zastosowanie wybranych miar jakości oceny obrazów cyfrowych w

P O Z N A N UN I VE RS I T Y O F T E C HN O L O G Y ACA D E MI C J O URN A L S
No 80
Electrical Engineering
2014
Jakub PĘKSIŃSKI*
Grzegorz MIKOŁAJCZAK*
ZASTOSOWANIE WYBRANYCH MIAR JAKOŚCI OCENY
OBRAZÓW CYFROWYCH W DAKTYLOSKOPII
W artykule przedstawiono metodę identyfikacji odcisków palców uzyskanych w
procesie cyfrowego przetwarzania za pomocą urządzenia akwizycji obrazu opierającego
swoją budowę na matrycy CCD (Charge Coupled Device). Algorytm identyfikujący
odciski palców opiera swoje działanie na porównaniu docisków za pomocą popularnego
kryterium służącego do oceny obrazów cyfrowych Szczytowy Błąd Średniokwadratowy
PMSE (Peak Mean Square Error).
SŁOWA KLUCZOWE: biometria, obrazy cyfrowe, dopasowanie danych
1. WSTĘP
Ludzie zawsze starali się stworzyć skuteczne metody, które pozwolą w sposób
jednoznaczny zidentyfikować daną osobę. Taką identyfikację można dokonać
stosując wiele różnych technik. Obecnie techniki identyfikacji możemy podzielić
na następujące grupy:
a) Techniki identyfikacyjne wykorzystujące od swojego działania wiedzę danej
osoby - zalicza się tutaj wszystkie techniki identyfikacyjne, które wykorzystują
hasła, kody PIN itp.
b) Techniki identyfikacyjne wykorzystujące do swojego działania porównanie
pewnych niepowtarzalnych cech jakie posiada każda osoba - zalicza się tutaj
techniki identyfikacyjne, które wykorzystują analizę parametrów
biometrycznych.
Do drugiej grupy zalicza się techniki identyfikacyjne, które wykorzystują
analizę cech biologicznych danego osobnika, tzw. parametrów biometrycznych.
Techniki biometryczne opierają swoje działanie, na analizie unikatowych cech
posiadanych przez każdą osobę. Do podstawowych technik biometrycznych
zalicza się [5, 7] badanie:
 odcisków palców,
 geometrii dłoni,
__________________________________________
* Zachodniopomorski Uniwersytet Technologiczny.
218
Jakub Pęksiński, Grzegorz Mikołajczak




geometrii twarzy,
siatkówki oka,
tęczówki oka,
DNA.
Bardzo popularną metodą analizy biometrycznej jest porównywanie odcisków
palców. Każdy człowiek posiada unikalny wzór linii papilarnej. Wzór ten składa
się z określonych niepowtarzalnych elementów takich jak [5, 7]:
 miniuncję;
 układ linii papilarnych,
 rozmieszczenie porów,
 kształt porów,
 kształt krawędzi linii.
Celem artykułu jest zaprezentowanie skutecznego algorytmu dwustopniowej
identyfikacji użytkownika na podstawie analizy jego odcisku palca, który do
swojego działania wykorzystuje popularną miarę oceny jakości obrazów
cyfrowych (PMSE) [1,6]:
M
PMSE 
1

M N
N
  [( f
in
(i, j )  f out (i, j )] 2
i 1 j 1
max[( f out (i, j )2
(1)
gdzie: fin(i,j) – obraz oryginalny, fout(i,j) – obraz przetworzony, N∙M rozdzielczość
Analizując miarę opisaną wzorem 1 można bez trudu zauważyć, że liczbowe
wartości jego wskaźników zależą od treści obrazu. Jest to bardzo istotne gdyż
dzięki temu można ją wykorzystywać do porównywania obrazów z
wykorzystaniem obrazu odniesienia, tak jak ma to się w przypadku identyfikacji
użytkownika na podstawie porównania jego odcisku palca z wzorcem
umieszczonym w bazie.
