基于改進粒子群算法及分區(qū)去噪的虹膜定位研究

劉輝 朱文玉 婁成芝 張彥文 唐闖 陳希

摘 要：針對亞洲人眼虹膜圖像，結(jié)合人眼瞳孔的構(gòu)成及特征，借助改進的粒子群尋優(yōu)算法、圖像反補增強相整合的途徑，擬合定位虹膜內(nèi)圓;參考虹膜外邊界的特征，通過改進的粒子群尋優(yōu)算法、分區(qū)域去噪法，有效定位虹膜外圓，并利用坐標變換法對定位后的圖像作了歸一化處理;最后，通過中科院虹膜圖庫及自建虹膜圖庫樣本驗證了方法的可行性，研究中較好的克服了圖庫中光斑的干擾，且能高效完成虹膜區(qū)域的切分。

關(guān)鍵詞：虹膜定位;粒子群算法;分區(qū)域去噪

中圖分類號：TP319.7 文獻標識碼：A 文章編號：1001-5922（2021）04-0091-05

Abstract：Aiming at the Asian iris image， combining the composition and characteristics of the human eye pupil， with the help of an improved particle swarm optimization algorithm and an integrated approach of image denial enhancement， fitting and positioning of the inner circle of the iris; with reference to the characteristics of the outer boundary of the iris， the improved particle swarm optimization algorithm and the sub-region denoising method are used to effectively locate the outer circle of the iris， and using the coordinate transformation method to normalize the image after positioning; finally， the feasibility of the method is verified by the Chinese Academy of Sciences iris library and self-built iris library samples. In the research， the interference of the light spot in the gallery is better overcome， and the segmentation of the iris area can be completed efficiently.

Key words：iris location; particle swarm optimization; denoising by region

0 引言

人眼圖像虹膜定位作為虹膜識別、虹膜醫(yī)學輔助診斷等技術(shù)領(lǐng)域的基礎(chǔ)，但由于圖像采集過程中，人眼到鏡頭距離的變化、光照對瞳孔的刺激、個體差異等諸多因素的影響，使得后期出現(xiàn)識別率底，特征提取錯誤等現(xiàn)象。著名學者Daugman最先對虹膜分割法進行了定義，結(jié)合虹膜同圓環(huán)相近的形狀，通過圓形檢測匹配器法對圖像進行分割[1]。Wildes學者首次通過霍夫變換（Hough Transformation） 來定位虹膜，對累加器數(shù)組的最大值參數(shù)組合進行計算，并作為虹膜內(nèi)外圓參數(shù)[2]。Javed、Basit兩位學者在亮度值分析的基礎(chǔ)上，構(gòu)建了全新的虹膜定位法，借助兩大不同方式對虹膜內(nèi)邊緣數(shù)據(jù)進行運算，并借助對各方向梯度Max值進行尋找，從而得到虹膜外邊緣[3]。粒子群算法是Kennedy和Eberhart博士提出的一種基于群智能的優(yōu)化算法，最大特征即為該算法最初的收斂性較強，然而可能后期會出現(xiàn)局部最優(yōu)的狀況，收斂速度及精度會下降[4]。本文研究內(nèi)容主要包含兩方面：第一，要想進一步增強虹膜定位的速度、精度，本研究針對虹膜定位，構(gòu)建出適應(yīng)性良好的改進例子群算法，對算法搜索空間盡心了進一步拓展，也減少了出現(xiàn)局部最優(yōu)問題的幾率，使算法收斂速度明顯提升。同時不論是在搜索的中、后期都使候選優(yōu)解質(zhì)量得到提升，并在全局最優(yōu)解收斂;第二，定位虹膜外邊緣后，需要借助canny算子來檢測虹膜圖像的邊緣，圖像在檢測后的圖像信息比較復雜，為更好的去除噪聲干擾，本文提出了一種分區(qū)域去噪的方法，確定了四個噪聲區(qū)域，經(jīng)過試驗驗證，可以有效消除很多噪聲，便于對虹膜外圓進行尋找，對鞏膜邊界輪廓進行明確。

