虹膜眼瞼噪聲檢測與去除算法研究

張晶+趙剛

【摘 要】為了進一步提高虹膜圖像的質量，論文對虹膜眼瞼噪聲的檢測與去除進行了研究。由于傳統用微分的方法對圖像邊緣信息檢測存在的不足，根據小波變換多尺度、多分辨分析的特點，利用小波模極大值和最小二乘法相結合的方法虹膜眼瞼邊緣的噪聲進行檢測與去除，結果表明，虹膜圖像邊緣特征顯著，圖像質量得到提高。

【Abstract】In order to further improve the quality of the iris images， the detection and removal of iris lid noise are studied in this paper. Due to the shortcomings of traditional methods of differential detection of edge information of images， according to the characteristics of multi-scale and multi-resolution analysis of wavelet transform， the wavelet transform modulus maxima and least square method are combined to detect and remove the noise of iris and eyelid edge. The results show that the iris image edge characteristics are significant， and the image quality is improved.

【關鍵詞】小波變換；虹膜；噪聲

【Keywords】wavelet transform； iris； noise

【中圖分類號】TP181 【文獻標志碼】A 【文章編號】1673-1069（2017）11-0174-02

1 引言

目前，基于虹膜的人體生物特征識別與認證領域得到迅猛發展，虹膜識別技術的研究受到越來越多科技人員的重視。在采集、處理或者傳輸虹膜的過程中通常都會受到外界噪聲的干擾，由于這些噪聲的存在，使得提取虹膜圖像特征以及識別虹膜效果的難度大大提高。因此，對虹膜圖像的去噪就顯得尤為重要。由于傳統方法在圖像去噪方面很難讓人滿意，小波變換因具有多尺度以及多分辨分析的特點，在圖像去噪方面效果較好，所以我們利用小波模極大值檢測與最小二乘法相結合的方法進行眼瞼噪聲檢測以及去除，去噪后的圖像邊緣信息等特征明顯，系統識別率提高，在理論上和實際應用中都具有重要意義。

2 虹膜圖像眼瞼噪聲的產生

因考慮到采集者的因素，所以虹膜圖像采集過程眼瞼、眼瞼陰影、睫毛以及光源像點不可避免地會引入噪聲 [1，2，3]。如果虹膜比較完整，干擾又較少，那么現存的虹膜識別算法Daugman的方法、Houhg變換的方法等就能準確定位。因此，虹膜圖像的去噪，對于提高圖像的識別度具有重要意義。

3 算法分析

通常，圖像的邊緣檢測是利用微分的方法來計算梯度，這樣提取出來的邊緣信息一般都會含有噪聲，更嚴重時可能連真正的邊緣信息都沒有被檢測出來。一直以來，在眼瞼的邊緣檢測方面都存在著很大的困難，特別是眼瞼的遮擋問題更具困難。現有的Houhg變換方法和Daugman方法主要是對圖像整體特性或者目標輪廓進行檢測，因此都能夠檢測出眼瞼的邊緣特性，但對于圖像局部特性往往會損失，造成眼瞼虹膜局部信息的丟失，存在很大的局限性。而小波變換由于具有多尺度特征，可以準確地提取奇異點，將圖像的整體特性與局部特性綜合起來，利用小波模極大值和最小二乘法分別對圖像邊緣信息進行檢測和眼瞼邊緣進行檢測，做到準確定位邊緣圖像信息。

3.1 小波模極大值的邊緣檢測

3.2 最小二乘法方法

由于獲取的虹膜圖像都不可避免的會受到眼瞼的遮擋，加上眼瞼邊緣特征不明顯，所以使得采集眼瞼的難度非常的大。所以在利用小波模極大值得到的眼瞼邊緣候選點集后，再利用最小二乘法進行拋物線擬合確定精確眼瞼邊緣。上下眼瞼邊緣的擬合模板分別是：x（t）=axx2+bxt+cx ；y（t）=ayt2+byt+cy（式中，0≤t≤1）。

由于人眼虹膜的區域近似圓環形，所以通常采用內、外圓擬合的方法找到擬合圓。內圓擬合時可以利用最小二乘法原理直接求出擬合參數；由于外圓擬合容易受到圖像邊緣點噪聲的影響，所以可以在外圓的邊緣點隨機任意選取一些邊緣點擬合圓，通過計算外圓邊緣點與擬合圓的距離來找到最佳的擬合外圓。

3.3 程序結構與實驗結果圖

并以此定位出上下眼瞼的邊界，上下眼瞼定位過程如圖1所示。

4 結論

本文在已有眼瞼檢測方法的基礎上進行優化精確了眼瞼邊界參數確定問題，同時具有一定的魯莽性，研究虹膜圖像中的眼瞼噪聲檢測與去除，提高檢測的準確率，為虹膜識別系統的實際應用，奠定了良好的基礎，而且為以后的設計及開發工作打下了重要的基礎。

【參考文獻】

【1】Kong W K.Zhang D.Detecting eyelash and reflection for accurate iris segmentation[J].International Journal of Pattern Recognition and Artificial Intelligence，2003，17（6）：1025-1034.

【2】鄭煊，王強德，劉萌.基于虹膜圖像特征的噪聲檢測方法[J].光電子技術2009，29（1）：37-41.

【3】來毅，盧朝陽.虹膜圖像中噪聲檢測算法的研究[D].西安：西安電子科技人學，2007.

【4】Donoho DL. Denoising by Soft-thresholding[J]. IEEE Transaction Information Theory，1995，41（3）：613-627.

【5】韓民，田嵐，翟廣濤，等.基于Hermite插值的小波變換模極大值重構信號快速算法[J]. 系統仿真學報，2005（11）：2616-619.endprint