2. ZASADA DZIAŁANIA ALGORYTMU DOPASOWUJĄCEGO
Algorytm opiera swoje działanie na porównaniu wzorca odcisku palca
pobranego za pomocą skanera cyfrowego i umieszczeniu go w bazie danych
użytkowników. Umieszczony tam odcisk jest traktowany jako obraz cyfrowy
służący jako wzorzec odniesienia danego użytkownika.
Rysunek nr 1 przedstawia przykładowy obraz wzorcowy odcisku palca
umieszczonego w bazie danych, oraz obraz odcisku pobranego w trakcie procesu
identyfikacji.
W celu porównania dwóch obrazów cyfrowych z wykorzystaniem PMSE
będących odpowiednikami odcisków palców można zastosować dwie metody.
Zastosowanie wybranych miar jakości oceny obrazów cyfrowych w ...
219
Pierwsza z metod polega na porównaniu całych obrazów względem siebie.
Jednak taka metoda jest nie zalecana gdyż ma na nią wpływ bardzo wiele
czynników [3]:
 jakość obrazów cyfrowych,
 dokładność skanowania,
 dokładność umiejscowienia palca na czytniku linii,
 uszkodzenie badanego palca.
Rys. 1. Obraz cyfrowy odcisku palca: a) wzorzec b) pobrany
Druga metoda polega na znalezienie wspólnych cech dwóch obrazów
cyfrowych [4, 5]. W tym celu dzielimy oba obrazy na małe segmenty.
Otrzymujemy w ten sposób kilkanaście par obrazów cyfrowych. Każdą taką parę
porównujemy ze sobą za pomocą miary PMSE w celu znalezienia segmentów
najbardziej podobnych do siebie. Segmenty, których wskazanie PMSE osiąga
wartości najmniejsze, są segmentami pasującymi do siebie.
Działanie algorytmu rozpoczyna się od podzielenia obrazu wzorcowego oraz
pobranego w danej chwili odcisku na szereg segmentów tak jak pokazano to na
rysunku nr 2.
Rys. 2. Podział obrazu wzorcowego a) i pobranego b) na segmenty
220
Jakub Pęksiński, Grzegorz Mikołajczak
W ten sposób otrzymamy kilka lub kilkanaście małych obrazów cyfrowych,
którym przypisujemy numery parami np. 1-1’, 2-2’ itd. Każdą taką parę obrazów
musimy porównać za pomocą miary PMSE.
Przykładowe wskazania PMSE pokazano w tabeli 1.
Tabela 1. Przykładowe wskazanie PMSE
Lp.
Numer segmentu
Wskazanie PMSE
1.
2.
3.
4.
5.
6.
7.
8.
9.
1-1’
2-2’
3-3’
4-4’
5-5’
6-6’
7-7’
8-8’
9-9’
298
45
643
300
17
311
445
489
987
Na podstawie analizy wskazań PMSE w poszczególnych segmentach możemy
wskazać te, które najlepiej pasują do siebie. Segmenty w których wskazanie
PMSE osiągnęło wartości minimalne są segmentami podobnymi do siebie. Co za
tym idzie można przyjąć, że odcisk palca należy do danego użytkownika.
Oczywiście w celu poprawnej identyfikacji użytkownika istotną rolę odgrywają
dwa czynniki, mianowicie:
 dobór odpowiedniej wielkości segmentu. Mniejsze segmenty dają możliwość
lepszej identyfikacji ale znacznie wydłużają czas potrzebny do poprawnego
zidentyfikowania,
 dobór odpowiedniej wartości progu wskazania miary, którego osiągnięcie
przez wskazania będzie uznawane za podobieństwo.
Podczas procesu identyfikacji, może się okazać, że wskazanie kryterium w
każdym segmencie będzie znacząco odbiegać od wartości optymalnej. W takim
przypadku należy powtórzyć pobranie odcisku palca.
3. WYNIKI BADAŃ DOŚWIADCZALNYCH
Poniżej, w tabeli 2, przedstawiono przykładowe wyniki badań
doświadczalnych przeprowadzone dla 10 użytkowników. Każdy z obrazów
cyfrowych podzielony był na 25 segmentów, w których mierzono wartość PMSE.