1 實驗材料及設(shè)備

本文所使用到的虹膜圖像數(shù)據(jù)來源分為兩個方面，一是中科院虹膜圖庫CASIA V4.0，二是自建虹膜圖庫，由于亞洲人虹膜成黑褐色，無法在可見光下清晰可見，因此自建圖庫所采用的設(shè)備為紅外850nm窄帶KS2A17型號的3.9mm攝像頭，如圖1所示：

實驗環(huán)境如下：CPU為Intel（R）Core（TM）i5-5300U，內(nèi)存8G，操作系統(tǒng)Win7專業(yè)版64位，使用軟件為MATLAB2018b。

2 虹膜圖像定位

人體很重要的器官就是眼睛，相對獨立，包括不同結(jié)構(gòu)組織，人眼圖像涉及到虹膜外信息及其他多種信息，多種信息會干擾提取特征的過程中，所以要想更加漸變畫的完成提取特征紋理的目的，需要虹膜定位人眼圖像，具體劃分為不同步驟：圖像灰度化、去噪聲、圖像增強、虹膜定位以及歸一化五個環(huán)節(jié)[5]。虹膜定位流程如下圖2所示。

2.1 虹膜圖像灰度化

利用虹膜圖像采集儀對圖像進行采集時，能夠得到彩色圖像，本研究不對顏色特點進行考慮，所以顏色不會對提取紋理特征造成影響。然而如果顏色信息相對復雜的情況下，會使圖像處理任務(wù)量、難度有所提升。本研究灰度化處理了圖像，以便使工作效率得到改善。

基于數(shù)字圖像下，顏色信息主要是RGB三大通道所形成的，對于彩色圖像而言，三大通道的取值也存在差異，圖像的灰度化處理即為利用單通道灰度圖像來表示，而非三通道彩色圖像，在進行轉(zhuǎn)化時要求通道的分量取值相一致，這樣就代表單個灰度顏色，所得到的的圖像也叫作灰度圖像[6]。本研究借助加權(quán)平均值的方式，對虹膜圖像開展灰度化處理，結(jié)合RGB分量的關(guān)鍵程度、相應(yīng)標準，對三通道的各個取值開展加權(quán)處理，去最終平均值，如式（1）所示：

上述公式內(nèi)，虹膜圖像灰度值為Gray，并將其設(shè)定為RGB三大分量取值，即可獲得灰度圖像。

2.2 虹膜內(nèi)邊緣定位去噪及增強

采集圖像時，因為不同因素俊輝產(chǎn)生干擾，包括：眼瞼遮擋、鏡頭間距以及光照不均勻等，所得虹膜圖像的質(zhì)量可能會各不相同，對于眼球而言，很可能會出現(xiàn)遮擋的狀況，所以增大了對圖像內(nèi)有價值信息的讀取難度，干擾提取虹膜特點的操作[7]。

結(jié)合對自制虹膜庫下的圖像進行研究分析，能夠得知，睫毛、光板是主要噪聲，本研究借助數(shù)學形態(tài)學領(lǐng)域下的開、閉操作方式完成圖像去噪任務(wù)，詳細流程為：創(chuàng)建一個半徑為5、高度為1的橢圓體作為結(jié)構(gòu)元素SE，對原圖3（a）像進行腐蝕，并一次完成開、閉操作。然后就能夠得到圖像去噪結(jié)果，詳見下圖所示，通過分析圖像結(jié)果能夠得知，已經(jīng)有效去除了之前圖像瞳孔光斑、右側(cè)上睫毛，去噪處理能夠有效降低干擾因素，將虹膜信息進行模糊處理，同時可以使虹膜內(nèi)外圓邊緣更加明顯，方便開展定位操作，不會對之后提取特征的過程產(chǎn)生干擾。

針對虹膜圖像（完成去噪處理）開展圖像增強操作，使圖像對比度提升，并將瞳孔位置進行凸顯和強調(diào)，可以得到下圖：

2.3 虹膜內(nèi)圓定位

本研究在對特征紋理進行分析的過程中，發(fā)現(xiàn)虹膜圖像下的虹膜區(qū)域中集中分布著特征紋理，所以要想使提取過程更加便利化，應(yīng)針對虹膜圖像，對虹膜位置進行明確。本研究對內(nèi)外圓區(qū)域進行大致明確后，發(fā)揮改進粒子群優(yōu)化算法的優(yōu)勢，擬合虹膜內(nèi)外圓，從而更加高效化的定位虹膜。

