Upload
reinaldolube
View
218
Download
0
Embed Size (px)
Citation preview
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
1/136
UNIVERSIDADE DE SO PAULOESCOLA DE ENGENHARIA DE SO CARLOS
DEPARTAMENTO DE ENGENHARIA ELTRICA
CLIO RICARDO CASTELANO
ESTUDO COMPARATIVO DA TRANSFORMADA WAVELET
NO RECONHECIMENTO DE PADRES DA RIS HUMANA
So Carlos - SP2006
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
2/136
CLIO RICARDO CASTELANO
ESTUDO COMPARATIVO DA TRANSFORMADA WAVELET
NO RECONHECIMENTO DE PADRES DA RIS HUMANA
Dissertao apresentada escola de Engenhariade So Carlos, da Universidade de So Paulo,como parte dos requisitos necessrios obtenodo ttulo de Mestre em Engenharia Eltrica.
rea de Atuao: Processamento de Sinais eInstrumentaoOrientador: Prof. Dr. Adilson Gonzaga.
So Carlos - SP2006
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
3/136
i
DEDICATRIA
Deus, criador de tudo e de todos, que possibilitou a concluso de maisuma etapa importante em minha existncia. Jesus, nosso Mestre e todos
os amigos do plano maior.
pessoa que me concedeu a oportunidade dessa vida, meu grande
exemplo, que com a sua honrosa profisso de manicure lutou para que,
primeiramente, seu nico filho conseguisse a graduao e agora, esse
mestrado. Obrigado dona Maria de Ftima Castelano, tenho muito orgulho
de ser seu filho.
minha filha Isis que muito tem me ensinado com a sua energia e alegria.
Espero prover-te no apenas os recursos materiais, mas principalmente,
Amor e bons exemplos.
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
4/136
ii
AGRADECIMENTOS
Aos meus avs Augusto e Ddima Castelano, pela criao com os melhores
princpios de dignidade e honestidade. minha esposa Renata e sogra Nair,
pelo apoio e incentivo nas horas mais difceis.
Ao professor Adilson Gonzaga por toda orientao, pacincia e
compreenso, ensinando-me o que ser um verdadeiro docente.
professora Agma J. M. Traina, pela valiosa colaborao ao longo deste
trabalho e tambm pelas aulas de Computao Grfica.
Ao amigo e professor Celso Zcari Faria, por conceder-me a primeiraoportunidade de lecionar, obrigado pela confiana e motivao. Ao grande
amigo Henrique Rodrigo, uma pessoa que personaliza o sentido real de
amizade; obrigado pela ajuda inestimvel durante todo o curso, desde a
inscrio como aluno especial, o apoio nas disciplinas, as longas estadias,
enfim, grande parte desse trabalho devo voc. Obrigado tambm Eleisy
e famlia, pela acomodao e cordialidade.
Aos irmos ngelo e Ulisses Christianini, da empresa Eletro Ponto de Bauru,
que me liberaram do trabalho para que eu cursasse todas as disciplinas.
todos os amigos dessa empresa: Lus Antonio, Heverton, Ricardo
Christianini, Rose e Coleu, que sempre me apoiaram.
Ao Beto, Danielle e Jean pelas caronas de So Carlos Bauru; Ronaldo
Martins e Ktia pela companhia nas viagens; Patrcia Bellin, pela fora e
grande ajuda desde a qualificao. Gabriel Calin, que tive o prazer de
conhecer na disciplina do prof. Adilson, autor principal do mtodo de
extrao da ris. Ao Leandro, pelos conselhos e motivao; Marco, Menotti
e Vanderlei do LCR.
Ao orculo Adriano Mfalo, camarada que sabe de tudo um monte; obrigado
pela ajuda na integrao Delphi/Matlab e tantas outras desde os tempos da
graduao. Alternativa Sistemas, na figura dos no menos amigos
Gustavo Loureno e Miguel Damasceno.
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
5/136
iii
RESUMO
Neste trabalho apresentado um mtodo para reconhecimento de sereshumanos atravs da textura da ris. A imagem do olho processada atravs
da anlise do gradiente, com uma tcnica de disperso aleatria de
sementes. Um vetor de caractersticas extrado para cada ris, baseado na
anlise dos componentes Wavelet em diversos nveis de decomposio.
Para se mensurar as distncias entre esses vetores foi utilizado o clculo da
Distncia Euclidiana, gerando-se curvas Recall x Precision para se medir a
eficincia do mtodo desenvolvido. Os resultados obtidos com algumas
famlias Waveletsdemonstraram que o mtodo proposto capaz de realizar
o reconhecimento humano atravs da ris com uma preciso eficiente.
Palavras chave: Reconhecimento pela ris; Biometria; Recuperao de
imagem por contedo, Wavelets; Processamento de imagens; Anlise de
Textura.
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
6/136
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.
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
7/136
v
LISTA DE ILUSTRAES
Figura 2.3 Taxas de preciso de sistemas biomtricos.................................18Figura 3.1 Esquema geral do funcionamento de um sistema CBIR .............. 30Figura 3.2 Formas em imagens. a) Artificiais e b) Naturais (CASTAON,
2003). ............................................................................................ 32Figura 3.3 Categorias de representao de formas em imagens. (a)
baseada em bordas. (b) baseada em regies. (AL-TAYECHE;KHALIL, 2003) ............................................................................... 32
Figura 3.4 Imagens com textura .................................................................... 34Figura 3.5 Consulta por Abrangncia (Range Query)....................................36Figura 3.6 Consulta pelos k vizinhos mais prximos (k Nearest-Neighbors
Query)............................................................................................37 Figura 3.7 Propriedades da desigualdade triangular (VARGAS, 2004). ........ 41Figura 3.8 Exemplo de uma R-Tree (FREDERICK, 1999).............................42Figura 3.9 Exemplo de uma V-Tree (FREDERICK, 1999).............................43Figura 3.10 Exemplo de uma Quad-Tree (FREDERICK, 1999)..................... 44Figura 3.11 Exemplo de uma Slim-Tree (BUENO; TRAINA; TRAINA JR,
2005). (a) Representao planar. (b) Estrutura. ............................ 46Figura 4.1 Exemplos de wavelets. .................................................................49Figura 4.2 Processo de decomposio das wavelets....................................50Figura 4.3 rvore de trs nveis de decomposio wavelet...........................50Figura 4.4 (a) Janelas de anlise no plano tempo-freqncia para a
WFT(Transformada de Fourier por Janelas) e para as wavelets(b) Cobertura do espectro de freqncias pela Transformada porJanelas 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 etal, 2005).........................................................................................55
Figura 4.6 Anlise de um sinal 1-D atravs da DWT.....................................57Figura 4.7 (a) Esquema de organizao dos coeficientes Wavelets. (b)
Imagem original. (c) Decomposio em 3 nveis pela waveletDaubechies-4. (d) os trs nveis de decomposio(L1, L2, L3)vistos individualmente, com seus respectivos coeficientes deaproximao, detalhes horizontais, diagonais e verticais..............58
Figura 4.8 rvore de decomposio de sinais na Transformada WaveletPacket, onde A representa os coeficientes de aproximao (filtropassa-baixa) e Do coeficiente de detalhe (filtro passa-alta) ......... 59
Figura 4.9 rvore da organizao da Wavelet Packets. A escalajdefine osnveis de decomposio e W(n) a posio. ...................................60Figura 5.1 Equalizao de Histograma. (a) Imagem original. (b) Histograma
da imagem original. (c) Imagem equalizada. (b) Histograma daimagem equalizada........................................................................66
Figura 5.2 (a) Nove sementes na imagem. (b) Direo de varredura dassementes....................................................................................... 67
Figura 5.3 Localizao da pupila atravs da disperso de 9 sementes,onde cada semente possui uma cor diferente. (a) Imagemcompleta. (b) Destaque das sementes na regio da pupila........... 68
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
8/136
vi
Figura 5.4 Pupila no localizada....................................................................69Figura 5.5 Pupila localizada...........................................................................70Figura 5.6 (a) Imagem original. (b) Imagem processada ...............................71Figura 5.7 (a) Regio inicial de anlise das 6 sementes (retngulos) ........... 72Figura 5.8 ris normalizada em 64x512 pixels................................................73
Figura 5.9 Separao da regio de interesse................................................74Figura 5.10 imagem referente uma ris no detectada. ..............................75Figura 5.11 Regio de interesse com influncia da plpebra. .......................76Figura 5.12a Regio de interesse sem influncia da plpebra (Desvio
padro dos coeficientes de aproximao igual a 55).....................77Figura 5.12b Regio de interesse com influncia da plpebra (Desvio
padro dos coeficientes de aproximao igual a 74).....................77Figura 5.13a Imagem de uma ris desfocada (indivduo 96)..........................80Figura 5.13b Identificao das 7 imagens com maior similaridade em
relao imagem desfocada (Figura 5.13a) acerto de 100%(7/7). ..............................................................................................80
Figura 5.13c Imagem de uma ris desfocada (indivduo 38). .........................80
Figura 5.13d Identificao das 7 imagens com maior similaridade emrelao imagem desfocada (Figura 5.13c) acerto de 85,71%(6/7). ..............................................................................................80
Figura 5.14a Regio de interesse 31x224. ....................................................81Figura 5.14b Regio de interesse com histograma equalizado. .................... 81Figura 5.15 Decomposio da regio de interesse........................................82Figura 5.16 Grfico da Distncia Euclidiana de uma ris ...............................85Figura 6.1 Modelo das curvas Recall x Precision. ......................................... 90Figura 6.2 Curva Recall x Precision do sistema de recuperao sem a
verificao da qualidade de imagem. ............................................91Figura 6.3 Curva Recall x Precision do sistema de recuperao com a
verificao da qualidade de imagem. ............................................92
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
9/136
vii
LISTA DE TABELAS
Tabela 3.1 Descrio formal dos algoritmos kAndRange e kOrRange.......... 38Tabela 3.2 Smbolos......................................................................................38Tabela 5.1 Dimenso dos vetores referentes aos componentes Wavelet. .... 83Tabela 5.2 Dimenso dos vetores referentes aos componentes Wavelet. .... 84Tabela 6.1 Avaliao do mtodo de localizao e extrao da ris ............... 88Tabela 6.2 Distncias Euclidianas entre as imagens.....................................88Tabela 6.3 Tamanho dos vetores referentes aos componentes Wavelet. ..... 89Tabela 6.4 Taxa de Reconhecimento Correto. .............................................. 95
