بازشناسي هويت از طريق شبکيه چشم با استفاده از تبديل ويولت مريم پهلوانزاده مرکز تحقيقات مخابرات ايران دکتر منصور وفادوست عضو هيي ت علمي دانشگاه صنعتي اميرکبير vmansur@cc.aut.ac.r Maram_pahlevanzadeh@ahoo.com مجيد شهنازينيا دانشگاه صنعتي اميرکبير majdshahnaz@ahoo.com ميدهند که روش پيشنهادی با % صحت بازشناسی به طور ميانگين 3 درصد بهبود بازشناسی در حضور نويز 5 دسیبل تا دسیبل داشته است. واژههای کليدي: شبکيه چشم شبکه رگها بازشناسي هويت - مقدمه در سالهاي اخير با گسترش فناوري اطلاعات و لزوم نياز به امنيت بالا بکارگيري شيوههاي مختلف شناسايي هويت افراد چکيده: اسکن شبکيه چشم يک روش زيست مقياس براي شناسايي افراد است. اجزاء شبکيه چشم شامل شبکه رگها ديسک نوري و فووا ميباشد. الگوي توزيع رگهاي خوني يکي از بارزترين روشهاي شناسايي هويت از طريق شبکيه است. اطلاعات مربوط به ضخامت طول انحناء و نحوه توزيع رگهاي خوني در تصاوير بسيار مهم ميباشد. بنظر میرسد روشهاي تحليل چند مقياسي برای استخراج مشخصه از شبکه رگهای موجود در شبکيه که داراي ضخامت و ابعاد مختلفي هستند مفيد باشد. بنابراين در اين مقاله از تبديل ويولت به عنوان يکی از قويترين ابزارها در تحليل چند مقياسي براي استخراج مشخصه از شبکه رگها استفاده شده است. استفاده از مشخصه انرژي ويولت ميتواند توزيع انرژي ويولت را در رگها در جهت هاي مختلف و همچنين در مقياسهاي مختلف تجزيه ويولت بدست ا ورد. اين مشخصهها توانايي خوبي در متمايز ساختن هر چه بيشتر شبکه رگها از يکديگر دارند. محاسبه ا سان و سريع تابع انرژي ويولت يکي ديگر از مزيت- هاي استفاده از اين روش به شمار ميرود. همانطور که ميدانيم سيستمهاي تصويربرداری الکترونيکي به علت استفاده از نيمه هاديها و وجود گرماي متغير محيط باعث ايجاد نويز در تصوير ميگردند در اين مقاله با افزودن نويز به تصوير به ارزيابي درصد بازشناسي پرداختهايم. نتايج ا زمايشات نشان اهميت ويژهاي پيدا کرده است. ا نچه که يک سيستم شناسايي هويت بايستي دارا باشد ميزان خطايي برابر با صفر هزينه کم سرعت بالا و غير تهاجمي بودن ا ن است. همچنان که ميدانيم يک سيستم شناسايي هويت بر اساس يک ويژگي انحصاري عمل ميکند. وجود پايداري و عدم تغييرات کلي اين ويژگي کارايي سيستم شناسايي را تضمين مينمايد. در مورد شناسايي چهره و صدا پايداري چنداني در اين ويژگي انحصاري زيست مقياس مشاهده نميشود. اما در مورد شبکيه موضوع به گونه- اي ديگر است و ا ن اينکه : الگوی توزيع شبکه رگهای خونی در شبکيه در طول زندگي ثابت و بدون تغيير ميماند و اين

خصلت دقت بالاي شناسايي هويت مبتني بر شبکيه را در پي دارد[ ]. -کارهاي انجام شده قبلي هادي جعفرياني [] جهت استخراج ويژگي هاي مطلوب تصاوير شبکيه از تبديل فوريه - ملين و ممان هاي تصوير استفاده کرده است. در [] از تمام تصوير شبکيه چشم شامل شبکه رگها ديسک نوري و فووا جهت استخراج ويژگي استفاده شده است و اين در حالي است که تنها الگوي توزيع رگهاي خوني در طول زندگي در شبکيه چشم بدون تغيير باقي ميماند. بيماري هايي نظير ديابت Hpertenson Vascular Scleross و Coronar