
} com O
1
, O
2
,..., O
n
∈
D,
uma função de distância métrica d(), um objeto de consulta Q
∈
D e um
inteiro
1
≥
k
, a consulta pelos k vizinhos mais próximos é definida pela
equação 3.2 (LOPES, 2005):
}),(),(,,,,{)(
iiiiii
OQdAQdAOOAAekAOAAAAQNNk ≤−∈∈∀=⊆∈=−
(3.2)
De acordo com essa definição, o resultado será a seleção dos k objetos do
37
Capítulo 3 – Recuperação de Imagens Baseado em Conteúdo (CBIR)
____________________________________________________________________________________________
conjunto O que estão mais próximos de Q. Utilizando o exemplo, a consulta
“Selecione as 5 cidades mais próximas da capital”, é uma busca K-NN para
o objeto “Capital” sobre o mesmo domínio de objetos da consulta-exemplo
anterior. A figura 3.6 ilustra este exemplo.
Figura 3.6 – Consulta pelos k vizinhos mais próximos (k Nearest-Neighbors
Query)
3.3.3 Consulta pelos k Vizinhos mais Próximos e/ou Abrangência
(kAndRange e kOrRange)
Com o propósito de integrar em uma mesma consulta, os algoritmos
baseados nos k-vizinhos mais próximos e abrangência, surgiram dois novos
métodos de consulta por similaridade: kAndRange e kOrRange, propostos
por Arantes (ARANTES et al., 2003). Nesses novos algoritmos, existe a
possibilidade de gerar consultas que envolvam conjunções/disjunções de
critérios de seleção por similaridade, muito freqüentes em aplicações reais, e
que, nos algoritmos RangeQuery e k-NN somente poderiam ser realizadas
de maneira isolada, havendo a necessidade de execução de operadores de
união (“ou”) e intersecção (“e”) desses resultados intermediários. A tabela
3.1 mostra a descrição formal dos algoritmos kAndRange e kOrRange. Os
38
Capítulo 3 – Recuperação de Imagens Baseado em Conteúdo (CBIR)
____________________________________________________________________________________________
símbolos utilizados estão representados na tabela 3.2.
Tabela 3.1 – Descrição formal dos algoritmos kAndRange e kOrRange
Tabela 3.2 – Símbolos
σ
Operador de seleção da álgebra relacional
RQ
Range Query
O
q
Objeto de consulta (centro da consulta)
r
q
Raio da busca por abrangência
kNNQ
k Vizinhos mais próximos
k
Número de vizinhos em uma consulta kNNQ
Domínio dos objetos
Os algoritmos completos dos métodos kOrRange e kAndRange, bem como
os resultados obtidos, podem ser observados integralmente no trabalho de
Arantes e outros (2003).
3.3.4 Estruturas de Indexação
O processo de organização de informação efetuado pelos sistemas de
gerenciamento de bancos de dados (SGBD) utiliza como base as estruturas
de indexação ou métodos de acesso para acelerar a busca aos dados
(BUENO, 2001). Logo, as estruturas de indexação são ferramentas
fundamentais que habilitam os sistemas de gerenciamento de bancos de
dados a eficientemente armazenar e recuperar informações de um grande
volume de dados. Entretanto, os SGBDs comerciais não possibilitam a
recuperação de informações baseados em similaridades, como por exemplo,
39
Capítulo 3 – Recuperação de Imagens Baseado em Conteúdo (CBIR)
____________________________________________________________________________________________
em dados complexos como imagens, utilizados nos sistemas CBIR. Para tal
finalidade, várias estruturas de indexação para dados complexos já foram
propostas, entre elas, destacam-se basicamente dois tipos (LOPES, 2005):
• Estruturas Espaciais;
• Estruturas Métricas.
As Estruturas Espaciais foram as primeiras estruturas de indexação
propostas para suportar dados espaciais em espaços de poucas dimensões.
Essas estruturas são conhecidas como Métodos de Acessos Espaciais –
SAM (Spatial Access Methods) (BUENO, 2001), que são técnicas para
indexar e recuperar informações em um conjunto de dados vetoriais. Os
SAM tiveram início através do surgimento da estrutura R-Tree, mas não se
mostraram adequadas com dados de alta dimensionalidade e
adimensionais, sendo sucedidas pelas estruturas métricas (LOPES, 2005).
As estruturas métricas, ou os Métodos de Acesso Métricos – MAM (Metric
Access Methods) suportam naturalmente consultas por proximidade ou
similaridade, além de se mostrarem eficientes para dados de alta dimensão
(BUENO, 2001). Dessa forma, utilizar MAM para indexar imagens, ou mais
propriamente, as características que foram extraídas das imagens
suportando consultas por similaridade têm-se mostrado bastante apropriado
(BUENO, 2001).
Um espaço métrico é definido pelo par M = (D,d()), onde D é o domínio dos
conjuntos de características dos objetos (utilizando como chave na
construção da estrutura de indexação) e d é uma função de distância métrica
adequada ao domínio D (LOPES, 2005).
Para que d() seja uma função métrica, ela deve possuir as seguintes
características:
• Simetria:
);,(),(,
ijjiji
OOdOOdDOO =⇒∈∀
40
Capítulo 3 – Recuperação de Imagens Baseado em Conteúdo (CBIR)
____________________________________________________________________________________________
• Não negatividade:
;0),(),(0, =∞<<⇒≠∈∀
jijijiji
OOdeOOdOODOO
• Desigualdade triangular:
).,(),(),(,,
jkkijikji
OOdOOdOOdDOOO
+
≤
⇒
∈
∀
De acordo com Arantes e outros (2003), dessas características, a mais
importante em termos de otimização da busca por similaridade, é a
desigualdade triangular. É esta propriedade que torna possível o descarte
(poda) de ramos da árvore. Ela possibilita reduzir a quantidade de cálculos
de distância necessários para responder a uma consulta, proporcionando um
melhor desempenho nas operações de seleção, uma vez que evita a
necessidade de se calcular todas as distâncias entre cada objeto
armazenado e o objeto de busca O
q
.
Para descartar elementos utilizando a desigualdade triangular, pode-se
considerar o seguinte cenário: dados um espaço métrico
),( dSM
=
, o
conjunto
⊆
S
S, o objeto de busca Oq
∈
S, o raio de busca rq e um objeto
representativo Orep. Um objeto s
∈
S poderá ser descartado se, e somente
se, as equações 3.3 e 3.4 forem satisfeitas (VARGAS, 2004).
Na Figura 3.7 observa-se que os objetos compreendidos na região escura
são aqueles que, provavelmente, fazem parte do conjunto de resposta.
qqreprep
rOOdsOd +< ),(),(
(3.3)
qqreprep
rOOdsOd
−
>
),(),(
(3.4)
41
Capítulo 3 – Recuperação de Imagens Baseado em Conteúdo (CBIR)
____________________________________________________________________________________________
Figura 3.7 – Propriedades da desigualdade triangular (VARGAS, 2004).
3.3.4.1 R-Tree
A estrutura R-Tree (Guttman, 1984) foi a primeira proposta para dados não
pontuais existente na literatura. A estrutura R-Tree é amplamente difundida
nesta área e isso pode ser comprovado porque, quase sempre, é a base de
comparação para novas estruturas deste tipo (VARGAS, 2004).
A R-tree é uma extensão da B-tree para o espaço multidimensional. Ela
representa o espaço de dimensão n como uma hierarquia de intervalos n-
dimensionais (retângulos no caso bidimensional). Assim como a B-tree, ela é
uma estrutura balanceada, em que todos os objetos estão armazenados nas
folhas da árvore. Toda R-tree possui uma ordem
),( Mm
, indicando que
seus nós possuem entre
[
]
2/mm ≤
e M registros (FREDERICK, 1999).
Todo registro da estrutura é formado pelo par (r, p), onde r é um intervalo
(retângulo) e p um ponteiro. Nos nós externos (folhas), r é o retângulo
envolvente do objeto apontado por p, e enquanto que, nos nós internos, r é o
retângulo que envolve todos os retângulos armazenados na sub-árvore
apontada por p (FREDERICK, 1999).
d(O
rep
– d
q
)
d(O
rep
, O
q
)+r
q
42
Capítulo 3 – Recuperação de Imagens Baseado em Conteúdo (CBIR)
____________________________________________________________________________________________
A Figura 3.8 mostra o exemplo de uma R-tree para um determinado conjunto
de dados.
(a)
(b)
Figura 3.8 – Exemplo de uma R-Tree (FREDERICK, 1999).
(a) Representação planar. (b) Estrutura.
Um estudo mais completo sobre as árvores R-Tree e suas diversas
variações, tais como R
+
-Tree, R
*
-Tree, X-Tree e SR-Tree, podem ser
encontrado no trabalho de Vargas (2004).
43
Capítulo 3 – Recuperação de Imagens Baseado em Conteúdo (CBIR)
____________________________________________________________________________________________
3.3.4.2 V-Tree
As V-trees são estruturas de dados hierárquicas projetadas para armazenar
linhas poligonais longas, que são representadas por uma sequência de
pontos. Sua principal funcionalidade consiste em recuperar eficientemente
aproximações de linhas poligonais armazenadas em memória secundária
(FREDERICK, 1999). Além disso, elas otimizam a recuperação de
fragmentos da linha poligonal que interceptam uma dada região retangular
(range query ou clipping) e a operação de ponto em polígono. Esta testa se
um dado ponto está dentro de uma linha poligonal fechada que não se
cruza.
A figura 3.9 ilustra a representação e estrutura de uma árvore V-Tree.
(a)
(b)
Figura 3.9 – Exemplo de uma V-Tree (FREDERICK, 1999).
(a) Representação planar. (b) Estrutura.
44
Capítulo 3 – Recuperação de Imagens Baseado em Conteúdo (CBIR)
____________________________________________________________________________________________
3.3.4.3 Quad-Tree
A Quad-Tree é um tipo de estrutura de dados organizada em árvore, em que
cada nó ou tronco gera sempre, e exatamente, quatro folhas. A idéia
fundamental da Quad-Tree é que qualquer imagem pode ser dividida em
quatro quadrantes, onde cada quadrante pode ser novamente dividido em
quatro subquadrantes e assim sucessivamente.
A figura 3.10 ilustra um exemplo de uma Quad-Tree.
(a)
(b)
Figura 3.10 – Exemplo de uma Quad-Tree (FREDERICK, 1999).
(a) Representação planar. (b) Estrutura.
Em uma Quad-Tree cada nó é associado a um quadrante, onde os nós
internos são formados por um valor e quatro ponteiros para os seus nós
45
Capítulo 3 – Recuperação de Imagens Baseado em Conteúdo (CBIR)
____________________________________________________________________________________________
filhos. Cada um desses nós filhos corresponde a um quadrante da região
associada ao nó, sendo que a raiz da árvore representa todo o objeto. Cada
quadrante possui um valor armazenado correspondente a uma versão
simplificada da parte do objeto, e as folhas da árvore representam os
quadrantes que não são mais divididos, armazenando o valor real do bloco
(FREDERICK, 1999).
Com base nessas características, as estruturas Quad-Tree se mostram úteis
para o armazenamento e visualização de imagens grandes, pois elas
permitem a recuperação de versões simplificadas da imagem bem como a
recuperação somente do bloco visível da imagem.
3.3.4.4 Slim-tree
A Slim-tree é uma estrutura balanceada e dinâmica, que tem crescimento
das folhas para a raiz, e permite inserções de dados de um domínio métrico.
Os objetos são armazenados nas folhas, organizados numa estrutura
hierárquica que utiliza um objeto representativo como centro de uma região
de cobertura dos objetos em uma subárvore, delimitada por um raio. A Slim-
tree, assim como a maioria dos MAMs, utiliza a propriedade de desigualdade
triangular para “podar” cálculos de distâncias em buscas por similaridade em
domínios métricos. (BUENO; TRAINA; TRAINA JR, 2005).
A Figura 3.11 ilustra a disposição de 17 objetos em uma Slim-tree e sua
estrutura lógica.
46
Capítulo 3 – Recuperação de Imagens Baseado em Conteúdo (CBIR)
____________________________________________________________________________________________
(a)
(b)
Figura 3.11 – Exemplo de uma Slim-Tree (BUENO; TRAINA; TRAINA JR,
2005). (a) Representação planar. (b) Estrutura.
Para fazer a medição de uma Slim-Tree foram propostos o fat-factor e o
bloat-factor, que representam o grau absoluto e relativo (à árvore ótima) de
sobreposição de uma árvore, respectivamente. (YAMAMOTO; BIAJIZ, 2002).
Para fazer a diminuição da sobreposição, foi proposto o Slim-down cuja idéia
é fazer a reinserção de objetos de forma conveniente a diminuir o raio de
cobertura dos nós. A Slim-tree também propôs o algoritmo de inserção por
mínima ocupação e o algoritmo MST (Minimal Spanning Tree) de divisão de
nó e escolha dos representativos. (YAMAMOTO; BIAJIZ, 2002).
3.4 Considerações Finais
Neste capítulo foi abordado o assunto referente à Recuperação de Imagens
Baseado em Conteúdo (CBIR).
O funcionamento básico de tais sistemas pode ser resumido como sendo
uma pesquisa em uma determinada base de dados, que retorne n imagens
47
Capítulo 3 – Recuperação de Imagens Baseado em Conteúdo (CBIR)
____________________________________________________________________________________________
de maior similaridade com uma imagem de consulta, baseadas em
características visuais tais como: cor, forma e textura. Essas consultas são
possíveis através de algumas estruturas de indexação, dentre as quais se
destacam as Estruturas Espaciais (SAM) e Estruturas Métricas (MAM).
Diversas árvores de indexação dão suporte às estruturas métricas, dentre as
quais, as descritas neste capítulo: R-Tree e suas variações, V-Tree, Quad-
Tree e Slim-Tree.
48
C
C
a
a
p
p
í
í
t
t
u
u
l
l
o
o
4
4
–
–
W
W
a
a
v
v
e
e
l
l
e
e
t
t
s
s
4.1 Introdução
Wavelets são funções que satisfazem requisitos matemáticos utilizados na
representação de dados ou outras funções. A idéia de utilizar funções para
representar outras funções não é nova, e existe desde que Fourier descobriu
que senos e cosenos podem ser utilizados para representar outras funções.
Porém, na análise de wavelet, a escala possui um papel importante no
processamento dos dados. A wavelet pode ser processada utilizando
diferentes escalas ou resoluções. Inicialmente, a transformada wavelet é
considerada como um sinal contínuo f(t), e dada pela equação 4.1, onde o
parâmetro a representa a escala (resolução) e o parâmetro b representa o
deslocamento (translação). A função
)(
,
t
ba
ψ
chamada “wavelet”, é derivada
de uma função
)(t
ψ
através da transformação apresentada na equação 4.2
(GALVÃO et al, 2001).
dtttfbaF
ba
)()(),(
,
∫
=
ψ
(4.1)
−
=
a
bt
a
t
ba
ψ
ψ
1
)(
,
(4.2)
49
Capítulo 4 – Wavelets
____________________________________________________________________________________________
A análise de wavelet permite a utilização de intervalos longos de tempo para
encontrar as informações de baixa freqüência, e intervalos curtos de tempo
onde estão localizadas as informações de alta freqüência (MISITI et al,
2005).
Existem diversas possibilidades de escolha para a função
)(t
ψ
, denominada
“wavelet-mãe”. Algumas alternativas são apresentadas na figura 4.1.
(a) Haar
(b) Daubechies – db4
(c) Meyer
(d) Morlet
Figura 4.1 – Exemplos de wavelets.
No processo de decomposição dos sinais, dois coeficientes são gerados:
aproximação (A), que são os componentes de baixa-freqüência (Low-Pass),
e detalhe (D), que corresponde aos componentes de alta-freqüência (High-
Pass), conforme ilustrado na figura 4.2.
50
Capítulo 4 – Wavelets
____________________________________________________________________________________________
Figura 4.2 – Processo de decomposição das wavelets.
Para decomposição em dois ou mais níveis, o processo adota o último
coeficiente de aproximação (A) para gerar outros dois coeficientes de
aproximação e detalhe, e assim, sucessivamente até que o último nível seja
decomposto, como observado na figura 4.3.
Figura 4.3 – Árvore de três níveis de decomposição wavelet
51
Capítulo 4 – Wavelets
____________________________________________________________________________________________
4.2 Histórico
Embora desde o início do século XIX a literatura registre trabalhos
matemáticos semelhantes à Transformada Wavelet com Alfred Haar em
1910 (agora conhecida como base de Haar), foi no final da década de 70
que a mesma passou a sua própria identidade (GALVÃO et al, 2001). Foi
nesse período que o termo “wavelets” foi introduzido por Jean Morlet,
propondo uma modificação da Transformada de Fourier para melhor tratar
sinais geofísicos. Os dados sísmicos estudados por Morlet exibiam
conteúdos de freqüência que mudavam rapidamente ao longo do tempo,
além disso, mostraram que qualquer tipo de sinal pode ser analisado em
termos de escalas e translações de uma simples função wavelet mãe
(CASTAÑON, 2003). O matemático Yves Mayer colaborou no
amadurecimento desta nova idéia, e Stephane Mallat, em seus estudos de
processamento de imagens desenvolveu um algoritmo para calcular de
forma eficiente a Transformada Wavelet, teoria esta denominada análise de
multiresolução.
4.3 Transformada de Fourier
Análise de Fourier consiste em funções de sobreposição de senos e
cosenos, transformando um sinal (função) do domínio do espaço para o
domínio da freqüência (GONZALES; WOODS, 2000). A função responsável
pela transformação é definida pela equação 4.3.
