توضیحات

Fingerprint Image Compression

ترجمه فارسی موضوع مقاله: فشرده سازی اثر انگشت

توضیحات پروژه

نتایج بدست آمده بر روی یک پایگاه داده تصویر که شامل تصاویر grayscale bitmap است ، نشان می دهد که تکنیک پیشنهادی هم در فشرده سازی و هم در گسترش(decompression) خوب عمل می کند . در این مقاله از peak signal برای نرخ نویز و میانگین مربع خطا برای محاسبه کیفیت تصاویر اثر انگشت استفاده شده است .

ترجمه

چکیده

بخش بندی مجموعه ویرایش شده در درخت سلسله مراتبی با کدگذاری در زمان اجرا ، چارچوب پیشنهادی جدید برای فشرده سازی تصویر اثر انگشت است . متد پیشنهاد شده بهتر است زیرا تعداد بیشتری از تصاویر مرتبط با اثر انگشت بازیابی می شوند . نتایج بدست آمده بر روی یک پایگاه داده تصویر که شامل تصاویر grayscale bitmap است ، نشان می دهد که تکنیک پیشنهادی هم در فشرده سازی و هم در گسترش(decompression) خوب عمل می کند . در این مقاله از peak signal برای نرخ نویز و میانگین مربع خطا برای محاسبه کیفیت تصاویر اثر انگشت استفاده شده است .

1.مقدمه

مهم ترین عامل ئر تکنولوژی فشرده سازی ، فضای ذخیره سازی است . انتقال تصاویر ، زمان زیادی را مصرف می کند . فشرده سازی تصویر ، یک از تکنیکهای کلیدی برای حل این مسئله است . فشرد هسازی تصویر برای کاهش حجم واقعی داده ، حال یا همراه با فقدان اطلاعات یا بدون آن و بر طبق قوانین مشخص از طریق انتقال یا ترکیب ، از افزونگی استفاده می کند . در عمل الگوریتم های فشرده سازی تصویر زیادی وجود دارند مثل DPCM,JPEG,SPIHT,JPEG2000 و غیره . با اینکه کاربردهای زیادی در زمینه فشرده سازی تصویر وجود دارد اما در ارتباط با بازیابی تصاویر به صورت تدریجی کار کمتری انجام شده است . الگوریتم باید سعی در کاهش فقدان اطلاعات کند . الگوریتم باید فشرده سازی تدریجی و کارایی را فراهم کند و برای تصاویر color bitmap (bmp) و grayscale گسترش(decompression) را انجام دهد . این الگوریتم باید SPIHT اولیه را برای تمام تصاویر bitmap(bmp) ، توسعه دهد . این برنامه کاربردی فشرده سازی تصویر انعطاف پذیر و کارایی را با نرخ فشرده سازی متغیر برای تصاویر bitmap(bmp) فراهم می کند . این برنامه کاربردی یک تکنیک lossy است . روزانه حجم وسیعی از اثرات انگشت برای برنامه های کاربردی مختلف ، جمع آوری و ذخیره می شوند . پایگاه داده FBI شامل بیش از هفتاد میلیون اثر انگشت است . در شناسایی خودکار افراد با استفاده از اثر انگشت ، باید اثر انگشت ورودی با کاندیدهایی که در پایگاه داده هستند ، match شوند .تمرکز اصلی الگوریتم پیشنهادی روی فشرده سازی اثر انگشت با استفاده از بخش بندی مجموعه ویرایش شده در درختهای سلسله مراتبی (SPIHT) است که برای دستیابی به کیفیت بهتر بکار می رود ، برای مثال high peak signal برای نرخ نویز (PSNR) .

تصاویر اثر انگشت ، ویژگیها و مشخصات را با اطلاعات بالا در باندهای فرکانسی با اطمینان بالا ، ارائه می دهند . برای محاسبه این ویژگیها ، استاندارد wavelet در این مقاله برای فشرده سازی اثر انگشت پیشنهاد شده است .

2.تبدیل wavelet گسسته(DWT)

رویه های فشرده سازی تصویر برای نمایش دادن تصویری که ماکسیمم اطلاعات آن در ضرایب با اعداد کوچکی فراهم شود ، از تبدیلات استفاده می کند . DWTیک تصویر آن را در مقیاس های مختلفی به شکل درخت های با موقعیت فضایی (SOT) نمایش می دهد . بعد از تبدیل ، ضرایب با پایین ترین فرکانس تمرکز روی بیشترین اطلاعات تصویر تبدیل شده دارند .