Arter Scleross بر روي شبکيه چشم تا ثير ميگذارد. براي مثال بيماري ديابت در شبکيه چشم خود را به صورت لکههايي روشن نشان ميدهد که باعث تشخيص اشتباه ديسک نوري ميگردد[ ]. همچنين وجود ديسک نوري در تصوير با شدت روشنايي بالا و بزرگ بودن ابعاد ا ن در تصوير باعث مي شود اجزاء ديگر تصوير با شدت روشنايي پاي ين و کوچک مانند شبکه رگها تحت تا ثير قرار گرفته و اثر ا نها به خوبي مورد ارزيابي قرار نگيرند. با استفاده از اين روش استخراج مشخصه در يک پايگاه اطلاعاتي کوچک مي توان به يک درصد بالاي بازشناسي دست يافت اما در يک پايگاه داده بزرگتر درصد صحت بازشناسي افت مي کند چرا که الگوي توزيع رگهاي خوني در طول زندگي ثابت و براي افراد مختلف يکتاست. بنابراين استفاده از کل اجزاء تصوير شبکيه در استخراج مشخصه منطقي نميباشد. ZHI-XU [3] از توزيع شبکه رگهاي خوني و حذف ساير اجزاء شبکيه چشم مانند ديسک نوري و فووا براي استخراج مشخصه استفاده کرده و از بردار انحنا ساختار اسکلتي شبکه رگها براي متمايز ساختن تصاوير مختلف بهره جسته است. در [3] براي از بين بردن چرخش موجود در تصاوير از مشخصسازي نقطه مرجع و تشابه مثلثي براي محاسبه پارامترهاي تبديل جبرانساز چرخش استفاده شده است. روش بکار گرفته شده در [3] براي يافتن نقطه مرجع و پارامترهاي تبديل براي از بين بردن چرخش احتياج به محاسبات گستردهاي دارد. همچنين مقايسه ميان بردار انحناء در دو تصوير براي يافتن ميزان تطابق نيز بسيار زمانبر و پر هزينه است. در حالي که براي يک سيستم شناسايي هويت هزينه کم محاسباتي و سرعت بالا مورد نياز است. در اين مقاله از تصاوير الگوي توزيع رگهاي شبکيه براي استخراج مشخصه استفاده شده است. همانطور که بيان شد با توجه به ضخامتهاي متفاوت رگها در شبکيه تحليل چند مقياسي ويولت يکي از بهترين ابزارها در تحليل تصاوير شبکه رگهاي موجود در شبکيه چشم ميباشد. خاصيت جهتدار بودن ويولت نيز يکي ديگر از خاصيت هاي مهم ويولت به شمار ميرود. ويولت يک ابزار قوي در تحليل چندمقياسي است و تبديل ويولت دو بعدي ميتواند يک تصوير را در جهتهاي مختلف در مقياسهاي متفاوت تجزيه نمايد. در ادامه در بخش 3 روش ا شکارسازي رگها در تصاوير شبکيه و در بخش 4 چگونگي استخراج مشخصه با استفاده از تبديل ويولت توضيح داده ميشود. در بخش 5 و 6 به ترتيب نتايج حاصل از ا زمايش و نتيجهگيري شرح داده خواهد شد. 3- ا شکارسازي رگها در تصاوير شبکيه در تصاوير شبکيه بارزترين شاخص شکل ظاهري رگهاي خوني و يا به عبارتي الگوي توزيع ا نها مي باشد و از ا نجا که در مقاصد شناسايي خودکار شکل رگها ابزاري مفيد و گويا در اراي ه ويژگيهاست ا شکارسازي ا نها به نحو موثري در شناسايي مفيد خواهد بود. مشکل ا شکارسازي رگها از ا نجا ناشي خواهد شد که در تصاوير معمول شبکيه سطح تمايز چنداني بين رگها و پس زمينه وجود ندارد و بهرهگيري از روشهاي معمول مثل گراديان کارساز نيست. فايدهاي ندارد. ا ستانهگذاري کلي هم در [4] از ا ستانهگذاري تطابقي به همراه باريکسازي تصاوير باينري براي استخراج رگهاي اصلي استفاده شده است. در [5] از تقطيع خروجي ا شکارساز لبه sobel براي استخراج شبکه رگها در تصاوير شبکيه بهره گرفته شده است. در اين روش تنها رگهاي اصلي قادر به ا شکارسازي هستند و رگهاي کوچک نميتوانند از ساير اجزاء متمايز شوند. از الگوريتم يافتن خطوط در [6] براي توصيف

