بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
استفاده از روش قطعه بندی تصویر برای آشکار سازی رگ های خونی تصویر شبکیه چشم با استفاده از فیلتر گابور
چکیده- استخراج عروق خونی شبکیه چشم نقش مهمی در کاربردهای پزشکی و شناسایی بیومتریک دارد. و همچنین یکی از دقیقترین و قابل اعتمادترین سیستمهای بیومتریک برای شناسایی اشخاص، سیستم تشخیص افراد از روی الگوی رگهای خونی تصاویر شبکیه میباشد. نحوه توزیع عروق خونی در تصاویر شبکیه چشم، در تشخیص و یا پیشگیری از بیماریی مانند فشار خون، یا بیماری قلبی ، مبنای بسیاری از تحلیل های پزشکی است. شناسایی رگ های بزرگ در تصاویر شبکیه به دلیل کنتراست باال نسبت به پشت زمینه کاری نسبتا آسان است اما شناسایی رگ های کوچک تر به دلیل کنتراست پایین و چرخش های زیاد جهتی بسیار سخت تر است. روشهای تحلیل چند مقیاسی برای استخراج مشخصه از شبکه رگهای موجود در شبکیه که دارای ضخامت و ابعاد مختلفی هستند، مفید باشد. در این مقاله روش جدیدی با استفاده از فیلترهای گابور، برای استخراج بردار ویژگیها از تصاویر چشم، ارائه شده است . در مرحله ی پیش پردازش این روش، پس از اعمال فیلتر تطبیقی وینر، ناحیه مورد نظر از نوار نرمالسازی انتخاب میشود .سپس دو بار موجک دوبچیز ۲ بر این ناحیه اعمال شده و ابعاد آن کاهش مییابد .در مرحله بعد، فیلترهای گابور را در جهت های مختلف به تصویر اعمال کرده و بردار ویژگی تصویر استخراج میشود. .طراحی این روش شامل چندین مرحله است :تصویربرداری، قطعه بندی، نرمالسازی، پیش پردازش،استخراج.
كلمات كليدي- قطعه بندي تصویر، پردازش تصویر، شبکيه چشم، فيلتر گابور، استخراج عروق
-1مقدمه
با پيشرفت سریع فناوري محاسبات و صنعت كامپيوتر، محققان عالقمند به طراحی و توسعه سيستم هاي تشخيص خودكار براي بهبود خدمات پزشکی شده اند. دو ویژگی اصلی اینگونه سيستم ها قابليت اطمينان باال و دقت زیاد آنهاست. به عنوان نمونه ميتوان به سيستمی اشاره كرد كه با پردازش تصاویر شبکيه قادر به تشخيص بيماري هایی نظير آب مروارید ، فشار خون، دیابت و تصلب شرایين باشد. ابزار اصلی این سيستم پردازش تصویر است و عمل تشخيص بيماري از طریق استخراج عروق شبکيه صورت ميگيرد. [1] تاكنون روش ها و الگوریتم هاي بسياري براي محاسبه كارایی و دقت ویژگی هاي عروق خونی شبکيه معرفی شده است . چنين روش هایی عالوه بر اینکه امکان پردازش تصاویر شبکيه را در حجم زیاد و با حداقل زمان و هزینه فراهم می كنند، از خستگی و خطاهاي دیگري كه شخص تشخيص دهنده ممکن است دچار شود، جلوگيري می نمایند. این روش ها معموال در گروه هاي زیر دسته بندي می شوند: [2]
روش هاي شناسایی الگو
روش هاي بر مبناي مدل
رویکردهاي مبتنی بر هوش مصنوعی
روش شبکه عصبی و ...
