M. AYYÜCE KIZRAK, FİGEN ÖZEN

... konulu sunumlar: "M. AYYÜCE KIZRAK, FİGEN ÖZEN"— Sunum transkripti:

1 M. AYYÜCE KIZRAK, FİGEN ÖZEN
PARMAK İZİ İYİLEŞTİRME YÖNTEMLERİNE YENİ BİR BAKIŞ: HİSTOGRAM BÖLÜTLEMELİ, MEDYAN FİLTRELENMİŞ PARMAK İZİ İYİLEŞTİRME ALGORİTMASI (HMPA) M. AYYÜCE KIZRAK, FİGEN ÖZEN T. C. HALİÇ ÜNİVERSİTESİ ELEKTRONİK VE HABERLEŞME MÜHENDİSLİĞİ BÖLÜMÜ İSTANBUL

2 ÖZET Giriş Gürültü Medyan Filtreleme Wiener Filtreleme
Sonuçların Sayısal Olarak Değerlendirilmesi Filtreleme ile Parmak İzi İyileştirme Simülasyon Sonuçlar Hedef M. Ayyüce Kızrak Figen Özen T. C. Haliç Üniversitesi

3 2. GÜRÜLTÜ Gürültü: Görüntü bilgisine ait olmayan stokastik değerler Gürültü bastırma yöntemi gürültünün istatistiksel özelliklerine göre değişir. SIKLIKLA RASTLANAN GÜRÜLTÜ TİPLERİ [1], [3]: Homojen Dağılım Üstel Dağılım Gauss Dağılımı Tuz-Biber Dağılımı Lognormal Dağılım Rayleigh Dağılımı Erlang Dağılımı M. Ayyüce Kızrak Figen Özen T. C. Haliç Üniversitesi

4 Nonlineer bir işlemdir.
3. MEDYAN FİLTRELEME Nonlineer bir işlemdir. Sonuç pikselin değeri, komşu piksellerin ortalama değerine bağlı olarak belirlenir [9], [11]. M. Ayyüce Kızrak Figen Özen T. C. Haliç Üniversitesi

5 4. WIENER FİLTRELEME (1/2) Uyarlamalı bir filtre türüdür.
Yerel görüntü varyansını uygun hale getirir. Optimizasyona elverişlidir [14]. Bu optimizasyon işi iki farklı yöntemle gerçekleştirilebilir: Diklik Prensibi Hata Performans Yüzeyi M. Ayyüce Kızrak Figen Özen T. C. Haliç Üniversitesi

6 Görüntü İşlemede Wiener Filtre Algoritması:
4. WIENER FİLTRELEME (2/2) Görüntü İşlemede Wiener Filtre Algoritması: Çanak yapısından dolayı en çok beyaz Gauss gürültüsü bastırmakta kullanılır. M. Ayyüce Kızrak Figen Özen T. C. Haliç Üniversitesi

7 Performans Kriteri: Ortalama Karesel Hata
5. SONUÇLARIN SAYISAL OLARAK DEĞERLENDİRİLMESİ (1/2) Performans Kriteri: Ortalama Karesel Hata M. Ayyüce Kızrak Figen Özen T. C. Haliç Üniversitesi

8 Ortalama Karesel Hata Hesabı Algoritması
5. SONUÇLARIN SAYISAL OLARAK DEĞERLENDİRİLMESİ (2/2) Ortalama Karesel Hata Hesabı Algoritması M. Ayyüce Kızrak Figen Özen T. C. Haliç Üniversitesi

9 6. FİLTRELEME İLE PARMAK İZİ İYİLEŞTİRME (1/2)
Parmak İzi Nedir? İnsan kimliğinin şifresi olan biyometri Neden Parmak İzi? Havalimanları, sınır kontrol Suçlu kimliği tespiti ve sosyal güvenlik Kurumsal ağ, kişisel bilgisayarlar Binalara, tesislere ve ofislere erişim güvenliği Askeri kaynakların etkin takibi Otomatik Tanıma Sistemi Veri toplama , depolama ve sorgulama Parmak İzi Tanıma Sistemi [15] AFIS (Automed Fingerprint Identification System) M. Ayyüce Kızrak Figen Özen T. C. Haliç Üniversitesi