الگوي شبکه رگها استفاده شده است در حالي که اين روش الگوي پيوستهاي از شبکه رگها را نتيجه نميدهد. در [7] مشخصه سطح خاکستري رگ در راستاي مقطع عرضي ا ن با يک منحني گوسي شکل مدل شده و سپس از فيلترهاي تناظريافته Flter) ( Matched استفاده شده است. در اين روش از كرنلهاي خطي دوبعدي كه داراي ساختار گوسي هستند بهره جسته ميشود. اين كرنلها در جهتهاي مختلف ميچرخند (معمولا 8 الي جهت) تا متناسب با شكل رگهاي مختلف گردند پس از اعمال اين كرنلها يك سطح ا ستانهاي براي تصوير درنظر گرفته ميشود تا به يك حد مشخصي اطراف و سايه رگها نيز بيرون كشيده شوند. اين روش بر روي تصاوير شبكيه افراد سالم خوب عمل ميكند. اما در حالت بيماري به خصوص بيماري قند اين روش خوب عمل نميكند. از ا نجايي که تصاوير شبکيه معمولا نويزياند و داراي کنتراست ضعيفي هستند تحليل اتوماتيک ا نها مشکل است. علاوه بر اين شدت روشنايي غير يکنواخت در يک تصوير شبکيه و همچنين تغييرات شدت روشنايي در تصاوير مختلف تحليل اين تصاوير را با مشکل روبرو ساخته است. روش پيشنهادي در [8] مستقيما بر اساس شدت روشنايي عمل نميکند لذا مشکلات ذکر شده تا ثيري بر روي نتيجه ندارد. در اين روش از جهتگيري گراديان براي استخراج شبکه رگها استفاده ميشود. در اين مقاله از روش اراي ه شده در [8] بر اساس ا شکارسازي رگها با استفاده از جهتگيري گراديان استفاده شده است که در ادامه به شرح مختصري راجع به ا ن پرداخته ميشود. - - 3 ا شکارسازي رگها با استفاده از جهتگيري گراديان شبکه رگها وجود دارند دچار گسستگي زيادي ميشوند. در نتيجه با يافتن گسستگيها در جهتگيري گراديان ميتوان شبکه رگها و يا ساير مشخصهها در تصوير را پيدا کرد. نحوه استخراج و تحليل بر اساس جهتگيري گراديان (Gradent Analss) (GOA) Orentaton در ادامه توضيح داده ميشود : اگر g(, نشان دهنده تصوير شبکيه باشد بردارهاي گراديان طبق رابطه () بدست مي ا يد : () g g * k g g * k عملگر * نشاندهنده کانولوشن و k و k به ترتيب عملگرهاي مشتق اول در راستاي افقي و عمودي ميباشند. گراديان واحد طبق رابطه () بدست مي ا يند: () بردارهاي n g / g + g n g / g + g اگر مخرج کسر خيلي کوچک باشد (> ( بردار واحد صفر در نظر گرفته ميشود. براي يافتن مکان گسستگي در جهتگيري گراديان ابتدا مشتق اول بردارهاي واحد مطابق روابط موجود در (3) بدست ا ورده ميشود: (3) d n k d n k d n k d n k در اين مرحله نيز از همان عملگرهاي مشتق اول بار ديگر استفاده ميشود. اندازه گسستگي در جهتگيري گراديان D(, با توجه به رابطه (4) بدست مي ا يد. D d + d + d + d (4) - - - 3 ديدگاه چندمقياسي لازم است که عملگر مشتق اول مناسبي براي ا شکارسازي اندازههاي مختلف مشخصهها در تصوير انتخاب شوند. با توجه به اينکه اندازه رگها با دور شدن از ديسک نوري کاهش مي- يابد بنابراين در سه مقياس مختلف از GOA استفاده ميشود تا رگها با