به طور مثال ، جوز استال و همکاران [3] ، روشی را براي قطعه بندي خودكار عروق خونی در تصاویر رنگی دو بعدي شبکيه چشم مطرح كردند. این روش ، براساس لبه هاي تصویر كار می كند كه تقریبا با خطوط مركزي عروض همزمان است. كارنفورس و همکاران [4] ، روش شناسایی قطعه بندي را براي تحليل تصاویر رنگی شبکيه پيشنهاد داده اند. این روش ها شامل تحليل موجک ، احتمال كالس بندي تحت تعليم و فرایند هاي تطبيقی آستانه، همانند روش هاي بر مبناي ریخت شناسی بودند. پاسکال ریموند [5] ، از روش هاي پردازش تصویر همچون عملگرهاي ریخت شناسی ، استانه محلی، و فيلتر هاي گاوسی دو بعدي براي قطعه بندي تصاویر دیجيتال عمقی شبکيه چشم بهره گرفته اند. سورس و همکاران [6] ، هدف قطعه بندي عروق خونی شبکيه چشم را با كالس بندي هر پيکسل تصویر به پيکسل عروقی و غير عروقی ، برمبناي بردار ویژگی پيکسل ارائه كرده اند. بردارهاي ویژگی تركيبی از شدت پيکسل و پاسخ هاي تبدیل گابور موجک دو بعدي است كه در مقياس هاي چندگانه ثبت شده اند. پرفتی و همکاران [7] ، مسئله قطعه بندي مورد نظر را با استفاده از شبکه هاي عصبی سلولی مطرح كرده اند. كارمن [2] الگوریتمی را براي استخراج عروق شبکيه با عنوان SIMD با هدف بهبود زمان محاسبات ارائه داده است. بالکيس و همکارانش [8] ، روش ساووالي محلی را با بسط دادن قابليت هاي آن براي اعمال به تصاویر عمقی شبکيه به كار برده و این روش را بهبود بخشيده اند. كين لی و همکارانش [9] ، یک طرح جدید چند مقياسی را با استفاده از توليد چند مقياسی فيلتر تطبيق یافته براي استخراج عروق خونی شبکيه پيشنهاد داده اند.
وجود دیسک نوري در تصویر با شدت روشنایی باال و بزرگ بودن ابعاد آن در تصویر باعث می شود اجزاء دیگر تصویر با شدت روشنایی پائين و كوچک مانند شبکه رگها تحتتاٌثير قرار گرفته و اثر آنها به خوبی مورد ارزیابی قرار نگيرند . با استفاده از این روش استخراج مشخصه در یک پایگاه اطالعاتی كوچک، می توان به یک درصد باالي بازشناسی دست یافت اما در یک پایگاه
داده بزرگتر درصد صحت بازشناسی افت می كند چرا كه الگوي توزیع رگهاي خونی در طول زندگی ثابت و براي افراد مختلف یکتاست .بنابراین استفاده از كل اجزاء تصویر شبکيه در استخراج مشخصه منطقی نميباشد ZHI-XU [10] از توزیع شبکه رگهاي خونی و حذف سایر اجزاء شبکيه چشم مانند دیسک نوري و فووآ براي استخراج مشخصه استفاده كرده و از بردار انحنا ساختار اسکلتی شبکه رگها براي متمایز ساختن تصاویر مختلف بهره جسته است .در [10] براي از بين بردن چرخش موجود در تصاویر، از مشخص سازي نقطه مرجع و تشابه مثلثی براي محاسبه پارامترهاي تبدیل جبران ساز چرخش استفاده شده است .روش بکار گرفته شده در [10] براي یافتن نقطه مرجع و پارامترهاي تبدیل براي از بين بردن چرخش، احتياج به محاسبات گسترده اي دارد .همچنين مقایسه ميان بردار انحناء در دو تصویر براي یافتن ميزان تطابق نيز بسيار زمانبر و پر هزینه است .در حالی كه براي یک سيستم شناسایی هویت هزینه كم محاسباتی و سرعت باال مورد نياز است .با توجه به ضخامتهاي متفاوت رگها در شبکيه، تحليل چند مقياسی ویولت یکی از بهترین ابزارها در تحليل تصاویر شبکه رگهاي موجود در شبکيه چشم می باشد .خاصيت جهتدار بودن ویولت نيز یکی دیگر از خاصيت هاي مهم ویولت به شمار ميرود .ویولت یک ابزار قوي در تحليل چند مقياسی است و تبدیل ویولت دو بعدي می تواند یک تصویر را در جهت هاي مختلف در مقياس هاي متفاوت تجزیه نماید .در ادامه روش آشکارسازي رگها در تصاویر شبکيه و چگونگی استخراج مشخصه با استفاده از تبدیل ویولت توضيح داده ميشود و همچنين نتایج حاصل از آزمایش و نتيجه گيري شرح داده خواهد شد .
