Ý nghĩa đề tài
Nghiên cứu và ứng dụng công nghệ nhận dạng vân tay đang ngày càng trở nên phổ biến trên toàn cầu, tuy nhiên, tại Việt Nam, lĩnh vực này vẫn còn nhiều hạn chế Việc phát triển và áp dụng các giải pháp nhận diện vân tay có thể mang lại nhiều lợi ích cho các lĩnh vực như an ninh, quản lý nhân sự và giao dịch điện tử Việc đẩy mạnh nghiên cứu và ứng dụng công nghệ này sẽ góp phần nâng cao hiệu quả và độ tin cậy trong các hệ thống nhận dạng tại Việt Nam.
Mục tiêu của đề tài là nghiên cứu các đặc trưng của ảnh vân tay và thiết lập thực nghiệm cho việc nhận dạng vân tay Nghiên cứu này tập trung vào các thuật toán rút trích đặc trưng từ ảnh nhị phân, cùng với phương pháp nhận dạng thông qua thuật toán Hough transform Đối tượng nghiên cứu có ứng dụng trong các lĩnh vực an ninh và quản lý.
Phạm vi nghiên cứu hiện tại có quy mô nhỏ, tập trung vào việc tìm hiểu và cài đặt hệ thống thực nghiệm Trong tương lai gần, tôi sẽ mở rộng và tối ưu hóa hệ thống này với quy mô lớn hơn.
Nội dung nghiên cứu của đề tài
Ước lượng hướng đường vân
Tính khoảng cách đường vân
Phương pháp tiếp cận
Hệ thống nhận dạng vân tay trong ảnh được xây dựng dựa trên các tài liệu đã công bố trước đó Qua đó, tôi đã lựa chọn những thuật toán phù hợp để phát triển luận văn và tiến hành cài đặt thử nghiệm cho hệ thống.
GIỚI THIỆU
Giới thiệu chung
Ngành công nghệ thông tin đang phát triển nhanh chóng và rộng rãi, đặc biệt trong lĩnh vực an ninh, thu hút sự quan tâm lớn từ cộng đồng Để đáp ứng nhu cầu bảo mật, các nhà khoa học đã phát triển nhiều phương pháp, trong đó nổi bật là phương pháp sinh trắc học Phương pháp này đã được ứng dụng rộng rãi trong đời sống, đặc biệt là trong thương mại điện tử, ngân hàng điện tử và hệ thống rút tiền tự động, nơi yêu cầu tính bảo mật cao trở nên vô cùng quan trọng.
Các ứng dụng trước đây thường sử dụng ID và mật khẩu để xác thực danh tính, nhưng phương pháp này gặp nhiều vấn đề bảo mật, như dễ bị đánh cắp hoặc khó khăn trong việc khôi phục khi quên Do đó, nhu cầu về bảo mật cao hơn đã dẫn đến sự phát triển của các phương pháp "Nhận dạng sinh trắc học", bao gồm nhận dạng khuôn mặt, giọng nói và vân tay Trong số đó, nhận dạng vân tay đang được áp dụng rộng rãi, đặc biệt trong các thiết bị di động.
Nhận dạng sinh trắc học là quá trình xác định danh tính cá nhân dựa trên các đặc điểm hành vi hoặc cấu trúc vật lý độc nhất, giúp phân biệt đáng tin cậy với kẻ mạo danh Phương pháp này được chia thành hai loại chính.
Phương pháp nhận dạng dựa trên hành vi là kỹ thuật xác định các hành vi đặc trưng của con người, chẳng hạn như chữ viết tay và hành vi gõ phím trên bàn phím khi nhập mật khẩu.
Phương pháp nhận dạng cá nhân dựa trên cấu trúc vật lý của con người sử dụng các đặc điểm vật lý như vân tay và mống mắt để xác định danh tính người dùng.
Một số phương pháp nhận dạng sinh trắc học phổ biến
Phương pháp nhận dạng chữ ký
Chữ ký là một hình thức nhận dạng đặc biệt của mỗi cá nhân, với những đặc điểm riêng biệt giúp phân biệt người này với người khác Hệ thống nhận dạng chữ ký không chỉ khảo sát hành động ký mà còn quá trình động của con người khi ký Nhận dạng chữ ký, một phương pháp sinh trắc học, dựa trên hành vi con người và hiện nay được ứng dụng rộng rãi trong nhiều lĩnh vực như xác nhận giao dịch hợp đồng và thẻ trả tiền.