∫
−
= dxexfuF
uxj
π
2
)()(
(4.3)
A equação 4.3 representa a transformada de Fourier de um sinal contínuo
f(x), a qual apresenta um sério problema para análise de sinais que mudam
durante o tempo, já que na transformação para o domínio da freqüência, a
informação do tempo é perdida. Para sinais estacionários, ou seja, aqueles
que não mudam durante o tempo esse problema é indiferente, entretanto, a
maioria dos sinais interessantes contém muitas características não
52
Capítulo 4 – Wavelets
____________________________________________________________________________________________
estacionárias ou transitórias (fluxos, tendências, mudanças abruptas, início e
final de um evento). Como estas características são freqüentemente as
partes mais importantes do sinal, a análise de Fourier torna-se inadequada
para esta detecção (MISITI et al, 2005).
Visando suprir a deficiência da análise de Fourier em observar os sinais que
variam no tempo, Dennis Gabor (1946) adaptou esta transformada para
analisar apenas uma pequena porção do sinal em um tempo, introduzindo a
chamada transformada por janelas de Fourier (Windowed Fourier Transform
– WFT) (CASTAÑON, 2003).
A transformada por janelas de Fourier pode ser usada para obter informação
sobre sinais no domínio do tempo e no domínio da freqüência
simultaneamente (GRAPS, 1995), onde um sinal de entrada f(t) é observado
através do deslocamento da janela no domínio do tempo, e a Transformada
de Fourier calculada para cada posição da janela.
4.4 Comparação entre a Transformada de Fourier e a Transformada
Wavelet
No trabalho de Amara Graps (GRAPS, 1995) encontra-se uma comparação
entre a Transformada de Fourier e a Transformada Wavelet, sendo as
principais similaridades e diferenças descritas a seguir:
i. Similaridades
• Ambas são operações lineares que geram uma estrutura de dados
que contém
n
2
log
segmentos de vários tamanhos; usualmente os
preenchem e os transformam em um vetor de dados diferente de
tamanho
n
2
;
• As propriedades matemáticas das matrizes envolvidas nas
transformadas também são similares. A inversa da matriz da
transformada tanto para FFT (Fast Fourier Transform) quanto para a
53
Capítulo 4 – Wavelets
____________________________________________________________________________________________
DWT (Discrete Wavelet Transform) é a transposta da original. Como
resultado, ambas podem ser vistas como uma rotação no espaço da
função para um domínio diferente. Para a FFT, este novo domínio
contém funções base que são senos e cosenos. Para a transformada
wavelet, este novo domínio contém funções base mais complicadas,
chamadas wavelets, ou wavelets-mãe.
ii. Diferenças
• A mais importante diferença entre estes dois tipos de transformadas é
que funções individuais wavelets estão localizadas no espaço. As
funções seno e coseno usadas na FFT não estão.
• O tamanho da janela varia na transformada wavelet, sendo uma
vantagem em relação à transformada de Fourier, que utiliza apenas
janelas de observação fixas.
• A transformada wavelet não possui um único conjunto de funções
base, como acontece com a transformada de Fourier, que utiliza
apenas as funções seno e coseno. A transformada wavelet possui um
conjunto infinito de funções base, assim, a análise wavelet fornece
acesso imediato à informação que pode estar escondida em outros
métodos tempo-freqüência, como a análise de Fourier (SILVA;
ENYNG, 2000).
A figura 4.4 apresenta de uma forma generalizada janelas de análise no
plano tempo-freqüência para as Transformadas de Fourier e Wavelet.
54
Capítulo 4 – Wavelets
____________________________________________________________________________________________
(a)
(b)
Figura 4.4 – (a) Janelas de análise no plano tempo-freqüência para a
WFT(Transformada de Fourier por Janelas) e para as wavelets – (b)
Cobertura do espectro de freqüências pela Transformada por Janelas de
Fourier (acima) e pela Transformada Wavelet.
Fonte: (FARIA, 1997)
4.5 Transformada Wavelet Contínua
A Transformada Wavelet Contínua (CWT – Continuous Wavelet Transform)
é definida a partir de um espaço de funções ortonormais, denominado baixas
Wavelets, as quais formam uma base de funções da Transformada Wavelet.
Assim, a CWT é definida como o produto interno na forma dada pela
equação 4.4.
55
Capítulo 4 – Wavelets
____________________________________________________________________________________________
∫
== dtttfttfCWT
bababaf
).().()(),(
,,),(
ψψ
(4.4)
onde
)(
,
t
ba
ψ
é conhecida como “Wavelet-Mãe” ou “Wavelet-Básica”, e os
parâmetros a e b estão apresentados pela transformação da equação 4.2.
A CWT constitui-se da soma de todos os sinais f(t) no tempo, multiplicados
por versões de escala e deslocamento da função wavelet
ψ
(MISITI et al,
2005), conforme a equação 4.5, tendo como resultados vários coeficientes
wavelet C, que são uma função de escala e posição.
dttposiçãoescalatfposiçãoescalaC ),,()(),(
ψ
∫
=
(4.5)
O fator escala em wavelet representa simplesmente a forma de expandir ou
comprimir um sinal, e o fator posição pode ser entendido como o
deslocamento do sinal, através do seu retardo ou avanço do seu ponto
inicial. O escalonamento em Wavelets é ilustrado na figura 4.5.
(a)
)(t
ψ
)( kt
−
ψ
(b)
Figura 4.5 – (a) 3 exemplos de escala de sinal em wavelet. (b)
posicionamento(deslocamento) de sinal em wavelet (MISITI et al, 2005).
56
Capítulo 4 – Wavelets
____________________________________________________________________________________________
4.6 Transformada Wavelet Discreta
Translações e dilatações da “Função-Mãe” ou “Análise Wavelet”
)(x
Φ
,
definem uma base ortogonal, denominada bases wavelet (GRAPS, 1995),
conforme mostra a equação 4.6, onde as variáveis s e l são inteiras, e
representam respectivamente a escala e localização da função mãe
)(x
Φ
para gerar as wavelets, como por exemplo, a família de wavelets
Daubechies. O índice de escala s indica o tamanho da wavelet, e o índice de
localização l a sua posição (GRAPS, 1995).
)1(2)(
2
),(
−Φ=Φ
−
−
xsx
s
s
ls
(4.6)
Para estender o domínio de dados em diferentes resoluções, a análise
wavelet é usada em uma equação escalar, dada pela equação 4.7, onde
W(x) é a função escala da função-mãe
Φ
, e
k
c
são os coeficientes wavelets,
que devem satisfazer as condições linear e quadrática na forma (GRAPS,
1995), dada pela equação 4.8, onde
δ
é a função delta e l é o índice de
localização.
∑
−
−=
+
+Φ−=
2
1
1
)2()1()(
N
k
k
k
kxcxW
(4.7)
∑ ∑
−
=
−
=
+
==
1
0
1
0
0,2
2,2
N
k
N
k
llkkk
ccc
δ
(4.8)
A DWT é implementada por uma seqüência de filtragens digitais sobre o
sinal original, de acordo com um algoritmo conhecido como codificação sub-
banda, onde um par de filtros digitais, definidos como filtros em quadratura
ou QMF (Quadrature Mirros Filters), é representado pelas funções h(n) e
g(n), que são, respectivamente, as funções resposta ao impulso de um filtro
Passa-Baixa (Low-Pass) e Passa-Alta (High-Pass), cada um com metade da
banda do sinal original.
A figura 4.6 apresenta a execução da Transformada Wavelet Discreta em
57
Capítulo 4 – Wavelets
____________________________________________________________________________________________
um sinal unidimensional, representado por uma senóide com ruído de alta
freqüência adicionado a ele (MISITI et al, 2005).
Figura 4.6 – Análise de um sinal 1-D através da DWT
Fonte: (MISITI et al, 2005)
Na análise de imagens, onde os sinais são tratados em 2-D, a DWT produz
uma matriz de coeficientes, conhecidos como coeficientes wavelets.
Aplicando a DWT em uma imagem, o resultado são quatro tipos de
coeficientes: aproximação, detalhes horizontais, detalhes verticais e detalhes
diagonais. A figura 4.7 mostra o esquema e imagens geradas pela
decomposição em 3 níveis da wavelet Daubechies-4. Neste exemplo, cada
nível de decomposição fornece uma subimagem com os coeficientes de
aproximação (passa-baixa), que é uma versão de baixa resolução da
imagem original, e também três subimagens que correspondem ao
coeficiente de detalhe (passa-alta), contendo respectivamente os detalhes
horizontais, diagonais e verticais. Na decomposição dos subníveis da
transformada, apenas os coeficientes de aproximação são novamente
divididos em coeficientes de aproximação e detalhes, chamado de segundo
nível de decomposição. E assim pode ser feito n vezes, onde 2n é o tamanho
do sinal amostrado.
58
Capítulo 4 – Wavelets
____________________________________________________________________________________________
(a)
(b)
(c)
aproximação det. horizontais deta. diagonais det. verticais
(d)
Figura 4.7 – (a) Esquema de organização dos coeficientes Wavelets. (b)
Imagem original. (c) Decomposição em 3 níveis pela wavelet Daubechies-4. (d)
os três níveis de decomposição(L1, L2, L3) vistos individualmente, com seus
respectivos coeficientes de aproximação, detalhes horizontais, diagonais e
verticais
4.7 Transformada “Wavelet Packet”
A Transformada Wavelet Packet é uma generalização do conceito da
Transformada Wavelet Discreta (DWT), na qual a resolução tempo-
freqüência pode ser escolhida de acordo com o sinal. A diferença entre elas
está no número de parâmetros de decomposição. Na transformada discreta
os sinais são decompostos pelos parâmetros escala e posição, gerando dois
coeficientes para cada nível: aproximação e detalhe, derivados unicamente
59
Capítulo 4 – Wavelets
____________________________________________________________________________________________
do coeficiente de aproximação (A) analisado, conforme observado na figura
4.8. Já a “Wavelet Packet” adiciona um novo parâmetro: a freqüência. Dessa
forma, os coeficientes de detalhe (D) resultantes dos filtros de passa-alta,
descartados pela transformada discreta, são utilizados para uma nova
análise, gerando também, os coeficientes aproximação e detalhe para todos
os níveis da decomposição, oferecendo uma análise mais rica. Na figura 4.8
este processo está genericamente ilustrado.
Figura 4.8 – Árvore de decomposição de sinais na Transformada Wavelet
Packet, onde A representa os coeficientes de aproximação (filtro passa-
baixa) e D o coeficiente de detalhe (filtro passa-alta)
O cálculo numérico dos coeficientes da Wavelet Packet é a seqüência do
produto interno de um sinal x = x(t) em
)(
2
ℜL
com as funções Wavelet
Packet )(tW
sfp
(PARRAGA, 2002); conforme mostra a equação 4.9, onde
)(p
sf
λ
são os coeficientes da expansão de x nas funções Wavelet Packet,
)(tW
sfp
são as funções Wavelet Packet básicas, s é o índice de escala (ou
dilatação), p é o índice de posição (ou translação), e f é o índice de
freqüência;
0,,
≥
Ζ
∈
feps
(PARRAGA, 2002).
∫
ℜ
−−
−== dtptwtxwxp
s
f
s
sfp
def
sf
)2(2).(,)(
2/
λ
(4.9)
Na utilização de wavelet ortogonal, o esquema computacional para gerar
Wavelet Packets é de fácil implementação. Inicia-se com dois filtros de
tamanho 2N contendo h(n) e g(n) que correspondem à wavelet (MISITI et al,
60
Capítulo 4 – Wavelets
____________________________________________________________________________________________
2005). A equação 4.10 define a seqüência de funções, onde
)x()x(W
0
φ
=
é
a função escala e
)x()x(W
1
ψ
=
é a função “wavelet” ou “wavelet-mãe”
(MISITI et al, 2005), e h(k) e g(k) são os Filtros de Quadratura H e G. Esta
seqüência de funções está organizada na figura 4.9, sendo o parâmetro de
escala j (número de níveis de decomposições),
n,j
W
a Wavelet-Packet na
posição n.
∑
∑
−
=
+
−
=
−=
−=
=
12
0
12
12
0
2
)2()(2)(
)2()(2)(
),2,1,0),((
N
k
nn
N
k
nn
n
kxWkgxW
kxWkhxW
por
nxW K
(4.10)
Figura 4.9 – Árvore da organização da Wavelet Packets. A escala j define os
níveis de decomposição e W(n) a posição.
Fonte: (MISITI et al, 2005).
61
Capítulo 4 – Wavelets
____________________________________________________________________________________________
4.8 Considerações Finais
Neste capítulo foi abordado o assunto referente às Transformadas Wavelets.
Essas transformadas são constituídas de funções que satisfazem requisitos
matemáticos, e podem ser processadas utilizando diferentes escalas ou
resoluções. O processo de decomposição Wavelet de um sinal gera
informações de baixa e alta freqüência, tratadas respectivamente como
coeficientes de aproximação e detalhes (horizontais, verticais e diagonais).
Existem diversas possibilidades de escolha para uma função Wavelet,
dentre as quais se destacam: Haar, Daubechies, Meyer, Morlet, dentre
outras.
62
C
C
a
a
p
p
í
í
t
t
u
u
l
l
o
o
5
5
–
–
M
M
e
e
t
t
o
o
d
d
o
o
l
l
o
o
g
g
i
i
a
a
5.1 Introdução
Este trabalho tem por objetivo o estudo comparativo do uso de
Transformadas Wavelets na análise de textura de íris humana para
aplicação em sistemas de reconhecimento biométrico. De modo geral, pode
ser dividido em duas etapas principais: localização e extração da íris e o
reconhecimento utilizando a análise Wavelet.
Na primeira etapa, foi desenvolvido um algoritmo programado no ambiente
Delphi, contendo os métodos de localização, tratamento e extração da íris,
onde as técnicas empregadas e os resultados obtidos são descritos nos
próximos tópicos. Com as imagens das irises extraídas e normalizadas no
tamanho 64x512(altura/largura), uma nova base de dados foi criada, com a
finalidade de analisar somente a área de interesse e facilitar os passos
seguintes de processamento.
A segunda etapa compreende um estudo comparativo sobre qual família
Wavelet apresenta o melhor resultado para reconhecimento das imagens da
íris, através do desenvolvimento de um algoritmo utilizando a interface com o
usuário no ambiente Delphi, o processamento das Wavelets e o cálculo da
distância Euclidiana na ferramenta Matlab.
Um método foi desenvolvido para avaliar a influência nos resultados das
63
Capítulo 5 – Metodologia
____________________________________________________________________________________________
imagens borradas, desfocadas e que possuem uma grande quantidade de
cílios ou pálpebras, reduzindo ou mesmo tornando imprópria tal imagem
para o reconhecimento.
5.2 Materiais
Todas as imagens utilizadas no desenvolvimento e avaliação desse trabalho
foram obtidas do banco de imagens CASIA, fornecido pelo Íris Recognition
Research Group - Nation Laboratory of Pattern Recognition (NLPR), mantido
pelo Instituto de Automação da Academia Chinesa de Ciências.
No total são 756 imagens de olhos referentes a 108 indivíduos, onde cada
indivíduo possui 7 imagens, capturadas em duas etapas distintas. Na
primeira, foram obtidas três imagens e na segunda, um mês após, outras
quatro imagens. Através dessa construção, pode-se comprovar que não
existe variação nas irises de um mesmo indivíduo com o decorrer do tempo,
e também simular o momento do cadastro de uma pessoa e uma tentativa
de identificação ou autenticação, um mês depois.
As imagens possuem resolução de 320x280 pixels e 256 níveis de cinza,
capturadas através de um sensor ótico digital desenvolvido pelo NLPR.
Com a finalidade de testar os sistemas de análise da qualidade de imagens,
também estão inseridas no banco CASIA imagens borradas, desfocadas e
com forte oclusão da íris, geralmente pela influência dos cílios.
5.3 Equipamento Utilizado
Para avaliar o desempenho dos métodos de localização, tratamento e
extração da íris, foi utilizado um Pentium IV, com processador de 3.06 GHz e
512 MB de memória RAM.
64
Capítulo 5 – Metodologia
____________________________________________________________________________________________
Para o desenvolvimento do software de análise Wavelet foi utilizado um
Pentium IV com processador de 2.80 GHz com 512 MB de memória RAM.
5.4 Segmentação da Íris
A segmentação da íris utilizando algoritmos propostos por Wildes (WILDES,
1997), Daugman (DAUGMAN, 2001, 2002) e Li Ma (MA et al., 2003)
apresenta resultados expressivos na identificação de indivíduos, mas do
ponto de vista computacional, exige tempos de processamento por quadro
além do necessário para análise em tempo real (mínimo de 15 quadros por
segundo).
A íris humana e estruturas adjacentes possuem morfologia e simetria muito
regulares o que permite a identificação de regiões baseada em um conjunto
mínimo de características obtidas de uma imagem. Dessa forma, uma
análise amostral de características das imagens e a inferência indireta das
regiões de interesse foi desenvolvida neste trabalho, apesar do mesmo
processar na seqüência imagens de um banco de dados. A idéia é poder
estudar, no futuro, os resultados obtidos aqui, para a análise e o
reconhecimento dos padrões da íris em tempo real.
A análise amostral de características da imagem provocaria baixa
performance do método – uma vez que grandes erros podem ocorrer ao se
inferir características globais baseado em observações locais; entretanto
uma filtragem estatística é utilizada para minimizar o efeito destes erros
sobre os resultados finais obtidos das imagens.
Para garantir alto desempenho computacional dos processos de detecção e
extração da íris, utilizou-se de algoritmos simples e limitou-se as regiões de
processamento.
65
Capítulo 5 – Metodologia
____________________________________________________________________________________________
5.5 Algoritmo Generalizado de Segmentação da Íris
O método desenvolvido pode ser sintetizado nos seguintes passos:
1. Equalização do histograma da imagem;
2. Dispersão de sementes;
3. Localização da pupila;
4. Aumento do contraste da imagem (método Sat-Quad);
5. Dispersão orientada de sementes;
6. Localização da borda externa da íris;
7. Extração da íris;
5.5.1 Equalização da Imagem
Um pré-processamento da imagem, realizando-se a equalização de seu
histograma, faz-se necessária para minimização das diferenças de contraste
e brilho em diferentes imagens. A figura 5.1 mostra um exemplo de uma
imagem do banco e sua correspondente equalização.
