改進的虹膜圖像分割算法研究

鐘 彩,彭春富

(常德職業(yè)技術學院,湖南 常德 415000)

0 引言

虹膜為人類眼瞳孔與鞏膜之間的組織,在二維圖像平面上其和環(huán)形有很高的相似性。在多數(shù)情況下,上下眼瞼張開度并不是無限的,會遮掩局部虹膜結(jié)構(gòu),故而圖像內(nèi)虹膜并不是十分完整的環(huán)形,存有者眼瞼的塊狀遮掩與睫毛的線形遮蓋。分割虹膜不僅是分割環(huán)形區(qū)域,還有檢測眼瞼、睫毛等。為提升識別效率,應盡可能解除眼皮及睫毛遮蓋等形成的干擾。本文設計了一種改進的虹膜分割算法,用來提升分割操作的精準性與速度。

1 檢測虹膜內(nèi)外邊緣

1.1 Hough變換

假定圓心(xc,yc),半徑r的圓方程[1]:

圓形Hough變換定義:

其中,

而g(xj,yj,xc,yc,r)=(xj-xc)2+(y-yc)2-r2

1.2 內(nèi)邊緣定位

依照虹膜圖像各位置的灰度分布時遵照的規(guī)律,選擇適宜的灰度級閾值,這樣便能快捷獲得瞳孔的二值化圖像,在形態(tài)學的膨脹型邊緣檢測算子的協(xié)助下精準提獲瞳孔邊緣。針對局部二值化圖像內(nèi)存有的部分噪聲,比如睫毛局部發(fā)生粘連、瞳孔中的光斑與局部偏暗區(qū)對瞳孔區(qū)形成干擾等,應用形態(tài)學開閉運算行濾波填洞朝著處理及選出最大連通區(qū)域,通常能順利的解除以上狀況。

邊緣檢測算子可以表示為:

基于Hough變換獲取內(nèi)邊緣闡述,進而實現(xiàn)對虹膜內(nèi)邊緣的精準定位。

Hough變換階段需遍歷參數(shù)空間檢索峰值,如果實際參數(shù)空間偏大時,存儲開銷及參數(shù)搜索對應的時間開銷均較大。設定圓的3個參數(shù)xc,yc,r的減縮范疇依次是[xmin,xmax],[ymin,ymax],[rmin,rmax],此時需存儲的參數(shù)空間大小為[xmin,xmax]×[ymin,ymax]×[rmin,rmax],對應的減縮時間為O([xmin,xmax]×[ymin,ymax]×[rmin,rmax])。針對以上情況,可采用的改進方式:依次在以上3個范疇中檢索峰值。因為規(guī)劃樣本子集時參照邊緣點的實際高度位置,故而先順沿高度范疇檢索峰值,可以將該峰值定義成虹膜外邊緣圓心的高度；隨后通過圓心高度縮小其他兩個檢索范圍,在寬度與半徑范圍中依次搜索圓心的寬度與半徑長,通過執(zhí)行以上方法時實際所需的存儲空間僅為[xmin,xmax]+[ymin,ymax]+[rmin,rmax],最差狀況下的時間開銷是O([xmin,xmax]+[ymin,ymax]+[rmin,rmax])。實驗檢測發(fā)現(xiàn),以上這種改進形式不僅不會降低Hough變換的有效性,還減少了Hough變換對時空提出的要求。

1.3 外邊緣定位

在虹膜外邊緣前,需要進行預處理,以規(guī)避出現(xiàn)進一步凸顯外邊緣的問題。應用多尺度形態(tài)邊緣檢測算法檢測邊緣,配合形態(tài)學的連通區(qū)選出邊緣,以防較多的無效點參與定位運算過程,進而使定位精準度得到更大保障,縮短定位時間。

為了使計算量更少,可以參照虹膜內(nèi)邊緣定位所得結(jié)果,截取原始圖像,尺寸稍大于虹膜區(qū)域。

2 上下眼瞼的定位

實際采集虹膜圖像時,上下眼瞼可能會遮擋局部,多數(shù)虹膜圖像眼瞼的邊緣十分模糊,尤其是下眼瞼,通常會受到來自眼睫毛因素的干擾作用以及眼瞼皮膚對照明光源做出的反光表現(xiàn)的影響,這在很大程度上提高了準確檢出眼瞼遮擋情況的精準度。