اندازههاي مختلف ا شکار شوند. علاوه بر اينکه از - - - 3 تحليل جهت گيري گراديان به منظور ا شکارسازي رگها با استفاده از جهتگيري گراديان در ابتدا بردارهاي گراديان تصوير را بدست ا ورده و سپس ا نها را به بردارهاي گراديان واحد نرماليزه مينماييم چرا که تنها جهتگيري گراديان مهم است. از ا نجا که شبکه رگها تيره تر از زمينه ميباشند بردارهاي واحد در ا ن مناطق واگرا (Dverge) ميشوند. بنابراين بردارهاي واحد در مناطقي که

عملگرهاي sobel در تصوير اصلي براي استخراج GOA استفاده ميشود از عملگرهاي sobel بهبود يافته نيز مطابق رابطه (5) براي تصوير اصلي و همچنين تصوير حاصل از فيلتر پايين گذر تبديل ويولت هار استفاده ميشود تا مشخصه هاي بزرگ نيز در مقياسهاي مختلف ا شکارسازي شوند. ' ' k, k (5) اندازه گسستگي جهتگيري گراديان را براي هر سه مقياس محاسبه و در نهايت (, D GOA مطابق رابطه (6) بدست ا ورده ميشود : (6) D GOA D + D + D 3 D 3 اندازه با استفاده از Up samplng به اندازه ابعاد تصوير اصلي درميا يد. - -3-3 پردازشهاي لازم جهت استخراج شبکه رگها با استفاده از GOA پردازش هايي لازم است تا بتوان شبکه رگها را با استفاده از GOA استخراج کرد. GOA نسبت به برا مدگيها و فرورفتگيها به يک شکل پاسخ ميدهد به اين دليل که هر دوي ا نها داراي گسستگيهايي در جهتگيري گراديان هستند. براي استخراج رگها (يعني فرورفتگي ها در تصوير) GOA هاي بالا که متعلق به برا مدگيها در تصوير هستند بايد حذف شوند. با استفاده از علامت عملگر لاپلاسين )g ميتوان مطابق رابطه (7) برا مدگي ها را حذف, نمود :(7) D Valle D Valle DGOA(,, sgn( g(, ), otherwse; D Valle ميتوان به تصوير باينري با ا ستانهگيري از دست يافت. در انتها نيز مي توان ساختارهاي منفرد کوچکتر از شکل 3 - الف) تصوير شبکيه ب) استخراج شبکه رگها با استفاده از جهت گيري گراديان پيکسل را حذف نمود تا تصوير شبکه رگها با وضوح ا شکار گردند. در شکل نتيجه حاصل از استخراج شبکه رگها با استفاده از جهتگيري گراديان ا ورده شده است. پس از استخراج شبکه رگها در تصاوير شبکيه نوبت به استخراج مشخصه و بازشناسي هويت با توجه به يکتايي الگوي توزيع شبکه رگها ميرسد. در شبکه رگها رگها داراي ضخامتهاي متفاوتي ميباشند رگهاي اصلي شاخه شاخه و نازک شده و در سراسر تصوير پخش ميشوند. با توجه به ضخامتهاي متفاوت رگها در شبکيه تحليل چند مقياسي ويولت ميتواند ابزار خوبي در تحليل تصاوير شبکيه باشد. خاصيت جهت دار بودن ويولت نيز يکي ديگر از خاصيتهاي مهم ويولت به شمار ميرود. ويولت يک ابزار قوي در تحليل چند مقياسي است و تبديل ويولت دو بعدي ميتواند يک تصوير را در جهت هاي مختلف و در مقياس ها متفاوت تجزيه نمايد. بنابراين مي توان گفت رگهاي اصلي که داراي ضخامت بيشتري هستند را ميتوان با رزولوشن پاي ين مورد تجزيه و تحليل قرارداد و انشعابات رگهاي اصلي که داراي ضخامت کمتري هستند را ميتوان با رزولوشنهاي متوسط و بالا تحليل کرد. در ادامه در بخش 4 پس از شرح مختصري راجع به تبديل ويولت چگونگي استخراج مشخصه از شبکه رگها با استفاده از تبديل ويولت توضيح داده خواهد شد.

