Identificando huellas digitales simuladas con Matlab

Hace unos días propuse un ejercicio estilo el programa de televisión CSI. Dibuje unos
cuantos garabatos como si fueran huellas digitales; a una de ellos lo llamé "asesino" al resto
"sospechoso_num" --a todas las imágenes les añadí un poco de ruido--. Pues bien. revisando la
pequeña base de datos uno se puede dar cuenta que el archivo asesino coincide con la imagen del
sospechoso número 3. El ejercicio trata de emplear código Matlab para hacer esta identificación.

Pueden existir muchas soluciones, aquí les muestre el uso de la función
correlación estadística  (CORR, en Matlab) para hacer esta identificación automática.
La correlación permite comparar señales, se usa mucho para estimar ajustes de curvas a datos
experimentales, entre otras aplicaciones. En el caso ideal, cuando la imagen se compara consigo
misma, la correlación es uno; cuando las imágenes son totalmente dispares, la correlación vale
cero. En este caso, los análisis que más se aproximen a 1 indican mayor probabilidad de
tener identificación de nuestro "asesino". 

Ahora bien, nos apoyamos en la obtención del máximo (MAX en Matlab) y luego del promedio
(MEAN en Matlab) para tener el valor más representativo de la mayor variación que se puede
presentar en el análisis. 

La figura que ilustra este post muestra el  resultado del script --que se presenta al final de la

entrada-- . Podemos ver que la comparación de la imagen consigo misma da 1, y que el archivo 3
es el que más se acerca al valor ideal. Mientras que los demás valores están bastante alejados del
valor del archivo núm. 3. Por lo cual la identificación es exitosa.

Preguntas para pensar

1) Menciona otras aplicaciones de la función de correlación.
2) ¿Mediante que otra función se puede hacer el análisis de identificación?

Ejercicios
1) A la base de datos de imagenes asocie una base datos con nombres ficticios. (Por ejemplo: alfa,
beta, gamma, etc.)   Modifique el guión para que la pantalla le de el nombre del sospechoso más
probable.
2) Dibuje sus propios garabatos y haga experimentos. Por ejemplo, a una imagen añada diferentes
cantidades y clases de ruido.  Identifique cuales son los limites de este análisis.
3) Sí las imágenes se giran, la identificación es valida. Haga experimentos.
4) La función correlación es la que más tiempo consume en el guion. ¿Cómo puede aumentar el
tiempo de calculo para hacer más rápido el proceso?

% INICIO DE GUION EN MATLAB

%Cierra todas las ventanas emergentes, limpia la memoria y la pantalla
close all; clear; clc;
Ases = imread('asesino','jpeg'); %Lee la imágen y la asocia a una matriz
G = fft2(Ases); %Calcula la transformada de fourier en 2D de la imagen
m(13) = mean(max(corr(G,G))); %Se compara la imagen consigo misma

% Con este for cargamos las imagenes, las procesamos y obtenemos un valor
% significativo
for n =1:12
nom_arch=['sospechoso', num2str(n)]; %esta cadena de caracteres cambia como lo hace n
Sosp =imread(nom_arch, 'jpeg'); %se carga la imagen a trabajar
F = fft2(Sosp); % se obtiene la trasformada de Fourier
m(n) = mean(max(corr(F,G))); % Se comparara la imagen con un estándar
%m(i).- Se guarda el valor del i-ésimo sospechoso en la entrada m(i)
end

% Se define el contador x, para graficar

x = 1:13;
% Grafica de x, m. Utilizo puntos rojo y lineas verticales azules
h = stem(x,m,'fill','--');
set(get(h,'BaseLine'),'LineStyle',':')
set(h,'MarkerFaceColor','red')

%Formato de la gráfica
xlabel('Etiqueta para el de sospechoso (número)');
ylabel('Correlación entre imagenes');
axis([0 14 0 1.1]);

% clear
% clc
%fin del script