66
Capítulo 5 – Metodologia
____________________________________________________________________________________________
(a) (b)
(c) (d)
Figura 5.1 – Equalização de Histograma. (a) Imagem original. (b) Histograma
da imagem original. (c) Imagem equalizada. (b) Histograma da imagem
equalizada.
5.5.2 Localização da pupila
Nove sementes são aleatoriamente dispersadas sobre uma região central e
limitada da imagem. A aleatoriedade das coordenadas das sementes é
obtida utilizando-se a função Random – do ambiente de programação Delphi
– que gera seqüências pseudo-aleatórias baseadas em uma semente de 32-
bits. Apesar da característica pseudo-aleatória da função random, uma
inicialização baseada no relógio do computador garantiu independência
amostral das sementes dispersas.
Uma análise local é iniciada sobre cada semente para localização da pupila,
calculando-se o gradiente em 4 direções pré-definidas (para cima, para
baixo, para a direita e para a esquerda) a partir de cada uma das sementes,
67
Capítulo 5 – Metodologia
____________________________________________________________________________________________
determinam-se os pontos cuja ocorrência de gradiente é um valor superior a
um limiar pré-definido (figura 5.2).
(a) (b)
Figura 5.2 – (a) Nove sementes na imagem. (b) Direção de varredura das
sementes
O cálculo do gradiente é realizado observando-se regiões adjacentes em
cada uma das quatro direções indicadas (Figura 5.2b). Experimentos iniciais
mostraram que a análise de regiões com apenas 1 pixel resultavam em
excessivos erros devido aos ruídos da imagem. Para minimizar o efeito de
ruídos da imagem sobre o cálculo do gradiente sem a necessidade de se
aplicar um filtro sobre toda a imagem (o que resultaria em um gasto
expressivo de tempo computacional), escolheu-se analisar regiões
sucessivas de 5 pixels para cada direção de varredura, onde a média de
intensidade é aplicada ao cálculo do gradiente. A figura 5.3 ilustra esse
procedimento.
68
Capítulo 5 – Metodologia
____________________________________________________________________________________________
(a) (b)
Figura 5.3 – Localização da pupila através da dispersão de 9 sementes, onde
cada semente possui uma cor diferente. (a) Imagem completa. (b) Destaque
das sementes na região da pupila.
Cada semente retorna de 0 a 4 pontos (referente a cada direção de
varredura) dependendo da identificação com sucesso do gradiente. O
retorno de 3 ou mais pontos permite então a realização de uma regressão
linear iteracional circular (CHERNOV; OSOSKOV, 1984). Esse algoritmo de
regressão proposto por Chernov é altamente otimizado (pois utiliza
mecanismos iteracionais simples) e se mostrou bastante adequado às
necessidades deste trabalho. O processo se repete para cada uma das
sementes, armazenando-se todos os círculos encontrados. Caso um número
menor que 3 círculos não seja encontrado, uma nova dispersão das
sementes é realizada, e assim sucessivamente, até que sejam encontrados
3 círculos ou que a dispersão tenha atingido metade da largura da imagem,
onde nesse caso, o processo é finalizado sem a detecção da pupila (Figura
5.4).
69
Capítulo 5 – Metodologia
____________________________________________________________________________________________
Caso a coleção de 3 ou mais círculos tenha sido detectada, essa é então
analisada e uma filtragem estatística descarta as circunferências com menor
probabilidade de estarem representando o centro e raio da pupila da
imagem. Essa filtragem baseia-se no fato que grande parte das
circunferências encontradas se agrupará em uma determinada classe
amostral, enquanto o restante estará disperso.
Este subconjunto amostral mais denso, ou seja, que contém o maior número
de círculos coerentes (com raios e centros próximos), é utilizado para cálculo
do raio e centro exatos da pupila. Estes valores são obtidos pela média
aritmética de cada uma das características das circunferências encontradas.
O resultado é mostrado na figura 5.5.
Figura 5.4 – Pupila não localizada.
70
Capítulo 5 – Metodologia
____________________________________________________________________________________________
Figura 5.5 – Pupila localizada
5.5.3 Aumento do contraste da imagem
A borda externa da íris não possui uma envoltória bem definida,
apresentando na imagem uma transição gradual para a esclera. Este fato
dificulta a detecção de sua fronteira.
Para minimizar esse efeito, foi aplicado um método para realce do contraste
da imagem, permitindo a detecção da borda da íris com maior eficiência.
Este método modifica a intensidade de cada pixel, utilizando como referência
a média de intensidade da imagem, onde os valores de intensidades dos
pixels superiores a esta referência são saturados. Isto basicamente remove
a pele e regiões da esclera. Os pixels com intensidades inferiores à média
calculada têm seus valores de intensidades reprocessados utilizando uma
função exponencial, definida na equação 5.1.
2
)( xaxf ⋅=
(5.1)
Onde a é o valor do pixel e x a razão entre o valor do pixel e a média de
intensidade da imagem.
71
Capítulo 5 – Metodologia
____________________________________________________________________________________________
O resultado desse processo é ilustrado na figura 5.6.
(a) (b)
Figura 5.6 – (a) Imagem original. (b) Imagem processada
5.5.4 Localização da Borda Externa da Íris
A íris possui formato circular e centro próximo ao da pupila; por isso foi
adotada a detecção de Gradiente, semelhante à detecção da pupila, para
definição da borda externa da íris.
Foram utilizadas empiricamente, 6 sementes para análise de mudança do
gradiente. Apenas as direções para a direita e para a esquerda foram
utilizadas, uma vez que a análise para cima e para baixo detectaria bordas
da pálpebra e os cílios (Figura 5.7b).
O posicionamento dessas 6 sementes é fixo e baseado na localização da
pupila. Foi escolhida como região de interesse a área logo abaixo ao centro
da pupila, área que normalmente está visível (Figura 5.7a).
72
Capítulo 5 – Metodologia
____________________________________________________________________________________________
(a) (b)
Figura 5.7 – (a) Região inicial de análise das 6 sementes (retângulos)
(b) Direção de varredura das sementes
De forma análoga à detecção da pupila, até 6 círculos são identificados a
partir das características locais observadas através de cada semente. Desse
conjunto de círculos é separado um subconjunto de elementos contendo os
círculos com maior coerência de características (centros e raios); o cálculo
da região circular final é então efetuado - identificando, portanto, o limite
externo da íris - pela média dos círculos coerentes. A região delimitada da
íris é mostrada na figura 5.7a.
5.5.5 Extração da Íris
Obtidos o centro e os raios da pupila e da íris é possível delimitar a região
para extração da íris.
A extração tem como objetivo remover as regiões nas quais não há interesse
na imagem, como o esclera e a pupila, e normalizá-la para uma figura
padrão no sistema cartesiano.
A rotina executa uma varredura circular, normalizando a diferença dos raios
para uma altura de 64 pixels e a rotação de 360 graus para 512 pixels de
largura da figura normalizada. (Figura 5.8)
73
Capítulo 5 – Metodologia
____________________________________________________________________________________________
Figura 5.8 – Íris normalizada em 64x512 pixels
Esta imagem pode então ser realçada e processada para a extração de
características e reconhecimento.
5.6 Análise das irises extraídas
Com base nas imagens das irises normalizadas em 64x512 pixels, é
necessário identificar partes nas imagens que possibilitem a extração de
características, reduzindo a influência das informações não relevantes para
o reconhecimento, como cílios, pálpebras e esclera (Figura 5.9a). A
metodologia empregada foi segmentar as irises extraídas em oito partes
iguais de tamanho 64x64 pixels (Figura 5.9b), no intuito de identificar a
possível existência de regiões que contivessem menor interferência dos
elementos não relevantes ao processamento, e ao mesmo tempo, com um
número aceitável de pixels para a construção do vetor de características.
Foi identificado uma região nas irises segmentadas que possui pouca ou
nenhuma interferência de cílios e pálpebras, localizada entre a primeira e a
quarta parte da imagem segmentada (Figura 5.9c). Através dessa região,
maximizou-se a utilização das imagens contidas no banco CASIA, havendo
apenas o descarte de uma pequena quantidade dessas regiões, que ainda
contém a influência da pálpebra, já que, de acordo com o tamanho e
localização desta região, consegui-se eliminar a influência dos cílios (Figura
5.9d). Essa região de tamanho 31x224 forma a região de interesse,
compondo o vetor de características de cada indivíduo, que será
decomposta pela análise multiresolução Wavelet. (Figura 5.9e).
74
Capítulo 5 – Metodologia
____________________________________________________________________________________________
(a)
(b)
(c)
(d)
Figura 5.9 – Separação da região de interesse.
(a) Íris normalizada em 64x512 pixels. (b) Localização das oito partes de
64x64 pixels. (c) Localização da região de interesse na imagem da íris
segmentada. (d) Região de interesse com a influência da pálpebra. (e)
Região de interesse para extração de características, 31x224.
Identificada a região de interesse, o próximo passo é a análise Wavelet para
geração do vetor de características. Para tal, buscou-se o desenvolvimento
de um método que proporcionasse a análise das diversas famílias Wavelets,
bem como a influência dos níveis e dos componentes gerados pela
decomposição multiresolução. A implementação ocorreu em duas
plataformas de softwares, Delphi e Matlab. A plataforma Delphi foi escolhida
devido à um conjunto maior de componentes gráficos para a interface com o
usuário, ficando para a plataforma Matlab, a decomposição Wavelet para
montagem do vetor de características, a análise da qualidade das imagens e
o cálculo da distância Euclidiana.
75
Capítulo 5 – Metodologia
____________________________________________________________________________________________
5.6.1 Avaliação da qualidade das imagens
Para garantir que uma imagem da íris de um indivíduo contenha apenas os
componentes necessários para compor o vetor de características, ou seja, a
textura das imagens, um algoritmo para avaliar a qualidade das irises
extraídas foi desenvolvido. As características que não possuem qualidade
aceitável para a seqüência do processamento são: as irises não detectadas
pelo algoritmo de localização e extração da íris, e as regiões de interesse
que contenham qualquer porção de pálpebras, que serão denominadas Q1 e
Q2, respectivamente.
O primeiro fator de descarte refere-se às irises não detectadas. Para isso,
avalia-se a imagem gerada e se a mesma apresentar uma grande
quantidade de pixels tendendo a zero, resultando em uma imagem escura,
ela será descartada (Figura 5.10).
Figura 5.10 – imagem referente à uma íris não detectada.
O método utilizado foi calcular a média aritmética de intensidade dos pixels,
considerando-se que as imagens de irises não detectadas possuem uma
média de intensidade dos pixels inferior ao valor 80. Esse índice de
qualidade Q1 é dado pela equação 5.2.
mn
p
Q
ji
m
j
n
i
.
1
,
11
∑∑
==
=
(5.21)
Onde p
i,j
é o valor de intensidade do pixel p na posição
i,j
da imagem, e n e m
representam a altura e largura da imagem.
O segundo fator de descarte são as pálpebras contidas na região de
interesse (Figura 5.11).
76
Capítulo 5 – Metodologia
____________________________________________________________________________________________
Figura 5.11 – Região de interesse com influência da pálpebra.
Para verificar se uma região de interesse possui ou não uma parte da
pálpebra, realizou-se uma análise da Wavelet de Haar no nível de
decomposição 1(um) (Figura 5.12a). As pálpebras possuem uma grande
quantidade de pixels tendendo ao branco (255), e na análise Wavelet pixels
nesse intervalo geram os componentes de baixa freqüência. Com base
nessa observação, foi desenvolvido um cálculo estatístico do desvio padrão
sobre os componentes de aproximação Wavelet, onde se averiguou que tais
imagens possuem um desvio padrão maior ou igual ao valor 74, sendo esse
considerado o fator de descarte (Figura 5.12b). Esse índice de qualidade Q2
é dado pela equação 5.3.
2
1
_
1
)(2
∑
=
−=
N
i
i
N
xxQ
(5.3)
77
Capítulo 5 – Metodologia
____________________________________________________________________________________________
Figura 5.12a – Região de interesse sem influência da pálpebra (Desvio
padrão dos coeficientes de aproximação igual a 55).
Figura 5.12b – Região de interesse com influência da pálpebra (Desvio
padrão dos coeficientes de aproximação igual a 74).
78
Capítulo 5 – Metodologia
____________________________________________________________________________________________
Existe ainda outro fator para avaliação da qualidade das imagens: as
imagens capturadas desfocadas por movimento. Zhenan (ZHENAN, 2003)
propõe um método para avaliar a qualidade de imagens da íris no domínio
freqüência, cílios e pálpebras apresentam altas freqüências, as imagens
desfocadas estão localizadas no domínio de freqüência mais baixa e as
borradas por movimento estão dispersas por todo espectro. Nas imagens
nítidas e desobstruídas, o espectro aglomera-se na freqüência vertical baixa
e horizontalmente na freqüência baixa ou média.
(MORENO, 2005) analisa duas porções da imagem onde é mais provável
que ocorram pálpebras e cílios, de dimensão 22x22 pixels. Para cada uma
delas, é calculado o espectro de Fourier 2D, resultando em duas matrizes de
22x22 pixels que são separadas em três sub-regiões representando as altas,
médias e baixas freqüências. O descritor de qualidade então é calculado,
contendo dois valores: o primeiro, que são os componentes de alta
freqüência, e o segundo, a média aritmética dos componentes de média
freqüência pela soma dos componentes de alta e baixa freqüências.
Para avaliar a influência apenas das imagens desfocadas, foi implementado
o algoritmo proposto por Moreno (MORENO, 2005), que é baseado no
algoritmo de Li Ma (MA et al., 2003). Os resultados não foram os mesmos
obtidos pelo autor principal, já que o método de extração da íris e as regiões
de interesse são diferentes, e talvez por isso, não se tenha conseguido
descartar efetivamente as imagens desfocadas.
Para avaliar a influência nos resultados das imagens borradas e desfocadas,
um teste foi realizado considerando-se duas imagens desfocadas. Conforme
pode ser observado nas figuras 5.13, a porcentagem de acerto de cada
imagem desfocada não sofre variações relevantes em relação a uma
imagem nítida e focalizada.
A Figura 5.13b mostra a tentativa de identificar o individuo referente à
imagem 96, retornando corretamente as 7 imagens que mais se
assemelham à este, resultando em um acerto de 100%. Já a figura 5.13d, o
acerto foi de 6 entre as 7 imagens consultadas, resultando em uma precisão
79
Capítulo 5 – Metodologia
____________________________________________________________________________________________
de 85,71%.
Após a comprovação de que os vetores de características gerados pela
análise Wavelet não sofrem influência das imagens desfocadas, o algoritmo
adaptado de Moreno (MORENO, 2005) não foi adotado para a análise de
qualidade das imagens.
80
Capítulo 5 – Metodologia
____________________________________________________________________________________________
096_1_3.bmp
Figura 5.13a – Imagem de uma íris desfocada (indivíduo 96).
Figura 5.13b – Identificação das 7 imagens com maior similaridade em
relação à imagem desfocada (Figura 5.13a) – acerto de 100% (7/7).
038_1_3.bmp
Figura 5.13c – Imagem de uma íris desfocada (indivíduo 38).
Figura 5.13d – Identificação das 7 imagens com maior similaridade em
relação àimagem desfocada (Figura 5.13c) – acerto de 85,71% (6/7).
81
Capítulo 5 – Metodologia
____________________________________________________________________________________________
5.6.2 Composição do vetor de características
O primeiro passo para se obter um vetor de características de cada indivíduo
consiste em aplicar um realce região de interesse. Algumas técnicas foram
testadas com esse propósito, tais como a equalização convencional de
histograma e filtragens passa-alta. A técnica que apresentou os melhores
resultados para a etapa de reconhecimento é a equalização adaptiva de
histograma (Figuras 5.14a e 5.14b). A diferença entre a equalização
convencional de histograma e a equalização adaptiva está na região
analisada. O método de equalização convencional de histograma utiliza a
imagem em uma única iteração, já no modelo adaptivo, a equalização se dá
por regiões automaticamente selecionadas na imagem, chamadas de telhas,
conforme pode ser conferido nas linhas horizontais e verticais da figura
5.14b (MATHWORKS, 2006). O contraste de cada região é realçado, de
modo que o histograma da região de saída seja compatível com o
histograma especificado por um parâmetro de distribuição. As vizinhanças
dessas regiões são combinadas, usando interpolação bi-linear para eliminar
os limites artificialmente induzidos. O contraste, especificamente em áreas
homogêneas pode ser limitado para evitar a amplificação de todo o ruído
que possa estar presente na imagem (MATHWORKS, 2006).
Figura 5.14a – Região de interesse 31x224.
Figura 5.14b – Região de interesse com histograma equalizado.
A análise Wavelet é realizada na região de interesse, agora já realçada.
Esse processo de decomposição retorna quatro vetores, que correspondem
respectivamente, aos componentes de baixa freqüência (vetor de
82
Capítulo 5 – Metodologia
____________________________________________________________________________________________
aproximação) e alta freqüência (vetores dos detalhes horizontal, vertical e
diagonal) para o nível de decomposição selecionado (Figura 5.15).
Figura 5.15 – Decomposição da região de interesse
A dimensão dos vetores referente aos componentes decompostos também
sofre variação de acordo com a família Wavelet e nível de decomposição
selecionados, conforme pode ser observado na tabela 5.1.
83
Capítulo 5 – Metodologia
____________________________________________________________________________________________
Tabela 5.1 – Dimensão dos vetores referentes aos
componentes Wavelet.
