Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Facultad De Ingenierı́a
7 de agosto de 2011
Autor:
Cuomo, Joaquı́n M.
Idea y Colaboración:
Lopez, Federico L.
Este trabajo no pretende ser original sino simplemente una compilación de información, por lo
tanto todos los contenidos son propiedad de los autores de las fuentes
(aquellos que figuren en la bibliografı́a).
2
Facultad de Ingenierı́a Ecuaciones Diferenciales (61.18)
Índice
Bibliografı́a 19
3
Facultad de Ingenierı́a Ecuaciones Diferenciales (61.18)
El uso de los relieves dactilares fue por primera vez objeto de un estudio cientı́fico por el an-
tropólogo inglés Francis Galton 2 , quien publicó sus resultados en el libro “Huellas dactilares”
(1892). Los mismos verificaron tanto la invariabilidad de las huellas digitales a lo largo de toda
la vida de un individuo, como su carácter distintivo aun para gemelos idénticos. Los estudios de
Galton estuvieron orientados a la determinación de las caracterı́sticas raciales hereditarias de
las personas (sobre las que las huellas digitales no podı́an dar información) y determinó algunas
caracterı́sticas de las huellas que todavı́a se usan hoy en dı́a para su clasificación. En base a
las mismas, Galton propuso usarlas para la identificación personal en reemplazo del inexacto
sistema Bertillon, entonces en uso.
Los 40 rasgos propuestos por Galton para la clasificación de las impresiones digitales fueron
analizados y mejorados por el investigador de la Policı́a de la provincia de Buenos Aires Juan
Vucetich 3 , a quien el Jefe de Policı́a de la Provincia de Buenos Aires Guillermo Núñez, le
habı́a encomendado sentar las bases de una identificación personal confiable.
Vucetich usó inicialmente 101 rasgos de las huellas para clasificarlas en cuatro grandes gru-
pos. Logró luego simplificar el método basándolo en cuatro rasgos principales: arcos, presillas
internas, presillas externas y verticilos. En base a sus métodos, la policı́a bonaerense inició en
1891, por primera vez en el mundo, el registro dactiloscópico de las personas. En el año 1892
hizo por primera vez la identificación de una asesina, en base a las huellas dejadas por sus dedos
ensangrentados (en particular por su pulgar derecho) en la escena del crimen de sus dos hijos,
en la ciudad de Necochea (provincia de Buenos Aires). La misma, de nombre Francisca Rojas,
habı́a acusado de los asesinatos a su marido.
1
Alphonse Bertillon (1853-1914), trabajó como preceptor en Escocia y, a su regreso a Francia, trabajó para
la policı́a de Parı́s. Investigador e impulsor de métodos de individualización antropológica
2
Sir Francis Galton (1822-1911), fue un polı́mata, antropólogo, geógrafo, explorador, inventor, meteorólogo,
estadı́stico, psicólogo británico con un amplio espectro de intereses.
3
Iván Vuccetic (isla de Hvar, actual Croacia, 1858 - Dolores, Argentina, 1925), nacionalizado argentino con
el nombre de Juan Vucetich, desarrolló y puso por primera vez en práctica un sistema eficaz de identificación
de personas por sus huellas digitales
4
Facultad de Ingenierı́a Ecuaciones Diferenciales (61.18)
La creación y comparación contra estos perfiles no es tarea sencilla, dado que es práctica-
mente imposible ubicar el dedo siempre en la misma posición: la huella leı́da puede aparecer
rotada, corrida, con ruido, etc., haciendo muy complicado su reconocimiento. Una manera de
solucionar esto es buscando marcas de referencia en las huellas para luego poder alinearlas y
compararlas. A estas marcas se las denomina puntos singulares (PS) y se ubican en regiones
en donde el flujo de surcos es discontinuo. Para encontrar, entonces, los puntos singulares, se
recurre a la identificación de la orientación de los surcos, formando de esta forma una suerte de
mapa de la huella donde se encuentran todas las caracterı́sticas mencionadas. Desafortunada-
mente, sobre todo en imágenes de baja resolución, es difı́cil lograr ver estas orientaciones, por
lo que se recurre al suavizado y procesamiento de la imagen.