و 8-4 تبديل ويولت دو بعدي (DWT) Two-) (Dmensonal Wavelet Transform اگر انتگرال دوگانه يک تابع دوبعدي داراي مقدار غير صفر باشد اين تابع يک تابع دو بعدي صاف (Smooth) خوانده ميشود. حاصل مشتق جزي ي در جهت و يک تابع صاف, θ ( توصيفي از دو ويولت بدست ميدهد [9]. دوبعدي ( روابط ) نمونهاي از تجزيه سطح دو ويولت گسسته را نشان ميدهد[ ]. شکل - تجزيه سطح اول ويولت گسسته ψ ψ θ θ.(9 (9-8) براي هر تابع, f ( تبديل L ( R ) ψ s هستند: و ψ s f * ψ () ويولت که با توصيف ميشوند داراي دو مولفه W W f ( s,, f ( s,, f * ψ s s () استفاده از فيلترها يک راه بسيار کارا مد براي پياده سازي تبديل ويولت گسسته (DWT) است که توسط مالات [] در سال 998 بدست ا مد. K امين سطح تجزيه ويولت در شکل نمايش داده شده است که در ا ن k A ضرايب مربوط به -K Appromaton امين سطح تجزيه است. ضرايب V k H k A k و D k به ترتيب مربوط به جزي يات افقي عمودي و قطري تجزيه سطح k ام هستند. A همان تصوير اصلي I است. پس از تجزيه در J سطح تصوير اصلي توسط +3J زير سطح مطابق رابطه () نمايش داده مي شود. A J,{ H, V, D},..., J () H j تقريبا با رزولوشن پاي ين تصوير اصلي و A j V j و D j به ترتيب زير تصاوير ويولت شامل جزي يات تصوير در راستاي افقي عمودي و قطري در مقياس هاي مختلف ( j ) مقادير بزرگ دامنه در V j H j و <j<j,d j است. به ترتيب مربوط به فرکانسهاي بالا در راستاي افقي (لبه هاي افقي) فرکانس- هاي بالا در راستاي عمودي (لبه هاي عمودي) و فرکانسهاي بالا در راستاي قطري (لبه هاي قطري) شکل ميباشد. شکل - - 4 - - - 4 سطح دوم تجزيه ويولت Daubeches b) تصوير اصلي a) 3- استخراج مشخصه با استفاده از تبديل ويولت انرژي ويولت انرژي ويولت در راستاي افقي عمودي و قطري در سطح ام طبق روابط (3) تا (5) بدست ميا يند. E E E h v d M N M N M N ( H ) ( V ) ( D ) (3) (4) (5) اين انرژيها نمايانگر قدرت جزي يات تصوير در راستاهاي متفاوت و در سطح ام تجزيه ويولت ميباشند. جزي يات تصوير در شبکه رگها با ضخامتهاي مختلف متفاوت ميباشد. بنابراين معادله هاي (3) تا (5) ميتواند شدت اين مشخصه ها را در راستاهاي مختلف در مقياس ام از تجزيه ويولت 3

توصيف نمايد. علاوه بر اين به علت اينکه رگهاي اصلي و با ضخامت بالا جزء الگوهاي با فرکانس پايين دستگاه هستند ضرايب ويولت ا نها با افزايش مقياس تجزيه ويولت افزايش مييابد و اين در حالي است که رگهاي با ضخامت کم که جزء الگوهاي با فرکانس بالاي تصوير ميباشند در مقياسهاي بزرگ تجزيه داراي ضرايب کوچکتري هستند. انرژي رگهاي اصلي در مقياسهاي بالاي تجزيه متمرکز ميشوند و انرژي رگهاي انشعاب شده و نازک در مقياسهاي پاي ين متمرکز مي شود. بنابراين بردار مشخصه رابطه ميتواند مشخصه (6) مربوط به جزي يات برداري شبکه رگها را به صورت خوبي توصيف نمايد. h v d ( E, E, E ),,..., M (6) M سطح تجزيه ويولت است. - - - 4 تشکيل مشخصه انرژي ويولت (WEF) Wavelet