Família Wavelet Nível de
decomposição
Dimensão dos vetores de
Componentes Wavelet
Haar 1 1792
Haar 4 28
Daubechies 2 1 1921
Daubechies 2 4 64
Daubechies 8 1 2737
Daubechies 8 4 448
Symlets 4 1 2185
Symlets 8 3 697
Biortogonal 3.3 2 793
O vetor de características é gerado a partir da concatenação dos vetores
com os componentes Wavelet, ordenadamente formados pelos coeficientes
de aproximação, detalhes horizontais, detalhes verticais e detalhes
diagonais, dado pela equação 5.4. Diversas combinações entre os vetores
com os coeficientes foram testadas para a composição do vetor de
características, na procura pela ordem que diferenciasse um indivíduo do
outro. Dentre esses experimentos, utilizou-se a inversão na seqüência dos
vetores de coeficientes, e o acúmulo de cada vetor-componente quando o
nível de decomposição escolhido tenha sido maior ou igual a dois. Por fim,
apenas os componentes do nível de composição escolhido foi utilizado, sem
acumular os valores de cada componente em cada nível inferior ao
selecionado.
]cDcDcDcA[ticasCaracterísdeVetor
d
n
v
n
h
nn
∪∪∪=
(5.4)
A dimensão final do vetor de características para cada indivíduo do banco
CASIA também será variável, dependendo da escolha da família Wavelet e
nível de decomposição, conforme pode ser observado nos exemplos da
84
Capítulo 5 – Metodologia
____________________________________________________________________________________________
tabela 5.2.
Tabela 5.2 – Dimensão dos vetores referentes aos
componentes Wavelet.
Família Wavelet Nível de
decomposição
Dimensão do vetor de
características
Haar 1 7168
Haar 4 112
Daubechies 2 1 7684
Daubechies 2 4 256
Daubechies 8 1 10948
Daubechies 8 4 1792
Symlets 4 1 8740
Symlets 8 3 2788
Biortogonal 3.3 2 3172
5.6.3 Reconhecimento através das características extraídas
Para o reconhecimento de um indivíduo através de autenticação ou
identificação, calcula-se o vetor de características com os componentes
Wavelet decompostos para cada uma das 756 imagens do banco. Pode-se
então operar no modo de autenticação, que consiste em comparar um
determinado vetor de características de entrada com todos os demais,
formando uma comparação um-para-um, ou no modo de identificação, onde
é calculada a distância de cada vetor de característica das 756 imagens em
relação às demais, retornando a semelhança entre eles de forma
decrescente, numa comparação um-para-muitos.
Para determinação de quão semelhantes são duas irises, é calculada a
distância Euclidiana entre todos os vetores de características das imagens,
dada pela equação 5.5.
85
Capítulo 5 – Metodologia
____________________________________________________________________________________________
2
1
2
)(),(
∑
=
−=
n
i
ii
yxyxD
(5.5)
Onde x
i
representa o vetor de características do indivíduo de entrada, y
i
o
vetor de características do indivíduo no banco de imagens, e n o número de
características do vetor.
O cálculo dessa equação retorna a distância de um vetor de características
para os demais. Quanto menor o valor da distância Euclidiana entre os
vetores característicos, mais próximas serão as irises desses indivíduos,
podendo ser ou não a mesma pessoa. Para exemplificar esse conceito, a
figura 5.16 mostra o cálculo das distâncias entre a primeira imagem da íris
do individuo número 1 e as próximas 99 imagens do banco. O número de
100 comparações foi utilizado para que fosse possível uma visualização
aceitável do gráfico, já que o cálculo da distância Euclidiana retorna 756
comparações, representando cada imagem do banco.
Figura 5.16 – Gráfico da Distância Euclidiana de uma íris
86
Capítulo 5 – Metodologia
____________________________________________________________________________________________
Dessa forma, analisando o gráfico da figura 5.16, verifica-se na região em
destaque que as distâncias entre os vetores de características de íris de
uma mesma pessoa apresentam valores muito inferiores comparados à
distância entre os vetores de íris de indivíduos diferentes.
No mesmo gráfico pode-se notar ainda que não existe distância entre o vetor
de características de uma mesma imagem de íris, ou seja, sua distância tem
valor igual a zero.
5.7 Considerações Finais
Neste capítulo foi apresentada a proposta para reconhecimento biométrico
pela íris humana, onde foram escolhidas algumas famílias Wavelets e níveis
de decomposição para compor o vetor de características de cada indivíduo.
Técnicas de processamento de imagem, tais como dispersão aleatória de
sementes para localizar regiões de interesse, equalização adaptiva de
histograma e aumento de contraste foram utilizadas na etapa de pré-
processamento das imagens.
87
Capítulo 6 – Resultados e Conclusões
____________________________________________________________________________________________
C
C
a
a
p
p
í
í
t
t
u
u
l
l
o
o
6
6
–
–
R
R
e
e
s
s
u
u
l
l
t
t
a
a
d
d
o
o
s
s
e
e
C
C
o
o
n
n
c
c
l
l
u
u
s
s
õ
õ
e
e
s
s
6.1 Resultados
Os resultados obtidos com o método proposto no capítulo 5 estão separados
em duas partes. A primeira avalia a localização e extração da íris, e a
segunda a recuperação de imagens.
6.1.1 Avaliação da localização e extração da íris
Na tabela 6.1 encontram-se os resultados do método de localização e
extração. Como este processamento utiliza a técnica aleatória de dispersão
de sementes, no propósito de localizar a íris na imagem, a taxa de acerto
pode sofrer uma pequena variação, sempre menor que 1%. Dentre as 756
imagens do banco CASIA, aproximadamente 4 pupilas não foram
localizadas e 13 irises não foram detectadas.
88
Capítulo 6 – Resultados e Conclusões
____________________________________________________________________________________________
Tabela 6.1 – Avaliação do método de
localização e extração da íris
Imagens Analisadas 756
Pupilas localizadas 99,60%
Íris localizadas 97,09%
Acerto Global 96,43%
Tempo Médio/Frame 21,45ms
Frame/Segundo 46,6
6.1.2 Avaliação do método de recuperação de imagens
O primeiro passo para avaliar o método de recuperação é calcular a
Distância Euclidiana entre todas as imagens, resultando em uma matriz de
dimensão 756x756. O primeiro valor de cada uma das 756 linhas representa
uma imagem do banco CASIA, e os valores contidos nas 755 colunas
subseqüentes (DE1...DE756), as respectivas distâncias desta. A ilustração
desse conceito pode ser observada na Tabela 6.2.
Tabela 6.2 – Distâncias Euclidianas entre as imagens
Entrada
DE1 DE2 DE3 DE4
DE5
... D756
001 006 003 002 005 004 ... 108
002 001 005 007 003 006 ... 343
003 007 001 004 005 002 ... 030
004 002 007 001 003 006 ... 099
005 003 006 002 001 007 ... 224
006 005 001 002 007 004 ... 026
007 001 005 003 002 004 ... 118
008 009 013 011 014 010 ... 295
009 012 014 011 008 013 ... 066
010 008 011 014 009 012 ... 328
... ... ... ... ... ... ... 651
756 753 751 754 752 755 ... 556
89
Capítulo 6 – Resultados e Conclusões
____________________________________________________________________________________________
Na tabela 6.3 encontram-se os resultados da análise de algumas famílias
Wavelets em determinados níveis de decomposição, utilizando todos os
componentes (aproximação e os detalhes horizontais, verticais e diagonais),
equalização adaptiva de histograma e avaliação da qualidade das imagens,
onde podem ser observadas as respectivas taxas de acertos e tempo
computacional gasto.
Tabela 6.3 – Tamanho dos vetores referentes aos componentes Wavelet.
Wavelet Nível Total de
comparações
Total de
acertos
Taxa de
acertos
Tempo de
processa-
mento
Haar 1 4872 3066 62,93% 3m27s
Haar 4 4872 3945 80,97% 1m39s
Daubechies 2 2 4872 3222 66,13% 2m14s
Daubechies 2 5 4872 2142 43,66% 1m42s
Daubechies 8 1 4872 3066 62,93% 5m08s
Daubechies 8 3 4872 3367 69,11% 2m40s
Symlets 4 2 4872 3183 65,33% 2m28s
Symlets 17 4 4872 3711 76,17% 8m53s
Biortogonal 3.3 4 4872 2806 57,59% 1m44s
Discrete Meyer 1 4872 3106 63,75% 10m46s
Discrete Meyer 4 4872 3971 81,51% 15m06s
O total de comparações é calculado através da multiplicação do número de
imagens com índice de qualidade e o número 7, que representa a
quantidade de imagens de um mesmo indivíduo. O total de acertos é
incrementado para cada uma das 7 imagens seguintes com índice de
qualidade, que possua um valor correspondente à mesma classe da imagem
de entrada.
O segundo e último passo para avaliação é através das curvas Recall x
90
Capítulo 6 – Resultados e Conclusões
____________________________________________________________________________________________
Precision. A figura 6.1 ilustra o modelo geral dessas curvas, que tem o
propósito de avaliar as informações relevantes e irrelevantes retornadas por
um sistema de busca.
Figura 6.1 – Modelo das curvas Recall x Precision.
A medida recall corresponde à proporção de respostas corretas e é uma
estimativa da probabilidade de se obter pelo menos uma imagem relevante
(Equação 6.1).
relevantesimagensdetotalQuantidade
srecuperadarelevantesimagensdeQuantidade
call =Re
(6.1)
Já a medida precision corresponde à qualidade de cada recuperação –
estimativa da probabilidade de cada imagem retornada estar correta
(Equação 6.2).
srecuperadaimagensdetotalQuantidade
srecuperadarelevantesimagensdeQuantidade
ecision =Pr
(6.2)
As curvas das figuras 6.2 e 6.3 representam o sistema de recuperação de
imagem com base na Wavelet de Haar, no nível 4 de decomposição;
comparando cada imagem do banco e retornando as n imagens de maior
semelhança. A escolha dessa família Wavelet e nível de decomposição é
devido ao tempo computacional inferior e uma pequena diferença na taxa de
precisão, comparando-se com a Wavelet Discrete Meyer, que obteve a
maior taxa mas com tempo computacional elevado, conforme pode ser
observado na tabela 6.3.
91
Capítulo 6 – Resultados e Conclusões
____________________________________________________________________________________________
Como no banco CASIA existem 7 imagens para cada um dos 108 indivíduos,
utilizou-se a variável n com valor igual a 10, procurando dessa maneira,
mostrar a eficiência do método tanto para as imagens que devem ser
consideradas do mesmo indivíduo, ou seja, as 7 primeiras imagens, quanto
avaliar os resultados para as demais imagens retornadas (3 imagens), que
não se referem a mesma pessoa.
A Figura 6.2 mostra a recuperação de indivíduos do banco de imagens sem
a utilização do algoritmo de verificação da qualidade da imagem.
Figura 6.2 – Curva Recall x Precision do sistema de recuperação sem a
verificação da qualidade de imagem.
Verifica-se na figura 6.2, que representa a recuperação dos 10 indivíduos
que mais se assemelham com a imagem original de entrada, sem utilizar o
processo de avaliação da qualidade de imagens, uma precisão de
aproximadamente 79,19% na recuperação das 7 imagens do mesmo
indivíduo, representando a identificação correta de 519 imagens, e a não
identificação de 237 imagens.
92
Capítulo 6 – Resultados e Conclusões
____________________________________________________________________________________________
A Figura 6.3 mostra a recuperação de indivíduos do banco de imagens
considerando o algoritmo de qualidade.
Figura 6.3 – Curva Recall x Precision do sistema de recuperação com a
verificação da qualidade de imagem.
Verifica-se na figura 6.3, que representa a mesma tentativa de recuperação
dos 10 indivíduos que mais se assemelham com a imagem original de
entrada, utilizando o procedimento de verificação da qualidade de imagens,
a precisão de aproximadamente 80,97%, representando a identificação
correta de 612 imagens, e a não identificação de 144 imagens.
6.2 Conclusão
Para a localização e extração da íris, o algoritmo proposto foi rápido o
suficiente para trabalhos de reconhecimento em tempo real, podendo ser
utilizado para vídeos capturados, ao invés de imagens estáticas,
93
Capítulo 6 – Resultados e Conclusões
____________________________________________________________________________________________
processando um frame em aproximadamente de 46 milisegundos. Para
avaliar o desempenho deste método, pode-se compará-lo à segmentação da
íris proposto por Moreno (MORENO, 2005), que consome cerca de 5,7
segundos para processar cada frame, valor este insuficiente para trabalhos
em tempo real.
Já para o reconhecimento dos padrões das irises contidas no banco CASIA,
o propósito foi pesquisar as diversas famílias Wavelets, seus níveis e
componentes de decomposição para geração do vetor de características.
Como diversas adaptações se fizeram necessárias para que fosse possível
efetuar uma variedade grande de análises, o tempo de processamento não
foi considerado um fator importante.
Nos experimentos realizados esse tempo variou entre 1 e 15 minutos,
dependendo da família Wavelet e nível de decomposição selecionados, o
que o torna impróprio para trabalhos de processamento em tempo real.
Visando minimizar esse fator, uma opção para salvar e carregar os
resultados processados foi implementada.
Com base nos gráficos gerados nas seções anteriores, verificou-se que os
melhores resultados foram obtidos utilizando a seguinte combinação de
técnicas:
• Equalização adaptiva de histograma;
• Análise da qualidade das imagens;
• Todos os componentes da decomposição Wavelet; aproximação,
detalhe horizontal, detalhe vertical e detalhe diagonal;
• Wavelet de Haar no nível de decomposição 4.
Avaliando todas as imagens do banco, a decomposição pela Wavelet
Discrete Meyer no nível 4 obteve a melhor taxa, com 81,51% de precisão.
Porém, o processamento dessa Wavelet consumiu cerca de 15 minutos. Já
a Wavelet de Haar também no nível 4 resultou em uma precisão de 80,97%,
com tempo de processamento aproximadamente de 1m39s, ou seja, 0,11s
94
Capítulo 6 – Resultados e Conclusões
____________________________________________________________________________________________
em média por imagem.
Como o software de reconhecimento desenvolvido permite a escolha de
diversos parâmetros para cada processamento, notou-se uma considerável
variação no resultado, dos quais se destacam:
• Utilização de apenas um dos componentes de decomposição
Wavelet;
• Não utilização da equalização adaptiva de histograma;
• Nível de decomposição Wavelet diferente de 4. Entre os níveis 1 e 3,
nota-se uma queda moderada na taxa de precisão, comparando-se
com o nível 4. Já para níveis acima de 4, a queda na taxa de precisão
é bastante acentuada, concluindo-se que, quanto maior for o nível de
decomposição escolhido, menor será a precisão. Provavelmente a
razão dessa queda acentuada deve-se à menor dimensão do vetor de
características, já que, quanto maior o nível de composição, menor
será a dimensão dos componentes gerados, aumentando a
probabilidade de serem semelhantes vetores característicos de
indivíduos diferentes.
Para avaliar o desempenho geral deste trabalho, considerando-se o descritor
de qualidade, pode-se utilizar o trabalho de Li Ma (MA et al., 2003), que
apresenta uma comparação entre os principais métodos já desenvolvidos de
identificação (um-para-muitos) pela íris, conforme a tabela 6.4. O método
proposto utilizado nesta comparação foi a análise Wavelet na família
Discrete Meyer, no nível de decomposição 4, que obteve a maior taxa de
acertos na identificação (81,51). Já no modo de autenticação (um-para-um),
a taxa de acertos não variou entre as diversas famílias Wavelets e níveis de
decomposição, sempre obtendo 100% em todos os experimentos realizados.
95
Capítulo 6 – Resultados e Conclusões
____________________________________________________________________________________________
Tabela 6.4 – Taxa de Reconhecimento Correto.
Fonte: (MA et al., 2003), exceto Método Proposto.
Método
Taxa de Reconhecimento
Correto (%)
Daugman 100
Li Ma 99,43
Boles 92,64
Método Proposto 81,51
6.3 Sugestão para trabalhos futuros
No propósito de evoluir o método de identificação pessoal baseada na íris,
podem ser consideradas algumas melhorias no método desenvolvido. O
algoritmo de localização e extração da íris mostrou-se apropriado para
trabalhos em tempo real, mas o sistema de reconhecimento, compreendido
pela extração de características, análise Wavelet e o cálculo da Distância
Euclidiana, mesmo apresentando um tempo de processamento satisfatório
na verificação de todo o banco de imagens, mostrou-se impróprio para
tempo real através da busca seqüencial utilizada nesse trabalho.
Para tentativas de se trabalhar completamente em tempo real, pode-se
implementar a família Wavelet que apresentou os melhores resultados nesse
trabalho, que é a de Haar, por exemplo, no ambiente de programação
Delphi, mantendo o mesmo padrão da implementação de todos os
algoritmos de localização e extração das irises.
Algumas modificações no algoritmo de montagem do vetor de características
podem ser feitas, buscando outras fórmulas para a composição do mesmo,
considerando, por exemplo, a média ou o desvio padrão entre os
componentes de aproximação, detalhes horizontais, detalhes verticais e
detalhes diagonais.
96
Capítulo 6 – Resultados e Conclusões
____________________________________________________________________________________________
Podem ser pesquisadas outras regiões de interesse, considerando uma ou
mais partes menores distribuídas ao longo da imagem. Também outras
técnicas de realce como métodos de equalização de histograma e
convolução de filtros passa-alta, tanto no domínio do espaço, quando no
domínio da freqüência.
Melhorias no método de avaliação da qualidade de imagem também
influenciarão diretamente nos resultados, já que com esse passo procura-se
descartar as imagens que não possuem qualidade mínima de
processamento.
Nesse trabalho foi utilizada uma decomposição da Wavelet de Haar para
detectar a influência da pálpebra nas imagens da íris, resultando em um
custo computacional relativamente alto, e também poderiam ser substituídos
por outras técnicas de processamento de imagens, como filtragem e
morfologia matemática para a detecção e eliminação de tais ruídos.
Outro fator primordial é a utilização da métrica de distância. Somente a
distância Euclidiana foi utilizada para medir a distância entre uma região de
interesse e as demais. Uma avaliação interessante seria a implementação
de outras métricas, como as distâncias de Hamming e Mahalanobis.