Jako poziom poprawnej identyfikacji użytkownika przyjęto znalezienie 7
segmentów pasujących do siebie, w których wartość parametru PMSE było
mniejsze od 75.
Zastosowanie wybranych miar jakości oceny obrazów cyfrowych w ...
221
Tabela 2. Wyniki badań identyfikacji odcisków palców na podstawie PMSE
Lp.
Pary
odcisków
Palec położony na
matrycy idealnie
Ilość segmentów pasujących
w pierwszym pomiarze
Poprawna
Identyfikacja
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
Para 1
Para 2
Para 3
Para 4
Para 5
Para 6
Para 7
Para 8
Para 9
Para 10
Tak
Tak
Tak
Tak
Tak
Tak
Tak
Tak
Tak
Tak
11
9
7
12
10
6
5
1
3
5
Tak
Tak
Tak
Tak
Tak
Nie
Nie
Nie
Nie
Nie
3. PODSUMOWANIE
Analizując wyniki badań przedstawione w tabeli numer 2 można stwierdzić, że
zaproponowany algorytm porównujący odciski palców jest skuteczny, spełnia
swoje zadanie i może być z powodzeniem używany do identyfikacji użytkownika.
Oczywiście algorytm ten opiera swoje działania na tzw. podwójnej identyfikacji.
To znaczy, w pierwszej kolejności użytkowanik podczas procesu weryfikacji musi
podać swoją tożsamość, a następnie zostaje poddany drugiej weryfikacji za
pomocą badania odcisku palca.
LITERATURA
[1]
[2]
[3]
[4]
[5]
J. Peksinski,G. Mikolajczak, (2009). Correction of the digital image shift in two dimensional plane, Journal of Electrical Engineering ., 60(6), pp. 341-351.
J. Peksinski, G. Miklajczak, (2010). The Synchronization of the Images Based on
Normalized Mean Square Error Algorithm, Advances in Intelligent and Soft
Computing vol. 80, Advances in Multimedia and Network Information System
Technologies, Springer Verlag, pp.15-26.
J. Peksinski, G. Mikolajczak (2011). Generation of FIR filters by using the neural
networks to improve digital images, 34th International Conference on
Telecommunications and Signal Processing, pp. 527-52.
J. Peksinski, G. Mikolajczak,(2009). Generation of a FIR Filter by Means of a
Neural Network for Improvement of the Digital Images Obtained Using the
Acquisition Equipment Based on the Low Quality CCD Structurecture, Lecture
Notes in Artificial Intelligence vol: 5990 pp.190-199.
D. Maltoni, D. Maio, A.K. Jain, S. Prabhakar (2009). Handbook of fingerprint
recognition. Originally published in the series: Springer Professional Computing
2nd ed. 2009, XVI, 496, p. 205.
222
[6]
[7]
Jakub Pęksiński, Grzegorz Mikołajczak
M. A. Eskicioglu (2000). Quality Measurement For Monochrome Compressed
Images In The Past 25 Years. Proceedings of the IEEE International Conference on
Acoustics, Speech, and Signal Processing (ICASSP) Conference, Vol. 4, pp.19071910.
R. Bolle, J. Connel, S. Pankanti, (2004). Guide to Biometrics, Springer Science.
APPLICATION OF SOME OF MEASUREMENT OF DIGITAL IMAGE QUALITY
ASSESSMENT IN FINGERPRINTING
Authors used a popular digital image quality assessment measure for fingerprint
identification – Peak Mean Square Error (PMSE). Analysing the measure described by
equation (1), it can be seen that the quantity of its indicators depends on the image content.
It is very important because, due to this, it may be used for comparison of images with the
use of an image of reference, like it is in identification of a user on the basis of the
comparison of one's fingerprint with the model kept in the database. The method is to find
common characteristics of both digital images. To do so, both images shall be divided into
small segments with assignation of sequential numbers to them, as it is shown in fig. 2.