Phương pháp nhận dạng giọng nói
Lời nói là phương tiện truyền đạt thông tin, có thể được mô tả qua nhiều khía cạnh khác nhau Theo lý thuyết thông tin, lời nói được xem là “nội dung thông điệp” hoặc “thông tin” Ngoài ra, lời nói còn được biểu thị dưới dạng “tín hiệu mang nội dung thông điệp”, chẳng hạn như “dạng sóng âm thanh”.
Khi chúng ta nói, các bộ phận như dây âm thanh, vòm miệng, vùng thanh âm, răng, và các mô tế bào trong miệng kết hợp để tạo ra giọng nói riêng của mỗi người Điều này cho thấy rằng hành vi phát âm có sự khác biệt giữa các cá nhân Hệ thống nhận dạng giọng nói hoạt động bằng cách phân tích sóng âm và mẫu áp lực không khí khi một người phát âm vào micro Như vậy, nhận dạng giọng nói là sự kết hợp của hai phương pháp: nhận dạng hành vi và nhận dạng kiến trúc vật lý.
Hệ thống nhận dạng vân tay (Fingerprint Recognition):
Việc sử dụng vân tay để định danh cá nhân là do tính duy nhất và bền vững của chúng, với xác suất trùng lặp chỉ là 10^-6 Khi một người có đầy đủ 10 ngón tay, xác suất trùng lặp cả 10 ngón gần như bằng 0, cho thấy không có hai người khác nhau có vân tay trùng nhau Hơn nữa, hình dạng vân tay ổn định từ lúc sinh ra đến khi chết, ít thay đổi ngay cả với các biện pháp hiện đại Hiện nay, ảnh vân tay là phương pháp nhận dạng sinh trắc học phổ biến và hiệu quả nhất trong việc xác định danh tính cá nhân.
Hệ thống nhận dạng vân tay
Đề tài nhận dạng vân tay trong ảnh bao gồm các giai đoạn quan trọng như: nhập vân tay, tiền xử lý ảnh, trích chọn đặc trưng và đối sánh Những bước này giúp cải thiện độ chính xác và hiệu quả trong việc nhận diện vân tay từ hình ảnh.
Trong giai đoạn tiền xử lý gồm các bước sau:
Tăng cường ảnh vân tay
1 Ước lượng hướng đường vân
2 Tính khoảng cách đường vân
Trong giai đoạn trích chọn đặc trưng thì sử dụng phương pháp trích chọn từ ảnh nhị phân Quá trình đƣợc thực hiện thông qua các giai đoạn:
Trong giai đoạn đối sánh sử dụng thuật toán Hough transform
Quá trình cài đặt đƣợc viết trên ngôn ngữ lập trình visual studio C# 2012 (windows Form).
Cấu trúc luận văn
Cấu trúc luận văn được chia làm 5 chương sau:
Chương này trình bày tổng quan về các phương pháp nhận dạng sinh trắc học phổ biến, đồng thời giới thiệu hệ thống nhận dạng vân tay được nghiên cứu trong luận văn.
TÌM HIỂU CHUNG VỀ HỆ THỐNG NHẬN DẠNG VÂN TAY
Đặc điểm ảnh vân tay
Vân tay có những đặc điểm riêng biệt với các vị trí không trùng lặp giữa các ngón tay khác nhau Chúng được phân loại thành hai loại chính.
Singularity và minutiae.[28] Các hệ thống nhận dạng vân tay thường dựa trên đặc điểm này để xem hai vân tây có trùng khớp hay không
Singularity là những khu vực trên vân tay có cấu trúc khác thường so với các vùng bình thường Những cấu trúc song song này được gọi là Singularity, và chúng được chia thành hai loại chính: core và delta.
Hình 2.1 minh họa các điểm singularity core và delta trong dấu vân tay, trong đó delta là điểm giao nhau của ba đường vân, còn core là điểm cốt lõi nằm ở giữa đường cong của vân tay (hình 2.2) Các loại core thường gặp bao gồm Left loop, Right loop, Double loop, Whorl và Erch.
Hình 2.2 Một số loại core thường gặp [23]
Minutiae là các điểm đặc trưng trong đường vân, bao gồm những điểm gián đoạn, vân kết thúc (Ridge Ending) và rẽ nhánh (Bifurcation) Những đặc điểm này tạo ra sự đa dạng cho các loại minutiae, góp phần quan trọng trong việc phân tích và nhận diện dấu vân tay.