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
10/136
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
11/136
ix
SUMRIO
RESUMO.............................................................................................................................................. iiiABSTRACT.......................................................................................................................................... iv
CAPTULO 1 INTRODUO ...................................................................................................... 11
1.1 CONSIDERAES INICIAIS......................................................................... 111.2 OBJETIVOS .............................................................................................. 121.3 ESTRUTURA DA DISSERTAO ................................................................. 13
CAPTULO 2 BIOMETRIA .......................................................................................................... 14
2.1 INTRODUO ...........................................................................................142.2 MEDIDAS DE PRECISO ............................................................................ 172.3 BIOMETRIA POR FACE .............................................................................. 182.4 BIOMETRIA POR IMPRESSO DIGITAL ....................................................... 202.5 BIOMETRIA PELA RETINA ......................................................................... 242.6 BIOMETRIA PELA RIS............................................................................... 262.7 CONSIDERAES FINAIS .......................................................................... 29
CAPTULO 3 RECUPERAO DE IMAGENS BASEADA EM CONTEDO (CBIR)........ 30
3.1 INTRODUO ...........................................................................................303.2 REPRESENTAO 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 ABRANGNCIA (RANGE QUERY) .................................. 353.3.2 CONSULTA PELOS K VIZINHOS MAIS PRXIMOS (K-NN) ........................ 363.3.3 CONSULTA PELOS K VIZINHOS MAIS PRXIMOS E/OU ABRANGNCIA(KANDRANGE E KORRANGE) .............................................................................. 373.3.4 ESTRUTURAS DE INDEXAO ............................................................... 383.3.4.1 R-TREE ............................................................................................... 413.3.4.2 V-TREE ............................................................................................... 433.3.4.3 QUAD-TREE......................................................................................... 443.3.4.4 SLIM-TREE ...........................................................................................453.4 CONSIDERAES FINAIS .......................................................................... 46
CAPTULO 4 WAVELETS....... ............. ............. ............. .............. ............. ............ .............. ......... 48
4.1 INTRODUO ...........................................................................................484.2 HISTRICO .............................................................................................. 514.3 TRANSFORMADA DE FOURIER................................................................... 514.4 COMPARAO ENTRE A TRANSFORMADA DE FOURIER E A TRANSFORMADAWAVELET ........................................................................................................... 524.5 TRANSFORMADA WAVELET CONTNUA .................................................... 544.6 TRANSFORMADA WAVELET DISCRETA ..................................................... 564.7 TRANSFORMADA WAVELET PACKET..................................................... 584.8 CONSIDERAES FINAIS .......................................................................... 61
CAPTULO 5 METODOLOGIA............... .............. ............ .............. ............. ............ .............. ..... 62
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
12/136
x
5.1 INTRODUO........................................................................................... 625.2 MATERIAIS.............................................................................................. 635.3 EQUIPAMENTO UTILIZADO ....................................................................... 635.4 SEGMENTAO DA RIS............................................................................ 645.5 ALGORITMO GENERALIZADO DE SEGMENTAO DA RIS .......................... 65
5.5.1 Equalizao da Imagem................................................................................................655.5.2 Localizao da pupila...................................................................................................665.5.3 Aumento do contraste da imagem.................................................................................705.5.4 Localizao da Borda Externa da ris..........................................................................715.5.5 Extrao da ris ............................................................................................................72
5.6 ANLISE DAS IRISES EXTRADAS .............................................................. 735.6.1 AVALIAO DA QUALIDADE DAS IMAGENS ........................................... 755.6.2 COMPOSIO DO VETOR DE CARACTERSTICAS ..................................... 815.6.3 RECONHECIMENTO ATRAVS DAS CARACTERSTICAS EXTRADAS .......... 845.7 CONSIDERAES FINAIS .......................................................................... 86
CAPTULO 6 RESULTADOS E CONCLUSES .......................................................................87
6.1 RESULTADOS........................................................................................... 87
6.1.1 AVALIAO DA LOCALIZAO E EXTRAO DA RIS ............................. 876.1.2 AVALIAO DO MTODO DE RECUPERAO DE IMAGENS ...................... 886.2 CONCLUSO ............................................................................................ 926.3 SUGESTO PARA TRABALHOS FUTUROS .................................................... 95
REFERNCIAS BIBLIOGRFICAS..............................................................................................97
APNDICE A SOFTWARE DESENVOLVIDO........................................................................102
APNDICE B TABELA COM A QUALIDADE DAS IMAGENS DO BANCO ............ ........ 104
APNDICE C CDIGO FONTE ................................................................................................122
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
13/136
11Captulo 1 Introduo
____________________________________________________________________________________________
CCaappttuulloo 11 IInnttrroodduuoo
1.1 Consideraes iniciais
Medidas biomtricas tm sido amplamente exploradas em aplicaes de
identificao e verificao de indivduos, atravs da anlise das
caractersticas fsicas que os distinguem, tais como voz, geometria da mo,
impresso digital, forma de andar, retina e ris. Dentre todas essas
caractersticas, o reconhecimento pela ris tem mostrado altos ndices de
acertos, como verificado nos trabalhos de (DAUGMAN, 2001, 2002; MA et
al, 2003; WILDES, 1997). Impresso digital e reconhecimento da voz, por
exemplo, podem sofrer alteraes ao longo da vida do indivduo,
ocasionados por mudanas naturais, acidentes ou patologias, e dessa
forma, grande influncia negativa teria na eficincia de tais sistemas de
reconhecimento. A ris, por outro lado, uma medida biomtrica que no
sofre mudanas expressivas durante a vida, garantindo assim maior
fidelidade na anlise das suas caractersticas.
Um sistema completo de identificao pela ris pode ser dividido em trsetapas distintas: a aquisio de imagens, deteco da ris viva, que garante
que a imagem no uma foto ou vdeo gravado previamente, e o
reconhecimento, que pode ser uma autenticao ou identificao, que se
diferem pela finalidade.
Na autenticao, os dados da pessoa que deseja ter acesso em um
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
14/136
12Captulo 1 Introduo
____________________________________________________________________________________________
determinado local so comparados aos do usurio cadastrado que ela afirma
ser. Sistemas desse tipo so conhecidos como 1-1 (um-para-um), pois a
medida biomtrica que se apresenta simplesmente checada com o que foi
registrado no banco de dados, durante o cadastro dessa pessoa.
J na identificao, o reconhecimento de uma pessoa ocorre quando se tem
o dado biomtrico dela e se faz uma busca num banco de dados,
comparando as informaes at que se encontre (ou no) um registro
idntico ao que procurado, com certa margem de erro inclusa. Sistemas
desse tipo so conhecidos por 1-N (um-para-muitos), pois o dado de uma
pessoa comparado ao de vrias outras. Essa alternativa usada em
sistemas de identificao civil ou criminal, quando no se conhece a
identidade da pessoa cujos dados foram coletados.
Um fator chave em sistemas biomtricos a necessidade de serem no-
invasivos, ou seja, no ter contato fsico ou interveno humana, e no
necessitar de ajustes e manutenes constantes de operadores, garantindo
assim um padro nico para todas as imagens capturadas. Nos sistemas
atuais que utilizam a ris, as duas exigncias fundamentais so de que o
usurio deve permanecer parado em uma posio definida e com os olhos
abertos, enquanto uma fonte de luz ilumina os olhos e uma cmera capturaas imagens. Mesmo apresentando esses aspectos um tanto quanto
invasivos, o reconhecimento pela ris mostra-se com maior eficincia em
relao s demais caractersticas biomtricas, 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 a anlise comparativa de algoritmos baseados
em Waveletspara o reconhecimento de imagens da ris, utilizando o banco
CASIA, mantido pelo Laboratrio Nacional de Reconhecimento de Padres
(NLPR), Instituto de Automao e Academia Chinesa de Cincias, contendo
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
15/136
13Captulo 1 Introduo
____________________________________________________________________________________________
756 imagens de ris humanas, de 108 indivduos.
proposto tambm um mtodo de localizao da pupila e ris, atravs da
direo do gradiente. Localizadas as bordas internas e externas, extrada a
ris (regio de interesse na imagem), para ser analisada atravs de diversasfamlias de transformadas Wavelets, visando encontrar aquela que
apresente os melhores resultados para reconhecimento.
Para avaliao dos resultados so utilizadas curvas Recall x Precision,
tcnica esta amplamente empregada em Sistemas de Recuperao de
Imagens Baseada em Contedo (CBIR).
1.3 Estrutura da Dissertao
Este captulo introduziu o assunto sobre o reconhecimento de ris.