تصاویر شبکيه عموما به دليل پروسه تصویر برداري و شکل محدب شبکيه چشم روشنایی غير یکنواخت دارند و تنوع زیادي از كنتراست و شدت روشناي ي هاي محلی را شامل می شوند .این مشکل به صورت جدي بر پروسه تشخيص و نتایج آن به خصوص زمانی كه از پروسه اتوماتيک كامپيوتري استفاده می شود، تاثير م یگذارد .از اینرو گام پيش پردازش جهت بهبود نتایج عمل قطعه بندي گامی ضروري است.
۲- پیش پردازش
تصاویر شبکيه با دوربين اخذ می شوند كه بر روي فيلم یا سنسور هاي دیجيتالی ذخيره می شوند كه نور روشنایی از سطح شبکيه بازتابيده می شود . عموما این تصاویر داراي روشنایی ناپيوسته و غير یکنواخت هستند و تنوع كنتراست و روشنایی محلی وجود دارد .این مسئله می تواند به صورت جدي بر روي پروسه تشخيص و خروج ي هاي آن تاثير بگذارد، به طوریکه حتی آسيب هاي شبکيه در برخی نقاط براي بيننده انسانی نيز به سختی قابل رویت است .متدهاي اتومات بر پایه سيستم هاي كامپيوتري اغلب براي كمک به متخصصان چشم براي به دست آوردن ویژگی ها از تصویر به عنوان مثال محاسبه اندازه رگ ها و یا شناسایی مشکالت چشم پيشنهاد می شوند . تصاویر با تنوع باالي روشنایی و كنتراست، هم داخل یک تصویر و هم بين تصاویر مختلف براي تحليل بسيار مشکل هستند و نتایج به دست آمده ممکن است كيفيت پایينی داشته باشند .
شکل :1کاهش شدت روشنایی
الگوریتم هاي متعددي براي بهبود كنتراست و تصحيح روشنایی پيشنهاد شده اند كه هر كدام مزایاي خود را در مورد اهداف مخصوص دارند.تکنيکهاي قدیمی تر روشنایی تصویر را با استفاده از دور ریختن فركانس هاي پایين روشنایی با استفاده از یک فيلتر باال گذر نرماليزه می كردند. سایر تکنيک ها با هدف خاص تصاویر شبکيه ارائه شدند .نرماليزه كردن پشت زمينه با استفاده از یک فيلتر ميانه بزرگ براي استخراج تغييرات آهسته روشنایی و سپس تفاضل آن از تصویر اصلی صورت می گيرد. در[11] براي تخمين و تصحيح شدت روشنایی در تصاویر شبکيه متدي ارائه شده است .این متد از فضاي رنگ HSV براي تركيب بهتر اطالعات روشنایی و كروماتيک استفاده می شود .سپس از یک مدل روشنایی بر روي زمينه شبکيه استفاده می كند كه بسياري از معایب روشهاي قبلی به خصوص زمانی كه آسيب بزرگی در شبکيه وجود دارد را از بين می برد .راهکارهایی كه تصحيح را از كل تصویر تخمين می زنند در ایجاد تمایز بين تنوع روشنایی به دليل وجود ویژگی هاي مختلف روشنایی با شکست مواجه می شوند كه نتيجه آنها یک هموار سازي كلی از تغييرات روشنایی تصویر است. فيلتر هاي محلی غير خطی وفقی حتی اگر قادر به توليد كنتراست محلی بهتر باشند باز هم تفاو ت هاي عمومی بين ویژگی هاي تاریک و روشن را كاهش ميدهند و هم چنين كاهش تنوع روشنایی را تضمين نمی كنند. انتخاب رگ ها به عنوان توصيف كنند ه هاي تغييرات روشنایی معایب خاص خود را دارد .اوال رگ ها در كل تصویر توزیع نشده اند . دوما تنوع باال در بازتاب بين شریان ها و ورید ها است كه این رگ ها الگو هاي روشنایی متفاوتی را ارائه می كنند كه تخمين مطمئن روشنایی را به شدت مشکل می سازد.