Hình 2.3 các điểm đường vân Ridge Ending (kết thúc), Bifurcation (rẽ nhánh)
Ngoài ra, còn có các điểm đặc trưng khác như điểm chéo (crossover), đường vân dạng hồ (lake), đường vân cựa gà (spur) và đường vân dạng đảo (island) (hình 2.4).
Hình 2.4 các điểm minutiae còn lại Crossover (chỗ giao nhau), lake (dạng hồ, Spur
Sơ đồ tổng quan hệ thống nhận dạng vân tay
Hình 2.5 Sơ đồ hệ thống tổng quan
Mô tả tổng quan các bước xử lý chính của sơ đồ hình 2.5 như sau:
Input vân tay: Giai đoạn này thực hiện việc đƣa 2 mẫu vân tay cần đƣợc đối sánh vào
+ Mẫu 1: là ảnh vân tay nhận dạng
Mẫu 2 là ảnh vân tay cần được đối chiếu với mẫu 1 Chúng ta có thể lấy mẫu này từ bên ngoài hoặc từ cơ sở dữ liệu của hệ thống đã được lưu trữ.
Tiền xử lý là giai đoạn quan trọng trong việc cải thiện chất lượng ảnh vân tay đầu vào, giúp xử lý các mẫu ảnh để đạt được kết quả tốt hơn.
Chuẩn hóa kích thước Tăng cường chất lượng ảnh
Trích các điểm đặc trƣng
Kết quả Ảnh vân tay
Trích chọn đặc trƣng: Đây là giai đoạn trích rút các điểm Singularity,
Minutiae của 2 mẫu vân tay Theo tìm hiểu của em, để trích rút các điểm đặc trƣng, các tác giả có thể thực hiện trên:
Đối sánh ảnh nhị phân là quá trình kiểm tra các đặc trưng của vân tay đầu vào với những đặc trưng đã lưu trong cơ sở dữ liệu Nếu sự khác biệt giữa hai tập điểm đặc trưng (minutiae) của hai vân tay không vượt quá ngưỡng cho phép, chúng sẽ được xác định là khớp nhau.
Tiền xử lý
Tiền xử lý có vai trò nâng cao chất lƣợng hình ảnh để phục vụ cho việc trích rút đƣợc thuận lợi và kết quả trích rút tốt
Chuẩn hóa kích thước là một vấn đề rất quan trọng và một câu hỏi đặt ra là tại sao nó lại quan trọng nhƣ vậy?
Khi kích thước của hai ảnh khác nhau, sẽ xảy ra lỗi, đặc biệt là lỗi vượt chỉ số mảng Điều này xảy ra do chúng ta không thể kiểm soát kích thước của ảnh đầu vào Hơn nữa, việc chuẩn hóa không đúng cách có thể ảnh hưởng tiêu cực đến chất lượng ảnh.
Kết quả của chuẩn hóa kích thước là đưa ảnh đầu vào của hệ thống về cùng một kích thước và đảm bảo được chất lượng của ảnh
Một số phương pháp chuẩn hóa thông dụng:
Thuật toán "bicubic interpolation" là phương pháp tối ưu nhất cho việc cải thiện độ sắc nét của hình ảnh so với các thuật toán khác, như đã được nhiều tác giả trên thế giới công nhận Trong luận văn này, tôi đề xuất sử dụng thư viện GUI+ trong công cụ Visual Studio C# 2012 để triển khai thuật toán này.
Kết quả sau khi chuẩn hóa tương đối tốt, giảm bớt việc cài đặt thuật toán và thời gian xử lý
2.3.1.2 Chuẩn hóa đường vân Ảnh vân tay đƣợc thu nhận ở những trạng thái khác nhau của đầu ngón tay, nên mỗi ảnh vân tay thường có độ lệch, mức xám các điểm ảnh dọc ranh giới giữa đường vân và rãnh có sự dao động nhiều nên khó khăn trong việc xử lý về sau Cho nên giai đoạn chuẩn hóa này là nhằm giảm độ dao động về mức xám giữa đường vân và rãnh
Chuẩn hóa đường vân, hay còn gọi là chuẩn hóa mức xám, là một phương pháp quan trọng Trong bài luận này, tôi áp dụng thuật toán chuẩn hóa này để thực hiện các thử nghiệm cho hệ thống.