O captulo 2 enfoca os diversos tipos de medidas biomtricas como meio de
identificao ou autenticao de pessoas.
O captulo 3 descreve sobre os Sistemas de Recuperao Baseados em
Contedo (CBIR).
O captulo 4 apresenta uma introduo sobre a Transformada Wavelet, bem
como algumas de suas famlias e uma comparao com a Transformada de
Fourier.
O captulo 5 descreve a metodologia.
O captulo 6 discute os resultados obtidos e as concluses.
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
16/136
14
CCaappttuulloo 22 BBiioommeettrriiaa
2.1 Introduo
Atualmente o termo biometria tem sido empregado para referenciar o
emergente campo de tecnologia da informao voltado identificao de
indivduos a partir das suas caractersticas biolgicas, tais como: impresso
digital, geometria das mos, retina, face e ris, e tambm caractersticas
comportamentais como a forma de andar ou porte, assinatura, voz e escrita.
A Figura 2.1 representa algumas possibilidades de identificao biomtrica.
Os recentes avanos nesta rea do conhecimento, bem como a crescente
necessidade por segurana em todo mundo, tm contribudo para o
desenvolvimento de sistemas inteligentes de identificao pessoal baseados
nas caractersticas biomtricas. Diversas aplicaes desses mtodos tem
sido empregadas na sociedade, dentre elas destacam-se:
Controle de acesso a lugares restritos;
Identificao pessoal para empresas;
Criao de retrato falado;
Monitoramento de aeroportos, estaes e arenas esportivas;
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
17/136
15Captulo 2 Biometria
____________________________________________________________________________________________
Envelhecimento computadorizado para auxiliar a busca por
desaparecidos;
Sistemas de controles criminais;
O esquema bsico utilizado pelos mtodos de reconhecimento biomtrico
pode ser decomposto sucintamente em trs etapas distintas: aquisio de
imagens, extrao de caractersticas e reconhecimento (Figura 2.2).
(a) (b) (c) (d)
(e) (f) (g) (h)Figura 2.1 Alguns indicadores biomtricos. (a) face, (b) impresso digital, (c)geometria da mo, (d) retina, (e) voz, (f) assinatura, (g) ris e (h) forma de
andar(porte)
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
18/136
16Captulo 2 Biometria
____________________________________________________________________________________________
Na etapa de aquisio, uma seqncia de imagens capturada para
extrao de caractersticas, onde operaes de tratamento so executadas
com a finalidade de garantir as imagens de melhor qualidade para o
reconhecimento, que dependendo do contexto, pode operar nos modos deautenticaoe/ou identificao.
No modo de autenticao, o indivduo se apresenta como sendo uma
determinada pessoa e o sistema confere a veracidade da informao,
retornando verdadeiro ou falso, gerando uma comparao um-para-um. J o
modo de identificao lana os dados de determinado indivduo em um
Figura 2.2 Esquema generalizado do funcionamento de sistemasbiomtricos
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
19/136
17Captulo 2 Biometria
____________________________________________________________________________________________
banco de dados, onde eles so comparados aos de vrias outras pessoas
at que seja possvel determinar a identidade correta, gerando uma
comparao um-para-muitos. Identificao voltada para aplicaes onde
se deseje garantir que mltiplos indivduos no utilizem a mesma identidade.
2.2 Medidas de Preciso
A preciso dos sistemas biomtricos medida atravs das taxas de falsa
aceitao (FAR False Acceptance Rate) e falsa rejeio (FRR False
Rejection Rate). A FAR representa a percentagem de usurios no-
autorizados que so incorretamente identificados como usurios vlidos. AFRR representa a percentagem de usurios autorizados que so
incorretamente rejeitados. Essas taxas so interdependentes, ou seja,
reduzindo-se a taxa de falsa aceitao, a taxa de falsa rejeio aumentar, e
reduzir a taxa de falsa rejeio implica no aumento da taxa de falsa
aceitao.
O nvel de preciso configurado no algoritmo de comparao tem efeito
direto nessas taxas. O modo como essas taxas so determinadas fundamental para a operao de qualquer sistema biomtrico e assim deve
ser considerado um fator primrio na sua avaliao. Os dispositivos
biomtricos fsicos tendem a ter uma menor taxa de falsa aceitao por
causa da estabilidade da caracterstica medida e porque as caractersticas
comportamentais so mais fceis de serem adulteradas por outros usurios.
A configurao do valor limite para tolerncia a estes erros crtica no
desempenho do sistema. A falsa rejeio causa frustrao, gerada pela no
identificao de um usurio autntico, ao passo que a falsa aceitao causa
fraude, permitindo acesso a um indivduo impostor.
Muitos sistemas podem ser configurados para fornecer deteco sensvel
(baixa FAR e alta FRR), onde altos nveis de segurana so requeridos, ou
deteco fraca (baixa FRR e alta FAR), que por sua vez so utilizados, por
exemplo, em sistemas com um nmero reduzido de usurios. A medida
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
20/136
18Captulo 2 Biometria
____________________________________________________________________________________________
crtica conhecida como taxa de cruzamento (EER Equal Error Rate). Ela
o ponto onde a FAR e a FRR cruzam-se. A figura 2.3 mostra as taxas de
falsa aceitao e falsa rejeio.
Figura 2.3 Taxas de preciso de sistemas biomtricos
2.3 Biometria por Face
Duas abordagens distintas so usualmente tratadas em sistemas
biomtricos por face: deteco e reconhecimento. Em se tratando dedeteco, a funo dos algoritmos conseguir extrair faces humanas de
uma imagem esttica ou de uma seqncia de imagens. Deteco de faces
consideravelmente difcil porque envolve a localizao da face sem
nenhum conhecimento prvio de suas escalas, localizaes, orientaes
(ereta, rotacionada) com ou sem ocluses, posicionadas de frente ou perfil
(MARIN; BARRETO, 2003).
Trs fatores so citados como problemas complexos na dissertao demestrado de Marroni (MARRONI, 2002). Primeiro: variao de padres
devido a diferenas na aparncia facial, discrepncias entre imagens
diferentes de uma mesma face, expresso e cor da pele. Segundo:
ocultao de caractersticas faciais por objetos como bigode, culos, cabelo
na face e maquiagem. Terceiro: a escala e a orientao da face na imagem,
dificultando o uso de templates fixos para localizar as caractersticas
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
21/136
19Captulo 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. Alm disso, com base emuma face investigada, verificar a autenticidade e certificar ou no a
informao declarada. Deve tambm determinar se uma face de uma
classe e em caso positivo, determinar sua identidade, atravs de
caractersticas de cada indivduo.
O reconhecimento de face tem incio a partir da captura de imagens
estticas ou imagens de vdeo, seguida da deteco de um rosto que ser
comparada com modelos armazenados numa base de dados,complementada com a anlise da cor da pele, deteco de linhas ou ainda
de um modelo hbrido (POH; KORCZAK, 2001). importante tambm
adaptar o modelo a todas as condies que podem alterar a aparncia de
um indivduo, como o uso de culos, envelhecimento, barba, etc, conforme
Figura 2.4.
Os mtodos de reconhecimento de face podem ser agrupados em diversas
categorias sendo elas: por atributos, holsticas, baseadas na transformada
de Gabor, tridimensionais, seqncias de vdeo entre outras (CHELLAPPA
Figura 2.4 Sistema de verificao de face
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
22/136
20Captulo 2 Biometria
____________________________________________________________________________________________
et. al., 1995).
As aplicaes para os sistemas de reconhecimento de face envolvem:
identificao pessoal para banco, passaporte, fichas criminais; sistemas de
segurana e controle de acesso; monitoramento de multides em estaes,shopping centers, etc; criao de retrato falado; busca em fichas criminais;
envelhecimento computadorizado para auxiliar a busca por desaparecidos;
interfaces homem-mquina para o reconhecimento de expresses faciais;
entre outras diversas aplicaes (SCHWERDT; CROWLEY, 2000; GONG et
al, 2000; PENTLAND, 2000).
2.4 Biometria por Impresso Digital
A impresso digital o desenho formado pelas papilas que so compostas
por linhas e vales, formando padres que tornam cada pessoa nica, pois, a
impresso digital no muda durante a vida. A biometria digital bastante
utilizada, tendo um alto nvel de aceitao em registros civis e investigaes
criminais, tendo como funo identificar os padres (mincias).
Os AFIS (Automated Fingerprint Identification System) sistemas automticos
de identificao de impresses digitais so compostos por vrios estgios de
processamento, sendo eles: melhoria de imagem, clculo da imagem
direcional, reduo de rudos, segmentao e o afinamento (thinning) (JAIN
et al. 1997). O objetivo desses sistemas a comparao de imagens a
serem identificadas com as armazenadas em um banco de dados de
impresso digitais, conforme mostra a Figura 2.5.
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
23/136
21Captulo 2 Biometria
____________________________________________________________________________________________
Durante dcadas, vrios mtodos tm sido desenvolvidos para o propsito
de classificao de impresso digitais automaticamente, como os mtodos
Estruturais, Estatsticos, Sintticos, por Redes Neurais Artificiais, Hbridos,
entre outros.
O desenho da impresso digital apresenta uma rea til onde possvel
observar a rea padro, que a parte principal da impresso do dedoformada por cristas e todos os seus aspectos, e tipos de linhas, que podem
ser contnuas ou no, conforme mostra a Figura 2.6.