針對傳統(tǒng)粒子群優(yōu)化算法進行分析，了解到其關(guān)鍵特征就是進行初期運算過程中的收斂性較強，然而在進入到后期運算時，經(jīng)常會出現(xiàn)局部最優(yōu)的問題，收斂的速度降低，精度也無法保證[8]。本研究想在算法后期也保障收斂速度，進行虹膜定位時，進一步改進了粒子群算法：

上述公式（2）中，對第i個粒子進行標記時，借助速度更新法，表示為A（i），將其進行初始化標準，記為1。對于第i個粒子，該算法會對第一種速度更新法進行主動選取，這就表示僅對個體最優(yōu)粒子進行研究，對粒子的歷經(jīng)的個體優(yōu)化位置開展速度更新處理，這就使該算法下的局部搜索更加便利化。若處于停滯周期的第i個粒子依舊保持此態(tài)，該算法需要對A（i）值進行更換，標記成0，基于此，就需要借助第二個速度更新法來處理第i個粒子，這就表示僅對全局最優(yōu)粒子進行分析，結(jié)合粒子在全局內(nèi)的優(yōu)化位置進行速度更新處理，這就能夠使粒子群算法全局搜索能力得到顯著提升。同理，若將A（i）記成0，此時第i個粒子處于停滯周期中，而且也將保持這一狀態(tài)，那么就需要對A（i）值進行調(diào)整，并標記成1。借助上述不同的速度更新法，結(jié)合差異化的狀況，可以對全局或者是個體最優(yōu)粒子開展速度更新處理，即使應(yīng)用算法進行運算的前期過程中會對最優(yōu)解的搜索產(chǎn)生一定的干擾，然而對算法搜索空間進行進一步拓展之后，就能夠有效降低出現(xiàn)局部最優(yōu)問題的幾率，同時使算法收斂速度得到顯著提升，能夠在算法運算的中、后期也能夠?qū)蜻x優(yōu)解質(zhì)量進行增強，并在全局最優(yōu)解進行收斂。

使用edge函數(shù)檢測邊界，調(diào)用canny算子對增強對比度的圖像進行虹膜邊緣檢測，檢測結(jié)果如圖4（a）所示。在虹膜內(nèi)邊界上選定任意相鄰兩點距離相等的12個點如圖4（b）所示，每隔5個點的兩點相連，所有連線的交點為圓心點。

利用粒子群算法尋找最合適的虹膜內(nèi)邊界的圓心坐標O（x，y）及半徑r，算法運行過程如圖5 （a）所示。然后，對虹膜內(nèi)邊界進行擬合，完成虹膜內(nèi)邊界的擬合定位，如圖5（b）所示。本文中粒子群優(yōu)化算法的目標函數(shù)見式（3）：

2.4 虹膜外邊緣定位去噪及增強

由于虹膜內(nèi)邊緣、眼睫毛、眼臉、虹膜紋理等在對虹膜外邊界定位時，都被判定為噪聲區(qū)域，為了減少噪聲區(qū)域?qū)缒ね膺吔缍ㄎ坏挠绊懀疚母鶕?jù)虹膜內(nèi)邊界的圓心坐標及半徑確定了四個噪聲區(qū)域，分別為瞳孔上下睫毛部分、眼球下半部分、眼球上的部分及虹膜內(nèi)邊界的瞳孔部分。

瞳孔上下睫毛部分：

虹膜的上半部分包括瞳孔上方、眼睫毛和上眼臉的線條，該區(qū)域中，變化量△y的取值由r的取值范圍所決定。當r在范圍內(nèi)取值時，若△y的數(shù)值是15，如果r值并未在范圍之內(nèi)，那么需要調(diào)整△y的數(shù)值，標記成25。為了將虹膜上半部分的噪聲消除，將此處灰度值設(shè)為0。