Lý do lựa chọn: Đây là phương pháp điển hình đã được nhiều tác giả trên thế giới sử dụng và công bố trong nhiều tài liệu [10, 17]
2.3.2 Tăng cường chất lượng ảnh
Tăng cường ảnh giúp cải thiện độ rõ nét của các cấu trúc vân trong những khu vực có khả năng phục hồi, đồng thời đánh dấu những vùng không thể phục hồi do nhiễu, phục vụ cho các bước xử lý tiếp theo.
Trong ba phương pháp trên thì trong luận văn em sử dụng phương pháp Lọc Gabor
Phương pháp lọc Gabor là kỹ thuật phổ biến nhất hiện nay để tăng cường ảnh vân tay Phương pháp này sử dụng bộ lọc Gabor, kết hợp giữa hướng vân và tần số cục bộ, nhằm tạo ra hình ảnh sắc nét và mịn màng hơn.
Cài đặt phương pháp này rất đơn giản và mang lại chất lượng ảnh tốt sau khi tăng cường, với độ sắc nét cao và không bị nhòe Đây là phương pháp được nhiều tác giả áp dụng.
Trích chọn đặc trƣng
Trích chọn đặc trưng là quá trình lấy ra các đặc trưng của vân tay, như minutiae, để phục vụ cho việc đối sánh vân tay Việc thực hiện trích chọn đặc trưng một cách chính xác sẽ nâng cao hiệu quả của quá trình đối sánh Kết quả của giai đoạn này bao gồm các điểm đặc trưng như điểm kết thúc (Ridge Ending) và rẽ nhánh (Bifurcation).
Có hai phương pháp chính để tìm các điểm minutiae đó là:
Trích điểm minutiae từ ảnh xám(gray) [9]
Trích các điểm minutiae từ ảnh nhị phân(Binary) [6, 11]
Trong 2 phương pháp trích chọn trên thì trong luận văn này em sử dụng phương pháp trích chọn đặc trƣng từ ảnh nhị phân
Phương pháp trích chọn đặc trưng từ ảnh nhị phân mang lại hiệu quả cao hơn so với ảnh xám, bởi vì ảnh nhị phân chỉ có hai giá trị 0 và 1 (hoặc 0 và 255), giúp dễ dàng tìm kiếm các điểm minutiae Ngược lại, việc trích chọn từ ảnh xám phức tạp hơn do có nhiều giá trị pixel, và cần phải dò theo hướng đường vân Hơn nữa, nếu vân tay bị đứt đoạn hoặc nhòe, quá trình trích chọn sẽ trở nên khó khăn hơn.
HỆ THỐNG CÀI ĐẶT THỬ NGHIỆM
Sơ đồ hệ thống
Hình 3.1 Sơ đồ hệ thống cài đặt thử nghiệm
Nhị phân hóa ảnh xám
CSDL Đối sánh Kết quả
Trích chọn đặc trƣng Ước lượng hướng đường vân Tính khoảng cách đường vân
Tăng cường ảnh vân tay Ảnh vân tay
Input (vân tay)
Bước này nhằm thu thập mẫu vân tay để đưa vào hệ thống nhận dạng Tuy nhiên, hệ thống thử nghiệm chỉ thực hiện việc đọc ảnh từ file mà không kết nối với các thiết bị ngoại vi để thu thập vân tay.
Hình 3.2 Đọc mẫu vân tay vào hệ thống
Tiền xử lý
Trong bài viết này, tôi đề xuất việc sử dụng thư viện GUI+ có sẵn trong ngôn ngữ lập trình Visual Studio 2012 Phương pháp này không chỉ đơn thuần là kỹ thuật, mà là cách áp dụng thư viện để chuẩn hóa kích thước ảnh đầu vào, từ đó đơn giản hóa quá trình cài đặt hệ thống.
Việc chuẩn hóa kích thước hình ảnh thông qua thư viện GUI+ của visual studio
Bitmap bmp = new Bitmap(Image_Source);
System.Drawing.Image m; m = bmp; bmp = new Bitmap(m, new Size(256, 256));
Trong luận văn, em đã chuẩn hóa kích thước ảnh vân tay đầu vào thành 256x256 pixel để tối ưu hóa quá trình xử lý Việc này giúp giảm kích thước ảnh lớn trong tập mẫu, từ đó tăng tốc độ xử lý hiệu quả hơn.
