پایان نامه تشخیص تصاویر عنبیه غیر ایده آل براساس الگوریتم های فرا ابتکاری

فهرست:

چکیده ............................................................................................................................................. 1

فصل اول: کلیّات تحقیق

1-1. مقدّمه ......................................................................................................................................3

1-2.  هدف پایان نامه ......................................................................................................................4

1-3. روش و ابزار گردآوری داده ها ...............................................................................................5

1-4. ابزار تجزیه و تحلیل داده ها ....................................................................................................5

1-5. ساختار پایان نامه......................................................................................................................5

1-6. بلوک دیاگرام مراحل کلّی انجام کار ........................................................................................6

فصل دوم: مروری بر ادبیات و پیشینه تحقیق

2-1. مقدمه ......................................................................................................................................8

2-2. زمینه ی پیدایش.....................................................................................................................12

2-3. عنبیه و ساختار آن .................................................................................................................13

2-4. بررسی پایداری بافت ............................................................................................................15

2-5. چگونگی کارکرد سیستم بیومتریک عنبیه ..............................................................................16

2-6. ارزیابی سیستم بیومتریک عنبیه .............................................................................................20

2-7. مزایا و معایب سیستم بیومتریک عنبیه ...................................................................................20

2-8. پردازش تصویر در سیستم بیومتریک عنبیه ...........................................................................21

    2-8-1. دریافت تصویر ............................................................................................................22

عنوان                                                                                                شماره صفحه

    2-8-2. پردازش تصویر ...........................................................................................................22   

   2-8-3. پیش پردازش ................................................................................................................22

  2-8-4. ناحیه بندی بافت عنبیه ...................................................................................................22

       2-8-4-1. اهمیّت ناحیه بندی صحیح ..................................................................................23

       2-8-4-2. مروری کوتاه بر برخی از روش های ناحیه بندی ...............................................23

          2-8-4-2-1. تشخیص لبه با استفاده از تابع Edge ..........................................................23

          2-8-4-2-2.  تشخیص لبه به روش Sobel ....................................................................23

          2-8-4-2-3. تشخیص لبه به روش Canny ....................................................................24

       2-8-4-3. الگوریتم یافتن دایره تبدیل هاف (CHT)............................................................24

  2 -8-5. نرمال سازی .................................................................................................................28

      2-8-5-1. مروری کوتاه بر روش های نرمالیزه کردن............................................................28

         2-8-5-1-1. روش ارائه شده توسط داگمن......................................................................28

         2-8-5-1-2. روش دایره های مجازی...............................................................................29

2-8-6. ماسک گذاری....................................................................................................................29

2-8-7. مروری بر برخی از ابزارهای استفاده شده در استخراج ویژگی.........................................30

    2 -8-7-1. فیلترهای گابور.......................................................................................................30

    2-8-7-2. استفاده از تبدیل موجک..........................................................................................31

    2-8-7-3. استفاده از تبدیل لاپلاس گوسی...............................................................................31

    2-8-7-4. موجک هار..............................................................................................................32

عنوان                                                                                                شماره صفحه

     2-8-7-4-1. تبدیل موجک هار .............................................................................................32

        2-8-7-4-1-1. چگونگی فرآیند .......................................................................................32

2-9. خلاصه فصل .........................................................................................................................34

فصل سوم : روش اجرای تحقیق

3-1. مقدمه.....................................................................................................................................36

3-2. پیش پردازش و ناحیه بندی استفاده شده برای تصاویر عنبیه غیر ایده آل..............................36

3-3. ناحیه بندی عنیه غیر ایده آل .................................................................................................41

3-4. ناحیه بندی با پیاده سازی و تحلیل الگوریتم کلونی مورچگان...............................................42

    3-4-1. الگوریتم بهینه سازی کلونی مورچگان.........................................................................42

    3-4-2. عملکرد کلی الگوریتم کلونی مورچگان.......................................................................43

    3-4-3. انعطاف پذیری الگوریتم مورچگان...............................................................................44

    3-4-4. مزایای الگوریتم مورچگان............................................................................................45

    3-4-5. ناحیه بندی عنبیه توسط الگوریتم کلونی مورچگان......................................................45

    3-4-6.  ایجاد جمعیّت جهت یافتن جواب بهینه......................................................................45

    3-4-7. ارزیابی شایستگی و انتخاب مورچه های کاندید برای ترشح فرومون..........................46

     3-4-8. به روز رسانی فرومون ................................................................................................47

    3-4-9. فلوچارت کلی الگوریتم کلونی مورچگان ...................................................................48

     3-4-10. جمع بندی................................................................................................................49

3-5. نرمال سازی............................................................................................................................49

عنوان                                                                                                شماره صفحه

    3-5-1. مقدمه............................................................................................................................49

    3-5-2. روش نرمالایز استفاده شده برای تصاویر عنبیه.............................................................49

3-6. استخراج ویژگی.....................................................................................................................50

     3-6-1. مقدمه..........................................................................................................................50

