چکیده

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

1.مقدمه

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

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

 

 

 

تبدیل wavelet گسسته(DWT)

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

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

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

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

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

3.الگوریتم SPIHT اصلی

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

منبع:

Fingerprint Image Compression, Vol. 2(5), 2010, 919-928 International Journal of Engineering Science and Technology

می تونید پیاده سازی با متلب  با موضوع فوق سفارش دهید

نوشتن دیدگاه


تصویر امنیتی
تصویر امنیتی جدید