Energ Feature همانطور که قبلا اشاره شد بردارهايي که با توجه به روابط (6) تا (3) محاسبه ميشوند مربوط به مشخصه هاي سراسري و کلي تصوير شبکه رگها ميباشند. اين مشخصهها از تمام تصوير استخراج شدهاند و اطلاعات مربوط به مکان جزي يات در ا نها لحاظ نشده است. توصيف شبکه رگها ضعيف است. تصاوير مربوط به جزي يات را به بلوک هاي بنابراين توانايي ا ن در براي حل اين مشکل S S ناهمپوشان و مساوي تقسيم کرده و سپس انرژي هر بلوک را بدست ا وريم. در مرحله سوم انرژيهاي تمام بلوکها براي ساخت بردار مشخصه مورد استفاده قرار ميگيرد. در ا خر بردار مشخصه توسط انرژي کل نرماليزه ميشود. اين بردار نرماليزه شده مشخصه انرژي ويولت تصوير به (WEF) J ناميده مي شود. سطح تجزيه شده باشد طول بردار اگر WEF 3 S S J مي باشد. WEF توانايي خوبي براي متمايز ساختن شبکه رگهاي موجود در تصوير شبکيه دارد. بازشناسي شبکه رگها در تصاوير شبکيه داراي دو مرحله ميباشد: مرحله تعليم و مرحله بازشناسي. در مرحله تعليم WEFهاي نمونه هاي تعليم محاسبه شده و يک قالب( Template ) از شبکه رگهاي مربوط به هر فرد بدست ا ورده ميشود. در مرحله بازشناسي ابتدا WEF مربوط به ورودي را محاسبه و سپس با استفاده از کلاسيفاير بر اساس فاصله اقليدسي به مقايسه ميان تصوير ورودي و تصاوير موجود در پايگاه داده پرداخته ميشود. 5- نتايج ا زمايش در انجام اين ا زمايش از يک پايگاه داده با چهارصد تصوير از 4 فرد استفاده شدهاست (به ازاي هر فرد تصوير). براي هر فرد چهار تصوير نويزي با شدت 5db تا db و 5 تصوير چرخانده شده به طور تصادفي و يک تصوير نويزي و چرخانده شده وجود دارد. تصاوير تک رنگ و داراي زرولوشن 5 5 ميباشند. در انجام ا زمايشات از نرمافزار Matlab 7 و سيستم PΙV G, 5M RAM Pc استفاده شده است. از ا نجايي که در پايگاه داده استفاده شده در انجام اين تحقيق پنج تصوير با چرخشهاي متفاوت براي هر شبکيه وجود دارد لذا ميبايست قبل از استخراج مشخصه اين چرخشها جبران شوند. ابتدا شبکه رگها در تصاوير شبکيه با استفاده از گراديان جهتدار استخراج و با استفاده از انتقال محور اصلي تصوير يعني همان ممان دوم مربوط به شبکهرگها بر روي محور ها چرخش تصاوير از بين ميرود. بعد از جبران چرخش مشخصه WEF از تصوير شبکه رگ استخراج ميگردد. در شکل 4 دو مشخصه WEF از دو شبکيه مختلف رسم شدهاند. که در استخراج مشخصه WEF از ويولت Daubeches و تقسيمبندي به بلوکهاي 4 4 استفاده شده است. تفاوت ميان مولفههاي WEF ها از دو شبکيه يکسان و دو شبکيه متفاوت نيز در شکل 5 ا ورده شده است. همانطور که در شکل 5 ديده ميشود تفاوت ميان مشخصههاي مربوط به تصاوير دو شبکيه يکسان به مراتب کوچکتر از تفاوت ميان مشخصههاي مربوط به تصاوير دو شبکيه مختلف از دو فرد ميباشد. نوع و سطح تجزيه ويولت و همچنين انتخاب تعداد بلوکهاي ناهمپوشان در تقسيمبندي تصوير به منظور استخراج مشخصه WEF مهم ميباشد و ميتواند بر روي نرخ بازشناسي تا ثير بسزايي داشته باشد. لذا در اين مقاله در استخراج WEF ها از