DWT های دوبعدی با استفاده از مجموعه ای از DWT های یک بعدی محاسبه شده است :

اولین تصویر در شکل 1. 2 ، تصویر اثر انگشت اصلی است که تبدیل نشده است . تصویر ورودی ، یک اثر انگشت 512×512 با فرمت bmp است . تبدیل wavelet گسسته در آن بکار گرفته شده است . DWT ، تصویر را به چهار قسمت LL,LH,HL,HH تقسیم می کند . این تقسیم می تواند به صورت تکراری و n مرتبه انجام شود . اما همانطور که level افزایش می یابد ، فشرده سازی و در پی آن فقدان اطلاعات نیز افزایش می یابد . تبدیل wavelet در level2 قابل مدیریت است و در level1 کاملا خوب است .

مرحله واحد تجزیه تصویر اثر انگشت در شکل 2. 2 نشان داده شده است . برای مثال تصویر اثر انگشت تجزیهشده تک مرحله ای بر اثر تبدیل wavelet گسسته روی تصویر اثر انگشت اولیه بدست آمده است . تجزیه تک مرحله ای تصویر با استفاده از bior4.4 wavelet انجام شده است که ماتریس های ضریب تقریب مرحله اول (A1) و جزئیات افقی ، عمودی و قطری ( به ترتیب H1,V1,D1 ) را ایجاد می کند .

تصویر اثر انگشت تجزیه شده دو مرحله ای ، با بکارگیری تبدیل wavelet گسسته روی تصویر اثر انگشت تک مرحله ای بدست آمده است و در شکل 3. 2 نشان داده شده است . ماتریس های ضریب تقریب مرحله دوم (A2) و جزئیات افقی ، عمودی و قطری ( به ترتیب H2,V2,D2 ) بدست آمده اند . ضرایب همه اجزاء تجزیه دومین مرحله ( که تقریب مرحله دوم و جزئیات دو مرحله اول است ) برگشت داده می شوند .

3.الگوریتم SPIHT اصلی

الگوریتم SPIHT بر روی تصویر تبدیل شده توسط wavelet که طول و عرض آن توانی از دو و برابر است ، بکار گرفته می شود .این الگوریتم ضرایب wavelet را با سازماندهی سلسله مراتبی ضرایب ، کدگذاری می کند . بیتهای با order بالای ضرایب را قبل از بیتهای با order پایین می فرستد . الگوریتم SPIHT تنها از 1 تا log₂ N مرحله از تبدیل wavelet استفاده می کند . قوه بنیه (اطلاعات) تمرکز روی تقریب های ضرایب (ضرایبی که گرایش به دامنه بزرگتر دارند)دارد و شباهتی فضایی بین پیکسل های پدر وفرزند وجود دارد که اشاره دارد به این موضوع که الگوی کدگذاری که از پدر به سمت فرزند حرکت می کند ، دامنه ضرایب را کاهش می دهد . دامنه جاری حدآستانه(نقطه شروع) است . این ، یک الگوریتم (تقریبا متقارن) و بسیار سریع برای کدگذاری و کد گشایی است .

1 .3 واژه های مهم

SPIHT از سه لیست نگهداری می کند : 1. لیست پیکسل های مهم (LSP) 2.لیست پیکسل های غیر مهم (LIP) 3.لیست مجموعه های غیر مهم (LIS) .

ورودی از نوع D(i,j):A

ورودی از نوع L(i,j):B

چه چیز مهم است ؟

برای یک پیکسل : │c(i,j)│≥ 2ⁿ

برای یک مجموعه S: │c(i,j)│≥ 2ⁿ max

n تعدا بیتهای بزرگترین ضریب است .

3 الگوریتم SPIHT
شروع

2.گذر sorting

گذر پالایش

4.مرحله بروزرسانی تدریجی

در شکل 1. 3 پیکسل مهم جمله بیانگر اینست که دامنه پیکسل زیاد شده یا برابر حدآستانه جاری است . پیکسلی مهم (با معنی) است که دامنه آن کمتر از حد آستانه جاری باشد . مجموعه H شامل همه پیکسل های آخرین سطح از تبدیل wavelet است که حاوی ضرایب جزئیات و میزان زبری است .