4
Esta parte del proceso es una de las más investigadas debido a la dificultad que muchas veces conlleva
recoger huellas de ciertas superficies o por haber tenido un deterioro o alteración adrede
5
Facultad de Ingenierı́a Ecuaciones Diferenciales (61.18)
La extracción de caracterı́sticas visuales como por ejemplo la textura, color y forma son
componentes importantes de CBIR. De estos, la forma es una de las principales. Para su ex-
tracción existen los descriptores de forma, que se pueden clasificar en dos categorı́as:
3.1. Momentos
Los momentos son un concepto derivado de la fı́sica. En esta existen diversas definiciones
para momentos (momento de una fuerza o torque, momento angular, momento de inercia, mo-
mento magnetico, etc.), aunque siempre representan una magnitud que relaciona vectores y
un punto, una recta o un plano. Como contraparte, también existen diferentes definiciones de
momentos en matemática. En particular, las áreas dedicadas al procesamiento de imágenes
entienden por momento a aquellas funciones encargadas de extraer de una imagen cierta infor-
mación, otorgando a sus pı́xeles cierto peso. Además estas funciones suelen presentar ciertas
propiedades y permiten realizar interpretaciones que no se derivan directamente de la imagen
y son útiles para el trabajo en este área.
• Momentos ortogonales: obtienen esta categorı́a aquellos momentos cuya función describe
un conjunto de polinomios que conforman una base ortogonal completa. Existen varios
5
Traducción: Recuperación del contenido de la imagen base
6
Facultad de Ingenierı́a Ecuaciones Diferenciales (61.18)
6
momentos de este tipo, entre los que se puede considerar los de Legendre , Tcheby-
chev 7 y Zernike 8 .
• Momentos complejos: presentan algunas ventajas frente a los momentos geométricos. Sin
embargo presentan una desventaja similar a la de los momentos geométricos, no son
ortogonales. Por esto se considera que la reconstrucción de una imagen a partir de los
momentos complejos de la misma es algo tedioso.
Los momentos que comunmente se utilizan para los descriptores de forma basados en con-
tornos y regiones son:
• Momentos Invariantes (IM): es pobre en la representación de la forma de la imagen
debido a su no-ortogonalidad.
• Momentos de Legendre (LM): al igual que los de Zernike, son ortogonales, permi-
tiendo representar una imagen con la mı́nima cantidad de redundancias.
Como se mencionó, parte importante en el procesamiento de imágenes es encontrar los ejes
coordenados adecuados para centrar las imágenes, siendo esta la principal y más importante
función de los descriptores estadı́sticos.
7
Facultad de Ingenierı́a Ecuaciones Diferenciales (61.18)
Definición 4 Se define momento de orden (p, q) de una imagen en escala de grises como:
XX
mp,q = xp y q f (x, y) (4)
p
q
siendo f (x, y) el nivel de gris del pixel representado por el punto de coordenadas (x, y).
Los momentos centrales se usan para reconocer una imagen independientemente de su si-
tuación en un eje de coordenadas.
Se puede observar que son invariantes a las traslaciones, µ10 y µ01 son cero y los valores de
µ20 y µ02 aumentan cuanto mayor sea la componente horizontal y vertical de una figura res-
pectivamente. A partir de los momentos centrales se pueden construir siete momentos en 2-D
invariantes a cambio de escala, simetrı́as y rotaciones. Sin embargo, el kernel no es ortogonal
por lo tanto existe redundancia en la imagen con la representación de estos momentos.
n+1 1 1 ∗
Z Z
λp,q = Vnm (x, y)f (x, y)dxdy (6)
π −1 −1
Una limitación importante al recuperar las imágenes en escala de grises es que los pı́xeles
que quedan fuera del cı́rculo unidad no se utilizan en el cálculo.
8
Facultad de Ingenierı́a Ecuaciones Diferenciales (61.18)
(2p + 1)(2q + 1) 1 1
Z Z
λp,q = Pp (x)Pq (y)f (x, y)dxdy (7)
4 −1 −1
siendo Pp (x) el polinomio de Legendre de orden p con x ∈ [−1, 1] obtenido mediante la formula
de Olindo Rodrigues 9 10 .
El problema que se plantea es cómo reconstruir una imagen si solo se dispone de un conjunto
finito de momentos. Los polinomios de Legendre Pp (x) son un conjunto completo ortogonal
establecido en el intervalo [−1, 1]
Z 1
2
Pp (x)Pq (x)dx = δpq (8)
−1 2p + 1
11
donde δpq es la delta de Kronecker , tal que δpq = 1 si p = q y 0 en otro caso.