Haar 55/ 73/75 87 9/5 Db 56/76 74/5 87/5 9/75 جدول - درصد صحت بازشناسی با استفاده از تقسيمبندی تصوير ويولت به بلوکهاي ناهمپوشان * مقياس نوع ويولت سطح اول سطح دوم سطح سوم سطح چهارم Haar 96/5 98/5 98/5 98/5 Db 96/5 98/5 98/5 98/75 ويولتهاي مختلفي با سطوح تجزيه متفاوت و همچنين تقسيمبندي به بلوکهاي ناهمپوشان مختلفي استفاده شده است تا به بهترين نتيجه در نرخ بازشناسي دست يابيم. جدول 3- درصد صحت بازشناسی با استفاده از تقسيمبندی تصوير ويولت به بلوکهاي ناهمپوشان 4*4 مقياس نوع ويولت سطح اول سطح دوم سطح سوم سطح چهارم Haar 99 99/5 99/5 Db 99 99/5 99/75 Sm4 99/5 99/5 99/75 Bor 99 99/5 99/5 شکل 4 - a) و b) دو شبکه رگ مربوط به دو فرد مختلف c) بردارهاي WEF هر یک از تصاویر a و. b شکل 5 - تفاوت بردارهاي WEF از دو تصوير مربوط به دو شخص متفاوت (خطوط مقطع) از دو تصوير يک شخص (خطوط پيوسته) نتايج حاصل از بازشناسي سيستم در استفاده از ويولتهاي مختلف در سطوح تجزيه متفاوت و همچنين تقسيمبندي به تعداد مختلف از بلوکهاي ناهمپوشان در جدولهاي تا 3 ا ورده شده است. جدول سطح چهارم - درصد صحت بازشناسی با استفاده از تصوير اصلی بدون درنظرگيري تقسيمبندي بلوکي سطح سوم سطح دوم سطح اول مقياس نوع ويولت همانطور که در جداول تا 3 ديده ميشود هر اندازه اطلاعات مکاني در تشکيل مشخصه WEF با تقسيمبندي به بلوکهاي ناهمپوشان بيشتري لحاظ گردد درصد صحت بازشناسي بيشتر ميشود. افزايش سطح تجزيه ويولت نيز باعث ميشود جزي يات بيشتري در تشکيل مشخصه WEF در نظر گرفته شود. بنابراين ميتوان ديد بهترين نتيجه بازشناسي در استفاده از سطح تجزيه 4 و تقسيمبندي به بلوکهاي ناهمپوشان 4*4 ميباشد. ا زمايشات نشان ميدهد نوع ويولت تا ثيري بر روي نتايج بازشناسي ندارد بنابراين با توجه به درنظر گيري عواملي نظير پيچيدگي محاسبات و حافظه مورد نياز سيستم ميتوان گفت از ا نجايي که ويولت Haar ساده ترين ويولت ميباشد ميتواند انتخاب مناسبي براي بازشناسي شبکه رگها باشد. به منظور مقايسه روش پيشنهادي با ساير فعاليتهاي انجام شده در اين زمينه نتايج مربوط به پياده سازي روش اراي ه شده توسط [3] XU و جعفرياني [] در جدول 4 ا ورده شده است. با توجه به يافتههاي موجود در جدول 4 مشاهده ميشود هر سه روش داراي نتايج يکساني بر روي دادههاي عاري از نويز ميباشند ولي در مقابل دادههاي نويزي روش بر

پايه تابع انرژي ويولت داراي درصد بازشناسي بالاتري نسبت ميانگين زمان بازشناسي 4/63 دقيقه نرخ بازشناسي کلي در پايگاه داده %98/5 به دو جدول 4 - مقايسه نتايج حاصل از ا زمايش ميانگين نرخ بازشناسي تصاوير نويزي %97 ميانگين نرخ بازشناسي تصاوير داراي چرخش و عاري از نويز % % % %96 % %98 % 5/86 ثانيه 3/34 ثانيه روش بکار برده شده روش اراي ه شده توسط [3] XU با استفاده از تابع انحناء تصوير شبکه رگ ها روش اراي ه شده توسط جعفرياني [] با استفاده از تابع تبديل فوريه - ملين روش پيشنهادي با استفاده از تابع انرژي ويولت روش ديگر است. با توجه به اين مطلب که از اثر نويز در سطوح مختلف تابع ويولت کاسته ميشود و به همين دليل استفاده از تابع انرژي ويولت در سطوح مختلف داراي مشخصههاي پايدارتري نسبت به نويز ميباشد. 