97
R
R
e
e
f
f
e
e
r
r
ê
ê
n
n
c
c
i
i
a
a
s
s
B
B
i
i
b
b
l
l
i
i
o
o
g
g
r
r
á
á
f
f
i
i
c
c
a
a
s
s
AL-TAYECHE, Rami; KHALIL, Ahmed (2003). CBIR: Content Based Image
Retrieval - A report submitted in partial fulfillment of the requirements
Engineering Project – Department of Systems and Computer Engineering
Faculty of Engineering – Carleton University – April 4, 2003. Disponível em:
<http://www.sce.carleton.ca/faculty/cuhadar/CBIR/files/finalreport.doc>.
Acesso em: 16/mai/2005.
ARANTES, Adriano S. et. al. (2003). Operadores de Seleção por
Similaridade para Sistemas de Gerenciamento de Bases de Dados
Relacionais. 18º Simpósio Brasileiro de Banco de Dados, Manaus,
Amazonas, 2003. Disponível em:
<http://www.google.com.br/url?sa=U&start=6&q=http://www.lbd.dcc.ufmg.br/
sbbd2003/artigos/paper026.pdf&e=747>. Acesso em: 17/mai/2005.
BOLES, W. W. (1997). A Security System Based on Human Iris Using
Wavelet Transform, International Conference on Knowledge-Basic Intelligent
Eletronics System, Vol. 2, pages 533-541.
BUENO, Josiane M. (2001). Suporte à Recuperação de Imagens Médicas
Baseada em Conteúdo através de Histogramas Métricos. Tese ( Doutorado
em Ciências da Computação), Universidade de São Paulo, São Carlos,
2001.
BUENO, Renato; TRAINA, Agma J. M. ; TRAINA JR, Caetano. (2005).
Algoritmos Genéticos para Consultas por Similaridade Aproximadas.
Disponível em: <http://www.sbbd-sbes2005.ufu.br/arquivos/artigo-13-
BuenoTraina.pdf>. Acesso em 25/jul/2006.
CASTAÑÓN, César A. B. (2003). Recuperação de imagens por conteúdo
através da análise multiresolução por Wavelets. Dissertação (Mestrado em
Ciências da Computação), Universidade de São Paulo, São Carlos, 2003.
Disponível em: <http://www.teses.usp.br/teses/disponiveis/55/55134/tde-
29072004-194807/>. Acesso em: 30/mar/2005.
98
CHELLAPPA, R.; WILSON, C. L.; SIROHEY, S. (1995). Human and Machine
Recognition of Face: A survey. IEEE Transaction on Pattern Analysis and
Machine Intelligence, Vol. 83, nº 5.
CHERNOV, N.I.; OSOSKOV, G.A. (1984). Effective Algorithms for Circle
Fitting. Journal of Computer Physics Commications 33., pages 329-333.
DAUGMAN, John. (2001). High Confidence Recognition of Persons by Iris
Patterns. IEEE 35th International Carnahan Conference on
Security Technology, 16-19 Oct. 2001, pages 254-263.
DAUGMAN, John. (2002). How Iris Recognition Works. International
Conference on Image Processing, vol. 1, pages 33-36.
FARIA, Regis Rossi Alves. (1997). Aplicação de Wavelets na análise de
gestos musicais em timbres de instrumentos acústicos tradicionais.
Dissertação (Mestrado em Engenharia de Sistemas Eletrônicos),
Universidade de São Paulo, São Paulo, 1997.
FILHO, Ogê Marques; NETO, Hugo Vieira. (1999). Processamento Digital de
Imagens. Rio de Janeiro: Brasport.
FREDERICK, Paula. (1999). Visualização Eficiente de Objetos Gráficos.
Dissertação (Mestrado em Ciências em Informática), Pontifícia Universidade
Católica do Rio de Janeiro, Rio de Janeiro, 1999.
GALVÃO, Roberto K. H. et al. (2001). Estudo comparativo sobre filtragem de
sinais instrumentais usando transformadas de Fourier e Wavelet. Química
Nova, vol. 24, n.6, p.874-884.
GONG, S. MCKENNA; PSARROU, A. (2000). Dynamic Vision: From Images
to Face Recognition. Imperial College Press.
GONZAGA, Adilson. (2003). Biometria – A Senha que Nunca se Esquece.
Disponível em: <http://www.fafica.br/computacao/biometria.pdf>. Acesso em:
18/mai/2005.
GONZALEZ, R.; WOODS, R. (2000). Processamento de Imagens Digital.
São Paulo: Edgar Blucher.
GRAPS, Amara. (1995). An Introduction to Wavelets. IEEE Conputacional
Science and Engineering, Vol. 2, nº 2.
HENRY, E. R. (1905). Classification and Uses of Fingerprints. Wyman and
Sons Ltda.
99
JAIN, Anil et al. (1997). An Identity-Authentication System using Fingerprints.
Proceeding of the IEEE, vol. 85, n. 9, pp. 1365-1388.
KARU, Kalle; JAIN, Anil. (1996). Fingerprint Classification. Pattern
Recognition, vol. 29, n. 3, pp. 389-404.
LIAPIS, Spyros; TZIRITAS, Georgios. (2004). Color and Texture Image
Retrieval Using Chromaticity Histograms and Wavelet Frames. IEEE
Transactions on Multimedia, vol. 6, n. 5, pp. 676-686.
LOPES, Odnei Cuesta. (2005). iRIS Servidor: Sistema Servidor para
Recuperação de Imagens por Conteúdo. Dissertação (Mestrado em Ciências
da Computação), Universidade de São Paulo, São Carlos, 2005.
MA, Li et al. (2003). Personal Identification Based on Iris Texture Analysis,
IEEE Transaction on Pattern Analysis and Machine Intelligence, vol. 25, no.
12.
MANJUNATH, B.S.; MA, W.Y. (1996). Texture Features for Browsing and
Retrieval of Image Data. IEEE Transactions on Pattern Analysis and Machine
Intelligence, Vol. 18, nº 8.
MARIN, Luciene de Oliveira; BARRETO, Jorge Muniz. (2003).
Reconhecimento de Faces. Universidade Federal de Santa Catarina.
Disponível em: <http://www.inf.ufsc.br/~l3c/artigos/MarinR03_2003.PDF>.
Acesso em 16/mai/2005.
MARRONI, Lílian Saldanha. (2002). Aplicação da Transformada de Hough
para Localização dos Olhos em Faces Humanas. Dissertação (Mestrado em
Engenharia Elétrica), Universidade de São Paulo, São Carlos, 2002.
MATHWORKS, Inc. (2006). Image Processing Toolbox. Disponível em:
<http://www.mathworks.com/access/helpdesk/help/toolbox/images/adapthist
eq.html>. Acesso em 21/jul/2006.
MISITI, M.; MISITI, Y.; OPPENHEIM, G.; POGGI, J-M. (2005). Wavelet
Toolbox – for use Matlab – user guide version 3.
MORENO, Raphael Pereira. (2005). Extração de Características de Textura
de Haralick em Imagens de Íris Aplicada à Identificação Pessoal.
Dissertação (Mestrado em Engenharia Elétrica), Universidade de São Paulo,
São Carlos, 2005.
PARRAGA, Adriane. (2002). Aplicação da Transformada Wavelet Packet na
análise e classificação de sinais de vozes patológicas. Dissertação
(Mestrado em Engenharia Elétrica), Universidade Federal do Rio Grande do
Sul, Porto Alegre, 2002.
100
PENTLAND, A. (2000). Looking at people: Sensing for ubiquitous and
wearable computing. IEEE Transactions on Pattern Analysis and Machine
Intelligence, 22(1):107-119.
POH, N., KORCZAK, J. (2001). Hybrid Biometric Person Authentication
Using Face and Voice Features. Proceedings of the Third International
Conference, Audio- and Video- based Biometric Person Authentication
AVBPA 2001, Halmstad, Sweden, 348-353.
PUTTE, T.; KEUNING, J. (2000). Biometrical Fingerprint Recognition: don´t
get your fingers burned, Proceedings of IFIP TC8/WG8.8 Forth Working
Conference on Smart Card Research and Advanced Applications, Kluwer
Academic Publishers, 289-303.
RETICA, Systems Inc. (2005). Retinal Biometrics Tecnology. Disponível em:
<http://www.retinaltech.com/site/technology/index.html>.
Acesso em: 13/mai/2005.
SCHWERDT, Karl, CROWLEY, James L. (2000). Robust Face Tracking
using Color. 4th IEEE International Conference on Face and Gesture
Recognition, Grenoble, France. Processing. Disponível em: <http://www-
prima.inrialpes.fr/Prima/Homepages/jlc/papers/fg2000-Schwerdt.pdf>.
Acesso em: 17/mai/2005.
THEODORIDIS, Sergios; KOUTROUMBAS, Konstantinos. (2003). Pattern
Recognition – Second Edition, Elsevier Academic Press.
VARGAS, Ernesto Cuadros. (2004). Recuperação de Informação por
Similaridade Utilizando Técnicas Inteligentes. Tese ( Doutorado em Ciências
– Ciências da Computação e Matemática Computacional), Universidade de
São Paulo, São Carlos, 2004.
VESPER, Escola (2005). Olho Humano. Disponível em:
<www.escolavesper.com.br/olho_humano.htm>. Acesso em: 13/mai/2005.
WILDES, R. et. al. (1996). A Machine-vision System for Iris Recognition,
Machine Vision and Applications, vol.9, pp.1-8.
WILDES, Richard P. (1997). Iris Recognition: An Emerging Biometric
Tecnology, Proceedings of the IEEE, vol. 85, no. 9.
YAMAMOTO, Cláudio Haru; BIAJIZ, Mauro. (2002). Uso de Lógica Nebulosa
na Construção e na Utilização da Árvore Métrica Slim-tree. Disponível em:
<www.icmc.usp.br/~haruo/pubs/wtdbd2002pt_final.pdf>. Acesso em:
25/jul/2006.
101
ZHENAN, Sun. (2003). Iris Image Quality Assessment Based on Texture
Analysis in the Frequency Domain. Center for Biometrics Authentication and
Testing, National Laboratory of Pattern RecognitionInstitute of Automation,
Chinese Academy of Sciences.
Disponível em:
<http://www.sinobiometrics.com/download/Iris%20Image%20Quality%20Ass
essment%20Based%20on%20Texture%20Analysis%20in%20Frequency%2
0Domain.doc>. Acesso em: 16/mai/2005.
102
A
A
p
p
ê
ê
n
n
d
d
i
i
c
c
e
e
A
A
–
–
S
S
o
o
f
f
t
t
w
w
a
a
r
r
e
e
D
D
e
e
s
s
e
e
n
n
v
v
o
o
l
l
v
v
i
i
d
d
o
o
Nesse apêndice são apresentados os softwares de localização/extração das
imagens das irises e também o de reconhecimento, desenvolvidos na
plataforma Delphi.
O programa para a localização e extração da íris efetua a separação da
região de interesse (íris) do restante da imagem. Para facilitar as etapas
seguintes de processamento, cada imagem da íris extraída é gravada em
um arquivo em disco com a mesma identificação dos indivíduos do banco
CASIA.
103
Programa para extração da íris.
O segundo programa tem o objetivo de fornecer opções de interação com o
usuário, integrando a plataforma de desenvolvimento Delphi com a
plataforma Matlab. A linguagem Delphi trabalha como cliente, passando os
parâmetros à serem processados em um servidor Matlab. Essa interação é
possível através dos objetos da interface COM. Neste é permitida a escolha
da família Wavelet e nível de decomposição a serem analisados e também
quais os componentes que formarão o vetor de características. Todo esse
processamento pode ser gravado em arquivo e depois recarregado, evitando
o re-processamento e reduzindo drasticamente o tempo computacional, já
que o processo de recarga do arquivo processado consome menos de 2
segundos.
Programa para o sistema de reconhecimento.
104
A
A
p
p
ê
ê
n
n
d
d
i
i
c
c
e
e
B
B
–
–
T
T
a
a
b
b
e
e
l
l
a
a
c
c
o
o
m
m
a
a
q
q
u
u
a
a
l
l
i
i
d
d
a
a
d
d
e
e
d
d
a
a
s
s
i
i
m
m
a
a
g
g
e
e
n
n
s
s
d
d
o
o
b
b
a
a
n
n
c
c
o
o
Na tabela à seguir é mostrado o valor do indicador de qualidade Q1 e Q2
das regiões de interesse de todas as imagens do banco CASIA. Na coluna
imagem, os três primeiros números representam o indivíduo cadastrado, o
quarto número representa a primeira etapa da captura da imagem, e o quinto
número é a ordem seqüencial da captura. Por exemplo, o número 066_1_2
representa o indivíduo 66, na primeira etapa de captura e a segunda imagem
capturada. O indicador Q1 é a média aritmética da intensidade dos pixels de
toda a região de interesse, e Q2 o desvio padrão arredondado da
decomposição dos componentes de aproximação Wavelet de Haar, no nível
1. Na coluna Qualidade, os números 0 são as imagens identificadas como
de qualidade aceitável para processamento; o número -1 (em destaque) são
as imagens de íris não detectadas, e o número -2 (em destaque) são as
imagens das regiões de interesses que contém pálpebras.