Entonces, como f (x, y) es continua sobre la imagen plana, se puede escribir la función de
imagen f (x, y) como una expansión de series infinitas truncada al momento de orden máximo
que se considere, y usando una versión discreta aproximada de los momentos de Legendre:
M máx p
X X
λp,q = λp−q,q Pp−q (x)Pq (y) (9)
p=0 q=0
(Mmáx + 1)(Mmáx + 2)
Ntotal = (10)
2
Las ventajas antes mencionadas son válidas siempre y cuando se utilice una función real de
la imagen analógica. En la práctica, los momentos de Legendre se calculan a partir de muestras,
es decir, se produce un conjunto de muestras f (xi , yj ) dentro de una matriz de (M, N ) pı́xeles.
M N
(2p + 1)(2q + 1) X X
λ̃p,q = Pp (xi )Pq (yi )f (xi , yi )∆x∆y (11)
4 i=1 j=1
Para estimar el orden, un algoritmo podrı́a ser el método MEM (Maximum Entropy Prin-
ciple):
9
ver [5] página 16.
10
Olindo Rodrigues (Burdeos, 1794-Parı́s, 1851). Economista y matemático francés. Seguidor de Saint-Simon,
a la muerte de éste fundó “El productor” (1825-1826) para difundir las ideas saint-simonianas. Como matemático
estudió las lı́neas de curvatura de una superficie (fórmula de Rodrigues, 1815) e introdujo la representación
esférica en la teorı́a de las superficies.
11
Leopold Kronecker (n. en Liegnitz actual Legnica en Polonia, 7 de diciembre de 1823 - Berlı́n, Alemania,
29 de diciembre de 1891). Matemático y lógico, Kronecker defendı́a que la aritmética y el análisis deben estar
fundados en los números enteros prescindiendo de los irracionales e imaginarios. Fue autor de una frase muy
conocida entre los matemáticos: “Dios hizo los naturales; el resto es obra del hombre”.
9
Facultad de Ingenierı́a Ecuaciones Diferenciales (61.18)
1. Inicializar N.
3. Repetir:
4. Aumentar N.
Figura 2: Aplicación de los momentos de Legendre para mejorar la calidad de una imágen. (a)
imagen original, las imágenes reconstruidas a partir de (b)a (l) representan a órdenes de 10,
20, 30, 40, 50, 60, 70, 80, 90, 100 y 110, respectivamente.
10
Facultad de Ingenierı́a Ecuaciones Diferenciales (61.18)
Hipótesis 1
Hipótesis 2
(ry 0 )0 + (λp + q)y = 0
r, r0 , p, q : R → R (λ1 , y1 ) ∈ S
r0 , p, q ∈ R (λ2 , y2 ) ∈ S : rW (y¯2 y1 )|ba = 0
p(x) ≥ 0
Una expresión utilizada para generar los polinomios de Legendre es la de Olinde Rodriguez:
11
Facultad de Ingenierı́a Ecuaciones Diferenciales (61.18)
Las huellas dactilares no vienen en los mismos tamaños, tomas diferentes para el mismo
dedo puede generar distintos tamaño y orientaciones de la imagen de la huella. Puesto que
el área cerca del punto singular contiene información correcta y eficiente acerca de la huella
dactilar, poniendo el punto singular como centro, se extrae una sub-imagen. Además, esto redu-
cirá el tiempo de cálculo y el tamaño de almacenamiento. Las imágenes deben estar alineadas
correctamente para garantizar una superposición de la región común de las dos imágenes de
huellas dactilares. Esto se logra mediante la rotación de la imagen con orientación cero en el
punto singular.
12
Facultad de Ingenierı́a Ecuaciones Diferenciales (61.18)
Sea
el vector fila que contiene la serie de funciones base [φ0 (x) φ1 (x) · · · φn (x)] evaluadas
para una coordenada dada x = (x, y). Usando esta notación, se define la matriz V
Φ(x1 ) φ0 (x1 ) φ1 (x1 ) · · · φn (x1 )
Φ(x2 ) φ0 (x2 ) φ1 (x2 ) · · · φn (x2 )
V= = (17)
.. .. .. ... ..
. . . .
Φ(xi ) φ0 (xi ) φ1 (xi ) · · · φn (xi )
Donde el tamaño de dicha matriz está dado por la cantidad i de coordenadas (puntos de la
huella) y n funciones base. Además, se definen los vectores
a = [a1 , a2 , . . . , an ]T (18)
de parámetros, y
Para obtener f , se utiliza el método de cuadrados mı́nimos.En este caso, la mejor aproxi-
mación estará dada por los valores que minimicen a F :
i
X 2
ωj Φ(xj )aT − f (xj )
F = (20)
j=1
donde a cada pı́xel x = (x, y) se le asigna un peso ω, dado que no todos los puntos tienen
el mismo valor al buscar una solución.
