本發明專利技術具體公開了一種基于非線性尺度空間的虹膜圖像分割算法，包括以下步驟：步驟1對虹膜內邊界定位：利用非線性尺度空間所具有的尺度演化特性，對原始虹膜圖像進行平滑處理，消除瞳孔區域的亮斑，保證瞳孔區域的灰度處于整幅圖像的最低水平，再通過閾值實現瞳孔檢測，實現虹膜內邊界定位；步驟2對虹膜外邊界定位：利用非線性尺度空間的尺度演化特性，對原始虹膜圖像進行平滑處理，消除幾何尺度較小的睫毛對虹膜區域的遮擋，實現了對外邊界的準確定位。本算法在外邊界定位過程中，同樣利用非線性尺度空間的尺度演化特，對原始虹膜圖像進行平滑，消除了幾何尺度較小的睫毛對虹膜區域的遮擋，實現了對外邊界的準確定位。
【技術實現步驟摘要】
本專利技術涉及一種基于非線性尺度空間的虹膜圖像分割算法。
技術介紹
生物特征識別算法(Biometrics)通過計算機利用人類自身的生理或行為特征進行個人身份認定。這些身體特征包括指紋、虹膜、掌紋、手形、人臉、聲音、視網膜和DNA等人體的生理特征，以及簽名動作、行走步態、敲擊鍵盤的力度等行為特征。這些生理或行為特征由于人各有異、幾乎隨身攜帶并且具有相當的穩定性，能夠成為身份鑒定的可靠依據。目前，生物特征識別算法憑借這些獨特優勢，已經在信息安全、金融交易、社會安全、人員管理、醫療衛生等領域獲得了廣泛應用。其他生物特相比，虹膜唯一性高、精度高、穩定性好，適用人群廣泛。作為一項重要的生物特征識別算法，虹膜識別得到了科學界和工業界的高度關注。目前，一個典型的虹膜識別系統主要由虹膜圖像預處理、特征提取和編碼組成。其中虹膜圖像預處理的主要任務是正確分割圖像中的虹膜區域，即虹膜邊界的定位，從而為后續的特征提取和編碼過程提供有效信息。一般情況下，人們將虹膜的形狀建模為圓環，其內外邊界為同心圓，內圓即為瞳孔與虹膜的邊界。虹膜預處理的基本步驟為:(I)確定瞳孔中心；(2)確定虹膜內邊界；(3)確定虹膜外邊界。虹膜邊界定位是虹膜識別系統的基礎，它會對最終的識別效果產生重要影響。最早的虹膜邊界定位方法由Daugman提出，即經典的積分/微分算子(Integro-differential operator) ;Wildes提出的算法將邊緣檢測與Hough變換相結合；Boles等采用一維三次樣條小波提取出的圖像過零點作為特征。隨后，人們在虹膜圖像預處理階段引入了多種工具，如活動輪廓模型、傅里葉變換與幾何投影、統計方法、Gabor濾波器坐寸o近年來，考慮到虹膜識別系統的實用性，人們開始更多的關注非理想采集虹膜的識別。非理想采集虹膜圖像由于存在反光、睫毛和眼瞼遮擋等干擾，圖像質量大為降低，這為虹膜邊界的準確定位帶來了很大困難。為此，人們提出了不同的方法。例如，Proenpa等利用k均值模糊聚類實現對虹膜圖像灰度的特征分類；Pundlik等利用圖割實現虹膜分割，但是圖割方法依賴于像素間的統計關系，忽略了邊界信息，且迭代過程較長；He等提出了一種混合分割方法，即首先利用線性插值算法消除反光，再由弦長均衡方法搜索瞳孔中心；Jarjes等利用snake模型和角積分投影方法實現虹膜分割；Roy通過水平集方法實現虹膜邊界的提取。然而，由于Snake和水平集兩種方法均依賴于由偏微分方程控制的曲線演化模型，此類虹膜分割方法收斂速度較慢，且對曲線的初始化位置非常敏感。
技術實現思路
本專利技術針對上述關于非理想采集虹膜分割方法存在的不足，提出了一種基于非線性尺度空間的虹膜分割算法。這一算法分為兩個階段，能夠在消除反光和睫毛遮擋的基礎上，分別實現內邊界定位和外邊界定位。本專利技術采用的算法方案如下:—種基于非線性尺度空間的虹膜圖像分割算法，包括以下步驟:步驟I對虹膜內邊界定位:利用非線性尺度空間所具有的尺度演化特性，對原始虹膜圖像進行平滑處理，消除瞳孔區域的亮斑，保證瞳孔區域的灰度處于整幅圖像的最低水平，再通過閾值實現瞳孔檢測，實現虹膜內邊界定位；步驟2對虹膜外邊界定位:利用非線性尺度空間的尺度演化特性，對原始虹膜圖像進行平滑處理，消除幾何尺度較小的睫毛對虹膜區域的遮擋，實現了對外邊界的準確定位。