O(i,j): مجموعه مختصات همه فرزندان نود (i,j) .

(i,j) D : مجموعه مختصات همه نوادگان نود (i,j) .

H(i,j) : مجموعه همه ریشه های درختی(نودهایی که در بالاترین سطح پیرامید هستند).

D(i,j)-O(i,j):L(i,j) ( همه نوادگان بجز فرزندان) .

آموزش حذف نويز تصوير با استفاده از جعبه ابزار ويولت (waveletmenu)

1 .2 . 3 شروع

با مقدار n شروع می شود برای اهمیت تست پیکسل ها و ساختن نقشه معنی دار . LSP مجموعه ای است که در واقع یک لیست تهی است . LIS مقداردهی اولیه می شود برای نگهداری همه پیکسل هایی که در زیر باند ( در گذر پایین ) هستند و نوادگانی دارند و بنابراین بعنوان ریشه درخت های فضایی هستند . همه پیکسل ها به نوع A تخصیص داده شده اند . LIP مقداردهی اولیه می شود تا همه پیکسل های موجود در پیکسل های گذر پایین را در بر گیرد .

1 . n=│log₂(max{c(i,j)})│ که (i,j) c ضریب مکان (i,j) ام در تصویر است .

2 . LIP =همه اجزاء H .

3 . LSP = تهی .

4 . LIS = D متعلق به ریشه ها .

2 .2 . 3 گذر sorting

هدف از مرحله sorting دستکاری سه تا لیست است که با توجه به مقدار جاری دامنه حدآستانه N صحیح هستند . در این گذر اجزاء LIP به LSP برده می شوند . اجزاء LIS تجزیه شده اند : مجموعه ای در LIS که به زیرمجموعه های نوع A یا نوع B تقسیم می شوند و ریشه آن به LIP یا LSP منتقل می شود(با توجه به اینکه کدام مناسب تر است). هر مدخل LIP با توجه به n تست می شود ( برای تعیین میزان اهمیت) . اگر مهم (بامعنی) بود ، a با مقدار 1 منتقل می شود ، یک بیت علامت که نشان دهنده علامت پیکسل فرستاده شده است و مختصات پیکسل به LSP فرستاده می شوند . وگرنه صفر فرستاده می شود .

1 . پروسه LIP

a ) خروجی هر ضریب (i,j) در LIP ، S_n(i,j) است که زمانی که max│c(i,j)│>=2ⁿ است برابر یک و در سایر موارد برابر صفر است .

b ) اگر S_n(i,j)=1 ، علامت ضریب (i,j) : 0/1 خروجی است و (i,j) به LSP منتقل می شود .

پروسه LIS

a ) برای هر مدخل (i,j) در LIS که از نوع D باشد خروجی S_n(D (i,j)) است .

i ) اگر S_n(D(i,j)) برابر یک باشد آنگاه برای هر (k,l)Є O(i,j) ، خروجی S_n(k,l) است .

ii ) اگر S_n(k,l) برابر یک باشد آنگاه (k,l) را به LSP اضافه کنید و علامت خروجی ضریب : 0/1 .

iii ) اگر S_n(k,l) برابر صفر باشد آنگاه (k,l) را به انتهای LIP اضافه کنید .

b ) اگر از نوع L باشد آنگاه خروجی S_n(L (i,j)) است .

i ) اگر S_n(L (i,j)) برابر یک باشد آنگاه هر (k,l)Є O(i,j) را بعنوان یک مدخل از نوع D به انتهای LIS اضافه کنید و (i,j) را از LIS بردارید .

3 . 2 . 3 گذر پالایش

n امین MSB دامنه هر مدخل LSP ، بجز آنهایی که در گذر sorting جاری اضافه شده اند ، فرستاده شده است . به یاد داشته باشید که در پایان اولین مرحله گذر sorting هیچ بیتی بعنوان بخشی از گذر پالایش فرستاده نمی شود زیرا LSP شامل هیچ پیکسلی قبل از گذر sorting جاری نیست . گذر پالایش فقط برای کدگشایی یا بازسازی اضافه می شود . گذر پالایش دنباله رو گذر sorting است و بیت متناظر با دامنه حدآستانه جاری را برای هر پیکسل در LSP که در گذر sorting قبلی اضافه نشده بود ، بعنوان خروجی ایجاد می کند .