     3-6-2. پایگاه داده...................................................................................................................51

     3-6-3. روش زاویه ایی...........................................................................................................51

     3-6-4. ویولت دوبعدی هار....................................................................................................52

3-7. انتخاب خصوصیت با پیاده سازی و تحلیل الگوریتم کلونی زنبورهای مصنوعی...................53

    3-7-1. الگوریتم کلونی زنبورهای مصنوعی.............................................................................53

    3-7-2. عملکرد کلی الگوریتم زنبورها.....................................................................................53

     3-7-3. انتخاب ویژگی با استفاده از الگوریتم کلونی زنبور.....................................................55

     3-7-4.  انتخاب راه حل اوّلیه توسط زنبورهای کارگر............................................................55

     3-7-5. ارزیابی راه حل های اوّلیه و مناسب زنبورهای پیشاهنگ............................................56

     3-7-6. فرآیند سربازگیری برای زنبورهای پیشاهنگ...............................................................57

     3-7-7. جستجوی راه حل های جدید با راهنمایی زنبورهای پیشاهنگ..................................57

     3-7-8. فلوچارت کلی الگوریتم کلونی زنبور..........................................................................58

    3-7-9. پارامترهای الگوریتم انتخاب ویژگی با استفاده از کلونی زنبور.....................................58

    3-7-10. جمع بندی..................................................................................................................59

3-8. طبقه بندی با پیاده سازی و تحلیل الگوریتم های شبکه عصبی..............................................59

عنوان                                                                                                شماره صفحه

   3-8-1. مقدمه.............................................................................................................................59

           3-8-2. نحوه ی ارائه نتایج طبقه بندی در SVM............................................................60

                     3-8-3.  جمع بندی ........................................................................................................61

3-9. خلاصه فصل .........................................................................................................................61

فصل چهارم : تجزیه و تحلیل داده ها

4-1. نتایج پیاده سازی....................................................................................................................63

4-2. نتایج حاصل از پیاده سازی الگوریتم کلونی مورچگان در ناحیه بندی عنبیه..........................63

4-3. نتایج حاصل از پیاده سازی الگوریتم کلونی زنبورهای مصنوعی در انتخاب ویژگی..............64

4-4. نتایج حاصل از پیاده سازی شبکه های عصبی در طبقه بندی ...............................................64

4-5. نتایج حاصل از پیاده سازی روش پیشنهادی با روشهای دیگر...............................................68

فصل پنجم: نتیجه گیری و پیشنهادات

5-1. نتیجه گیری ...........................................................................................................................72

5-2. راهکارهایی برای ادامه پژوهش..............................................................................................73

منابع و مآخذ

فهرست منابع فارسی ..................................................................................................................... 74

فهرست منابع انگلیسی.....................................................................................................................74

چکیده ی انگلیسی .........................................................................................................................77

منبع:

[1] Adhi Dharma Wibawa. 2006. Early Detection on the Condition of Pancreas Organ as theCause of Diabetes Mellitus by Real Time Iris Image Processing.

[2] Adrian lodin. sorina Demea. 2009. Design of an Iris-Based Medical Diagnosis System.

[3] Akbari R. Mohammadi M. Ziarati K. 2010. A novel bee swarm optimization algorithm for numerical function optimization. In: Journal of Communications in Nonlinear Science and Numerical Simulation. Vol. 15. No. 10, pp. 3142-3155.

[4] An xu Guang-zhu. ZHANG zia-feng. MA Yi-de. 2008. An Image segmentation based method for Iris Feature extraction . the Journal of CHINA universities of posts and Telecommunication. volume 15, Issue.

[5] C, White. G, Tagliarini and S, Narayan. 2004. An algorithm for swarm based color image segmentation. in Proc. IEEE Southeast Conf. IEEE Press. North Carolina,USA. pp. 84_89.

[6] Chen,C. Chu,C. 2009. High performance iris recognition based on 1-D circularfeature extraction and PSO- PNN classifier. Expert systems with Applications 36(7), 10351-10356. 

[7] Dae Sik Jeong. Jae Won Hwang. Byung Jun Kang. Kang Ryoung Park. Chee Sun Wonc. Dong-Kwon Park and Jaihie Kim. 2010. A new iris segmentation method for non-ideal iris images. Image and Vision Computing 28 254–260.

[8] Damonl,Woodard. Shrinivas J,pundlik. Philip E,Miller and Jamie R,lyle. 2011. Appearance-based periocular Feature in the context of face and nonideal iris

[9] Daugman , J. 2002. How iris recognition works. In Proceeding of international conference on image  processing .

[10] Forsati,Rana. Moayedikia,Alireza and Keikha,Andisheh. 2012. A Novel Approach for Feature selection based on the Bee colony optimization. International Journal of computer Application(0975-8887). volume-43-No.8.

[11] Gu Hong-Ying. ZHUANG Yue-ting and PAN Yun-he. 2005. An Iris Recognition method based on multi-orientation Features and Non-symmetrical SVM. Jousrnal of Zhejiang university science. ISSN 1009-3095.

