Estudo Comparativo Da Transform Ada Wavelet

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


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


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.


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.


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.


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.


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


8/136

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


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


10/136


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


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


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


14/136


____________________________________________________________________________________________

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


15/136


____________________________________________________________________________________________

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.


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;


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)


18/136


____________________________________________________________________________________________

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


19/136


____________________________________________________________________________________________

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


20/136


____________________________________________________________________________________________

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


21/136


____________________________________________________________________________________________

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


22/136


____________________________________________________________________________________________

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.


23/136


____________________________________________________________________________________________

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


24/136


____________________________________________________________________________________________

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)


25/136


____________________________________________________________________________________________

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)


26/136


____________________________________________________________________________________________

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).


27/136


____________________________________________________________________________________________

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).


28/136


____________________________________________________________________________________________

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


29/136


____________________________________________________________________________________________

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


30/136


31/136


____________________________________________________________________________________________

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.


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


33/136


____________________________________________________________________________________________

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.


34/136


35/136


____________________________________________________________________________________________

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


36/136


____________________________________________________________________________________________

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,


37/136


____________________________________________________________________________________________

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):


38/136


____________________________________________________________________________________________

)}(),({))(,( 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


39/136


____________________________________________________________________________________________

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


40/136


____________________________________________________________________________________________

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,


41/136


42/136


____________________________________________________________________________________________

No negatividade:

;0),(),(0, =


43/136


____________________________________________________________________________________________

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


44/136


____________________________________________________________________________________________

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).


45/136


____________________________________________________________________________________________

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.


46/136


____________________________________________________________________________________________

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


47/136


____________________________________________________________________________________________

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.


48/136


____________________________________________________________________________________________

(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).


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


49/136


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)


51/136


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


53/136


____________________________________________________________________________________________

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


54/136


____________________________________________________________________________________________

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


55/136


____________________________________________________________________________________________

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.


56/136


____________________________________________________________________________________________

(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.


57/136


____________________________________________________________________________________________

== 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).


58/136


____________________________________________________________________________________________

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


59/136


____________________________________________________________________________________________

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.


60/136


____________________________________________________________________________________________

(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


61/136


____________________________________________________________________________________________

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,


62/136


____________________________________________________________________________________________

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).


63/136


____________________________________________________________________________________________


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.


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


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.


66/136


____________________________________________________________________________________________

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.


67/136


____________________________________________________________________________________________

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.


68/136


____________________________________________________________________________________________

(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,


69/136


70/136


____________________________________________________________________________________________

(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

Estudo Comparativo Da Transform Ada Wavelet

Documents

Transcript of Estudo Comparativo Da Transform Ada Wavelet