10 6. FİLTRELEME İLE PARMAK İZİ İYİLEŞTİRME (2/2)
Tasarım: Histogram Bölütlemeli, Medyan Filtrelenmiş Parmak İzi İyileştirme Algoritması (HMPA) M. Ayyüce Kızrak Figen Özen T. C. Haliç Üniversitesi

11 7. SİMÜLASYON M. Ayyüce Kızrak Figen Özen T. C. Haliç Üniversitesi

12 7. SİMÜLASYON (1/12) 1.ADIM Amaç: Orijinal görüntüdeki kontrastı eşik değeri ölçüsünde artırmak M. Ayyüce Kızrak Figen Özen T. C. Haliç Üniversitesi

13 7. SİMÜLASYON (2/12) Histogram bölütleme ara yüzü kullanarak eşik değeri, yoğunluk dağılımı üzerinden ve ön izlemeden istenilen değerde seçilebilir. M. Ayyüce Kızrak Figen Özen T. C. Haliç Üniversitesi

14 Histogram Bölütleme Sonucu
7. SİMÜLASYON (3/12) Histogram Bölütleme Sonucu M. Ayyüce Kızrak Figen Özen T. C. Haliç Üniversitesi

15 7. SİMÜLASYON (4/12) 2. ADIM Tuz-biber ve Gauss gürültülerini optimum bir düzeyde filtreleme aşamaları: M. Ayyüce Kızrak Figen Özen T. C. Haliç Üniversitesi

16 3. ADIM Medyan Filtreleme Yanıtı
7. SİMÜLASYON (5/12) 3. ADIM Medyan Filtreleme Yanıtı M. Ayyüce Kızrak Figen Özen T. C. Haliç Üniversitesi

17 4. ADIM Wiener Filtreleme Yanıtı
7. SİMÜLASYON (6/12) 4. ADIM Wiener Filtreleme Yanıtı M. Ayyüce Kızrak Figen Özen T. C. Haliç Üniversitesi

18 5. ADIM: HMPA Uygulanan Parmak İzi ve Orijinal Parmak İzi
7. SİMÜLASYON (7/12) 5. ADIM: HMPA Uygulanan Parmak İzi ve Orijinal Parmak İzi Sonuç: Filtrelenmiş, mantıksal ve morfolojik işlemlerden geçirilmiş iki seviyeli görüntü M. Ayyüce Kızrak Figen Özen T. C. Haliç Üniversitesi

19 HMPA’da elde edilen ortalama karesel hata değerleri
7. SİMÜLASYON (8/12) HMPA’da elde edilen ortalama karesel hata değerleri M. Ayyüce Kızrak Figen Özen T. C. Haliç Üniversitesi

20 HMPA Ortalama Karesel Hata Yüzdesi
7. SİMÜLASYON (9/12) HMPA Ortalama Karesel Hata Yüzdesi M. Ayyüce Kızrak Figen Özen T. C. Haliç Üniversitesi

21 Diğer Çalışmalarla Karşılaştırmalar
7. SİMÜLASYON (10/12) Diğer Çalışmalarla Karşılaştırmalar Louverdis, Andreadis ve Gasteratos’ un çalışmalarında elde ettikleri sonuçlar [16]: M. Ayyüce Kızrak Figen Özen T. C. Haliç Üniversitesi

22 Diğer Çalışmalarla Karşılaştırmalar
7. SİMÜLASYON (11/12) Diğer Çalışmalarla Karşılaştırmalar Musoko ve Procazka’nın çalışmalarında elde ettikleri sonuçlar [11]: M. Ayyüce Kızrak Figen Özen T. C. Haliç Üniversitesi