Figura 2.5 Comparao de mincias
rea Padro
Figura 2.6 rea padro e Tipos de linhas
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
24/136
22Captulo 2 Biometria
____________________________________________________________________________________________
Os pontos singulares em impresso digital so conhecidos como: ncleo,
que um ponto localizado na rea central da impresso digital, e delta, que
um ngulo ou tringulo formado pelas cristas papilares, que podem ser
observados na Figura 2.7.
A caracterizao de aspectos de impresses digitais tem sido apresentada
por diversos autores, sendo, Francis Galton (KARU; JAIN, 1996) o primeiro a
fazer um estudo dos aspectos de impresses digitais como: cristas finais,
cristas bifurcadas, cristas curtas, cruzamentos, esporas e ilhas, chamados
de mincias ou pontos caractersticos, que so 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
impresses digitais, (Figura 2.8).
Figura 2.7 Ponto delta e ncleo de uma impresso digital
Figura 2.8 Aspectos de impresses digitais (Detalhes de Galton)
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
25/136
23Captulo 2 Biometria
____________________________________________________________________________________________
A impresso digital pode ser dividida em vrias classes, sendo a primeira
tentativa proposta por Edward Henry (HENRY, 1905) que dividiu em cinco
classes, uma delas pertinentes ao delta e outra s linhas do sistema nuclear
(ncleo), sendo elas: Arco plano, Arco Angular, Presilha Interna (Direita),
Presilha Externa (Esquerda) e Verticilo, conforme ilustrado na Figura 2.9.
A verificao da impresso digital pode ser uma boa escolha para sistemas
que operam em um ambiente controlado, alm de o equipamento apresentar
baixo custo, tamanho pequeno, e facilidade de integrao de dispositivos de
autenticao de impresso digital. Porm, dentre as biometrias fsicas a
de menor confiabilidade devido ao fato dos equipamentos utilizados para acaptura dos padres no distinguirem, eficientemente, um dedo vivo de um
morto, sendo, fcil produzir uma impresso digital sinttica com ou sem a
colaborao do proprietrio (PUTTE; KEUNING, 2000). Existem atualmente
leitores que tentam resolver o problema do efeito dedo morto recorrendo a
sensores de tenso arterial, condutividade, temperatura e leitura de padres
existentes em camadas inferiores epiderme, porm, estas tecnologias so
Figura 2.9 As cinco classes propostas por Henry(deltas e ncleos destacados em vermelho)
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
26/136
24Captulo 2 Biometria
____________________________________________________________________________________________
caras e ainda no atingiram o nvel de maturidade desejado.
2.5 Biometria pela Retina
A retina composta de clulas sensveis luz, os cones e os bastonetes.
Essas clulas transformam a energia luminosa das imagens em sinais
nervosos que so transmitidos ao crebro pelo nervo tico. Normalmente, as
imagens dos objetos que olhamos diretamente formam-se na regio da
retina bem na linha que passa pela pupila e pelo centro do cristalino, isto ,
pelo eixo do globo ocular (VESPER, 2005). A figura 2.10 ilustra o olho
humano, com seus rgos internos e veias da retina.
Figura 2.10 Olho humano, onde possvel verificar a composio dasveias na retina.Fonte: (VESPER, 2005).
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
27/136
25Captulo 2 Biometria
____________________________________________________________________________________________
Os sistemas biomtricos baseados na leitura de retina analisam a camada
de vasos sanguneos situada na parte de trs do olho, atravs da utilizao
de uma fonte de luz de baixa intensidade para oticamente reconhecer
padres nicos.
A captura das imagens feita atravs do posicionamento de um indivduo no
aparelho de leitura (Figura 2.11), devendo este olhar para um determinado
ponto fixo, onde uma seqncia de imagens capturada para extrao de
caractersticas.
As vantagens dos sistemas que utilizam a retina como medida biomtrica
so:
Estabilidade ao longo da vida de um indivduo, mantendo o mesmo
padro desde o nascimento at a sua morte, onde em segundosdesaparece devido a sua estrutura aquosa;
Proteo: por se tratar de um rgo interno e que se decompe caso
for extrado, praticamente exclui qualquer possibilidade de fraudes,
onde indivduos pudessem utilizar uma outra retina que no fosse a
sua;
Figura 2.11 Aparelho leitor de imagens da retinaFonte: (RETICA, 2005).
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
28/136
26Captulo 2 Biometria
____________________________________________________________________________________________
Unicidade: probabilidade de duas retinas apresentarem o mesmo
padro est na ordem de 1 em 10.000.000 de indivduos. (RETICA,
2005).
Atualmente os fatores que limitam o uso desta tecnologia so: o custo
elevado de implantao, a necessidade de o usurio olhar atravs de um
aparelho para um determinado ponto fixo, e o receio por possveis danos
causados pelo contato dos olhos no aparelho.
2.6 Biometria pela ris
A ris, um rgo interno protegido do olho e de formato anelar, est situada
atrs da crnea e do humor aquoso, entre a esclera (parte mais clara do
olho) e a pupila (parte mais escura do olho). a parte responsvel pela
colorao dos olhos, e ajuda a regular a quantidade de luz que entra no
olho. A figura 2.12 mostra a composio do olho humano.
A formao da ris inicia-se no terceiro ms de gestao e as estruturas que
criam seu padro completam-se, na sua maior parte, no oitavo ms, embora
o crescimento da pigmentao possa continuar nos primeiros anos aps o
nascimento (DAUGMAN, 2001). Sua estrutura constitui-se de diversas
Figura 2.12 O olho humano
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
29/136
27Captulo 2 Biometria
____________________________________________________________________________________________
caractersticas de mincias, tais como: sardas, sulcos de contrao, listras,
etc. Essas caractersticas, geralmente chamadas de textura da ris, so
nicas e permanecem praticamente inalteradas por toda existncia do
indivduo (BOLES, 1997; DAUGMAN, 2002; WILDES et al, 1996).
Todas essas caractersticas intrnsecas da ris produzem grande
autenticidade e exclusividade dentre os indivduos. Clculos estatsticos
revelam que a probabilidade de ocorrncia do mesmo padro de ris em
diferentes indivduos est na ordem de 1 em 1078 (GONZAGA, 2003). A
anatomia da ris bem como suas caractersticas propcias para biometria so
vistas na figura 2.13.
Um completo sistema de identificao pessoal baseado na anlise da rishumana constitudo em 3 etapas distintas, como observado na figura 2.14.
Figura 2.13 Anatomia da ris humana. A estrutura da ris vista de formafrontal. A aparncia visual da ris humana deriva desta estrutura anatmica
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
30/136
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
31/136
29Captulo 2 Biometria
____________________________________________________________________________________________
2.7 Consideraes Finais
Neste captulo foi abordado o assunto biometria, descrevendo algumas
caractersticas fsicas utilizadas para reconhecimento pessoal. Com o
aumento da criminalidade global, a biometria est cada vez mais presente
na sociedade, apresentando diversas vantagens em relao aos mtodos
tradicionais de autenticao, como cartes e senhas, pelo fato de analisar as
caractersticas fsicas inerentes a cada indivduo.
A ris humana uma das medidas de maior confiabilidade para biometria,
tendo como vantagens a unicidade pessoal e dificuldade para fraudes,
devido a sua composio fisiolgica.
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
32/136
30Captulo 3 Recuperao de Imagens Baseado em Contedo (CBIR)
____________________________________________________________________________________________
CCaappttuulloo 33 RReeccuuppeerraaoo ddee IImmaaggeennss
BBaasseeaaddaa eemm CCoonntteeddoo ((CCBBIIRR))
3.1 Introduo
O termo CBIR (Content-Based Image Retrieval) refere-se aos sistemas de
recuperao de imagens baseados em caractersticas visuais tais como: cor,
forma e textura. O seu esquema geral de funcionamento est ilustrado na
figura 3.1, onde, considerando-se uma imagem de entrada, o sistema CBIR
ir pesquisar no banco de dados as n imagens de maior similaridade
imagem de consulta, de acordo com um critrio fornecido previamente
(CASTAON, 2003).
Figura 3.1 Esquema geral do funcionamento de um sistema CBIR
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
33/136
31Captulo 3 Recuperao de Imagens Baseado em Contedo (CBIR)
____________________________________________________________________________________________
3.2 Representao de Imagens
Alguns mtodos como associao das imagens com uma determinada
palavra chave, nmero, descrio por categorias dentre outros, no podem
ser considerados CBIR, j que se mostram ineficientes na anlise de
grandes bancos de dados, consumindo demasiado tempo computacional.
(AL-TAYECHE; KHALIL, 2003)
Para caracterizao e representao de imagens, os sistemas de
recuperao fazem uso de alguns atributos visuais, como: forma, cor e
textura. Dependendo do tipo da aplicao e do tamanho do banco de dados,
apenas um destes atributos pode ser suficiente para represent-las. Pode
ocorrer tambm que em sistemas com grande quantidade e no
uniformidade de imagens, apenas um atributo no seja suficiente para
discriminar satisfatoriamente as suas caractersticas, bem como alcanar
nveis adequados de recuperao, motivo pelo qual alguns sistemas
procuram utilizar mltiplos atributos para a sua indexao e recuperao
(CASTAON, 2003).