眼球下半部分：

虹膜的下半部分包括下眼睫毛和下眼臉的線條，該區(qū)域中，變化量△r1的值由r的取值范圍決定。當r的取值在范圍內(nèi)變化時，△r1的值設(shè)置為75，若取值超出此范圍，△r1的取值為95。為了將虹膜下半部分的噪聲消除，將此處灰度值設(shè)為0。

眼球上半部分：

眼球上的部分主要是上眼睫毛和上眼臉的線條，該區(qū)域中，變化量△r2的值由r的取值范圍變化所決定。當r的取值在范圍內(nèi)變化時，△r2的取值為60，若超出此取值范圍，△r2的值變?yōu)?0。為了將眼睛上的睫毛噪聲消除，將此處灰度值設(shè)為0。

瞳孔與虹膜部分：

該區(qū)域主要包括虹膜內(nèi)圓線條及其虹膜外圓內(nèi)的線條噪聲，為了消除此部分的噪聲，將此處灰度值設(shè)為0。

將上述4部分的噪聲區(qū)域消除后，能夠比較容易的得到虹膜外邊緣的輪廓。得到的圖像如圖6所示。

2.5 虹膜外圓定位

利用粒子群算法尋找最合適的虹膜內(nèi)邊界的圓心坐標O（x，y）及半徑r，虹膜外邊界點如圖7（a）所示。然后，對虹膜內(nèi)邊界進行擬合，完成虹膜外邊界的擬合定位如圖7（b）所示。本文中粒子群優(yōu)化算法的目標函數(shù)為式（8）：

2.6 虹膜圖像歸一化

要想使后期虹膜特征的提取過程更加便利化，本研究借助坐標變換方法，歸一化處理虹膜圖像，并且該圖像已經(jīng)進行定位。這就使定位后的虹膜圖像成為標準圖像，并保留原有圖像信息[9]。

將帶有圓環(huán)狀的虹膜圖像歸一化為600×150的矩形圖像如圖8所示，處理過程為將圓環(huán)狀虹膜圖像從某處切開，分別向兩側(cè)拉成矩形狀，但過程中圖像稍有些變形，因此將變形部分用鄰近的像素點代替，坐標公式見式（9）。

3 實驗結(jié)果與分析

文章分別對中科院虹膜圖庫CASIA V4.0及自建虹膜圖庫共計352張樣張進行測試，實驗結(jié)果如表1所示。

本文提出的改進粒子群算法及分區(qū)域去噪的虹膜定位方法，較好的克服了圖庫中光斑的干擾，能夠較好的實現(xiàn)虹膜定位的同時保證了虹膜特征提取信息的完整性，加快了后期虹膜特征提取的效率，對于虹膜定位、虹膜特征提取、虹膜輔助診斷應(yīng)用的研究具有一定的推廣價值。

參考文獻

[1]林珊珊，盧紹興，馬宇，等.基于遷移深度卷積神經(jīng)網(wǎng)絡(luò)的虹膜定位[J].信息技術(shù)與信息化，2019，45（07）：79-81.

[2]鄒德旋.基于改進粒子群的虹膜定位算法[J].光學精密工程，2014，62（04）：1056-1063.

[3]楊建衛(wèi).一種采用蜂群全局引導搜索策略的入侵雜草優(yōu)化改進算法[J].計算機應(yīng)用于軟件，2014，37（04）：161-164.

[4]蔣達琴.虹膜圖像噪聲處理技術(shù)研究[D].重慶：重慶大學，2006.

[5]張紅，喬華松，吳時青.基于Matlab的虹膜病理識別[J].工業(yè)控制計算機，2017，33（11）：78-84.

[6]李乾.虹膜圖像預處理研究[D].哈爾濱：哈爾濱工程大學，2012.

[7]張丹丹.數(shù)學形態(tài)法中結(jié)構(gòu)元素的選擇[J].科技信息，2019，37（34）：172-173.

[8]王迎春.虹膜識別算法的研究[D].重慶：重慶大學，2010.

[9]趙晨旭.虹膜圖像特征提取及其醫(yī)學應(yīng)用[D].呼和浩特：內(nèi)蒙古大學，2018.