6- نتيجهگيري و جمعبندي با توجه به اين واقعيت که شبکه رگها در تصاوير شبکيه داراي ضخامتها و رزولوشنهاي متفاوتي ميباشند در اين مقاله از مشخصه انرژي ويولت در مقياسهاي مختلف براي تمايز ميان تصاوير شبکيه استفاده شده است. تابع انرژي ويولت قادر است توزيع انرژي در رگها با ضخامتهاي متفاوت را در مقياسهاي مختلف نشان دهد. يعني ميتوان گفت رگهاي اصلي که داراي ضخامت بيشتري هستند را مي توان با محاسبه انرژي در رزولوشن پاي ين مورد تجزيه و تحليل قرارداد و انشعابات رگهاي اصلي که داراي ضخامت کمتري هستند را ميتوان با محاسبه انرژي در رزولوشن هاي متوسط و بالا تحليل کرد. تشکز و قدرداني نويسندگان مقاله بر خود لازم ميدانند از مرکز تحقيقات مخابرات ايران که حمايت اين پروژه را بر عهده داشت است تشکر نمايند. مراجع [] C. Smon and I. Goldsten, A New Scentfc Method of Identfcaton, New York State Journal of Medcne, Vol. 35, No. 8, pp. 9-96, September, 935. [] هادي جعفرياني و محمد شهرام معين " بررسي هويت افراد بر اساس تصوير شبکيه" يازدهمين کنفرانس مهندسي پزشکي ايران دانشگاه صنعتي اميرکبير 38. [3] ZHI- XU et al: " The Blood Vessel Recognton of Ocular Fundus.." IEEE Proceedngs of the Fourth Internatonal Conference on Machne Learnng and Cbernetcs, August 5 [4] M. Tanaka and K. Tanaka: "An automatc technque for fundus-photograph mosac and vascular net reconstructon." n MEDINFO '8. Amsterdam. The Netherlands: North-Holland, 98, pp. 6-. [5] N. Katz, M. Sleghtholm: "An mage Processng Sstem for automatc retna dagnoss." Proc. of SPIE., vol. 9, pp. 3-37. [6] K. Akta and H. Kuga: "Pattern recognton of blood vessel networks n ocular fundus mages." In IEEE Itzt.Workshop Phs. And f g. In Med Imagng, Mar. 5-8. 98, pp. 436-44. [7] Hoover, V. Kouznetsova, and M. Goldbaum. Locatng blood vessels n retnal mages b pecewse threshold probng of a matched flter response, IEEE Trms Medcal magng,vol. 9. no. 3, pp. 3-. March. [8] Toshak Kondo, Detecton of Anatomcal Features n Retnal Images Usng A Gradent Orentaton IEEE Trans. Med. Image., vol. 3, no. 3, pp. 35-36, 4. [9] Mallat, S. and Zhong, S, Characterzaton of sgnals from multscales edges IEEE Trans. Pattern Analss and Machne Intellgence, vol.4, no.7.pp.7-73,998 []Roul, O.; Vetterl, M, wavelet and sgnal processng, IEEE Sgnal Processng Magazne, vol. 8, no. 4, pp. 4-38, 99.