Indicador
Indicador
Imagem
Q1 Q2
Qualidade
001_1_1 144,7 54 0
001_1_2 142,98 55 0
001_1_3 147,57 54 0
001_2_1 144,98 54 0
001_2_2 148,2 57 0
001_2_3 149,75 58 0
001_2_4 148,45 57 0
002_1_1 158,84 56 0
105
002_1_2 162,14 55 0
002_1_3 157,81 54 0
002_2_1 159,79 56 0
002_2_2 158,75 54 0
002_2_3 157,42 54 0
002_2_4 159,28 57 0
003_1_1 154,95 60 0
003_1_2 155,39 60 0
003_1_3 153,57 60 0
003_2_1 155,82 58 0
003_2_2 155,58 56 0
003_2_3 154,85 58 0
003_2_4 154,07 56 0
004_1_1 138,84 73 0
004_1_2 139,56 70 0
004_1_3 137,73 69 0
004_2_1 137,87 67 0
004_2_2 139,05 69 0
004_2_3 139,13 70 0
004_2_4 139,74 69 0
005_1_1 146,02 46 0
005_1_2 146,44 51 0
005_1_3 149,15 48 0
005_2_1 150,77 53 0
005_2_2 153,31 53 0
005_2_3 149,49 50 0
005_2_4 150,98 53 0
006_1_1 141,83 74 -2
Região com pupila
006_1_2 147,17 70 0
006_1_3 145,35 70 0
006_2_1 147,84 71 0
006_2_2 148,84 66 0
006_2_3 147,51 70 0
006_2_4 146,91 64 0
007_1_1 145,44 70 0
007_1_2 150,09 66 0
007_1_3 143,72 64 0
007_2_1 141,89 63 0
007_2_2 145 65 0
007_2_3 144,32 74 -2
Região com pupila
007_2_4 143,83 72 0
008_1_1 160,96 65 0
008_1_2 161 63 0
008_1_3 161,28 61 0
008_2_1 160,86 62 0
008_2_2 160,23 61 0
106
008_2_3 159,37 64 0
008_2_4 161,31 58 0
009_1_1 158,68 47 0
009_1_2 155,31 46 0
009_1_3 155,46 47 0
009_2_1 151,99 48 0
009_2_2 155,24 45 0
009_2_3 149,76 50 0
009_2_4 151,24 43 0
010_1_1 146,84 65 0
010_1_2 144,91 66 0
010_1_3 52,057 1 -1
Íris não detectada
010_2_1 154,08 58 0
010_2_2 148,72 60 0
010_2_3 152,11 56 0
010_2_4 152,14 59 0
011_1_1 137,91 60 0
011_1_2 138,03 61 0
011_1_3 136,07 58 0
011_2_1 138,15 60 0
011_2_2 138,18 59 0
011_2_3 132,82 55 0
011_2_4 132,31 55 0
012_1_1 147,87 53 0
012_1_2 145,36 59 0
012_1_3 144,11 56 0
012_2_1 145,19 60 0
012_2_2 146,49 54 0
012_2_3 143,64 54 0
012_2_4 146,62 55 0
013_1_1 148,5 67 0
013_1_2 151,81 60 0
013_1_3 152,39 63 0
013_2_1 151,26 64 0
013_2_2 155,61 62 0
013_2_3 156,06 59 0
013_2_4 151,56 55 0
014_1_1 161,57 68 0
014_1_2 163,61 67 0
014_1_3 164,09 68 0
014_2_1 162,06 70 0
014_2_2 162,31 69 0
014_2_3 163,68 62 0
014_2_4 163,63 60 0
015_1_1 141,65 72 0
015_1_2 149,65 58 0
107
015_1_3 145,08 59 0
015_2_1 146,63 63 0
015_2_2 144,82 63 0
015_2_3 151,36 61 0
015_2_4 149,38 63 0
016_1_1 155,62 52 0
016_1_2 157,11 50 0
016_1_3 159,39 51 0
016_2_1 160,14 55 0
016_2_2 158,81 54 0
016_2_3 160,57 54 0
016_2_4 159,26 54 0
017_1_1 155,32 52 0
017_1_2 155,7 53 0
017_1_3 153,65 57 0
017_2_1 153,72 57 0
017_2_2 153,2 54 0
017_2_3 152,94 55 0
017_2_4 153,29 54 0
018_1_1 156,97 49 0
018_1_2 148,33 49 0
018_1_3 149,71 47 0
018_2_1 160,95 50 0
018_2_2 154,72 60 0
018_2_3 154,77 47 0
018_2_4 152,02 49 0
019_1_1 148,67 89 -2
Região com pupila
019_1_2 151,45 76 -2
Região com pupila
019_1_3 152,44 78 -2
Região com pupila
019_2_1 151,87 76 -2
Região com pupila
019_2_2 154,04 74 -2
Região com pupila
019_2_3 151,73 77 -2
Região com pupila
019_2_4 150,5 78 -2
Região com pupila
020_1_1 147,75 60 0
020_1_2 150,2 59 0
020_1_3 148,26 64 0
020_2_1 150,29 62 0
020_2_2 151,23 61 0
020_2_3 135,76 76 -2
Região com pupila
020_2_4 148,65 61 0
021_1_1 156,64 67 0
021_1_2 157,26 65 0
021_1_3 158,27 64 0
021_2_1 157,86 64 0
021_2_2 157,63 65 0
021_2_3 158,37 64 0
108
021_2_4 160,17 63 0
022_1_1 145,61 58 0
022_1_2 151,15 58 0
022_1_3 151,85 59 0
022_2_1 152,14 57 0
022_2_2 150,23 66 0
022_2_3 151,01 63 0
022_2_4 155 63 0
023_1_1 153,52 59 0
023_1_2 148,12 57 0
023_1_3 152,59 55 0
023_2_1 150,21 59 0
023_2_2 151,36 57 0
023_2_3 151,52 58 0
023_2_4 156,19 56 0
024_1_1 160,99 63 0
024_1_2 160,01 66 0
024_1_3 159,09 64 0
024_2_1 161,51 61 0
024_2_2 161,72 59 0
024_2_3 160,02 60 0
024_2_4 155,61 56 0
025_1_1 153,72 61 0
025_1_2 152,78 60 0
025_1_3 152,72 62 0
025_2_1 153,18 61 0
025_2_2 149,81 61 0
025_2_3 152,03 61 0
025_2_4 151,69 62 0
026_1_1 152,67 62 0
026_1_2 151,93 61 0
026_1_3 151,97 62 0
026_2_1 152,35 63 0
026_2_2 149,31 60 0
026_2_3 151,3 60 0
026_2_4 150,93 60 0
027_1_1 155,23 65 0
027_1_2 155,19 69 0
027_1_3 161,23 67 0
027_2_1 154,14 64 0
027_2_2 157,19 65 0
027_2_3 154,62 65 0
027_2_4 156,86 64 0
028_1_1 154,84 55 0
028_1_2 152,28 56 0
028_1_3 157,1 53 0
109
028_2_1 154,86 56 0
028_2_2 155,05 53 0
028_2_3 156,63 53 0
028_2_4 158,08 51 0
029_1_1 149,85 62 0
029_1_2 150,59 57 0
029_1_3 148,33 58 0
029_2_1 149,37 61 0
029_2_2 151,81 62 0
029_2_3 152,35 56 0
029_2_4 151,9 58 0
030_1_1 141,17 68 0
030_1_2 55 0 -1
Íris não detectada
030_1_3 138,92 68 0
030_2_1 143,83 60 0
030_2_2 140,93 65 0
030_2_3 144,29 57 0
030_2_4 142,85 63 0
031_1_1 146,86 64 0
031_1_2 148,14 59 0
031_1_3 147,99 57 0
031_2_1 149,12 60 0
031_2_2 148,7 59 0
031_2_3 148,06 57 0
031_2_4 148,65 58 0
032_1_1 146,71 59 0
032_1_2 141,99 56 0
032_1_3 138,02 60 0
032_2_1 139,14 58 0
032_2_2 142,39 54 0
032_2_3 139,27 53 0
032_2_4 140,99 56 0
033_1_1 144,42 59 0
033_1_2 143,57 61 0
033_1_3 143,6 53 0
033_2_1 143,86 48 0
033_2_2 144,71 60 0
033_2_3 144,85 61 0
033_2_4 147,65 58 0
034_1_1 143,98 62 0
034_1_2 144,31 66 0
034_1_3 147,02 57 0
034_2_1 145,6 58 0
034_2_2 145,89 58 0
034_2_3 146,35 60 0
034_2_4 148,12 61 0
110
035_1_1 152,69 61 0
035_1_2 148,78 63 0
035_1_3 151,34 59 0
035_2_1 152,92 62 0
035_2_2 152,72 59 0
035_2_3 154,61 62 0
035_2_4 151,92 63 0
036_1_1 138,08 58 0
036_1_2 138,11 55 0
036_1_3 137,39 55 0
036_2_1 136,05 58 0
036_2_2 137,78 57 0
036_2_3 139,67 59 0
036_2_4 137,37 57 0
037_1_1 155,88 60 0
037_1_2 155,09 58 0
037_1_3 154,73 60 0
037_2_1 155,27 60 0
037_2_2 156,82 61 0
037_2_3 155,48 60 0
037_2_4 155,03 60 0
038_1_1 149,14 61 0
038_1_2 147,34 57 0
038_1_3 145,78 62 0
038_2_1 148,1 61 0
038_2_2 147,33 58 0
038_2_3 148,64 60 0
038_2_4 147,64 64 0
039_1_1 143,35 67 0
039_1_2 142,08 65 0
039_1_3 142,95 64 0
039_2_1 141,25 74 -2
Região com pupila
039_2_2 139,68 75 -2
Região com pupila
039_2_3 144,25 67 0
039_2_4 142,06 71 0
040_1_1 155,34 70 0
040_1_2 59,254 3 -1
Íris não detectada
040_1_3 155,25 58 0
040_2_1 156,48 56 0
040_2_2 158,38 56 0
040_2_3 155,94 58 0
040_2_4 157,32 60 0
041_1_1 146,68 69 0
041_1_2 148,45 61 0
041_1_3 147,27 61 0
041_2_1 143,55 64 0
111
041_2_2 146,59 66 0
041_2_3 144,09 61 0
041_2_4 146,83 54 0
042_1_1 160,69 56 0
042_1_2 158,57 53 0
042_1_3 153,1 54 0
042_2_1 158,8 52 0
042_2_2 156,9 55 0
042_2_3 156,89 51 0
042_2_4 156,57 53 0
043_1_1 145,23 83 -2
Região com pupila
043_1_2 144,91 76 -2
Região com pupila
043_1_3 148,36 72 0
043_2_1 146,27 72 0
043_2_2 149,22 66 0
043_2_3 149,04 68 0
043_2_4 151,2 60 0
044_1_1 155,16 61 0
044_1_2 158,97 57 0
044_1_3 158,62 59 0
044_2_1 158,05 59 0
044_2_2 160,54 60 0
044_2_3 158,37 59 0
044_2_4 159,29 59 0
045_1_1 147,54 53 0
045_1_2 149,29 54 0
045_1_3 146,13 56 0
045_2_1 150,71 51 0
045_2_2 155,31 51 0
045_2_3 152,06 54 0
045_2_4 154,79 48 0
046_1_1 147,52 63 0
046_1_2 145,92 63 0
046_1_3 140,51 62 0
046_2_1 140,2 62 0
046_2_2 138,51 56 0
046_2_3 139,18 60 0
046_2_4 141,21 59 0
047_1_1 143,12 68 0
047_1_2 142,89 68 0
047_1_3 142,07 65 0
047_2_1 142,17 64 0
047_2_2 142,62 66 0
047_2_3 143,23 65 0
047_2_4 142,28 66 0
048_1_1 156,02 75 -2
Região com pupila
112
048_1_2 157,27 73 0
048_1_3 155,63 74 -2
Região com pupila
048_2_1 157,42 70 0
048_2_2 157,74 72 0
048_2_3 154,65 66 0
048_2_4 154,72 65 0
049_1_1 149,72 54 0
049_1_2 148,74 54 0
049_1_3 147,48 56 0
049_2_1 146,59 55 0
049_2_2 148,03 52 0
049_2_3 145,25 57 0
049_2_4 148,61 55 0
050_1_1 160,74 51 0
050_1_2 156,04 48 0
050_1_3 160,6 51 0
050_2_1 159,35 51 0
050_2_2 156,88 56 0
050_2_3 156,71 53 0
050_2_4 158 53 0
051_1_1 162,23 55 0
051_1_2 159,49 55 0
051_1_3 160,82 58 0
051_2_1 157,67 57 0
051_2_2 159,73 59 0
051_2_3 155,09 54 0
051_2_4 160,96 58 0
052_1_1 154,19 60 0
052_1_2 156,25 62 0
052_1_3 152,81 63 0
052_2_1 154,4 62 0
052_2_2 157,4 64 0
052_2_3 158,89 61 0
052_2_4 153,07 60 0
053_1_1 143,8 57 0
053_1_2 144,19 58 0
053_1_3 142,29 56 0
053_2_1 142,39 56 0
053_2_2 144,05 58 0
053_2_3 145,26 59 0
053_2_4 144,57 54 0
054_1_1 150,48 86 -2
Região com pupila
054_1_2 148,74 86 -2
Região com pupila
054_1_3 149,3 94 -2
Região com pupila
054_2_1 55,766 6 -1
Íris não detectada
054_2_2 149,96 79 -2
Região com pupila
113
054_2_3 150,02 82 -2
Região com pupila
054_2_4 151,92 85 -2
Região com pupila
055_1_1 159,06 61 0
055_1_2 162,09 61 0
055_1_3 162,91 45 0
055_2_1 159,91 60 0
055_2_2 156,21 57 0
055_2_3 158,71 58 0
055_2_4 157,56 60 0
056_1_1 146,32 52 0
056_1_2 148,02 59 0
056_1_3 149,04 56 0
056_2_1 149,65 57 0
056_2_2 145,9 57 0
056_2_3 147,04 54 0
056_2_4 149,48 57 0
057_1_1 147,03 52 0
057_1_2 146,12 53 0
057_1_3 148,26 54 0
057_2_1 146,03 53 0
057_2_2 145,89 50 0
057_2_3 146,75 50 0
057_2_4 148,17 53 0
058_1_1 138,83 76 -2
Região com pupila
058_1_2 136,43 75 -2
Região com pupila
058_1_3 136,56 55 0
058_2_1 134,92 51 0
058_2_2 133,1 52 0
058_2_3 131,88 52 0
058_2_4 132,48 51 0
059_1_1 146,93 64 0
059_1_2 146,74 62 0
059_1_3 147,59 62 0
059_2_1 146,9 60 0
059_2_2 145,71 62 0
059_2_3 145,61 62 0
059_2_4 146,03 62 0
060_1_1 143,74 53 0
060_1_2 143,62 54 0
060_1_3 145,92 52 0
060_2_1 144,53 50 0
060_2_2 142,06 52 0
060_2_3 142,31 51 0
060_2_4 143,34 52 0
061_1_1 154,72 49 0
061_1_2 154,83 51 0
114
061_1_3 153,76 49 0
061_2_1 154,14 47 0
061_2_2 153,1 50 0
061_2_3 154,3 50 0
061_2_4 151,23 49 0
062_1_1 153,35 65 0
062_1_2 149,97 70 0
062_1_3 149,68 69 0
062_2_1 153,63 60 0
062_2_2 154,28 60 0
062_2_3 154,34 61 0
062_2_4 154,03 60 0
063_1_1 154,11 50 0
063_1_2 154,64 50 0
063_1_3 152,34 59 0
063_2_1 156,04 52 0
063_2_2 156,15 52 0
063_2_3 154,24 56 0
063_2_4 157,97 55 0
064_1_1 149,17 64 0
064_1_2 151,15 64 0
064_1_3 148,13 63 0
064_2_1 149,83 59 0
064_2_2 150,91 59 0
064_2_3 150,6 60 0
064_2_4 150,87 61 0
065_1_1 141,36 68 0
065_1_2 141,95 69 0
065_1_3 139,18 65 0
065_2_1 143,47 70 0
065_2_2 142,85 69 0
065_2_3 140,55 69 0
065_2_4 140,27 69 0
066_1_1 153,01 60 0
066_1_2 153,59 59 0
066_1_3 155,11 59 0
066_2_1 154,69 61 0
066_2_2 61,775 13 -1
Íris não detectada
066_2_3 157,85 58 0
066_2_4 156,99 58 0
067_1_1 148,47 65 0
067_1_2 146,98 64 0
067_1_3 148,12 65 0
067_2_1 148,37 66 0
067_2_2 146,18 72 0
067_2_3 150,69 67 0
115
067_2_4 148,09 66 0
068_1_1 140,34 61 0
068_1_2 144,75 66 0
068_1_3 139,69 61 0
068_2_1 143,76 64 0
068_2_2 143,44 65 0
068_2_3 136,15 71 0
068_2_4 140,36 61 0
069_1_1 156,31 48 0
069_1_2 153,57 47 0
069_1_3 150,73 50 0
069_2_1 149,5 42 0
069_2_2 152,88 45 0
069_2_3 62,939 16 -1
Íris não detectada
069_2_4 152,41 46 0
070_1_1 151,09 80 -2
Região com pupila
070_1_2 151,12 76 -2
Região com pupila
070_1_3 151,06 74 -2
Região com pupila
070_2_1 150,29 75 -2
Região com pupila
070_2_2 147,91 71 0
070_2_3 157,81 64 0
070_2_4 156,66 60 0
071_1_1 134,12 52 0
071_1_2 140,69 57 0
071_1_3 137,93 59 0
071_2_1 133,35 55 0
071_2_2 132,61 54 0
071_2_3 134,5 52 0
071_2_4 139,69 59 0
072_1_1 154,26 69 0
072_1_2 156,9 63 0
072_1_3 150,81 81 -2
Região com pupila
072_2_1 157,27 63 0
072_2_2 153,14 66 0
072_2_3 155,73 63 0
072_2_4 154,18 65 0
073_1_1 149,56 55 0
073_1_2 150,78 49 0
073_1_3 146,21 72 0
073_2_1 150,9 59 0
073_2_2 151,98 57 0
073_2_3 151,46 57 0
073_2_4 148,53 67 0
074_1_1 158,25 73 0
074_1_2 76,931 4 -1
Íris não detectada
074_1_3 155,31 76 -2
Região com pupila
116
074_2_1 154,4 78 -2
Região com pupila
074_2_2 153,44 75 -2
Região com pupila
074_2_3 159,01 68 0
074_2_4 159,58 66 0
075_1_1 152,52 56 0
075_1_2 155,3 55 0
075_1_3 156,13 56 0
075_2_1 155,31 58 0
075_2_2 158,35 58 0
075_2_3 155,14 57 0
075_2_4 154,19 59 0
076_1_1 159,7 49 0
076_1_2 153,5 60 0
076_1_3 152,04 63 0
076_2_1 157,62 53 0
076_2_2 152,69 65 0
076_2_3 160,92 55 0
076_2_4 161,13 51 0
077_1_1 148,76 44 0
077_1_2 154,45 48 0
077_1_3 142,61 44 0
077_2_1 150,4 49 0
077_2_2 150,15 51 0
077_2_3 154,3 44 0
077_2_4 150,59 46 0
078_1_1 154,43 75 -2
Região com pupila
078_1_2 153,28 77 -2
Região com pupila
078_1_3 153,59 74 -2
Região com pupila
078_2_1 151,56 77 -2
Região com pupila
078_2_2 152,84 73 0
078_2_3 151,26 76 -2
Região com pupila
078_2_4 150,3 75 -2
Região com pupila
079_1_1 150,43 60 0
079_1_2 140,89 67 0
079_1_3 148,21 58 0
079_2_1 149,78 60 0
079_2_2 135,35 67 0
079_2_3 139,63 59 0
079_2_4 140,77 60 0
080_1_1 154,65 58 0
080_1_2 156,98 63 0
080_1_3 155,12 60 0
080_2_1 156,85 60 0
080_2_2 154,29 64 0
080_2_3 153,06 54 0
080_2_4 153,17 54 0
117
081_1_1 149,36 60 0
081_1_2 151,01 57 0
081_1_3 150,18 57 0
081_2_1 150,57 58 0
081_2_2 150,78 59 0
081_2_3 149,83 59 0
081_2_4 148,93 57 0
082_1_1 154,45 55 0
082_1_2 156,28 57 0
082_1_3 56,339 14 -1
Íris não detectada
082_2_1 155,15 54 0
082_2_2 154,01 58 0
082_2_3 153,68 55 0
082_2_4 154,47 54 0
083_1_1 159,8 50 0
083_1_2 157,16 51 0
083_1_3 66,046 60 -1
Íris não detectada
083_2_1 160,3 50 0
083_2_2 156,28 49 0
083_2_3 157,79 49 0
083_2_4 159,26 52 0
084_1_1 153,88 69 0
084_1_2 156,03 58 0
084_1_3 155,13 58 0
084_2_1 157,65 59 0
084_2_2 157,07 59 0
084_2_3 153,36 65 0
084_2_4 154,87 62 0
085_1_1 151,22 59 0
085_1_2 154,45 62 0
085_1_3 153,67 61 0
085_2_1 153,52 62 0
085_2_2 153,65 63 0
085_2_3 150,35 62 0
085_2_4 149,57 62 0
086_1_1 157,81 65 0
086_1_2 156,41 66 0
086_1_3 155,68 67 0
086_2_1 154,54 68 0
086_2_2 150,25 72 0
086_2_3 154,43 64 0
086_2_4 157,36 68 0
087_1_1 153,4 53 0
087_1_2 157,24 53 0
087_1_3 153,25 51 0
087_2_1 152,32 51 0
118
087_2_2 152 51 0
087_2_3 153,29 50 0
087_2_4 155,24 50 0
088_1_1 152,17 57 0
088_1_2 147,29 55 0
088_1_3 153,81 57 0
088_2_1 151,09 58 0
088_2_2 152,71 59 0
088_2_3 151,74 59 0
088_2_4 150,2 59 0
089_1_1 151,25 56 0
089_1_2 147,73 57 0
089_1_3 146,29 54 0
089_2_1 146,74 57 0
089_2_2 147,85 57 0
089_2_3 146,61 55 0
089_2_4 149,75 53 0
090_1_1 141,85 61 0
090_1_2 140,49 65 0
090_1_3 140,7 62 0
090_2_1 140,72 61 0
090_2_2 141,43 62 0
090_2_3 140,45 64 0
090_2_4 139,33 62 0
091_1_1 138,16 74 -2
Região com pupila
091_1_2 138,03 74 -2
Região com pupila
091_1_3 136,79 81 -2
Região com pupila
091_2_1 139,75 73 0
091_2_2 144,84 65 0
091_2_3 139,62 71 0
091_2_4 149,08 60 0
092_1_1 143,67 64 0
092_1_2 145,38 58 0
092_1_3 144,16 62 0
092_2_1 142,42 63 0
092_2_2 144,06 62 0
092_2_3 146,63 63 0
092_2_4 143,5 63 0
093_1_1 147,6 66 0
093_1_2 148,68 65 0
093_1_3 147,92 65 0
093_2_1 148,25 61 0
093_2_2 146,96 62 0
093_2_3 146,51 61 0
093_2_4 147,15 64 0
094_1_1 61,839 10 -1
Íris não detectada
119
094_1_2 65,939 28 -1
Íris não detectada
094_1_3 149,17 58 0
094_2_1 145,21 52 0
094_2_2 145,82 56 0
094_2_3 151,24 50 0
094_2_4 152,32 45 0
095_1_1 134,7 48 0
095_1_2 142,86 61 0
095_1_3 141,76 56 0
095_2_1 143,22 61 0
095_2_2 143,34 61 0
095_2_3 142,71 59 0
095_2_4 143,86 62 0
096_1_1 135,46 48 0
096_1_2 137,44 53 0
096_1_3 136,58 50 0
096_2_1 133,9 49 0
096_2_2 137,18 48 0
096_2_3 137,72 55 0
096_2_4 135,4 53 0
097_1_1 157,63 60 0
097_1_2 154,8 62 0
097_1_3 158,18 59 0
097_2_1 57,3 2 -1
Íris não detectada
097_2_2 157,11 59 0
097_2_3 57,507 5 -1
Íris não detectada
097_2_4 155,4 61 0
098_1_1 147,52 56 0
098_1_2 148,06 56 0
098_1_3 147,21 58 0
098_2_1 150,02 56 0
098_2_2 147,15 57 0
098_2_3 149,45 58 0
098_2_4 146,7 60 0
099_1_1 145,03 65 0
099_1_2 146,83 63 0
099_1_3 146,85 65 0
099_2_1 142,29 76 -2
Região com pupila
099_2_2 139,81 72 0
099_2_3 144,49 66 0
099_2_4 142,5 67 0
100_1_1 151,22 60 0
100_1_2 150,29 61 0
100_1_3 149,48 62 0
100_2_1 150,62 59 0
100_2_2 149,98 57 0
120
100_2_3 150,83 59 0
100_2_4 149,54 58 0
101_1_1 139,99 63 0
101_1_2 137,93 69 0
101_1_3 140,97 69 0
101_2_1 139,81 75 -2
Região com pupila
101_2_2 139,28 71 0
101_2_3 139,94 78 -2
Região com pupila
101_2_4 139,71 64 0
102_1_1 155,3 60 0
102_1_2 159,94 59 0
102_1_3 158,64 60 0
102_2_1 158,66 59 0
102_2_2 156,9 56 0
102_2_3 156,37 58 0
102_2_4 156,51 56 0
103_1_1 161,12 52 0
103_1_2 160,56 53 0
103_1_3 160,05 49 0
103_2_1 160,96 51 0
103_2_2 158,56 49 0
103_2_3 159,37 51 0
103_2_4 160,74 51 0
104_1_1 159,93 54 0
104_1_2 152,15 52 0
104_1_3 157,08 52 0
104_2_1 145,06 54 0
104_2_2 143,8 54 0
104_2_3 157,49 61 0
104_2_4 161,38 60 0
105_1_1 143,54 49 0
105_1_2 150,69 55 0
105_1_3 147,4 53 0
105_2_1 151,76 58 0
105_2_2 148,94 51 0
105_2_3 147,48 59 0
105_2_4 150,02 56 0
106_1_1 148,86 60 0
106_1_2 145,88 57 0
106_1_3 144,9 59 0
106_2_1 143,45 58 0
106_2_2 144,69 57 0
106_2_3 142,99 57 0
106_2_4 143,91 55 0
107_1_1 138,98 65 0
107_1_2 139,37 62 0
121
107_1_3 139,94 62 0
107_2_1 141,03 65 0
107_2_2 144,53 84 -2
Região com pupila
107_2_3 144,12 86 -2
Região com pupila
107_2_4 142,63 65 0
108_1_1 157,82 67 0
108_1_2 157,99 68 0
108_1_3 157,68 69 0
108_2_1 159,04 67 0
108_2_2 157,14 71 0
108_2_3 159 68 0
108_2_4 156,84 72 0
122
A
A
p
p
ê
ê
n
n
d
d
i
i
c
c
e
e
C
C
–
–
C
C
ó
ó
d
d
i
i
g
g
o
o
f
f
o
o
n
n
t
t
e
e
Na seqüência são listados os códigos-fontes do algoritmo desenvolvido,
seguindo a metodologia proposta no capítulo 5 da Dissertação.