3.2.1 Atributo Forma
O atributo forma para sistemas de recuperao por contedo uma
abordagem to importante quanto difcil, fundamentalmente pelo fato de ter
que segmentar e conhecer o tamanho e orientao dos objetos contidos na
imagem (CASTAON, 2003). Outro aspecto que torna a anlise de formas
uma tarefa computacionalmente difcil a existncia de rudos, ocluses e
distores, introduzidos no processo de aquisio de imagens, significando a
descaracterizao e at mesmo a transformao de uma determinada forma
em outra. Theodoridis (THEODORIDIS; KOUTROUMBAS, 2003) cita comoexemplo o tamanho dos ndulos em aplicaes mdicas, como forma de
classificao entre malignos e benignos. Os ndulos que apresentam bordas
irregulares tm uma probabilidade maior de serem malignos, e aqueles com
bordas mais regulares so geralmente benignos.
A figura 3.2 mostra alguns exemplos de formas em imagens.
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
34/136
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
35/136
33Captulo 3 Recuperao de Imagens Baseado em Contedo (CBIR)
____________________________________________________________________________________________
3.2.2 Atributo Cor
No reconhecimento automtico de imagens, a cor um poderoso descritor
de propriedades de um objeto, exercendo significativa importncia na
segmentao e recuperao de imagens em um banco de dados. Asrepresentaes mais comuns de cores so RGB (red, green, blue), que
baseado num sistema de coordenadas cartesianas, CMY (cyan, magenta,
yellow), utilizado pelas impressoras e copiadoras coloridas, e HSI (hue,
saturation, intensity), que o modelo semelhante forma com que o ser
humano percebe as cores, uma vez que permite separar as componentes de
matiz, saturao e intensidade da informao de cor em uma imagem
(FILHO; NETO, 1999). Exemplos da utilidade do modelo HSI vo desde o
projeto de sistemas de imageamento para determinao automtica do
amadurecimento de frutas e vegetais, a sistemas para correspondncia de
amostras de cores, ou para inspeo de qualidade de produtos coloridos
(GONZALES; WOODS, 2000).
Em sistemas CBIR o atributo cor pode ser representado a partir de
histogramas. Um histograma uma funo de distribuio de densidade que
indica o percentual (ou o nmero) de pixelsque apresenta uma determinada
intensidade de cor. Em imagens coloridas, calcula-se o histogramacorrespondente a cada um de seus componentes. Para uma imagem do tipo
RGB, por exemplo, so calculados trs histogramas, um para cada
componente (R, Ge B).
Liapis e Tziritas (2004) utilizam um histograma de coordenadas 2-D no
espao de cores CIE Lab, para caracterizar o contedo de cromaticidade
contido na imagem, relatando que para recuperao e classificao de
imagens coloridas o fator de maior relevncia a distribuio decromaticidade, excluindo os componentes de iluminao, que so utilizados
para extrair caractersticas de textura.
3.2.3 Atributo Textura
Embora no exista nenhuma definio formal de textura, esse descritor
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
36/136
34Captulo 3 Recuperao de Imagens Baseado em Contedo (CBIR)
____________________________________________________________________________________________
fornece intuitivamente medidas de propriedades como suavidade,
rugosidade e regularidade (GONZALES; WOODS, 2000).
Pode-se tambm estabelecer textura em imagem como sendo a composio
de determinados padres que se repetem ao longo da superfcie de umobjeto. Tais padres envolvem freqentemente as mudanas de orientao,
cor e escala, sendo que os sistemas de recuperao baseados em contedo
devem ser capazes de classificar texturas de maneira independente de tais
variaes. Na figura 3.4 pode-se visualizar alguns exemplos de texturas.
Figura 3.4 Imagens com textura
A anlise de textura de imagens digitais tem por objetivo estabelecer o
relacionamento de vizinhana dos elementos de textura e seuposicionamento em relao aos demais (conectividade), o nmero de
elementos por unidade espacial (densidade) e a sua homogeneidade ou
regularidade (CASTAON, 2003).
Um dos mtodos mais utilizados na literatura para representar texturas em
imagens o processamento de sinais atravs de Wavelets (MANJUNATH;
MA, 1996), onde esses padres de textura podem ser decompostos e
analisados separadamente em cada resoluo.
3.3 Consulta por Similaridade
Em um passado recente, a necessidade de armazenamento e recuperao
de informaes em bancos de dados limitava-se a tipos simples de dados,
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
37/136
35Captulo 3 Recuperao de Imagens Baseado em Contedo (CBIR)
____________________________________________________________________________________________
tais como: caracteres, nmeros inteiros, lgicos, ponto flutuante, datas, etc.
At ento, consultas de dados de maior complexidade, de caractersticas
prprias em sua estrutura, como por exemplo: imagens, som, vdeos, DNA,
dentre outros, no poderiam ser realizadas na maioria dos sistemas
gerenciadores de bancos de dados existentes, j que estes no proviam tais
recursos.
Atualmente, existe a necessidade de manipulao desses tipos de dados
complexos, que devem ser armazenados e recuperados atravs de
elementos que definam a sua caracterstica. Com essa finalidade que
sistemas de recuperao baseados em contedo utilizam consultas por
similaridades.
O conceito de consulta por similaridade considera o quanto dois dados so
semelhantes entre si. Para medir esta semelhana utiliza-se de uma funo
de distncia (d()) adequada ao domnio dos dados. Essa funo recebe dois
objetos (Oi e Oj) pertencentes ao mesmo domnio (D) e retorna o grau de
dissimilaridade destes objetos (LOPES, 2005). Caso Oie Ojforem idnticos,
a funo d() retorna zero; se eles forem diferentes, o valor ser um inteiro
positivo relacionado distncia entre Oi e Oj, ou seja, quanto maior for
distncia entre os objetos, maior ser o valor retornado pela funo dedistncia d().
Existem basicamente dois operadores mais comuns para consultas sobre
domnio de dados mtricos, os quais podem ser chamados de operadores
bsicos, so eles: consulta por abrangncia (range query) e consulta pelos k
vizinhos mais prximos (k-nearest-neighbors query).
3.3.1 Consulta por Abrangncia (Range Query)
Dados um conjunto de objetos O = {O1, O2, ... , On} com O1, O2,..., On D,
uma funo de distncia mtrica d(), um objeto de consulta QDe uma
abrangncia mxima de busca r(Q), a consulta por abrangncia definida
por pela equao 3.1 (LOPES, 2005):
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
38/136
36Captulo 3 Recuperao de Imagens Baseado em Contedo (CBIR)
____________________________________________________________________________________________
)}(),({))(,( QrQOdeOOOQrQrange iii = (3.1)
Essa definio pode ser compreendida como a seleo de todos os objetos
Oi do conjunto O, tal que a distncia de Oi para Q seja menor ou igual
abrangncia da consulta (r(Q)). Exemplo: Encontre as cidades que esto
em um raio de at 100 km de distncia da Capital. Nessa consulta, o objeto
foco a Capital, o domnio D o conjunto de cidades, e a abrangncia ou
raio de busca (distncia mxima) 100 km. A distncia utilizada a medida
em km que separa as cidades. A figura 3.5 ilustra este exemplo.
Figura 3.5 Consulta por Abrangncia (Range Query)
3.3.2 Consulta pelos k Vizinhos mais Prximos (k-NN)
Dados um conjunto de objetos O = {O1, O2, ... , On} com O1, O2,..., OnD,
uma funo de distncia mtrica d(), um objeto de consulta Q D e um
inteiro 1k , a consulta pelos k vizinhos mais prximos definida pela
equao 3.2 (LOPES, 2005):
}),(),(,,,,{)( iiiiii OQdAQdAOOAAekAOAAAAQNNk == (3.2)
De acordo com essa definio, o resultado ser a seleo dos kobjetos do
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
39/136
37Captulo 3 Recuperao de Imagens Baseado em Contedo (CBIR)
____________________________________________________________________________________________
conjunto Oque esto mais prximos de Q. Utilizando o exemplo, a consulta
Selecione as 5 cidades mais prximas da capital, uma busca K-NNpara
o objeto Capital sobre o mesmo domnio de objetos da consulta-exemplo
anterior. A figura 3.6 ilustra este exemplo.
Figura 3.6 Consulta pelos k vizinhos mais prximos (k Nearest-NeighborsQuery)
3.3.3 Consulta pelos k Vizinhos mais Prximos e/ou Abrangncia
(kAndRange e kOrRange)
Com o propsito de integrar em uma mesma consulta, os algoritmos
baseados nos k-vizinhos mais prximos e abrangncia, surgiram dois novos
mtodos 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 conjunes/disjunes de
critrios de seleo por similaridade, muito freqentes em aplicaes reais, e
que, nos algoritmos RangeQuery e k-NNsomente poderiam ser realizadas
de maneira isolada, havendo a necessidade de execuo de operadores de
unio (ou) e interseco (e) desses resultados intermedirios. A tabela
3.1 mostra a descrio formal dos algoritmos kAndRange e kOrRange. Os
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
40/136
38Captulo 3 Recuperao de Imagens Baseado em Contedo (CBIR)
____________________________________________________________________________________________
smbolos utilizados esto representados na tabela 3.2.
Tabela 3.1 Descrio formal dos algoritmos kAndRange e kOrRange
Tabela 3.2 Smbolos
Operador de seleo da lgebra relacional
RQ Range Query
Oq Objeto de consulta (centro da consulta)rq Raio da busca por abrangncia
kNNQ kVizinhos mais prximos
k Nmero de vizinhos em uma consulta kNNQ
Domnio dos objetos
Os algoritmos completos dos mtodos kOrRangee kAndRange, bem como
os resultados obtidos, podem ser observados integralmente no trabalho deArantes e outros (2003).