1.پروسه LSP

2.برای هر المان (i,j) در LSP بجز آنهایی که فقط در بالا در گذر sorting اضافه شده اند ، n امین با ارزشترین بیت ضریب ، بعنوان خروجی محسوب می شود .

4 .2 . 3 بروزرسانی مرحله Quantization

بروزرسانی های مرحله Quantization بسادگی N را کاهش می دهد که دامنه حدآستانه کاهش می یابد . الگوریتم سپس به گذر sorting برمی گردد و ادامه می یابد . ما می توانیم الگوریتم را در هر زمانی که می خواهیم متوقف سازیم ، برای مثال اگر جریان داده ای فشرده شده به سایزی که ما می خواهیم برسد . N یکی کاهش می یابد و رویه از مرحله 2 به سمت جلو تکرار می شود .

1 . n یک عدد کاهش می یابد .

2 . سپس به مرحله کدگذاری ترسیم معنی دار(گذر sorting) برمی گردد .

5 . 2 . 3 کدگشایی

یک task اضافی که توسط دیکدر انجام می شود بروزرسانی تصویر بازساخته شده است . برای مقداری از n زمانی که مختصاتی به LSP منتقل شود که به صورت زیر معلوم است :

2ⁿ≤│C_i,j│<2ⁿ⁺¹

بنابراین دیکدر از آن اطلاعات استفاده می کند ، بیت علامت را درست پس از تعبیه ورودی در LSP ، اضافه می کند ، برای تنظیم :

C_i,j =+/- 1.5 * 2ⁿ

به طور مشابه در طول گذر پالایش ، دیکدر 2^n-1 را از C_i,j کم می کند زمانی که بیتهای نمایش باینری│ C_i,j│ را وارد می کند .

الگوریتم SPIHT ویرایش شده

افزونگی SPIHT اصلی برطرف شده است . ضرایب فرکانسی (تکرار) بدست آمده بعد از تبدیل ، بعنوان ورودی گرفته می شوند و SPIHT ویرایش شده ، ارتباط (همبستگی) زیردسته های همان level را حذف می کند .

فشرده سازی

1.DWT را روی تصویر اثرانگشت اصلی بکار ببرید .

همه ضرایب این DWT را مثبت در نظر بگیرید .
SPIHT را روی DWT بدست آمده بعد از مرحله 2 بکار ببرید و از بیت علامت و جریان بیتی فشرده شده که بدست آمده است ، صرف نظر کنید .

Decompression

1.SPIHT معکوس را روی جریان بیتی بازیابی شده بعد از مرحله 2 بکار ببرید و بیت علامت را دوباره در نظر نگیرید زیرا کدگذاری نشده است .

علامت همه آن پیکسل هایی که علامت آنها در طول فشرده سازی معکوس شده است را تغییر دهید .
IDWT را روی این تبدیل بکار گیرید تا تصویر اولیه بازگردانده شود .

5.SPIHT با کدگذاری زمان اجرا

RLE (کدگذاری زمان اجرا) برای جریان بیتی بدست آمده پس از بکارگیری SPIHT روی DWT ، بکار گرفته شده است که کمک به کاهش اندازه جریان بیتی ایجاد شده می کند . در انتهای دریافت ، جریان بیتی اولیه براحتی با بکارگیری RLE معکوس ، بازیابی می شود .

سنجش های کیفیت قابل مشاهده

فرض کنید x(i,j) ، الگوهای تصویر اولیه و x^′(i,j) الگوهای تصویر فشرده شده را نشان می دهد . M و N بترتیب تعداد پیکسل های سطر و ستون هستند .

