Base de Datos Universidad de Twente (BD1)

Esta base de datos contiene cuatro muestras por dedo, no presenta cambios en la orientaci´on ni variaciones bruscas en las muestras, es por ello que la tarea de segmentaci´on de fondo y dedo se hizo de manera m´as directa.

4.1.1.1. Segmentaci´on de Fondo Selecci´on Manual de M´ascara

Para esta etapa se utiliz´o la herramienta “Image Segmenter” de Matlab 2019. La herra- mienta facilit´o el enmascarado manual, donde se define cual es el fondo y la regi´on de inter´es. Para tal efecto se utiliz´o la funci´on de superp´ıxeles, el cual utiliza internamente un Agrupamiento Iterativo Lineal Simple (SLIC), basado enk-means para generar superp´ıxe- les de manera eficiente [ASS⁺12].

(a) (b) Figura 4.1: Segmentado Manual de M´ascara.

La Figura 4.1.a representa la regi´on seleccionada manualmente que corresponde al interior del dedo, la Figura 4.1.b representa la m´ascara binaria extra´ıda a partir de la selecci´on manual.

El enmascarado manual, nos permite obtener una ´unica mascar´a, que ser´a utilizada a trav´es de la funci´on superpixeles en todas las im´agenes.

(a) (b) -

Figura 4.2: Segmentado de Fondo

La Figura 4.2.a representa la imagen enmascarada binaria para una muestra aleatoria, la Figura 4.2.b representa la imagen con la m´ascara con los colores invertidos para la misma muestra. La calidad en la segmentaci´on del fondo nos permiti´o aplicarlo a todas las muestras de manera eficiente.

Promedio y Umbral de M´ascaras

Una vez obtenida la m´ascara de la imagen original, se obtiene la imagen enmascarada para cada dedo de todos los usuarios, en el caso de la BD1 para 6 dedos, como se especif´ıca en la secci´on 2.5.1. Inmediatamente, se obtiene la media de todas las m´ascaras con el objetivo de seleccionar el tama˜no medio del dedo. Este tama˜no medio es utilizado para reescalar cada dedo a un ´unico tama˜no. Adem´as, se calcula la actividad media de los p´ıxeles (media de los valores de los p´ıxeles por fila) para poder obtener la filas que tienen p´ıxeles distintos de cero que corresponder´an a los p´ıxeles de venas. Luego, se define un umbral de corte para poder decidir que filas se extraer´an y formar´an nuestra regi´on de inter´es.

0 50 100 150 200 250 300 350 400 0

0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Número de Píxel

Promedio de umbral

Figura 4.3: Promedio de m´ascaras de todos los usuarios dedo ´ındice.

En la Figura 4.3, se muestra el promedio de todas las m´ascaras para el dedo ´ındice de todos los 60 usuarios, esto nos permite observar que entre el p´ıxel 50 y 325 se encuentra la mayor actividad de informaci´on que corresponder´ıa al ´area donde se encuentran las venas.

La Figura 4.4 representa gr´aficamente el promedio de todas las m´ascaras.

Figura 4.4: Representaci´on gr´afica del promedio de m´ascaras del dedo ´ındice.

Como ya se tiene los p´ıxeles donde se encuentra la mayor actividad, por tanto el promedio, con dicho promedio ya podemos realizar una estandarizaci´on del tama˜no de las im´agenes ya que nos centraremos en la regi´on donde se encuentre la mayor cantidad de informaci´on. El par´ametro de corte utilizado fue de 0.3, el resultado se muestra en la Figura 4.5, este proceso se realiza para solucionar la diferencia en el grosor del dedo de todos los usuarios y lograr estandarizar el tama˜no a un ´unico tama˜no de manera eficiente donde no se pierda informaci´on de las venas.

Figura 4.5: Visualizaci´on del promedio de m´ascaras tras aplicar el corte.

4.1.1.2. Regi´on de Inter´es

A partir de las m´ascaras para cada imagen, hallamos la media a todas las m´ascaras de cada dedo, con lo cual podremos obtener un umbral donde se concentra la mayor parte de actividad para ser tomada en cuenta y as´ı poder definir un ROI, la media de todas las m´ascaras nos ayuda a defininir un umbral com´un para todas las im´agenes, esto nos permite realizar un reescalado proporcional de las im´agenes para poder generalizar caracter´ısticas de una manera ´optima.

Figura 4.6: ROI final.

En la Figura 4.6, vemos el resultado final de la ROI tras aplicar el promedio de m´ascara, como se puede observar este procedimientos nos permite aprovechar todo el ancho de la im´agen y por tanto la mayor cantidad de informaci´on de p´ıxeles de venas.

4.1.1.3. Mejora de la visualizaci´on de las venas

Para esta tarea se aplicaron un ajuste de contrasteimadjust, esta funci´on nos permite ajustar el contraste de los diferentes p´ıxeles de la im´agen con nuevos valores, los valores altos se saturan, mientras que los bajos se aten´uan.

La funci´onadapthisteqmejora el contraste recorriendo peque˜nas regiones de la im´agen de forma iterativa hasta recorrer toda la im´agen, de este modo se mejora el contraste en cada porci´on de im´agen para finalmente mostrar todas las porciones en conjunto, mejo- rando el contraste global de forma eficiente, la configuraci´on que se utiliz´o fue en ventanas de 48 p´ıxeles de forma horizontal. El resultado final de la mejora de la visualizaci´on de las venas se muestra en la Figura 4.7.

Figura 4.7: Mejora de la visualizaci´on de las venas a partir de la ROI para la BD1.

4.1.2. Base de Datos Universidad Polit´ecnica de Hong Kong (BD2)