3.3.4 Estruturas de Indexao
O processo de organizao de informao efetuado pelos sistemas de
gerenciamento de bancos de dados (SGBD) utiliza como base as estruturas
de indexao ou mtodos de acesso para acelerar a busca aos dados
(BUENO, 2001). Logo, as estruturas de indexao so ferramentas
fundamentais que habilitam os sistemas de gerenciamento de bancos de
dados a eficientemente armazenar e recuperar informaes de um grande
volume de dados. Entretanto, os SGBDs comerciais no possibilitam a
recuperao de informaes baseados em similaridades, como por exemplo,
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
41/136
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
42/136
40Captulo 3 Recuperao de Imagens Baseado em Contedo (CBIR)
____________________________________________________________________________________________
No negatividade:
;0),(),(0, =
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
43/136
41Captulo 3 Recuperao de Imagens Baseado em Contedo (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 no
pontuais existente na literatura. A estrutura R-Tree amplamente difundida
nesta rea e isso pode ser comprovado porque, quase sempre, a base decomparao para novas estruturas deste tipo (VARGAS, 2004).
A R-tree uma extenso da B-tree para o espao multidimensional. Ela
representa o espao de dimenso ncomo uma hierarquia de intervalos n-
dimensionais (retngulos no caso bidimensional). Assim como a B-tree, ela
uma estrutura balanceada, em que todos os objetos esto armazenados nas
folhas da rvore. Toda R-tree possui uma ordem ),( Mm , indicando que
seus ns possuem entre [ ]2/mm e Mregistros (FREDERICK, 1999).
Todo registro da estrutura formado pelo par (r, p), onde r um intervalo
(retngulo) e p um ponteiro. Nos ns externos (folhas), r o retngulo
envolvente do objeto apontado por p, e enquanto que, nos ns internos, r o
retngulo que envolve todos os retngulos armazenados na sub-rvore
apontada por p(FREDERICK, 1999).
d(Orep dq)
d(Orep, Oq)+rq
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
44/136
42Captulo 3 Recuperao de Imagens Baseado em Contedo (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) Representao planar. (b) Estrutura.
Um estudo mais completo sobre as rvores R-Tree e suas diversas
variaes, tais como R+-Tree, R*-Tree, X-Tree e SR-Tree, podem ser
encontrado no trabalho de Vargas (2004).
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
45/136
43Captulo 3 Recuperao de Imagens Baseado em Contedo (CBIR)
____________________________________________________________________________________________
3.3.4.2 V-Tree
As V-trees so estruturas de dados hierrquicas projetadas para armazenar
linhas poligonais longas, que so representadas por uma sequncia de
pontos. Sua principal funcionalidade consiste em recuperar eficientemente
aproximaes de linhas poligonais armazenadas em memria secundria
(FREDERICK, 1999). Alm disso, elas otimizam a recuperao de
fragmentos da linha poligonal que interceptam uma dada regio retangular
(range queryou clipping) e a operao de ponto em polgono. Esta testa se
um dado ponto est dentro de uma linha poligonal fechada que no se
cruza.
A figura 3.9 ilustra a representao e estrutura de uma rvore V-Tree.
(a)
(b)
Figura 3.9 Exemplo de uma V-Tree (FREDERICK, 1999).(a) Representao planar. (b) Estrutura.
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
46/136
44Captulo 3 Recuperao de Imagens Baseado em Contedo (CBIR)
____________________________________________________________________________________________
3.3.4.3 Quad-Tree
A Quad-Tree um tipo de estrutura de dados organizada em rvore, em que
cada n ou tronco gera sempre, e exatamente, quatro folhas. A idia
fundamental da Quad-Tree 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) Representao planar. (b) Estrutura.
Em uma Quad-Tree cada n associado a um quadrante, onde os ns
internos so formados por um valor e quatro ponteiros para os seus ns
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
47/136
45Captulo 3 Recuperao de Imagens Baseado em Contedo (CBIR)
____________________________________________________________________________________________
filhos. Cada um desses ns filhos corresponde a um quadrante da regio
associada ao n, sendo que a raiz da rvore representa todo o objeto. Cada
quadrante possui um valor armazenado correspondente a uma verso
simplificada da parte do objeto, e as folhas da rvore representam os
quadrantes que no so mais divididos, armazenando o valor real do bloco
(FREDERICK, 1999).
Com base nessas caractersticas, as estruturas Quad-Tree se mostram teis
para o armazenamento e visualizao de imagens grandes, pois elas
permitem a recuperao de verses simplificadas da imagem bem como a
recuperao somente do bloco visvel da imagem.
3.3.4.4 Slim-tree
A Slim-tree uma estrutura balanceada e dinmica, que tem crescimento
das folhas para a raiz, e permite inseres de dados de um domnio mtrico.
Os objetos so armazenados nas folhas, organizados numa estrutura
hierrquica que utiliza um objeto representativo como centro de uma regio
de cobertura dos objetos em uma subrvore, delimitada por um raio. A Slim-tree, assim como a maioria dos MAMs, utiliza a propriedade de desigualdade
triangular para podar clculos de distncias em buscas por similaridade em
domnios mtricos. (BUENO; TRAINA; TRAINA JR, 2005).
A Figura 3.11 ilustra a disposio de 17 objetos em uma Slim-tree e sua
estrutura lgica.
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
48/136
46Captulo 3 Recuperao de Imagens Baseado em Contedo (CBIR)
____________________________________________________________________________________________
(a)
(b)
Figura 3.11 Exemplo de uma Slim-Tree (BUENO; TRAINA; TRAINA JR,2005). (a) Representao planar. (b) Estrutura.
Para fazer a medio de uma Slim-Tree foram propostos o fat-factor e o
bloat-factor, que representam o grau absoluto e relativo ( rvore tima) de
sobreposio de uma rvore, respectivamente. (YAMAMOTO; BIAJIZ, 2002).
Para fazer a diminuio da sobreposio, foi proposto o Slim-down cuja idia
fazer a reinsero de objetos de forma conveniente a diminuir o raio de
cobertura dos ns. A Slim-tree tambm props o algoritmo de insero por
mnima ocupao e o algoritmo MST (Minimal Spanning Tree) de diviso de
n e escolha dos representativos. (YAMAMOTO; BIAJIZ, 2002).
3.4 Consideraes Finais
Neste captulo foi abordado o assunto referente Recuperao de Imagens
Baseado em Contedo (CBIR).
O funcionamento bsico de tais sistemas pode ser resumido como sendo
uma pesquisa em uma determinada base de dados, que retorne n imagens
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
49/136
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
50/136
48
CCaappttuulloo 44 WWaavveelleettss
4.1 Introduo
Wavelets so funes que satisfazem requisitos matemticos utilizados na
representao de dados ou outras funes. A idia de utilizar funes para
representar outras funes no nova, e existe desde que Fourier descobriu
que senos e cosenos podem ser utilizados para representar outras funes.
Porm, na anlise de wavelet, a escala possui um papel importante no
processamento dos dados. A wavelet pode ser processada utilizando
diferentes escalas ou resolues. Inicialmente, a transformada wavelet
considerada como um sinal contnuo f(t), e dada pela equao 4.1, onde o
parmetro a representa a escala (resoluo) e o parmetro b representa o
deslocamento (translao). A funo )(, tba chamada wavelet, derivada
de uma funo )(t atravs da transformao apresentada na equao 4.2
(GALVO et al, 2001).
dtttfbaF ba )()(),( ,= (4.1)
=
a
bt
atba
1)(, (4.2)
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
51/136
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
52/136
50Captulo 4 Wavelets
____________________________________________________________________________________________
Figura 4.2 Processo de decomposio das wavelets.
Para decomposio em dois ou mais nveis, o processo adota o ltimo
coeficiente de aproximao (A) para gerar outros dois coeficientes de
aproximao e detalhe, e assim, sucessivamente at que o ltimo nvel seja
decomposto, como observado na figura 4.3.
Figura 4.3 rvore de trs nveis de decomposio wavelet
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
53/136
51Captulo 4 Wavelets
____________________________________________________________________________________________
4.2 Histrico
Embora desde o incio do sculo XIX a literatura registre trabalhos
matemticos semelhantes Transformada Wavelet com Alfred Haar em
1910 (agora conhecida como base de Haar), foi no final da dcada de 70
que a mesma passou a sua prpria identidade (GALVO et al, 2001). Foi
nesse perodo que o termo wavelets foi introduzido por Jean Morlet,
propondo uma modificao da Transformada de Fourier para melhor tratar
sinais geofsicos. Os dados ssmicos estudados por Morlet exibiam
contedos de freqncia que mudavam rapidamente ao longo do tempo,
alm disso, mostraram que qualquer tipo de sinal pode ser analisado em
termos de escalas e translaes de uma simples funo wavelet me(CASTAON, 2003). O matemtico Yves Mayer colaborou no
amadurecimento desta nova idia, e Stephane Mallat, em seus estudos de
processamento de imagens desenvolveu um algoritmo para calcular de
forma eficiente a Transformada Wavelet, teoria esta denominada anlise de
multiresoluo.
4.3 Transformada de Fourier
Anlise de Fourier consiste em funes de sobreposio de senos e
cosenos, transformando um sinal (funo) do domnio do espao para o
domnio da freqncia (GONZALES; WOODS, 2000). A funo responsvel
pela transformao definida pela equao 4.3.