3.3.2 Chuẩn hóa đường vân Để thực hiện chuẩn hóa đường vân, em sử dụng thuật toán của tác giả Hong et al [17] Phương pháp chuẩn hóa được mô tả dưới đây
Nếu I(x,y) là mức xám tại điểm(x,y) của ảnh I thì mức xám chuẩn hóa Gi(x,y) đƣợc xác định theo công thức sau:
M0 và V0 là giá trị mức xám trung bình và độ dao động mong muốn, thường được chọn là 100 Trong khi đó, Mi và Vi đại diện cho ảnh I Độ xám trung bình và độ dao động mức xám của một ảnh có kích thước M*N điểm ảnh được định nghĩa như sau:
Việc chuẩn hóa vân tay không làm thay đổi trạng thái ban đầu của đường vân và rãnh xem hình 3.3
Hình 3.3 Kết quả chuẩn hóa với M0P, V000
3.3.3 Tăng cường ảnh vân tay
Như đã trình bày tại mục 2.3.2 thì phương pháp lọc Gabor cho kết quả khả quan Vì vậy em chọn phương pháp này để tiến hành cài đặt
Các bước tăng cường ảnh:
- Ước lượng hướng vân cục bộ (Orienatation Image Estimation)
- Ƣớc lƣợng tần số vân cục bộ (Frequency Image Estimation)
- Tạo vùng mặt lạ (Region Mask Generation)
Quá trình của phương pháp tăng cường ảnh được mô tả trong hình 3.4
Hình 3.4 Các bước tăng cường ảnh của phương pháp lọc Gabor [17]
3.3.3.1 Ước lượng hướng đường vân Ước lượng hướng đường vân là để xác định hướng của đường vân, ước lượng hướng đường vân cục bộ đóng vai trò quan trọng trong việc nâng cao chất lượng ảnh vân tay Hướng vân cục bộ tại [x,y] là góc θ xy tạo bởi trục ngang và đường thẳng nối qua điểm láng giềng của [x,y] Do các đường vân không được định hướng, θ xy là góc vô hướng nằm trong đoạn [0 0 …180 0 ] Để tính hướng vân cục bộ ta có rất nhiều phương pháp chẳng hạn như:
1 Phương pháp sử dụng kỹ thuật gradient [1, 8]
Phương pháp đơn giản nhất để phân tích ảnh vân tay là tính toán gradient Trong luận văn này, tôi đã chọn sử dụng kỹ thuật gradient vì nó phù hợp với bài toán của mình và được nhiều tác giả trên thế giới ưa chuộng.
Gradient ∆(xi, yj) tại điểm [xi, yj] của I là một véc tơ hai chiều [∆x(xi, yj), ∆y(xi, yj)], trong đó ∆x và ∆y là đạo hàm theo x và y tương ứng tại điểm đó Góc pha gradient cho biết hướng thay đổi mật độ điểm ảnh lớn nhất, và hướng θij của một góc giả định qua vùng có tâm tại [xi, yj] là trực giao với góc pha gradient tại điểm này Để tính toán hướng vân cục bộ θij, chúng ta có thể kết hợp nhiều ước lượng gradient trong một cửa sổ 17x17 có tâm tại [xi, yj].
Phương pháp xác định hướng cục bộ như sau:
- Chia ảnh vân tay thành các khối nhỏ hơn kích thước WxW
- Tính gradient theo hai hướng x, y là Gx, Gy tại mỗi điểm trong khối
- Khi đó hướng của điểm chính giữa của khối được xác định theo công thức:
Trong đó x và y là các thành phần gradient theo hướng x và y
3.3.3.2 Tính khoảng cách đường vân
Khoảng cách đường vân là khoảng cách giữa hai đường vân liền kề Việc tính toán khoảng cách này gặp nhiều thách thức, bao gồm ảnh chất lượng thấp, nhiễu cao, độ cong lớn và sự khác biệt về khoảng cách giữa các vùng.