關于眼瞼的定位問題,Daugman等人既往應用和內(nèi)外邊緣定位十分相似的方法去檢測；也有學者嘗試采用廣義Hough變換進行拋物線擬合處理,因擬合處理圓弧和拋物線環(huán)節(jié)中,要在三維與四維參數(shù)空間內(nèi)探尋最優(yōu)解,因而過程較遲緩。為規(guī)避以上情況,本文擬定結(jié)合使用邊緣檢測與最小二乘法檢測眼瞼。擬合所得的拋物線方程[2]:

對于一組實驗數(shù)據(jù):

設定:

基于Q(a,b,c)能對a,b,c求算偏導,并且設定偏導是0,據(jù)此能夠得到:

眼瞼邊緣檢測有上、下眼瞼邊緣檢測之分,兩者采用的方法十分相似。從宏觀層面上,可以將眼瞼邊緣檢測過程細化成如下3部分:一是截取眼瞼子圖像,二是探查眼瞼邊緣點集,三是擬合曲線。本文以上眼瞼檢測過程作為實例進行分析,首先,經(jīng)由虹膜圖像內(nèi)隔離出涵蓋上眼瞼邊緣的區(qū)域,隨后用水平方向Sobel算子提取獲得邊緣、其次,利用形態(tài)學內(nèi)的最大連通區(qū)域知識消除該邊緣檢測圖像內(nèi)的噪聲,這樣便能獲得精準度更高的眼瞼邊緣候選點集。最后,依照所得的上眼瞼邊緣候選點集,采用最小二乘法去擬合拋物線,至此便能確定眼瞼邊緣[3]。

3 睫毛定位檢測

對于虹膜而言,睫毛為一種不規(guī)則“黑噪聲”,其灰度值偏小,但在光照等因素的作用下,局部睫毛的灰度值不會和虹膜紋理的灰度值形成較大差異,增加了精準分析虹膜紋理。既往有研究發(fā)現(xiàn),與上眼瞼上的睫毛形成的影響相比,下眼瞼的睫毛形成的影響程度更顯著,故而本文僅研究上眼瞼的睫毛去除情況。本文應用了一種十分推薦且有效的閾值進行檢測,以減少睫毛形成的影響,盡量留下有實用價值的虹膜信息。

雙閾值法檢測睫毛的流程:首先,截獲含有上眼睫毛的子圖像。其次,分別用兩個有差異的閾值T1與T2對子圖像行二值化處理,隨后取反,將其記作I3與I4。再者,用I1與I2提獲瞳孔且取反,將其記為I3與I4。最后,運行或操作(I1-I3)與(I2-I4)的圖像。這樣便能獲得上眼瞼睫毛圖像。另外,在實踐中也可以應用虹膜內(nèi)邊緣的定位結(jié)果與部分既往所得的經(jīng)驗式信息去提升外邊緣定位精準性與速率。

4 測試結(jié)果

為了檢驗本算法的有效性,本課題采用CASIA vs1.0,CASIA v4.0內(nèi)虹膜圖像作為實驗樣本,實驗環(huán)境內(nèi)置Intel i5處理器,CPU主頻是2.5 G,內(nèi)存4 GB,選擇Windows 7作為操作系統(tǒng),采用MATLAB2012b軟件通過實驗驗證虹膜定位算法。定位效果如圖1所示。本課題中設計的算法和其他算法的對比情況如表1所示。

圖1 定位效果

表1 本算法和其他算法的對比

5 結(jié)語

本課題研究中提出的改進的虹膜圖像的分割算法在復雜性與定位精準率等方面均占據(jù)優(yōu)勢。在具體定位操作中,應配合應用數(shù)學形態(tài)學相關知識,應用邊緣檢測聯(lián)合Hough變換精準定位出虹膜的內(nèi)外邊緣,檢測出環(huán)形虹膜區(qū)域內(nèi)有效剔除人上下眼瞼與睫毛,能取得相對理想的分割效果。還在CASIA vs1.0,CASIA v4.0數(shù)據(jù)庫內(nèi)對實驗樣本進行仿真分析,證實了改進后算法的有效性,值得推廣。