= dxexfuF uxj 2)()( (4.3)
A equao 4.3 representa a transformada de Fourier de um sinal contnuo
f(x), a qual apresenta um srio problema para anlise de sinais que mudam
durante o tempo, j que na transformao para o domnio da freqncia, a
informao do tempo perdida. Para sinais estacionrios, ou seja, aqueles
que no mudam durante o tempo esse problema indiferente, entretanto, a
maioria dos sinais interessantes contm muitas caractersticas no
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
54/136
52Captulo 4 Wavelets
____________________________________________________________________________________________
estacionrias ou transitrias (fluxos, tendncias, mudanas abruptas, incio e
final de um evento). Como estas caractersticas so freqentemente as
partes mais importantes do sinal, a anlise de Fourier torna-se inadequada
para esta deteco (MISITI et al, 2005).
Visando suprir a deficincia da anlise de Fourier em observar os sinais que
variam no tempo, Dennis Gabor (1946) adaptou esta transformada para
analisar apenas uma pequena poro do sinal em um tempo, introduzindo a
chamada transformada por janelas de Fourier (Windowed Fourier Transform
WFT) (CASTAON, 2003).
A transformada por janelas de Fourier pode ser usada para obter informao
sobre sinais no domnio do tempo e no domnio da freqnciasimultaneamente (GRAPS, 1995), onde um sinal de entradaf(t) observado
atravs do deslocamento da janela no domnio do tempo, e a Transformada
de Fourier calculada para cada posio da janela.
4.4 Comparao entre a Transformada de Fourier e a Transformada
Wavelet
No trabalho de Amara Graps (GRAPS, 1995) encontra-se uma comparao
entre a Transformada de Fourier e a Transformada Wavelet, sendo as
principais similaridades e diferenas descritas a seguir:
i. Similaridades
Ambas so operaes lineares que geram uma estrutura de dados
que contm n2log segmentos de vrios tamanhos; usualmente ospreenchem e os transformam em um vetor de dados diferente de
tamanho n2 ;
As propriedades matemticas das matrizes envolvidas nas
transformadas tambm so similares. A inversa da matriz da
transformada tanto para FFT (Fast Fourier Transform) quanto para a
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
55/136
53Captulo 4 Wavelets
____________________________________________________________________________________________
DWT (Discrete Wavelet Transform) a transposta da original. Como
resultado, ambas podem ser vistas como uma rotao no espao da
funo para um domnio diferente. Para a FFT, este novo domnio
contm funes base que so senos e cosenos. Para a transformada
wavelet, este novo domnio contm funes base mais complicadas,
chamadas wavelets, ou wavelets-me.
ii. Diferenas
A mais importante diferena entre estes dois tipos de transformadas
que funes individuais wavelets esto localizadas no espao. As
funes seno e coseno usadas na FFT no esto.
O tamanho da janela varia na transformada wavelet, sendo uma
vantagem em relao transformada de Fourier, que utiliza apenas
janelas de observao fixas.
A transformada wavelet no possui um nico conjunto de funes
base, como acontece com a transformada de Fourier, que utiliza
apenas as funes seno e coseno. A transformada waveletpossui um
conjunto infinito de funes base, assim, a anlise wavelet fornece
acesso imediato informao que pode estar escondida em outros
mtodos tempo-freqncia, como a anlise de Fourier (SILVA;
ENYNG, 2000).
A figura 4.4 apresenta de uma forma generalizada janelas de anlise no
plano tempo-freqncia para as Transformadas de Fourier e Wavelet.
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
56/136
54Captulo 4 Wavelets
____________________________________________________________________________________________
(a)
(b)
Figura 4.4 (a) Janelas de anlise no plano tempo-freqncia para aWFT(Transformada de Fourier por Janelas) e para as wavelets (b)Cobertura do espectro de freqncias pela Transformada por Janelas deFourier (acima) e pela Transformada Wavelet.Fonte: (FARIA, 1997)
4.5 Transformada Wavelet Contnua
A Transformada WaveletContnua (CWT Continuous Wavelet Transform)
definida a partir de um espao de funes ortonormais, denominado baixas
Wavelets, as quais formam uma base de funes da Transformada Wavelet.
Assim, a CWT definida como o produto interno na forma dada pela
equao 4.4.
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
57/136
55Captulo 4 Wavelets
____________________________________________________________________________________________
== dtttfttfCWT bababaf ).().()(),( ,,),( (4.4)
onde )(, tba conhecida como Wavelet-Me ou Wavelet-Bsica, e os
parmetros a e b esto apresentados pela transformao da equao 4.2.
A CWT constitui-se da soma de todos os sinais f(t) no tempo, multiplicados
por verses de escala e deslocamento da funo wavelet (MISITI et al,
2005), conforme a equao 4.5, tendo como resultados vrios coeficientes
waveletC, que so uma funo de escala e posio.
dttposioescalatfposioescalaC ),,()(),( = (4.5)
O fator escala em waveletrepresenta simplesmente a forma de expandir ou
comprimir um sinal, e o fator posio pode ser entendido como o
deslocamento do sinal, atravs do seu retardo ou avano do seu ponto
inicial. O escalonamento em Wavelets ilustrado na figura 4.5.
(a)
)(t )( kt (b)
Figura 4.5 (a) 3 exemplos de escala de sinal em wavelet. (b)posicionamento(deslocamento) de sinal em wavelet(MISITI et al, 2005).
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
58/136
56Captulo 4 Wavelets
____________________________________________________________________________________________
4.6 Transformada Wavelet Discreta
Translaes e dilataes da Funo-Me ou Anlise Wavelet )(x ,
definem uma base ortogonal, denominada bases wavelet (GRAPS, 1995),conforme mostra a equao 4.6, onde as variveis s e l so inteiras, e
representam respectivamente a escala e localizao da funo me
)(x para gerar as wavelets, como por exemplo, a famlia de wavelets
Daubechies. O ndice de escala s indica o tamanho da wavelet, e o ndice de
localizao l a sua posio (GRAPS, 1995).
)1(2)( 2),( =
xsx ss
ls (4.6)
Para estender o domnio de dados em diferentes resolues, a anlise
wavelet usada em uma equao escalar, dada pela equao 4.7, onde
W(x) a funo escala da funo-me , e kc so os coeficientes wavelets,
que devem satisfazer as condies linear e quadrtica na forma (GRAPS,
1995), dada pela equao 4.8, onde a funo delta e l o ndice de
localizao.
=
+ +=2
11 )2()1()(
N
kk
k kxcxW (4.7)
=
=+ ==
1
0
1
00,2 2,2
N
k
N
kllkkk ccc (4.8)
A DWT implementada por uma seqncia de filtragens digitais sobre o
sinal original, de acordo com um algoritmo conhecido como codificao sub-
banda, onde um par de filtros digitais, definidos como filtros em quadratura
ou QMF (Quadrature Mirros Filters), representado pelas funes h(n) e
g(n), que so, respectivamente, as funes 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 execuo da Transformada Wavelet Discreta em
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
59/136
57Captulo 4 Wavelets
____________________________________________________________________________________________
um sinal unidimensional, representado por uma senide com rudo de alta
freqncia adicionado a ele (MISITI et al, 2005).
Figura 4.6 Anlise de um sinal 1-D atravs da DWTFonte: (MISITI et al, 2005)
Na anlise de imagens, onde os sinais so tratados em 2-D, a DWT produzuma matriz de coeficientes, conhecidos como coeficientes wavelets.
Aplicando a DWT em uma imagem, o resultado so quatro tipos de
coeficientes: aproximao, detalhes horizontais, detalhes verticais e detalhes
diagonais. A figura 4.7 mostra o esquema e imagens geradas pela
decomposio em 3 nveis da waveletDaubechies-4. Neste exemplo, cada
nvel de decomposio fornece uma subimagem com os coeficientes de
aproximao (passa-baixa), que uma verso de baixa resoluo da
imagem original, e tambm trs subimagens que correspondem aocoeficiente de detalhe (passa-alta), contendo respectivamente os detalhes
horizontais, diagonais e verticais. Na decomposio dos subnveis da
transformada, apenas os coeficientes de aproximao so novamente
divididos em coeficientes de aproximao e detalhes, chamado de segundo
nvel de decomposio. E assim pode ser feito n vezes, onde 2n o tamanho
do sinal amostrado.
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
60/136
58Captulo 4 Wavelets
____________________________________________________________________________________________
(a) (b)
(c)
aproximao det. horizontais deta. diagonais det. verticais
(d)
Figura 4.7 (a) Esquema de organizao dos coeficientes Wavelets. (b)Imagem original. (c) Decomposio em 3 nveis pela wavelet Daubechies-4. (d)os trs nveis de decomposio(L1, L2, L3) vistos individualmente, com seusrespectivos coeficientes de aproximao, detalhes horizontais, diagonais everticais
4.7 Transformada Wavelet Packet
A Transformada Wavelet Packet uma generalizao do conceito da
Transformada Wavelet Discreta (DWT), na qual a resoluo tempo-
freqncia pode ser escolhida de acordo com o sinal. A diferena entre elas
est no nmero de parmetros de decomposio. Na transformada discreta
os sinais so decompostos pelos parmetros escala e posio, gerando dois
coeficientes para cada nvel: aproximao e detalhe, derivados unicamente
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
61/136
59Captulo 4 Wavelets
____________________________________________________________________________________________
do coeficiente de aproximao (A) analisado, conforme observado na figura
4.8. J a Wavelet Packet adiciona um novo parmetro: a freqncia. Dessa
forma, os coeficientes de detalhe (D) resultantes dos filtros de passa-alta,
descartados pela transformada discreta, so utilizados para uma nova
anlise, gerando tambm, os coeficientes aproximao e detalhe para todos
os nveis da decomposio, oferecendo uma anlise mais rica. Na figura 4.8
este processo est genericamente ilustrado.