Primeiramente são listados os algoritmos programados na ferramenta
Matlab, onde são analisadas as famílias Wavelet e calculada a Distância
Euclidiana entre os vetores de características. Logo em seguida, o código
fonte do algoritmo criado em Delphi para a interação com o usuário, e o
cálculo dos resultados.
*** IRIS.M ***
function [D, qualidade, Q_Resultados] = Biometria_Iris(wname, nivel, w_ap, w_hz,
w_vt, w_dg, hist_equaliza, quali);
warning off all;
dir_name = 'D:\IRIS\';
files = dir([dir_name, 'iris*.bmp']);
im = {};
for i = 1:length(files)
im{i}=files(i).name;
end;
tot_img = length(files);
bioiris = struct('caracteristica', [] );
%**********************************************************************
% DECOMPOSICAO WAVELET PARA OS COMPONENTES E NÍVEL SELECIONADOS
%**********************************************************************
warning off all;
qualidade = zeros(756,1);
q_resultado = zeros(756,2);
format short;
for i=1:tot_img
% seleciona a img_original escolhida
img = im{i};
[img_read, map] = imread([dir_name, img]);
% img = img_read(5:28, 49:232); % 44x64 75,00%
% img = img_read(2:31, 40:237); % 32x198 77,09%
123
% img = img_read(2:32, 40:237); % 32x198 77,44%
% img = img_read(2:33, 40:237); % 32x198 77,69%
% img = img_read(2:33, 38:237); % 32x198 78,11%
% img = img_read(2:33, 18:237); % 32x198 80,18%
% img = img_read(3:33, 20:243); % 32x198 80,2647
% seleciona a parte 4 da iris segmentada - posiçao 1:64 a 192:255
img = img_read(3:33, 20:243); % 31x224
aux_carac = 0;
% equaliza o histograma da porçao retirada
if hist_equaliza ~= 0
img = adapthisteq(img); %80,18%
end;
% teste da qualidade da região de interesse
if quali ~= 0
[qualidade(i), q_resultado(i,:)] = iris_qualidade(img);
else
q_resultado(i,:) = [100, 50];
end;
v_ap = [];
v_hz = [];
v_vt = [];
v_dg = [];
% decompoem wavelet no nivel selecionado
[C,S]=wavedec2(img, nivel, wname);
aux_carac = 0;
ap = [];
hz = [];
vt = [];
dg = [];
% componentes de aproximaçao Wavelet para o nivel selecionado
if w_ap ~= 0
ap=appcoef2(C,S,wname,nivel);
ap=ap(:);
end;
% componentes de detalhes horizontais Wavelet para o nivel selecionado
if w_hz ~= 0
hz=detcoef2('h',C,S,nivel);
hz=hz(:);
end;
% componentes de detalhes verticais Wavelet para o nivel selecionado
if w_vt ~= 0
vt=detcoef2('v',C,S,nivel);
vt=vt(:);
end;
% componentes de detalhes diagonais Wavelet para o nivel selecionado
if w_dg ~= 0
dg=detcoef2('d',C,S,nivel);
dg=dg(:);
end;
% monta o vetor de características com os componentes Wavelet
bioiris(i).caracteristica = [ ap ; hz ; vt ; dg ];
end;
clear v_ap;
clear v_hz;
clear v_vt;
clear v_dg;
D = zeros(756,756);
%**********************************************************************
% calculo da distancia euclidiana
%**********************************************************************
for i = 1 : tot_img,
distancia = zeros(1,756);
for base = 1: tot_img,
aux_dist = bioiris(i).caracteristica - bioiris(base).caracteristica;
124
distancia(base) = sqrt(aux_dist' * aux_dist);
end;
[valor, pos] = sort(distancia);
for x = 1 : tot_img,
D(i, x) = pos(x);
end;
end;
D = D;
qualidade = qualidade;
Q_Resultados = q_resultado;
warning on all;
*** IRIS_QUALIDADE.M ***
function [v_qualidade, v_resultado] = Qualidade(img);
niv = 1;
[B,R]=wavedec2(img, niv, 'haar');
qualidade = 0;
% componentes de aproximaçao Wavelet de Haar no nível de decomposição 1
qap=appcoef2(B,R,'haar',niv);
qap=qap(:);
q1 = mean(mean(img));
q2 = round(std(qap));
% teste da qualidade da parte selecionada
% se a média geral da intensidade dos pixels da região de interesse é
% inferior ao limiar 80, significa que a iris não foi detectada corretamente,
% e essa porção refere-se a um nivel de cinza que tende ao preto (zero),
% portando, será descartada.
if q1 < 80
qualidade = -1;
end;
% se o desvio padrão dos componentes de baixa frequencia(aproximacao) for
% maior que o limiar 74, a região de interesse contém pálpebra e será
% descartada.
if q2 >= 74 % região contém pálpebra
qualidade = -2;
end;
v_qualidade = qualidade;
v_resultado = [q1 ; q2];
*** IRIS_RECALL_PRECISION.M ***
v_qualidade = qualidade;
v_resultado = [q1 ; q2];
function recall_precision(search, D, Q, titulo);
warning off all;
dir_name = 'D:\IRIS\';
files = dir([dir_name, 'iris*.bmp']);
dist = {};
classes = 108;
img_classes = 7;
imagens = {};
for i = 1:756,
for j = 1: 756,
dist{i, j} = files(D(i,j)).name;
end;
end;
aux = 1;
for i = 1:classes,
125
for j = 1: img_classes,
imagens{i,j}=files(aux).name;
aux = aux + 1;
end;
end;
aux = 1;
for i = 1 : classes,
for j = 1 : img_classes,
for n = 1 : img_classes,
c_imagens{aux,n}=imagens{i,n};
end;
aux = aux + 1;
end;
end;
for aux = 1 : search,
lin=1;
for i = 1 : classes * img_classes,
% acertos - apenas das imagens que tem qualidade, ou seja, Q(i) = 0
if Q(i) == 0
recall(lin,aux)= sum(strcmp(dist{lin,aux},c_imagens(lin,:)));
precision(lin,aux)= sum(strcmp(dist{lin,aux},c_imagens(lin,:)));
lin = lin+1;
end;
end;
end;
for aux = 2 : search,
lin=1;
for i = 1 : classes * img_classes,
if Q(i) == 0
recall(lin,aux)= recall(lin,aux) + recall(lin,aux-1);
precision(lin,aux)= precision(lin,aux) + precision(lin,aux-1);
lin = lin+1;
end;
end;
end;
recall = recall./img_classes;
lin = 1;
for i = 1 : classes * img_classes,
if Q(i) == 0
precision(lin,:)= precision(lin,:)./[ 1 : search ] ;
lin = lin+1;
end;
end;
m_recall = mean(recall);
m_precision = mean(precision);
figure,
plot(m_recall,m_precision,'-bo','LineWidth',2 )
title('Avaliação do Sistema de Reconhecimento da Textura da Iris Humama')
xlabel('recall')
ylabel('precision')
legend(titulo)
grid on;
*** UNT_IRIS.PAS ***
unit untIris;
interface
uses
Windows, Messages, SysUtils, Variants, Classes, Graphics, Controls, Forms,
Dialogs, StdCtrls, Buttons, ExtCtrls, ComCtrls, ComObj, MLApp_TLB, ActiveX,
Menus, imageenview, ievect, Mask, CheckLst, iemview, ImageEnIO, ieview,
126
ShellCtrls, TREdit, Math, StrUtils, clipbrd;
type
TfrmIris = class(TForm)
GroupBox1: TGroupBox;
CheckBox2: TCheckBox;
CheckBox3: TCheckBox;
CheckBox7: TCheckBox;
CheckBox8: TCheckBox;
ImageEnMView1: TImageEnMView;
DirectoryListBox1: TShellTreeView;
chk_recursivo: TCheckBox;
ImageEnMView2: TImageEnMView;
btnRecallPrecision: TBitBtn;
btnWavelet: TBitBtn;
btnReconhece: TBitBtn;
btnAcertoGeral: TBitBtn;
iris_segmentada: TImage;
Label1: TLabel;
PageControl1: TPageControl;
TabSheet1: TTabSheet;
TabSheet2: TTabSheet;
wavelet_mae: TRadioGroup;
wavelet: TRadioGroup;
niveis: TRadioGroup;
GroupBox2: TGroupBox;
edtAPROXIMACAO: TCheckBox;
edtHORIZONTAL: TCheckBox;
edtVERTICAL: TCheckBox;
edtDIAGONAL: TCheckBox;
edtEQUALIZA: TCheckBox;
RadioGroup1: TRadioGroup;
edtSEARCH: TEdit;
Label2: TLabel;
UpDown1: TUpDown;
chk_salvar: TCheckBox;
btnAbrir: TBitBtn;
GroupBox3: TGroupBox;
edtQuali1: TRealEdit;
Label8: TLabel;
edtQuali2: TRealEdit;
Label9: TLabel;
GroupBox4: TGroupBox;
Label3: TLabel;
Label4: TLabel;
Label5: TLabel;
Label6: TLabel;
edtINICIO: TMaskEdit;
edtTERMINO: TMaskEdit;
edtTEMPOGASTO: TMaskEdit;
edtacerto: TEdit;
porc_acerto: TRealEdit;
Label7: TLabel;
txtResultado: TLabel;
chkQUALIDADE: TCheckBox;
procedure FormClose(Sender: TObject; var Action: TCloseAction);
procedure FormCreate(Sender: TObject);
procedure wavelet_maeClick(Sender: TObject);
procedure ImageEnMView1BeforeImageDraw(Sender: TObject; idx, Left,
Top: Integer; Canvas: TCanvas);
procedure FormActivate(Sender: TObject);
procedure ImageEnMView1ImageSelect(Sender: TObject; idx: Integer);
procedure chk_recursivoClick(Sender: TObject);
procedure CheckBox2Click(Sender: TObject);
procedure CheckBox3Click(Sender: TObject);
procedure DirectoryListBox1Change(Sender: TObject; Node: TTreeNode);
procedure CheckBox8Click(Sender: TObject);
procedure CheckBox7Click(Sender: TObject);
procedure btnWaveletClick(Sender: TObject);
procedure btnRecallPrecisionClick(Sender: TObject);
procedure btnReconheceClick(Sender: TObject);
procedure btnAcertoGeralClick(Sender: TObject);
procedure ImageEnMView1DblClick(Sender: TObject);
procedure ImageEnMView2BeforeImageDraw(Sender: TObject; idx, Left,
Top: Integer; Canvas: TCanvas);
procedure btnAbrirClick(Sender: TObject);
procedure iris_segmentadaDblClick(Sender: TObject);
127
private
{ Private declarations }
procedure Reconhecimento(indice: Integer);
procedure AcertoGeral(posicao, maximo: Integer);
procedure LocalizaRegiaoDeInteresse;
procedure SalvarProcessamento;
public
Matlab: Variant;
zr, zi: OleVariant;
{ Public declarations }
end;
const
TOT_IMG = 756;
var
frmIris: TfrmIris;
Lista: TStringList;
Distancia: array[0..755, 0..755] of Integer;
Qualidade: array[0..755] of Integer;
Resultado: array[0..755, 0..1] of Real; // matriz para os dois indices de qualidade
implementation
uses untZoom;
{$R *.dfm}
procedure TfrmIris.FormClose(Sender: TObject; var Action: TCloseAction);
begin
MatLab := Unassigned;
end;
procedure TfrmIris.FormCreate(Sender: TObject);
begin
Matlab := CreateOleObject('Matlab.Application');
Matlab.Visible:=True;
end;
procedure TfrmIris.wavelet_maeClick(Sender: TObject);
var i: Integer;
begin
wavelet.Items.Clear;
wavelet.Columns:=1;
case wavelet_mae.ItemIndex of
0: wavelet.Items.Add('Haar');
1: begin
for i:=2 to 45 do
wavelet.Items.Add('db'+IntToStr(i));
wavelet.Columns:=3;
end;
2: begin
for i:=2 to 45 do
wavelet.Items.Add('sym'+IntToStr(i));
wavelet.Columns:=3;
end;
3: begin
for i:=1 to 5 do
wavelet.Items.Add('coif'+IntToStr(i));
end;
4: begin
wavelet.Items.Add('bior1.1');
wavelet.Items.Add('bior1.3');
wavelet.Items.Add('bior1.5');
wavelet.Items.Add('bior2.2');
wavelet.Items.Add('bior2.4');
wavelet.Items.Add('bior2.6');
wavelet.Items.Add('bior2.8');
wavelet.Items.Add('bior3.1');
wavelet.Items.Add('bior3.3');
wavelet.Items.Add('bior3.5');
wavelet.Items.Add('bior3.7');
wavelet.Items.Add('bior3.9');
wavelet.Items.Add('bior4.4');
wavelet.Items.Add('bior5.5');
wavelet.Items.Add('bior6.8');
wavelet.Columns:=2;
end;
128
5: begin
wavelet.Items.Add('rbio1.1');
wavelet.Items.Add('rbio1.3');
wavelet.Items.Add('rbio1.5');
wavelet.Items.Add('rbio2.2');
wavelet.Items.Add('rbio2.4');
wavelet.Items.Add('rbio2.6');
wavelet.Items.Add('rbio2.8');
wavelet.Items.Add('rbio3.1');
wavelet.Items.Add('rbio3.3');
wavelet.Items.Add('rbio3.5');
wavelet.Items.Add('rbio3.7');
wavelet.Items.Add('rbio3.9');
wavelet.Items.Add('rbio4.4');
wavelet.Items.Add('rbio5.5');
wavelet.Items.Add('rbio6.8');
wavelet.Columns:=2;
end;
6: wavelet.Items.Add('dmey');
end;
wavelet.ItemIndex:=0;
end;
procedure TfrmIris.ImageEnMView1BeforeImageDraw(Sender: TObject; idx, Left,
Top: Integer; Canvas: TCanvas);
begin
ImageEnMView1.ImageInfoText[idx].Background:=clYellow;
end;
procedure TfrmIris.FormActivate(Sender: TObject);
begin
ImageEnMView1.EnableAlphaChannel := true;
ImageenMView1.SoftShadow.Enabled := true;
ImageEnMView1.FillThumbnail := false;
ImageEnMView1.ShowText := True;
DirectoryListBox1Change(self, nil);
Lista:=TStringList.Create;
PageControl1.ActivePage:=TabSheet1;
end;
procedure TfrmIris.ImageEnMView1ImageSelect(Sender: TObject; idx: Integer);
var img: String;
bmp: TBitmap;
begin
img:='D:\iris\iris_'+extractfilename(ImageEnMView1.ImageFileName[idx]);
bmp:=TBitmap.Create;
bmp.LoadFromFile(img);
iris_segmentada.Canvas.Draw(0,0,bmp);
FreeAndNil(bmp);
LocalizaRegiaoDeInteresse;
ImageEnMView2.Clear;
edtQuali1.Value:=Resultado[idx,0];
edtQuali2.Value:=Resultado[idx,1];
txtResultado.Caption:='Com Qualidade';
if edtQuali1.Value < 80 then
txtResultado.Caption:='Íris Não Detectada';