Como el número de puntos de la imagen es mucho más grande que el número de funciones
base, se utiliza la técnica de la inversa generalizada de Moore-Penrose (pseudoinversa) para
estimar una solución:
−1
a = VT WV VT Wf (21)
13
Facultad de Ingenierı́a Ecuaciones Diferenciales (61.18)
Se utilizan los Polinomios de Legendre como funciones base, ya que son ortogonales en el
intervalo [−1, 1], simples de generar y rápidos para evaluar computacionalmente. En efecto, cada
Polinomio de Legendre Pn (x) puede ser generado utilizando la fórmula de Olinde Rodrigues:
1 dn 2 n
φn (x) = n x − 1 (22)
2 n! dxn
n Polinomio Pn de Legendre
0 1
1 x
3x2 −1
2 2
5x3 −3x
3 2
35x4 −30x2 +3
4 8
63x5 −70x3 +15x
5 8
14
Facultad de Ingenierı́a Ecuaciones Diferenciales (61.18)
4.4. Optimización
La optimización para la obtención de los parámetros finales de los datos vectoriales se rea-
liza en dos pasos. En una primera parte los parámetros de los modelos son aproximados con la
solución de forma cerrada que se describe en la ecuación 21. En segundo paso, un refinamiento
no lineal permite obtener parámetros más exactos.
1 Φ(xj )aT
O(xj ) = arctan (24)
2 Φn (xj )bT
Aparece una relación de compromiso debido a que una optimización no lineal consume
demasiado tiempo; además, este método necesita un trato especial en los mı́nimos locales. Por
ello se pueden usar métodos hı́bridos que combinan métodos veloces con optimizaciones no
lineales (no se detallan dichos métodos porque exceden los objetivos del presente trabajo, para
más información ver [10]).
15
Facultad de Ingenierı́a Ecuaciones Diferenciales (61.18)
16
Facultad de Ingenierı́a Ecuaciones Diferenciales (61.18)
Los experimentos muestran que en comparación con otros métodos, este ha mejorado la
capacidad de orientación suavizando, especialmente en áreas de alta curvatura.
17
Facultad de Ingenierı́a Ecuaciones Diferenciales (61.18)
El método tiene ventajas sobre otras alternativas, ya que no requiere el uso de sustancias
invasivas para hacerla visible por lo que permite posteriores análisis. Las huellas de niños son
especialmente difı́ciles de detectar porque carecen de la sustancia aceitosa segregada por las
glándulas sebáceas, que captura a los agentes de mejora del contraste. Por supuesto, no es
la panacea, ya que algunas huellas no contienen elementos quı́micos detectables en suficiente
cantidad.
Las bacterias pueden ser fácilmente recuperadas de las superficies y la estructura de estas
comunidades se pueden utilizar para diferenciar los objetos manipulados por personas diferen-
tes, puesto que se mantienen intactas a temperatura ambiente hasta 2 semanas.
18
Facultad de Ingenierı́a Ecuaciones Diferenciales (61.18)
Bibliografı́a
[2] El Fadili, Zenkouar, Qjidaa; “Lapped Block Image Analysis via the Method of Legendre
Moments”;2003.
[3] Cura, Ezequiel A.; “Análisis de los momentos complejos de Zernike como descriptores de
imágenes”;2010.
[4] Fierera, Christian L. Lauberb, Nick Zhoub, Daniel McDonaldc, Elizabeth K. Costelloc,
y Rob Knightc; “Forensic identification using skin bacterial communities”, articulo de la
National Academy of Sciences; 15 de Marzo del 2010.
[6] M.S. Khalil, “Fingerprint verification using statistical descriptors, Digital Signal Pro-
cess”;2009.
[10] Ram Surinder, Bischof Horst, Birchbauer Josef; “Curvature Preserving Fingerprint Ridge
Orientation Smoothing using Legendre Polynomials”;
[11] Srinivasa R., Srinivasa K., Chandra M.; “Content Based Image Retrieval Using Excat
Legendre Moments And Support Vector Machine”; 2010.
[13] Zhou J. D., Shu H. Z., Luo L. M., Yu W. X.; Two new algorithms for efficient computation
of Legendre moments, Pattern Recognition, Vol.35, páginas 1143 a 1152; 2002.
19