Phương pháp sử dụng thường được sử dụng cho việc tính khoảng cách đường vân là phương pháp cửa sổ hướng [17]
Trong luận văn này em sử dụng phương pháp cửa sổ hướng
Gọi N là ảnh được chuẩn hóa, θ là hướng đường vân (được tính bởi công thức 3.4 mục 3.3.3.1) Phương pháp này bao gồm các bước sau:
1) Phân chia ảnh N thành các khối có kích thước w x w
2) Với mỗi khối tâm tại (i,j), tính toán cửa sổ hướng kích thước nxw (ví dụ 32x16 Hình 3.5)
Hình 3.5 Cửa sổ hướng dùng để tính x-signature [17]
3) Với mỗi khối tâm tại (i,j), tính toán x-signature, x[0],x[1], ,x[n-1], của đường vân và rãnh trong cửa sổ hướng Trong đó:
Với θ(i,j) là hướng tại điểm (i,j)
4) Kiểm tra nếu không phải là vùng có chứa điểm lõi thì x-signature có dạng gợn sóng hình sin (Hình 3.5) Do đó, khoảng cách đường vân T(i,j) tại mỗi khối (i,j) là số lượng trung bình các điểm ảnh giữa hai đỉnh liên tiếp trong x-signature
5) Đối với các khối có điểm minutiae hoặc điểm core hoặc delta ít xuất hiện thì hình dạng sin không rõ ràng nên bước nội suy sau để ước lượng khoảng cách đường vân cho các vùng này Tại mỗi khối (i,j) ta tính
W v g vw j uw i T v u W vw j uw i T v u W j i T if j i T
Wg là nhân Gaussian với giá trị trung bình là 0 và phương sai là 9 WT =7 là kích thước của nhân
6) Khoảng cách đường vân thay đổi từ từ nên phép lọc thông thấp được áp dụng để làm mịn khoảng cách đường vân của các khối
Trong đó, Wl là phép lọc thông thấp trong không gian 2 chiều với kích thước mặt nạ lọc w1 =7
3.3.3.3 Nâng cao chất lượng ảnh bằng bộ lọc Gabor
Vân tay có thể được thu nhận qua hai phương pháp: truyền thống và từ thiết bị Trong quá trình thu nhận, mồ hôi hoặc thiết bị kém chất lượng có thể làm giảm chất lượng ảnh vân tay Do đó, nâng cao chất lượng ảnh là bước tiền xử lý quan trọng trong các hệ thống nhận dạng vân tay Việc điều chỉnh bộ lọc Gabor với tần số và hướng cụ thể giúp thu được thông tin tần số và hướng, từ đó loại bỏ nhiễu và làm rõ ảnh vân tay Tuy nhiên, phương pháp này có thể dẫn đến tình trạng xuất hiện đường vân giả do tần số của rãnh và đường vân giống nhau.
Gọi θ là hướng đường vân , T là khoảng cách đường vân, ℛ là mặt lạ cho biết vùng vân tay E là ảnh sau khi nâng cao chất lƣợng
1) Tính toán hướng đường vân θ được trình bày tại mục 3.3.3.1 và tính khoảng cách đường vân T như đã trình bày trong mục 3.3.3.2
Mục đích của việc tạo lập vùng mặt lạ là xác định các khu vực trong ảnh vân tay đầu vào có khả năng phục hồi và những khu vực không thể phục hồi.
Việc phân loại các điểm ảnh thành vùng có khả năng phục hồi và không thể phục hồi dựa vào hình dạng sóng của vân tay cục bộ Ba yếu tố chính được sử dụng trong quá trình này là tần số Biên độ (α), tần số (β) và độ khác biệt (λ) Thuật toán xác định các thành phần x-signature của khối có tâm (i,j) thông qua việc tính toán ba đặc tính này.
+ α = (chiều cao trung bình của các đỉnh – bề sâu trung bình của các đáy của sóng hình sin)
=1/T(i,j) trong đó, T(i,j) là số điểm ảnh trung bình giữa 2 đỉnh kề nhau
Nếu ba đặc tính kết hợp vượt qua một ngưỡng nhất định, ô có tâm (i,j) sẽ có khả năng phục hồi với ℛ(i,j)=1; ngược lại, nếu không đạt ngưỡng, ô đó sẽ không thể phục hồi, tức là ℛ(i,j)=0.
3) Xét từng điểm ảnh (i,j), giá trị mức xám áp dụng hàm Gabor với wg
Tần số f của sóng phẳng hình sin được xác định theo hướng θ từ trục x, trong đó δx và δy là hằng số không gian của đường bao Gaussian theo trục x và y Các biến đổi tọa độ được mô tả bằng x’ = xsinθ + ycosθ và y’ = -xsinθ + ycosθ.