شکل ۲:تصحیح شدت روشنایی با میانگین گیری
-3 قطعه بندی رگ های خونی
بيشتر تحقيقات در زمينه تشخيص شبکيه بر روي قطعه بندي تصاویر شبکيه است .به این دليل كه اولين گام در پروسه تشخيص است و قطعه بندي به تنهایی ميتواند بسياري از بيماري ها را شناسایی كند. تشخيص برپایه ظاهر رگ هاي خونی صورت می گيرد و قطعه بندي خودكار رگ هاي خونی در تصاویر شبکيه می تواند به پزشکان در نظارت تعداد بيشتر افراد براي
شناسایی غيرعادي بودن رگ ها به دليل بيماري هاي چشمی و یا سيستمی كمک كند. روشهاي بسياري براي قطعه بندي رگ ها پيشنهاد شده است، اما نتایج هيچکدام به اندازه كافی قانع كننده نبوده است .قطعه بندي رگ ها مسئله تشخيص خط خاصی است و بنابراین بسياري از الگوریتم هاي استخراج رگ هاي خونی بر پایه تکنيک هاي تشخيص خط هستند. در [12] از متد نگاشت شعاعی براي تعيين محل خطوط مركزي رگ كه شامل رگ هاي كوچک هم می باشد استفاده می كند .ایده اصلی این روش آن است كه انحناي نگاشت یافته پيکسل عموما قله دارد اگر پيکسل متعلق به قطعه رگ باشد. سپس از مجموع گرادیان براي استخراج ساختار اصلی رگها استفاده ميشود كه قطعه بندي نهایی از اجتماع آنها به دست می آید .این روش بر روي مجموعه داده STARE پياده سازي شده است و نتایج نشان داده است كه این الگوریتم قادر به شناسایی در كنتراست پایين و رگ هاي كوچک است در حاليکه هزینه محاسباتی را به خوبی كاهش داده است. روش رشد ناحيه در[13] آمده است كه با آناليز اطالعات حوزه طيفی )گرادیان و انحناء( و اطالعات مکان به دست می آید .در مقاله[14] ابتدا تصویر ورودي با فيلتر گوسين پردازش شده و پاسخ فيلتر تطبيق به دست می آید و به عنوان نقاط آغاز آستانه محلی وفقی تکراري بهبود یافته جهت استخراج رگ هاي خونی به كار می رود .نتایج نشان می دهد این روش براي شناسایی رگ هاي خونی كوچک و بزرگ مناسب است .در[15] جهت استخراج رگ هاي خونی براي هر پيکسل تصویر بردار ویژگی با استفاده از ویژگی هاي مقياس و جهت انحناي فيلتر گابور محاسبه می شود .این ویژگی هاي استخراج شده با مدل مختلط گوسين و دسته بند SVM كالس بندي شده و به مساحت تحت منحنی 1.75 رسيده است . الگوریتمی نيز براي شناسایی و استخراج رگ هاي خونی ارائه شده است كه شامل سه گام است :فيلتر تطبيق، خوشه بندي فازي C-median و فيلتر برچسب گذاري .ابتدا فيلتر تطبيق براي بهبود بصري رگ ها استفاده شده و پس از آن خوشه بندي فازي C-median براي حفظ ساختار مکانی قطعه رگ ها استفاده می شود و در نهایت فيلتر برچسب گذاري براي حذف پيکسل هاي كالس بندي نشده اعمال می شود .این متد در تحليل ساختار آناتومی شبکيه به خوبی عمل می كند[16] در مقاله[17] از تركيب شبکه عصبی و متد بهبود موجک استفاده شده است كه شامل تبدیل موجک در فاز پيش پردازش و شبکه عصبی در فاز استخراج است . مقاله[18] تابعی را براي ارزیابی كلی روش هاي قطعه بندي ارائه می كند . این تابع بر پایه ویژگی هاي ساختارهاي رگ متصل در یک قطعه با معيارهایی همچون مساحت و طول است و طراحی آن حساس به ویژگی هاي اناتومی رگ می باشد .نتایج مقایسه بين این روش و سایر روشهاي ارزیابی قطعه بندي نشان داد كه روش مقاله[18] درجه تطبيق باالتري با كيفيت بصري انسان دارد و می تواند براي باال بردن كيفيت قطعه بندي در تصاویر شبکيه استفاده شود .تمامی روش هاي ذكر شده در مواجهه با تصاویر آسيب دیده شبکيه با مشکل مواجه شده و نرخ صحت پایينی را ارائه می كنند. براي آشکارسازي عروق روش هاي معددي پيشنهاد شده است كه هر یک تالش كرده اند تا یک یا چند چالش موجود در تصاویر شبکيه را برطرف كنند. به طور كلی روش هاي موجود را ميتوان به سه دسته ي جدا از هم تقسيم بندي نمود.