میانگین مربع خطا بصورت زیر داده شده است :

Peak Signal برای نرخ نویز به این صورت است : PSNR=10log10(255)²/MSE

7.متد پیشنهاد شده برای فشرده سازی تصویر اثر انگشت

تبدیل wavelet گسسته روی تصویر اثر انگشت اعمال شد ، یعنی تجزیه تک مرحله ای و تجزیه دو سطحی روی تصویر اثر انگشت اعمال شد . DWT روی تصویری بکارگرفته شد که بیشترین اطلاعات آن تمرکز روی گوشه سمت چپ آن تصویر دارد. پس از تبدیل ضرایب فرکانسی بدست می آید .
SPIHT اصلی روی تصویر اثر انگشت تجزیه شده بکار گرفته شد و جریان بیتی فشرده شده بدست آمد . SPIHT ، ساختار درخت سلسله مراتبی ایجاد شده توسط DWT را استخراج می کند . بیتهای منحصربفرد ضرایب تبدیل wavelet تصویر را که یک دنباله بیتی هستند ، کد می کند . ابتدا پیکسل های با بیشترین محتوای اطلاعات را فشرده می کند و سپس بتدریج سراغ پیکسل های با اهمیت کمتر می رود .
افزونگی SPIHT اصلی توسط SPIHT ویرایش شده برطرف می شود . ضرایب فرکانسی که بعد از تبدیل بدست می آید بعنوان ورودی داده شده و SPIHT ویرایش شده همبستگی در همان سطح را ( زیر باند ها ) حفظ می کند .
بازسازی توسط بکارگیری SPIHT معکوس روی رشته بیتی فشرده شده ، انجام می شود .

5.تبدیل wavelet گسسته معکوس برای بازیابی تصویر اثر انگشت اصلی بکار می رود .

خروجی بر اساس مجموعه ای از سنجش های کیفیتی مثل Peak Signal برای نرخ نویز (PSNR) و میانگین مربع خطا (MSE) مقایسه می شود .

طراحی سیستم کنترل موشک با استفاده از کنترل کننده PD همراه با فیلتر پایین گذر مرتبه دوم با تقریب باترورث

8.نتایج تجربی

برای ارزیابی کارایی الگوریتم ها ، در این مقاله از یک پایگاه داده که شامل 50 تصویر 512*512 با فرمت bmp است ، استفاده شده است . نتایج روی یکی از تصاویر اثر انگشت با استفاده از نرم افزار matlab نشان داده شده است که با SPIHT اصلی و ویرایش شده ، کدگذاری شده است . تصاویر بدست آمده زیر در ‘work’ folder of matlab ایجاد شده است .

پس از خواندن : این تصویری است که توسط الگوریتم خوانده شده است .

پس از DWT : این تصویر DWT تصویر اصلی است .

پس از SPIHT : این تصویر بدست آمده الگوی بیتی پس از بکارگیری SPIHT روی DWT تصویر اصلی است .

پس از RLE : این تصویر جریان بیتی فشرده شده پس از بکارگیری RLE روی خروجی SPIHT است .

پس از IRLE : این تصویر جریان بیتی اصلی DWT است که پس از بکارگیری RLE معکوس روی جریان بیتی دریافت شده ، بازسازی شده است .

پس از ISPIHT : این تصویر DWT است که پس از بکارگیری SPIHT معکوس روی جریان بیتی بازیابی شده ، بازیابی شده است .

پس از IDWT : این تصویر کپی بازیابی شده تصویر اصلی(اولیه) است .

جدول I کارایی نتایج تصویر تستی اثرانگشت را با استفاده از هر دو الگوریتم نشان می دهد . علاوه بر این مشاهده می شود که SPIHT ویرایش شده بهمراه RLE نتایج بهتری را نسبت به SPIHT اصلی برای تصویر اثر انگشت با نرخ بیت مختلف ایجاد می کند .

9.نتیجه گیری

با استفاده از نتایج تجربی می توان نتیجه گرفت که متد پیشنهاد شده ( SPIHT ویرایش شده با کدگذاری در زمان اجرا ) PSNR بهتری را در مقایسه با الگوریتم SPIHT اصلی می دهد . با مقایسه SPIHT اصلی و ویرایش شده و با استفاده از PSNR و MSE بعنوان معیاری برای سنجش میزان کیفیت تصویر می بینیم که SPIHT ویرایش شده نسبت به SPIHT ، کیفیت تصویر بالاتری برای همه نرخ های فشرده سازی و تصاویر تستی دارد .

کلید واژه : پردازش تصویر، موجک، ویولت، اثر انگشت
SPIHT, Discrete wavelet transform, lossy

توجه: جهت دریافت شبیه سازی مقاله با متلب باید این محصول را خریداری نمایید.

شبیه سازی مقاله