所述的步驟I具體包括以下步驟:(1-1)對輸入的 虹膜圖像I進行框架Laplace金字塔分解，得到概貌圖像Ic和細節圖像Id ；(1-2)對概貌圖像Ic進行非線性尺度空間下的各向異性擴散，得到圖像Ic_difful ；(1-3)考慮到正常情況下瞳孔區域的灰度值最低，則設定閾值Th，將圖像Ic_difful 二值化，低于此閾值的像素的灰度值置為0，得到L區域；否則置1，得到H區域；(1-4)對L區域進行閉運算，得到圖像Ic_pupil，即概貌圖像Ic的二值化的瞳孔區域，其中閉運算采用的結構算子為圓，用b表示，SPIc piipil = (L b) b(I)(1-5)利用插值算法將圖像Ic_pupil映射為與虹膜圖像I同樣大小的圖像，得到圖像I_pupil，采用雙線性插值實現；(1-6)以圖像I_pupil的L區域為模板，覆蓋原始虹膜圖像I中對應的區域，得到消除反光后的圖像I_r ;(1-7)計算圖像I_r瞳孔區域的質心C，即權利要求1.一種基于非線性尺度空間的虹膜圖像分割算法，其特征在于，包括以下步驟: 步驟I對虹膜內邊界定位:利用非線性尺度空間所具有的尺度演化特性，對原始虹膜圖像進行平滑處理，消除瞳孔區域的亮斑，保證瞳孔區域的灰度處于整幅圖像的最低水平，再通過閾值實現瞳孔檢測，實現虹膜內邊界定位； 步驟2對虹膜外邊界定位:利用非線性尺度空間的尺度演化特性，對原始虹膜圖像進行平滑處理，消除幾何尺度較小的睫毛對虹膜區域的遮擋，實現了對外邊界的準確定位。2.如權利要求1所述的虹膜圖像分割算法，其特征在于，所述的步驟I具體包括以下步驟: (1-1)對輸入的虹膜圖像I進行框架Laplace金字塔分解，得到概貌圖像Ic和細節圖像Id ； (1-2)對概貌圖像Ic進行非線性尺度空間下的各向異性擴散，得到圖像Ic_difful ；(1-3)考慮到正常情況下瞳孔區域的灰度值最低，則設定閾值Th，將圖像Ic_difful 二值化，低于此閾值的像素的灰度值置為O，得到L區域；否則置1，得到H區域； (1-4)對L區域進行閉運算，得到圖像Ic_pupil，即概貌圖像Ic的二值化的瞳孔區域，其中閉運算采用的結構算子為圓，用b表示，SP Ic _ pupil = (L b)&b(I) (1-5)利用插值算法將圖像Ic_pupil映射為與虹膜圖像I同樣大小的圖像，得到圖像I_pupil，采用雙線性插值實現； (1-6)以圖像I_pupil的L區域為模板，覆蓋原始虹膜圖像I中對應的區域，得到消除反光后的圖像I_r ; (1-7)計算圖像I_r瞳孔區域的質心C，即 / \c=(cv,c) 二」~ y i，」~ T j(9) V.^pupil I_r(Lj)GL ^pllpiI I_r(i,j)eL y 其中(i，j)為圖像像素點坐標，Npupil為瞳孔區域的像素數量；又以C點為圓心，對I_r進行極坐標變換和邊緣檢測，以半徑方向上幅值響應最大的點為內邊界點；統計內邊界點到質心C的距離，將出現概率最大的距離Ri作為內邊界的半徑。3.如權利要求1所述的虹膜圖像分割算法，其特征在于，所述的步驟(1-1)所述的對輸入的虹膜圖像I進行框架Laplace金字塔分解，這一過程以矩陣形式表示，其一層分解公式為 (Ic\ f(Il)H),、 =Al^⑶ 其中H和G分別表示滿足完全重構條件(即框架結構)的低通和高通濾波器，Ic表示概貌圖像，Id表示細節圖像。4.如權利要求2所述的虹膜圖像分割算法，其特征在于，所述的步驟(1-2)所述的異性擴散，采用的擴散控制函數選擇(4)式5.如權利要求2所述的虹膜圖像分割算法，其特征在于，所述的步驟(1-3)用如下公式表不:1c鮮⑶。 —L人，￥ ^ diftu\(i, j)< Th6.如權利要求2所述的虹膜圖像分割算法，其特征在于，所述本文檔來自技高網...
【技術保護點】
一種基于非線性尺度空間的虹膜圖像分割算法，其特征在于，包括以下步驟：步驟1對虹膜內邊界定位：利用非線性尺度空間所具有的尺度演化特性，對原始虹膜圖像進行平滑處理，消除瞳孔區域的亮斑，保證瞳孔區域的灰度處于整幅圖像的最低水平，再通過閾值實現瞳孔檢測，實現虹膜內邊界定位；步驟2對虹膜外邊界定位：利用非線性尺度空間的尺度演化特性，對原始虹膜圖像進行平滑處理，消除幾何尺度較小的睫毛對虹膜區域的遮擋，實現了對外邊界的準確定位。
【技術特征摘要】
【專利技術屬性】
技術研發人員：萬洪林，韓民，
申請(專利權)人：山東師范大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。