if edtQuali2.Value >= 74 then
txtResultado.Caption:='Região com Pupila';
end;
function xcompare(i1, i2: Integer): integer;
var
s1, s2: string;
begin
with Form1.ImageEnMView1 do
begin
s1 := ImageFileName[i1];
s2 := ImageFileName[i2];
end;
result := AnsiCompareStr(s1, s2);
end;
procedure TfrmIris.chk_recursivoClick(Sender: TObject);
var
sr:TSearchRec;
Found,idx:integer;
fpath:string;
129
procedure ListaDiretorio(Dire:String);
var
sr: TSearchRec;
Found: integer;
idx: integer;
fpath: string;
begin
// testar as irises segmentadas
// Dire:='D:\IRIS';
Found:=FindFirst(Dire+'\*.*',faArchive+faDirectory ,sr);
if Found=0 then begin
while Found=0 do begin
fpath:=Dire+'\'+sr.Name;
if (chk_recursivo.Checked) and (sr.Name <> '.') and (sr.Name <> '..') and
((Sr.Attr and faDirectory) = Sr.Attr) then
ListaDiretorio(fpath);
if IsKnownFormat(fpath) then
begin
idx:=ImageEnMView1.AppendImage;
ImageEnMView1.ImageFileName[idx]:=fpath;
ImageEnMView1.ImageBottomText[idx].Caption:='['+IntToStr(idx+1)+'] -
'+extractfilename(fpath);
ImageEnMView1.ImageBottomText[idx].Background:=$00EFEFD0;
end;
Found:=FindNext(sr);
end;
end;
FindClose(sr);
end;
begin
ImageEnMView1.Clear;
ImageEnMView1.LockPaint;
ListaDiretorio(DirectoryListBox1.Root);
ImageEnMView1.UnLockPaint;
ImageEnMView1.SelectedImage:=0;
ImageEnMView1.Sort(xcompare);
end;
procedure TfrmIris.CheckBox2Click(Sender: TObject);
begin
ImageEnMView1.SoftShadow.Enabled := CheckBox2.Checked;
ImageEnMView1.Update;
end;
procedure TfrmIris.CheckBox3Click(Sender: TObject);
begin
if CheckBox3.Checked then
begin
ImageEnMView1.Style := iemsFlat;
ImageEnMView1.FillThumbnail := false;
end
else
begin
ImageEnMView1.Style := iemsACD;
ImageEnMView1.FillThumbnail := true;
end;
end;
procedure TfrmIris.DirectoryListBox1Change(Sender: TObject; Node: TTreeNode);
begin
chk_recursivoClick(Self);
end;
procedure TfrmIris.CheckBox8Click(Sender: TObject);
begin
ImageEnMView1.ThumbnailsInternalBorder:=CheckBox8.Checked;
end;
procedure TfrmIris.CheckBox7Click(Sender: TObject);
begin
if CheckBox7.Checked then
ImageEnMView1.ThumbsRounded := 4
else
ImageEnMView1.ThumbsRounded := 0;
ImageEnMView1.Update;
130
end;
procedure TfrmIris.btnWaveletClick(Sender: TObject);
var wname, variavel: string;
Tamanho,i,j: Integer;
w_ap, w_hz, w_vt, w_dg, w_eq, w_qa: String;
inicio, termino: TTime;
retorno: Variant;
begin
screen.Cursor:= crSQLWait;
Beep;
Matlab.Execute('clear');
Lista.Clear;
edtINICIO.Text:='';
edtINICIO.Refresh;
edtTERMINO.Text:='';
edtTERMINO.Refresh;
edtTEMPOGASTO.Text:='';
edtTEMPOGASTO.Refresh;
w_ap:=BoolToStr(edtAPROXIMACAO.Checked);
w_hz:=BoolToStr(edtHORIZONTAL.Checked);
w_vt:=BoolToStr(edtVERTICAL.Checked);
w_dg:=BoolToStr(edtDIAGONAL.Checked);
w_eq:=BoolToStr(edtEQUALIZA.Checked);
w_qa:=BoolToStr(chkQUALIDADE.Checked);
Variavel := '[D, qualidade, Q] = iris('''+wavelet.Items[wavelet.ItemIndex]+
''','+IntToStr(niveis.ItemIndex+1)+','+w_ap+','+w_hz+','+w_vt+','+w_dg+','+
w_eq+','+w_qa+');';
inicio:=Time;
edtINICIO.Text:=TimeToStr(inicio);
edtINICIO.Refresh;
Matlab.Execute(variavel);
Tamanho:=755;
zr := VarArrayCreate([0, Tamanho, 0, Tamanho], varDouble);
zi := VarArrayCreate([0, Tamanho, 0, Tamanho], varDouble);
Matlab.GetFullMatrix('D', 'base', VarArrayRef(zr), VarArrayRef(zi));
for i := 0 to Tamanho do
for j := 0 to Tamanho do
Distancia[i,j]:=zr[i, j];
zr := VarArrayCreate([0, Tamanho], varDouble);
zi := VarArrayCreate([0, Tamanho], varDouble);
Matlab.GetFullMatrix('qualidade', 'base', VarArrayRef(zr), VarArrayRef(zi));
for i := 0 to Tamanho do
Qualidade[i]:=zr[i];
zr := VarArrayCreate([0, Tamanho, 0, 1], varDouble);
zi := VarArrayCreate([0, Tamanho, 0, 1], varDouble);
Matlab.GetFullMatrix('Q', 'base', VarArrayRef(zr), VarArrayRef(zi));
for i := 0 to Tamanho do
for j := 0 to 1 do
Resultado[i,j]:=zr[i, j];
termino:=Time;
edtTERMINO.Text:=TimeToStr(termino);
edtTEMPOGASTO.Text:=TimeToStr(termino-inicio);
if chk_salvar.Checked then
SalvarProcessamento;
btnRecallPrecision.Enabled:=True;
btnReconhece.Enabled:=True;
btnAcertoGeral.Enabled:=True;
Beep;
screen.Cursor:= crDefault;
btnAcertoGeral.Click;
end;
procedure TfrmIris.btnRecallPrecisionClick(Sender: TObject);
var Tamanho, nivel, i, j: Integer;
Variavel: String;
retorno: Variant;
begin
screen.Cursor:= crSQLWait;
Beep;
Variavel:='ativo=exist('+QuotedStr('D')+');';
retorno:=Matlab.Execute(Variavel);
Variavel:=VarToStr(retorno);
131
if Variavel = '' then begin
Tamanho:=755;
zr := VarArrayCreate([0, Tamanho, 0, Tamanho], varDouble);
zi := VarArrayCreate([0, Tamanho, 0, Tamanho], varDouble);
for i := 0 to Tamanho do begin
for j := 0 to Tamanho do begin
zr[i, j]:=Distancia[i,j];
zi[i, j]:=0;
end;
end;
MatLab.PutFullMatrix('D', 'base', VarArrayRef(zr), VarArrayRef(zi));
end;
Variavel:='ativo=exist('+QuotedStr('quali')+');';
retorno:=Matlab.Execute(Variavel);
Variavel:=VarToStr(retorno);
if Variavel = '' then begin
Tamanho:=755;
zr := VarArrayCreate([0, Tamanho], varDouble);
zi := VarArrayCreate([0, Tamanho], varDouble);
for i := 0 to Tamanho do begin
zr[i]:=Qualidade[i];
end;
MatLab.PutFullMatrix('quali', 'base', VarArrayRef(zr), VarArrayRef(zi));
end;
Variavel:='iris_recall_precision('+edtSEARCH.Text+', D, quali, '+QuotedStr(
'Wavelet '+wavelet.Items[wavelet.ItemIndex]+' - Nível:
'+niveis.Items[niveis.ItemIndex])+');';
Matlab.Execute(Variavel);
Beep;
screen.Cursor:= crDefault;
end;
procedure TfrmIris.Reconhecimento(indice: Integer);
var
idx:integer;
fpath:string;
i,j : Integer;
ind: Integer;
begin
ImageEnMView2.Clear;
ImageEnMView2.LockPaint;
for i:=0 to 755 do begin
ind:=Distancia[indice,i]-1;
fpath:=ImageEnMView1.ImageFileName[ind];
idx:=ImageEnMView2.AppendImage;
ImageEnMView2.ImageFileName[idx]:=fpath;
if Qualidade[ind] = 0 then
ImageEnMView2.ImageBottomText[idx].Caption:=extractfilename(fpath)
else
ImageEnMView2.ImageBottomText[idx].Caption:=extractfilename(fpath)+'*';
end;
ImageEnMView2.UnLockPaint;
ImageEnMView2.SelectedImage:=0;
ImageEnMView2.Sort(xcompare);
end;
procedure TfrmIris.btnReconheceClick(Sender: TObject);
var quali: Integer;
begin
AcertoGeral(ImageEnMView1.SelectedImage, ImageEnMView1.SelectedImage);
quali:=Qualidade[ImageEnMView1.SelectedImage];
if quali <> 0 then begin
ShowMessage('Imagem
"'+extractfilename(ImageEnMView1.ImageFileName[ImageEnMView1.SelectedImage])+
'" Sem Qualidade Para Processamento !'+#10+IntToStr(quali));
exit;
end;
Reconhecimento(ImageEnMView1.SelectedImage);
end;
procedure TfrmIris.AcertoGeral(posicao, maximo: Integer);
var
i, j: Integer;
total, acerto: Integer;
132
dist_orig, dist_procura: Integer;
tot: Integer;
arq1, arq2: String;
begin
screen.Cursor:= crSQLWait;
acerto:=0;
total:=0;
for i:=posicao to maximo do begin
if Qualidade[i] = 0 then begin
j:=0;
tot:=6;
dist_orig:=Distancia[i,0]-1;
dist_orig:=(dist_orig div 7);
while (j <= tot) and (tot <= 755) do begin
dist_procura:=Distancia[i,j]-1;
if Qualidade[dist_procura] = 0 then begin
Inc(total);
dist_procura:=(dist_procura div 7);
if (dist_orig = dist_procura) and (j < 7) then
Inc(acerto);
end
else
Inc(tot);
Inc(j);
end;
end;
end;
if total > 0 then begin
edtacerto.Text:=IntToStr(acerto)+'/'+IntToStr(total);
porc_acerto.Value:=(acerto/total)*100;
end;
ImageEnMView2.UnLockPaint;
ImageEnMView2.SelectedImage:=0;
ImageEnMView2.Sort(xcompare);
screen.Cursor:= crDefault;
end;
procedure TfrmIris.btnAcertoGeralClick(Sender: TObject);
begin
AcertoGeral(1, Length(Distancia));
end;
procedure TfrmIris.LocalizaRegiaoDeInteresse;
var lin_ini, lin_fim, col_ini, col_fim, i: Integer;
begin
with iris_segmentada do begin
lin_ini:=1;
lin_fim:=64;
col_ini:=1;
col_fim:=64;
for i:=0 to 7 do begin
Picture.Bitmap.IgnorePalette:=True;
Canvas.Pen.Width := 1;
Canvas.Pen.Color:= clRed;
Canvas.Brush.Style:=bsClear;
Canvas.Rectangle(col_ini, lin_ini, col_fim, lin_fim);
col_ini:=col_ini+64;
col_fim:=col_fim+64;
end;
Canvas.Pen.Width := 2;
Canvas.Pen.Color:= clYellow;
Canvas.Brush.Style:=bsClear;
Canvas.Rectangle(lin_fim, lin_ini, col_fim, col_ini);
end;
end;
procedure TfrmIris.ImageEnMView1DblClick(Sender: TObject);
var
bmp: TBitmap;
img: string;
idx: Integer;
begin
idx:=ImageEnMView1.SelectedImage;
bmp:=TBitmap.Create;
bmp.LoadFromFile(ImageEnMView1.ImageFileName[ImageEnMView1.SelectedImage]);
formZoom.iris.Canvas.Draw(0,0,bmp);
133
formZoom.iris.Stretch:=True;
formZoom.ShowModal;
FreeAndNil(bmp);
ImageEnMView1.SelectedImage:=idx;
end;
procedure TfrmIris.ImageEnMView2BeforeImageDraw(Sender: TObject; idx, Left,
Top: Integer; Canvas: TCanvas);
begin
if Pos('*', ImageEnMView2.ImageBottomText[idx].Caption) <> 0 then
begin
ImageEnMView2.ImageBottomText[idx].Background:=clRed;
ImageEnMView2.ImageTopText[idx].Background:=clRed;
ImageEnMView2.ImageTopText[idx].Caption:='Iris Não Localizada';
end
else begin
if
Copy(extractfilename(ImageEnMView1.ImageFileName[ImageEnMView1.SelectedImage]),1,3)
<>
Copy(extractfilename(ImageEnMView2.ImageFileName[idx]),1,3) then
ImageEnMView2.ImageBottomText[idx].Background:=clBlue
else
ImageEnMView2.ImageBottomText[idx].Background:=clYellow;
end;
end;
procedure TfrmIris.SalvarProcessamento;
var
F1, F2, F3: TextFile;
i, j, tam: Integer;
Lista: TStringList;
begin
AssignFile(F1, 'iris_distancia.iris');
Rewrite(F1);
tam:=Length(Distancia)-1;
Lista:=TStringList.Create;
for i:=0 to tam do begin
Lista.Clear;
for j:=0 to tam do begin
Lista.Add(Format('%3.3d',[Distancia[i,j]]));
end;
Writeln(F1, Lista.CommaText);
end;
CloseFile(F1);
AssignFile(F2, 'iris_qualidade.iris');
Rewrite(F2);
tam:=Length(Qualidade)-1;
for i:=0 to tam do begin
Lista.Clear;
Lista.Add(Format('%3d',[Qualidade[i]]));
Writeln(F2, Lista.CommaText);
end;
CloseFile(F2);
AssignFile(F3, 'iris_resultado.iris');
Rewrite(F3);
tam:=Length(Resultado)-1;
for i:=0 to tam do begin
Lista.Clear;
for j:=0 to 1 do begin
Lista.Add(FloatToStr(Resultado[i,j]));
end;
Writeln(F3, Lista.CommaText);
end;
FreeAndNil(Lista);
CloseFile(F3);
end;
procedure TfrmIris.btnAbrirClick(Sender: TObject);
var
F1, F2, F3: TextFile;
Linha: String;
i, j, tam, dist, pos1, pos2: Integer;
Lista: TStringList;
begin
// Abrir arquivo com a última distância Euclidiana calculada
134
AssignFile(F1, 'iris_distancia.iris');
Reset(F1);
tam:=Length(Distancia)-1;
i:=0;
Lista:=TStringList.Create;
while not Eof(F1) do begin
Readln(F1, linha);
Lista.CommaText:=Linha;
for j:=0 to tam do
Distancia[i,j]:=StrToInt(Lista[j]);
Inc(i);
end;
CloseFile(F1);
AssignFile(F2, 'iris_qualidade.iris');
Reset(F2);
tam:=Length(Qualidade)-1;
Lista.Clear;
i:=0;
while not Eof(F2) do begin
Readln(F2, linha);
Lista.CommaText:=Linha;
Qualidade[i]:=StrToInt(Lista[0]);
inc(i);
end;
CloseFile(F2);
AssignFile(F3, 'iris_resultado.iris');
Reset(F3);
tam:=Length(Resultado)-1;
i:=0;
Lista.Clear;
while not Eof(F3) do begin
Readln(F3, linha);
Lista.CommaText:=Linha;
for j:=0 to 1 do
Resultado[i,j]:=StrToFloat(Lista[j]);
Inc(i);
end;
CloseFile(F3);
btnRecallPrecision.Enabled:=True;
btnReconhece.Enabled:=True;
btnAcertoGeral.Enabled:=True;
end;
procedure TfrmIris.iris_segmentadaDblClick(Sender: TObject);
var
imgWindow: TBitmap;
recorta: TBitmap;
d,s:TRect;
begin
imgWindow := GetFormImage;
recorta := TBitmap.Create;
recorta.width := 512;
recorta.Height := 64;
s.Left:=360;
s.Top:=24;
s.Right:=513;
s.Bottom:=88;
d.Top:=24;
d.Left:=360;
d.Right:=512;
d.Bottom:=64;
try
recorta.Canvas.CopyRect(d,imgWindow.Canvas,s);
Clipboard.Assign(recorta);
finally
imgWindow.Free;
recorta.free;
end;
beep;
end;
end.
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