[12] http://iris.di.ubi.pt

[13] Hyun-Ae park. Kang Ryoung park. 2007. Iris Recognition based on score level Fusion by using SVM. pattern Recognition letters.

[14] Karaboga D. Basturk B. 2007. A powerful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithm. in Journal of Global Optimization, 39, 459–471.

[15] Kaushik Roy. PrabirBhattacharya. and ChingY,Suen. 2011. Towards nonideal iris recognition based on level set method, genetic algorithms and adaptive asymmetrical SVM. Engineering Applications of Artificial Intelligence 24 458–475. 

[16] L Ma. T Tan. Y Wang. 2003. D Zhang, "Personal Identification Based on Iris Texture, Analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 25, No. 12.

[17] L Ma. T Tan. 2004. Efficient Iris Recognition by Characterizing Key Local Variations. IEEE  Transactions on Image Processing. VOL. 13, NO. 6.

 [18] L,Bocchi. L,Ballerini. S, Hassler. 2005. A new evolutionary algorithm for image segmentation.  In EuroGP'05 EvoWorkshops. in LNCS series. Springer-Verlag.

[19] Lin Ma. Kuanquan Wang. David Zhang. 2009. A universal texture segmentation and representation scheme based on Ant colony optimization for Iris Processing. Computers and Mathematics with Application, 1862-1868.

[20] M, N, Do. M, Vetterli. 2001. The contourlet transform: an efficient directional multiresolution image representation. IEEE Trans.Image Process. vol. 51, no. 52, pp.2095-2501.

[21] M, N, Do. 2001. Contourlet and Sparse Image Expansions. Proc. SPIE Conf. on Wavelet Applicat. in Signal and Image Process. X, San Diego, USA.

[22] M,Fritz. B,schiele.  H,piater.(Eds). 2009. Nonideal iris Recognition using level set Approach and coalitional Game Theory. Icvs 2009, LNcs 5815, pp.394-402.

[23] Ma , L. Wang , Y. Tan , T. 2002. Iris recognition using circular symmetric filters. In proceeding of 16th international  conference  pattern  recognition. vol.II, pp.414-41.

[24] Pedersen. Simon just Kjeldgaard. 2007. Circular Hough Transform. Aalborg University. Vision, Graphics, and Interactive Systems.

[25] Peihua Li. Hongwei Ma. 2012. Iris Recognition in non-idead imaging conditions. Pattern Recognition Letters.

[26] R,A,Ramlee. S, Ranjit. 2009. Using Iris Recognition Algorithm, Detecting Cholesterol Presence. International Conference on Information Management and Engineering.

[27] R, Szewczyk. K, Grabowski. M, Napieralska. W, Sankowski. M, Zubert and A,Napieralski. 2010. A reliable iris recognition algorithm based on reverse biorthogonal.

[28] R,P,Wildes. 1997. Iris recognition An emerging biometric technology. Proceedings of the IEEE, vol.85, pp.1348-1363.

[29] Ross,Arun. Shah,samir. 2006. segmentation Non-ideal iris using Geodesic Active contours. Appeard in procedings of Biometrics symposium(BSYM). Baltimore, USA.

[30] S,Lim et al. 2001. Efficient iris recognition through improvement of feature vector and classifier. ETRl J. Val 23, pp. 61-70.

[31] SHrinivas Pundlik. Damon Woodard and Stan Birchfield. 2010. Iris segmentation in non-ideal images using Graph Cuts.  Image and vision computer.

[32] Tahir,Muhammad. Atif,Bouridane and Ahmed,Kurugollu,Fatish. 2007. Simultaneous Feature selection and Feature weighting using Hybrid Tabu search/k-nearest neighbor classifier. Pattern Recognition letters . volume 28, Issue 4, pages 438-446.

[33] Tisse et al. 2002. Person Identification technique using human iris recognition. Proc.15th int. Conf. on  Pattern Recognition, Calgary, Canada.

[34] Wildes,R,et al. 1994. A system for automated iris recognition . In proceeding of 2nd IEEE Workshop on application of computer  vision, pp.121-128.

[35] X,Zhuang. N,E, Mastorakis. 2005. Image processing with the artificial swarm intelligence. WSEAS Transactions on Computers 4 (4) 333_341.

[36] Y, Zhu. T, Tan and Y, Wan. 2000. Biometric personal identification based on iris patterns. Proc. 15th Int.Conf. on Pattern Recognition, Barcelona, Spain.

[37] Z Sun. Y Wang. T Tan and J Cui. 2005. Improving Iris Recognition Accuracy Via Cascaded Classifiers. IEEE Transaction on System, Man, and, VOL. 35, NO. 3.

[38] Zuraini Othman. 2010. Preliminary Study on Iris Recognition System: Tissues of Body Organs in Iridology. IEEE EMBS Conference on Biomedical Engineering & Sciences , IECBES. Kuala Lumpur, Malaysia.