Hình 3.6 Kết quả tăng cường ảnh
Trích chọn đặc trƣng
3.4.1 Nhị phân hóa ảnh xám
Nhị phân hóa là quá trình chuyển đổi ảnh xám thành ảnh nhị phân, trong đó ảnh nhị phân chỉ chứa hai giá trị 0 và 255 Giá trị 0 đại diện cho các điểm đen, trong khi giá trị 255 tương ứng với các điểm trắng Công thức nhị phân hóa ảnh dựa trên việc so sánh các giá trị pixel với một ngưỡng T: nếu giá trị nhỏ hơn T, nó sẽ được gán giá trị 0, và nếu lớn hơn T, nó sẽ được gán giá trị 255 Tuy nhiên, việc xác định ngưỡng T thích hợp rất khó khăn do sự phụ thuộc vào điều kiện chiếu sáng khác nhau trong môi trường Để đơn giản hóa quá trình này, phương pháp ngưỡng động có thể được áp dụng như một giải pháp thay thế.
Thuật toán lấy ngưỡng động, hay còn gọi là nhị phân hóa với ngưỡng thích nghi, là phương pháp nhị phân hóa ảnh xám bằng cách áp dụng các ngưỡng khác nhau cho từng vùng khác nhau của bức ảnh.
Chúng ta sẽ xác định ngưỡng nhị phân trên một vùng cục bộ với kích thước cửa sổ m*n Ngưỡng cần tính cho tâm của cửa sổ là trung bình cộng các giá trị của các điểm lân cận Giả sử chúng ta sử dụng ngưỡng động cho điểm A22 với kích thước cửa sổ là 3x3, giá trị T sẽ được tính toán dựa trên các giá trị xung quanh điểm đó.
Tính giá trị T bằng công thức T=(A11+A12+A13+A21+A23+A31+A32+A33)/8 Nếu A22 lớn hơn T, gán A22 bằng 255; nếu A22 nhỏ hơn T, gán A22 bằng 0 Đây là một phương pháp hiệu quả Để cài đặt, tôi áp dụng phương pháp ảnh tích phân (integral image), giúp giảm thiểu thời gian tính toán và được nhiều tác giả khác sử dụng.
Hình 3.7 Kết quả nhị phân hóa với việc lẫy ngướng động
Làm mảnh ảnh là việc chúng ta đưa ra được xương của đối tượng ảnh, vậy xương của ảnh là gì?
Xương là hình dạng cơ bản của đối tượng, được tạo thành từ một số điểm ảnh hạn chế Thông qua xương, chúng ta có thể thu thập thông tin về hình dạng nguyên bản của đối tượng.
- độ dài của một đoạn xương đặc trưng cho đoạn ảnh đó
Các thuật toán tìm xương trong xử lý ảnh luôn là một lĩnh vực nghiên cứu quan trọng Mặc dù đã có nhiều nỗ lực phát triển các thuật toán này, nhưng do tính phức tạp của vấn đề, các phương pháp hiện tại vẫn gặp phải tình trạng mất mát thông tin.
Nghiên cứu về làm mảnh ta cần chú ý các vấn đề sau:
Không phải tất cả các đối tượng đều có thể được làm mảnh; phương pháp này chỉ hiệu quả với các đối tượng dạng đường, tức là những đối tượng thẳng hoặc cong Điều này không áp dụng cho các đối tượng có hình dạng khép kín trong một vùng.
Làm mảnh thông thường là bước chuẩn bị quan trọng cho các bước xử lý tiếp theo của một đối tượng ảnh Các bước tiếp theo sẽ tập trung vào việc xử lý các thuộc tính cần thiết của xương.
3.4.2.2 Thuật toán tìm xương Để tìm xương ta phải nhị phân hóa ảnh trước khi làm mảnh Giá trị của từng điểm ảnh là 0 hoặc 1 sẽ dựa trên vùng lân cận 8 của điểm ảnh đó Trong phương pháp này, nhóm tác giả Rosenfeld và Kak đƣa định nghĩa 8-simple để chỉ tính chất của 1 điểm ảnh P có thể bị xóa mà không làm mất tính liên thông các điểm ảnh trong lân cận
Các điểm ảnh trong lân cận 8 với P vẫn liên thông mà không cần có P Để có được khung xương nằm ở giữa, ta thực hiện việc duyệt hình theo trình tự các hướng trái-phải, phải-trái, trên-dưới và dưới-trên.