-4 آشکارسازی رگ ها در تصاویر شبکیه
در تصاویر شبکيه بارزترین شاخص، شکل ظاهري رگهاي خونی و یا به عبارتی الگوي توزیع آنها می باشد و از آنجا كه در مقاصد شناسایی خودكار شکل رگها ابزاري مفيد و گویا در ارائه ویژگيهاست، آشکارسازي آنها به نحو موثري در شناسایی مفيد خواهد بود. مشکل آشکارسازي رگها از آنجا ناشی خواهد شد كه در تصاویر معمول شبکيه، سطح تمایز چندانی بين رگها و پس زمينه وجود ندارد و بهره گيري از روشهاي معمول مثل گرادیان، كارساز نيست . آستانه گذاري كلی هم فایده اي ندارد . در [24] از آستانه گذاري تطابقی به همراه باریک سازي تصاویر باینري براي استخراج رگهاي اصلی استفاده شده است .در [25] از تقطيع خروجی آشکارساز لبه sobel براي استخراج شبکه رگها در تصاویر شبکيه بهره گرفته شده است .در این روش تنها رگ هاي اصلی قادر به آشکارسازي هستند و رگهاي كوچک نمی توانند از سایر اجزاء متمایز شوند .از الگوریتم یافتن خطوط در [26] براي توصيف الگوي شبکه رگها استفاده شده است در حالی كه این روش، الگوي پيوسته اي از شبکه رگها را نتيجه نمی دهد .در [27] مشخصه سطح خاكستري رگ در راستاي مقطع عرضی آن با یک منحنی گوسی شکل مدل شده و سپس از فيلترهاي تناظریافته استفاده شده است .در این روش از كرنل هاي خطی دوبعدي كه داراي ساختار گوسی هستند، بهره جسته می شود .این كرنل ها در جهت هاي مختلف ميچرخند تا متناسب با شکل رگ هاي مختلف گردند پس از اعمال این كرنل ها یک سطح آستان هاي براي تصویر درنظر گرفته می شود تا به یک حد مشخصی، اطراف و سایه رگها نيز بيرون كشيده شوند .این روش بر روي تصاویر شبکيه افراد سالم خوب عمل می كند .اما در حالت بيماري به خصوص بيماري قند این روش خوب عمل نميکند .از آنجایی كه تصاویر شبکيهمعموالً نویزي اند و داراي كنتراست ضعيفی هستند، تحليل اتوماتيک آنها مشکل است .عالوه بر این، شدت روشنایی غير یکنواخت در یک تصویر شبکيه و همچنين تغييرات شدت روشنایی در تصاویر مختلف، تحليل این تصاویر را با مشکل روبرو ساخته است .روش پيشنهادي در [28]مستقيماً بر اساس شدت روشنایی عمل نمی كند، لذا مشکالت ذكر شده تأثيري بر روي نتيجه ندارد .در این روش از جهت گيري گرادیان براي استخراج شبکه رگ ها استفاده می شود .