Figura 4.8 rvore de decomposio de sinais na Transformada WaveletPacket, onde A representa os coeficientes de aproximao (filtro passa-baixa) eD o coeficiente de detalhe (filtro passa-alta)
O clculo numrico dos coeficientes da Wavelet Packet a seqncia do
produto interno de um sinal x = x(t) em )(2 L com as funes Wavelet
Packet )(tWsfp (PARRAGA, 2002); conforme mostra a equao 4.9, onde
)(psf so os coeficientes da expanso de x nas funes Wavelet Packet,
)(tWsfp so as funes Wavelet Packetbsicas, s o ndice de escala (ou
dilatao), p o ndice de posio (ou translao), e f o ndice de
freqncia; 0,, feps (PARRAGA, 2002).
== dtptwtxwxp sfs
sfp
def
sf )2(2).(,)(2/ (4.9)
Na utilizao de wavelet ortogonal, o esquema computacional para gerar
Wavelet Packets de fcil implementao. Inicia-se com dois filtros de
tamanho 2Ncontendo h(n) e g(n) que correspondem wavelet(MISITI et al,
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
62/136
60Captulo 4 Wavelets
____________________________________________________________________________________________
2005). A equao 4.10 define a seqncia de funes, onde )x()x(W0 =
a funo escala e )x()x(W1 = a funo wavelet ou wavelet-me
(MISITI et al, 2005), e h(k) e g(k) so os Filtros de Quadratura H e G. Esta
seqncia de funes est organizada na figura 4.9, sendo o parmetro deescala j (nmero de nveis de decomposies), n,jW a Wavelet-Packet na
posio n.
=
+
=
=
=
=
12
012
12
02
)2()(2)(
)2()(2)(
),2,1,0),((
N
knn
N
knn
n
kxWkgxW
kxWkhxW
por
nxW K
(4.10)
Figura 4.9 rvore da organizao da Wavelet Packets. A escala jdefine os
nveis de decomposio e W(n) a posio.Fonte: (MISITI et al, 2005).
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
63/136
61Captulo 4 Wavelets
____________________________________________________________________________________________
4.8 Consideraes Finais
Neste captulo foi abordado o assunto referente s Transformadas Wavelets.
Essas transformadas so constitudas de funes que satisfazem requisitosmatemticos, e podem ser processadas utilizando diferentes escalas ou
resolues. O processo de decomposio Wavelet de um sinal gera
informaes de baixa e alta freqncia, tratadas respectivamente como
coeficientes de aproximao e detalhes (horizontais, verticais e diagonais).
Existem diversas possibilidades de escolha para uma funo Wavelet,
dentre as quais se destacam: Haar, Daubechies, Meyer, Morlet, dentre
outras.
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
64/136
62
CCaappttuulloo 55 MMeettooddoollooggiiaa
5.1 Introduo
Este trabalho tem por objetivo o estudo comparativo do uso de
Transformadas Wavelets na anlise de textura de ris humana para
aplicao em sistemas de reconhecimento biomtrico. De modo geral, pode
ser dividido em duas etapas principais: localizao e extrao da ris e o
reconhecimento utilizando a anlise Wavelet.
Na primeira etapa, foi desenvolvido um algoritmo programado no ambienteDelphi, contendo os mtodos de localizao, tratamento e extrao da ris,
onde as tcnicas empregadas e os resultados obtidos so descritos nos
prximos tpicos. Com as imagens das irises extradas e normalizadas no
tamanho 64x512(altura/largura), uma nova base de dados foi criada, com a
finalidade de analisar somente a rea de interesse e facilitar os passos
seguintes de processamento.
A segunda etapa compreende um estudo comparativo sobre qual famlia
Waveletapresenta o melhor resultado para reconhecimento das imagens da
ris, atravs do desenvolvimento de um algoritmo utilizando a interface com o
usurio no ambiente Delphi, o processamento das Waveletse o clculo da
distncia Euclidiana na ferramenta Matlab.
Um mtodo foi desenvolvido para avaliar a influncia nos resultados das
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
65/136
63Captulo 5 Metodologia
____________________________________________________________________________________________
imagens borradas, desfocadas e que possuem uma grande quantidade de
clios ou plpebras, reduzindo ou mesmo tornando imprpria tal imagem
para o reconhecimento.
5.2 Materiais
Todas as imagens utilizadas no desenvolvimento e avaliao desse trabalho
foram obtidas do banco de imagens CASIA, fornecido pelo ris Recognition
Research Group - Nation Laboratory of Pattern Recognition(NLPR), mantido
pelo Instituto de Automao da Academia Chinesa de Cincias.
No total so 756 imagens de olhos referentes a 108 indivduos, onde cada
indivduo possui 7 imagens, capturadas em duas etapas distintas. Na
primeira, foram obtidas trs imagens e na segunda, um ms aps, outras
quatro imagens. Atravs dessa construo, pode-se comprovar que no
existe variao nas irises de um mesmo indivduo com o decorrer do tempo,
e tambm simular o momento do cadastro de uma pessoa e uma tentativa
de identificao ou autenticao, um ms depois.
As imagens possuem resoluo de 320x280 pixels e 256 nveis de cinza,
capturadas atravs de um sensor tico digital desenvolvido pelo NLPR.
Com a finalidade de testar os sistemas de anlise da qualidade de imagens,
tambm esto inseridas no banco CASIA imagens borradas, desfocadas e
com forte ocluso da ris, geralmente pela influncia dos clios.
5.3 Equipamento Utilizado
Para avaliar o desempenho dos mtodos de localizao, tratamento e
extrao da ris, foi utilizado um Pentium IV, com processador de 3.06 GHz e
512 MB de memria RAM.
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
66/136
64Captulo 5 Metodologia
____________________________________________________________________________________________
Para o desenvolvimento do software de anlise Wavelet foi utilizado um
Pentium IV com processador de 2.80 GHz com 512 MB de memria RAM.
5.4 Segmentao da ris
A segmentao da ris utilizando algoritmos propostos por Wildes (WILDES,
1997), Daugman (DAUGMAN, 2001, 2002) e Li Ma (MA et al., 2003)
apresenta resultados expressivos na identificao de indivduos, mas do
ponto de vista computacional, exige tempos de processamento por quadro
alm do necessrio para anlise em tempo real (mnimo de 15 quadros porsegundo).
A ris humana e estruturas adjacentes possuem morfologia e simetria muito
regulares o que permite a identificao de regies baseada em um conjunto
mnimo de caractersticas obtidas de uma imagem. Dessa forma, uma
anlise amostral de caractersticas das imagens e a inferncia indireta das
regies de interesse foi desenvolvida neste trabalho, apesar do mesmo
processar na seqncia imagens de um banco de dados. A idia poderestudar, no futuro, os resultados obtidos aqui, para a anlise e o
reconhecimento dos padres da ris em tempo real.
A anlise amostral de caractersticas da imagem provocaria baixa
performance do mtodo uma vez que grandes erros podem ocorrer ao se
inferir caractersticas globais baseado em observaes locais; entretanto
uma filtragem estatstica utilizada para minimizar o efeito destes erros
sobre os resultados finais obtidos das imagens.
Para garantir alto desempenho computacional dos processos de deteco e
extrao da ris, utilizou-se de algoritmos simples e limitou-se as regies de
processamento.
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
67/136
65Captulo 5 Metodologia
____________________________________________________________________________________________
5.5 Algoritmo Generalizado de Segmentao da ris
O mtodo desenvolvido pode ser sintetizado nos seguintes passos:
1. Equalizao do histograma da imagem;
2. Disperso de sementes;
3. Localizao da pupila;
4. Aumento do contraste da imagem (mtodo Sat-Quad);
5. Disperso orientada de sementes;
6. Localizao da borda externa da ris;
7. Extrao da ris;
5.5.1 Equalizao da Imagem
Um pr-processamento da imagem, realizando-se a equalizao de seu
histograma, faz-se necessria para minimizao das diferenas de contrastee brilho em diferentes imagens. A figura 5.1 mostra um exemplo de uma
imagem do banco e sua correspondente equalizao.
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
68/136
66Captulo 5 Metodologia
____________________________________________________________________________________________
(a) (b)
(c) (d)Figura 5.1 Equalizao de Histograma. (a) Imagem original. (b) Histogramada imagem original. (c) Imagem equalizada. (b) Histograma da imagemequalizada.
5.5.2 Localizao da pupila
Nove sementes so aleatoriamente dispersadas sobre uma regio central e
limitada da imagem. A aleatoriedade das coordenadas das sementes
obtida utilizando-se a funo Random do ambiente de programao Delphi
que gera seqncias pseudo-aleatrias baseadas em uma semente de 32-
bits. Apesar da caracterstica pseudo-aleatria da funo random, uma
inicializao baseada no relgio do computador garantiu independncia
amostral das sementes dispersas.
Uma anlise local iniciada sobre cada semente para localizao da pupila,
calculando-se o gradiente em 4 direes pr-definidas (para cima, para
baixo, para a direita e para a esquerda) a partir de cada uma das sementes,
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
69/136
8/14/2019 Estudo Comparativo Da Transform Ada Wavelet
70/136
68Captulo 5 Metodologia
____________________________________________________________________________________________
(a) (b)
Figura 5.3 Localizao da pupila atravs da disperso de 9 sementes, ondecada semente possui uma cor diferente. (a) Imagem completa. (b) Destaquedas sementes na regio da pupila.
Cada semente retorna de 0 a 4 pontos (refe