Chẳng hạn nhƣ ta có dữ liệu sau: a00 a01 a02 a10 a11 a12 a20 a21 a22
Từ dữ liệu này ta có thể tính và kiểm tra hướng từ trái-phải và phải-trái như sau:
Tương tự cho các thứ tự khác như trên-dưới, dưới trên…
Hình 3.8 (a,b) không phải là 8 simple, (c,d) là 8 simple Thuật toán làm mảnh đƣợc trình bày tóm tắt nhƣ sau:
- Đánh dấu các điểm ảnh 8-simple nằm ở biên và pixel này không phải là pixel kết thúc (điểm ảnh kết thúc có một pixel duy nhất trong lân cận 8)
- Xóa các điểm ảnh đã đánh dấu
- Lặp lại bước 1 cho đến khi không có pixel bị đánh dấu
Phương pháp này làm mảnh được đường vân về còn 1 điểm mà vẫn giữ được cấu trúc của vân tay
Dữ liệu vào: Ảnh đã đƣợc nhị phân
Mảng chứa xương của đối tượng
//Kiểm tra 1 trong 4 điểm lân cận của Image[i,j] có phải là các điểm đen //hay không và Image[i,j] có phải là điểm trắng hay không
If(Image[trong lân cận 4]%5 && Image[i,j]=0) {
IF(Các điểm ảnh 8 simple nằm ở biên và pixcel này không phải là pixcel kết thúc)
Xóa các điểm ảnh đã đánh dấu
Hình 3.9 Kết quả của việc làm mảnh đường vân
3.5.3 Trích chọn đặc trưng từ ảnh nhị phân
Trích chọn đặc trƣng là quá trình xác định các điểm đặc trƣng của vân tay như Ridge Ending và Bifurcation Để thực hiện việc này, cần phải nhị phân hóa ảnh và xử lý mảnh ảnh để thu được các đặc trƣng cần thiết từ ảnh nhị phân.
Giả sử I(x,y) là một điểm trên đường vân đã được làm mảnh và N0…N7 là 8 điểm xung quanh nó thì khi đó ta có
Trong đó Pi là các điểm ảnh và Ni là các điểm đặc trƣng khi :
N i =0 thì (x,y) là điểm cô lập
Ni=1 thì (x,y) là điểm kết thúc
N i =2 thì (x,y) là điểm liên kết
N i =3 thì (x,y) là điểm rẽ nhánh
N i =4 thì (x,y) là điểm giao nhau
Trong luận văn này, tôi sẽ trình bày phương pháp trích chọn đặc trưng từ ảnh nhị phân, dựa trên các thuật toán đã được áp dụng Việc sử dụng ảnh nhị phân cho quá trình trích chọn được đánh giá là hiệu quả hơn so với ảnh xám, và điều này cũng được nhiều tác giả khác ghi nhận trong nghiên cứu của họ [11, 6].
Thuật toán trên có thể đƣợc trình bày nhƣ sau:
1 Giả sử cho điểm ảnh (x,y)
2 Tính tổng trị tuyệt đối của các cặp điểm liên tục xung quanh điểm đang xét Giả xử ta có các điểm ảnh sau
P1 P2 P3 P4 P P5 P6 P7 P8 Trong đó Pi là các giá trị điểm ảnh nhị phân lân cận của P Áp dụng công thức 3.16 ta tính nhƣ sau
3 Kiểm tra nếu N bằng 1 là điểm kết thúc (nếu việc nhị phân hóa với 2 giá trị 0 và
Trong bài viết này, tôi sử dụng hai giá trị 0 và 255 để thực hiện nhị phân hóa Khi tổng các giá trị bằng 3, đây được coi là điểm rẽ nhánh, với giá trị tối đa là 255 Nếu nhị phân hóa với hai giá trị 0 và 255, tổng sẽ là 255*3, ngược lại sẽ là 3.
I=Ảnh nhị phân đã đƣợc làm mảnh
Minu[x,y, θ]: mảng đặc trưng chứa tọa độ (x,y) và hướng θ
Khởi tạo null cho các phân tử mảng ArrayList Minu
For x=1 to n //Duyệt qua tất cả các điểm ảnh
For y=1 to m // Duyệt qua tất cả các điểm ảnh
//Nếu là điểm ảnh đang xét If(x>0 && x0 && y