-1-4 روش های مبتنی بر پیکسل
در این گروه براي هر پيکسل ویژگی هایی استخراج می شود و با توجه به ویژگی ها و شرایط خاصی كه از قبل معين شده، تشخيص می دهند كه پيکسل رگ است یا پس زمينه ، به همين ترتيب تمامی پيکشل هاي تصویر برچسب دار می شود و در نهایت الگوي عروق را استخراج می كنند. از جمله ي اسن روش ها ميتوان به روش آستانه گذاري ، شبکه عصبی ، جهت گيري گرادیان اشاره كرد. [19]
شکل :3 محدودیت های موجود در تشخیص عروق
محدودیت هاي موجود در تشخيص عروق شبکيه : انعکاس نور در مركز رگ )فلش سفيد ممتد( ، عروق نزدیک به هم )فلش سفيد خط چين( ، روي هم افتادن رگ )فلش سياه ممتد( ، عروق مویرگی )فلش سياه خط چين(
-4۲- روش های مبتنی بر پنجره گذاری
از این گروه ميتوان فيلترهاي همسان ساز و تبدیل رادون محلی را نام برد . [20] البته فيلترهاي تشخيص خط نيز به خاطر تنوعی كه دارند ، برخی از آنها را ميتوان در گروه قبلی و برخی دیگر را در این گروه دسته بندي كرد. در استخراج عروق شبکيه استفاده از فيلتر تشخيص خط به دو گروه عمده تقسيم می شود:
تشخيص نقاط دو طرف لبه ي رگ و اتثال آنها به هم
تشخيص خطی به هم پيوسته در مركز رگ
نوع اول متعلق به روش هاي مبتنی بر پيکسل است و در این روش عرض رگ با محاسبه ي فاصله ي بين دو پيکسل مجاور تشخيص داده می شود. در نوع دوم ابتدا الگوي عروق شبکيه به صورت خطوطی با عرض یک پيکسل شناسایی و سپس با استفاده از روش هاي تشخيص عرض رگ ، عرض رگ تخمين زده می شود. ساختار كلی این نوع از روش ها به این صورت است كه با انتخاب پنجره اي به طور معمول با ابعاد بزرگتر از دو برابر قطر بزرگترین رگ در كليه ي تصاویر شبکيه چشم ، ویژگی هایی كلی استخراج كرده و با توجه به آنها در مورد وجود رگ در آن پنجره تصميم گيري می شود، سپس با استخراج رگ در آن ناحيه و قرار دادن تمامی پنجره ها در كنار هم ساختار كلی عروق استخراج می شود.
-3-4 روش های مبتنی بر ردیابی
استخراج الگوي عروق در اسن گروه طی فرآیندي دو مرحله اي انجام می شود: ابتدا محلی را كه تمامی رگ ها از آن قسمت شروع می شوند و نقطه ي ریشه ناميده می شود، مشخص می كنيم. سپس با شروع از نقطه ي ریشه و ردیابی محلی عروق، شاخه ها و نقاط انتهاي رگ شناسایی می شوند. با تركيب شاخه ها و نقاط انتهایی و نقطه شروع ، الگوي عروق استخراج می شود. [21] از جمله این روش ها ميتوان روش پيشروي سریع و روش درختی را نام برد. در روش پيشروي سریع كار از یک نقطه ي ابتدایی شروع و با استفاده از تابع سرعت F كه ميتواند توابع متنوعی را در بر بگيرد ، از جمله گرادیان تصویر- تابع برحسب شعاع رگ ، جهت گيري رگ، توابع تركيبی و ...
مسير رگ شناسایی و انتهاي آن نيز مشخص می شود. [22]
-4-4 آشکارسازی رگ ها با استفاده از جهت گیری گرادیان
-1-4-4 جهت گیری گرادیان
به منظور آشکارسازي رگها با استفاده از جهت گيري گرادیان، در ابتدا بردارهاي گرادیان تصویر را بدست آورده و سپس آنها را به بردارهاي گرادیان واحد نرماليزه مينمایيم چرا كه تنها جهت گيري گرادیان مهم است .از آنجا كه شبکه رگ ها تيره تر از زمينه ميباشند، بردارهاي واحد در آن مناطق واگرا ميشوند .بنابراین، بردارهاي واحد، در مناطقی كه شبکه رگها وجود دارند دچار
گسستگی زیادي ميشوند .در نتيجه با یافتن گسستگی ها در جهتگيري گرادیان ميتوان شبکه رگها و یا سایر مشخصه ها در تصویر را پيدا كرد .نحوه استخراج و تحليل بر اساس جهتگيري گرادیان 2)GOA( در ادامه توضيح داده می شود . اگر g(x,y) نشان دهنده تصویر شبکيه باشد، بردارهاي گرادیان طبق رابطه زیر بدست می آید .
