I.Estudios

Artículo 6:

“Compresión de huellas dactilares empleando Transformada Ondícula”

AUTORES: Ingeniero Maribel Borjas e Ingeniero Maria C. Stefanelli 

Resumen:

Este trabajo tiene como objetivo realizar la compresión de imágenes de huellas dactilares usando la Transformada Ondícula. Para ello, se generó un algoritmo que permite comprimir imágenes de huellas dactilares, utilizando 4 tipos de ondículas (Daubechies, Coiflet, Symmlet y Biortogonal). El orden de las ondículas y el nivel de descomposición son variables en las simulaciones. El análisis con ondículas se puede utilizar para dividir la información de una imagen en subimágenes de aproximación y de detalles. Si los detalles son suficientemente pequeños, pueden ser fijados a cero sin alterar drásticamente la imagen. El valor por debajo del cual los detalles se consideran irrelevantes, se conoce como umbral. Para determinar el valor del umbral se utilizaron 2 métodos: el primero basado estrictamente en la descomposición en ondículas de la imagen original (Balance sparsity norm y Scarce high), el segundo basado en las propiedades de los datos de la imagen estudiada (entropía general y entropía por niveles). Las huellas dactilares utilizadas corresponden a la base de datos FVC (Fingerprint Verification Competition). Se diseñó y programó un algoritmo para la compresión de imágenes de huellas dactilares en la plataforma Matlab 7.0. Como figuras de mérito se utilizaron la relación señal/ruido pico (PSNR) y la razón de compresión. De la comparación de los métodos analizados, se determina la conveniencia de los métodos basados en las propiedades de los datos de la imagen, con los cuales se garantiza la calidad de la imagen comprimida (superior a los 23dB) y se obtienen tasas de compresión aceptables, cercanas a 2 veces la imagen original. Utilizar un umbral por niveles conlleva mejores resultados, ya que cada subbanda de detalle posee su propio umbral. La eficiencia de cada método está íntimamente relacionada con el tipo de imagen de entrada (huella dactilar original), la ondícula utilizada, los niveles de descomposición empleados y el tamaño de muestras.

Palabras claves: Ondículas, compresión de imágenes, umbral, PSNR y razón de compresión.

 

Abstract:

The purpose of this Paper is the compression of digitalized fingerprints using wavelet transform.  To achieve this, an algorithm that allows the compression of digitalized fingerprints, using 4 types of wavelets (Daubechies, Coiflets, Symmlets and Biorthogonal) was generated. The arrangement of wavelets and the level of decomposition were variable in the simulations. The analysis trough wavelets can be used to divide an image into subimages of approximation and detail.  If the details are sufficiently small, it can be fixed to zero, without drastically affecting the image. The value below which the details are considered irrelevant, is known as threshold. In order to determine the value of threshold, 2 methods were used: the first one, based strictly on the decomposition of the original image into wavelets (Balance sparsity norm and Scarce high), the second, based on the properties of the data of the image being studied (entropy and entropy by levels). The digitalized fingerprints used are those of the FVC (Fingerprint Verification Competition) database. An algorithm for the compression of digitalized fingerprints was designed and programmed in Matlab 7.0. As value figures, the Peak Signal to Noise Ratio (PSNR) and the compression ratio were used. Trough evaluation of applied methods, it was decided to use the one based on the properties of the data of the image, which guarantees that the quality of the compressed image is acceptable (higher than 23 dB) thus and adequate compression rates are obtained, close to 2 times the original image. The use of local thresholding entails better results, since each subband of detail has its own threshold.  The efficiency of each method is intimately related to the type of entry image (original fingerprint), the wavelet used, the level of decomposition, and the size of the samples.

Key Words: Wavelet, image compression, threshold, PSNR and compression ratio.