23 Diğer Çalışmalarla Karşılaştırmalar
7. SİMÜLASYON (12/12) Diğer Çalışmalarla Karşılaştırmalar Altun, Allahverdi, Koçer ve Alan’ın parmak izi iyileştirme üzerine ve IEEE Transactions on Image Processing, Cilt.22,No.2, ’ da yayınlanan çalışması, HMPA ile kıyaslanabilecek niteliktedir [12]. HMPA’da, histogram dengeleme yerine uyarlamalı histogram bölütleme kullanılmıştır. Böylece daha iyi bir sonuç elde edilmiştir. M. Ayyüce Kızrak Figen Özen T. C. Haliç Üniversitesi

24 8. SONUÇLAR En çok rastlanan gürültü tipleri: Tuz-biber ve Gauss dağılımlı gürültü Bastırmak için kullanılan filtreler: Medyan ve Wiener Filtreler Sonuç: İyileştirme gerçekleşmiştir. Spesifik uygulamalarda parmak izi görüntüsü üzerinde çalışılmıştır. HMPA ile daha iyi bir sonuç elde edilmiştir. Diğer çalışmalara göre hata değeri düşürülmüş ve %1.45’lik hata ile orijinal görüntüye daha fazla yaklaşılmıştır. M. Ayyüce Kızrak Figen Özen T. C. Haliç Üniversitesi

25 HMPA’nın kullanılmasıyla parmak izi veritabanı uygulaması
9. HEDEF HMPA’nın kullanılmasıyla parmak izi veritabanı uygulaması M. Ayyüce Kızrak Figen Özen T. C. Haliç Üniversitesi

26 KAYNAKLAR [1] Gonzalez, C. Rafael, Woods, (1992) E. Richard, Digital Image Processing, Prentice Hall. [2] Bracewell N. Ronald, (1995) Two-Dimensional Imaging, Prentice Hall. [3] Jackson B. Lelond, (1997) Digital Filters and Signal Processing, Springer. [4] Oppenheim V. Alan, Schafer W. Ronald, Buck R. John, (1999) Discrete-Time Signal Processing, Prentice Hall. [5] Mathematica Digital Image Processing, Powerful, Fast Image Processing and Analysis, ( ) [6] Wang Zhou, Linear Image Restoration, (2006) Dept. of Electrical Engineering the Univ. of Texas at Arlington. [7] Bourke Paul, Image filtering in the Frequency Domain, ( ) [8] Rehg Jim, Linear Filters, ( ) M. Ayyüce Kızrak Figen Özen T. C. Haliç Üniversitesi

27 [9] Munson C. David, Huang S. Thomas, Bovık C
[9] Munson C. David, Huang S. Thomas, Bovık C. Alan, (March 1987), “The Effect of Median Filtering on Edge Estimation and Detection, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. Pami-9, No.2. [10] Haddad A. R. and Hwang H. (Aprıl 1995), “Adaptive Median Filters: New Algorithms and Results”, IEEE Transactions on Image Processing, Vol.4, No.4. [11] Musoko V. and Procházka A. , “Non-Linear Median Filtering of Biomedical Images” , Institute of Chemical Technology, Department of Computing and Control Engineering, ( ) [12] Altun A. Alpaslan, Allahverdi Novruz, Koçer H. Erdinç, Yılmaz Tarık, Alan Selahattin, (2006) “Filtreleme Teknikleriyle Kullanarak Parmak izi Görüntüsü iyileştirme”, Cilt.22,No.2, [13] Russ C. John, (2006) The Image Processing Handbook Fourth Edition, CRC Press. [14] Haykin Simon, (2002) Adaptive Filter Theory Fourth Edition, Prentice Hall. [15] Wuzhili, (19 April 2002) Fingerprint Recognition, Computer Science Hong Kong Baptist University. [16] Louverdis G. , Andreadis I. and Gasteratos A. , “A new Content Based Median Filter”, Department of Electrical and Computer Engineering, Democratius University of Thrace. .pdf ( ) M. Ayyüce Kızrak Figen Özen T. C. Haliç Üniversitesi

28 TEŞEKKÜRLER M. AYYÜCE KIZRAK, FİGEN ÖZEN
M. Ayyüce Kızrak Figen Özen T. C. Haliç Üniversitesi