عملگر * نشان دهنده كانولوشن و Kx و Ky به ترتيب عملگرهاي مشتق اول در راستاي افقی و عمودي ميباشند .بردارهاي گرادیان واحد طبق رابطه))2 بدست می آیند .
اگر مخرج كسر خيلی كوچک باشد بردار واحد صفر در نظر گرفته می شود . براي یافتن مکان گسستگی در جهت گيري گرادیان، ابتدا مشتق اول بردارهاي واحد، مطابق روابط موجود در))3 بدست، آورده می شود:
در این مرحله نيز از همان عملگرهاي مشتق اول بار دیگر استفاده ميشود . اندازه گسستگی در جهتگيري گرادیان D(x,y) با توجه به رابطه )4( به دست می آید.
الزم است كه عملگر مشتق اول مناسبی براي آشکارسازي اندازههاي مختلف مشخصه ها در تصویر انتخاب شوند .با توجه به اینکه اندازه رگها با دور شدن از دیسک نوري كاهش می یابد، بنابراین در سه مقياس مختلف از GOA استفاده ميشود تا رگها با اندازه هاي مختلف آشکار شوند .عالوه بر اینکه از عملگرهاي sobel در تصویر اصلی براي استخراج GOA استفاده ميشود، از عملگرهاي sobel بهبود یافته نيز مطابق رابطه((5 ، براي تصویر اصلی و همچنين تصویر حاصل از فيلتر پایين گذر تبدیل ویولت هار استفاده می شود تا مشخصه هاي بزرگ نيز در مقياسهاي مختلف آشکارسازي شوند.
اندازه گسستگی جهت گيري گرادیان را براي هر سه مقياس محاسبه و در نهایت مطابق رابطه ( 6 ) بدست آورده ميشود:
شکل :4استخراج شبکه رگها با استفاده از جهت گیری گرادیان
-5 استخراج ویژگی
استخراج ویژگی فرآیندي است كه در آن با انجام عملياتی بر روي دادهها، ویژگيهاي بارز و تعيين- كنندة آن مشخص ميشود . در این قسمت پس از انجام پيش پردازشهاي اوليه، ابتدا مکان دیسک نوري مشخص شده و نواحی اطراف آن استخراج ميشود و پس از قطبی شدن نواحی، فيلتر گابور به منظور استخراج بردارهاي ویژگی روي آنها اعمال ميشود.
-1- 5 موجک دوبچیز۲
یکی از فاكتورهاي مهم در سامانه هاي تشخيص هویت، سرعت پاسخ دهی سامانه است به همين دليل ابعاد بردار ویژگی استخراج شده از ناحيه عنبيه باید حتی االمکان كوچک باشد .با توجه به اینکه تصویر نگاشته شده داراي ابعاد بزرگی است، براي كاهش ابعاد آن در این مقاله از موجک دوبچيز 2 استفاده شده است تا ضمن اینکه ابعاد تصویر كاهش داده م یشوند، اطالعات مهم موجود در بافت همچنان حفظ شوند .شکل بعد مراحل اعمال تبدیل موجک به تصویر نگاشته شده را نشان م یدهد .در این شکل H و L به ترتيب معرف فيلتر باالگذر و پایين گذر هستند و HH به معنی اعمال فيلتر باالگذر در هر دو راستاي عمودي و افقی به تصویر است براي تصویر 52*252 به دست آمده از مرحله پيش پردازش، با دو بار اعمال تبدیل موجک دوبچيز 2به تصویري با ابعاد 16*61 ميرسيم .در مرحله بعد از این تصویر براي استخراج بردار ویژگی استفاده می كنيم.
