CN101256625A - 多方法结合的人耳图像边缘提取方法 - Google Patents

Abstract

本发明提出了基于万有引力场转换、分水岭算法和Canny算子相结合的人耳图像边缘提取方法。其包括第一：利用万有引力场转换对原始图像进行预处理，把噪声和光照的影响降低，强化边缘信息；第二：使用分水岭算法对图像进行有效的分割，获得一个只包含人耳的最小封闭区域；利用分水岭算法对人耳的外侧边缘进行提取；接着利用所提取的边缘具有封闭性的特点，分割出仅包括人耳内侧区域的图像；第三：利用Canny算子对图像小细节敏感的特性，对内侧部分的边缘进行提取。最后将人耳图像外部和内部边缘进行合成，最终得到完整的人耳边缘曲线。本方法得出的耳朵边缘图像比较清晰完整，比单一采用其他方法效果更好，为后续特征提取及识别提供了较好基础，有望提高识别效率。

Description

多方法结合的人耳图像边缘提取方法

技术领域

本发明属于一种基于万有引力场转换、分水岭算法和Canny算子相结合的人耳图像边缘提取方法。尤其对有噪声污染和边缘有干扰的人耳图像的处理，有望取得较高的识别率。

背景技术

人耳识别作为新的生物特征识别技术，越来越受到人们的关注。一个完整的人耳识别系统包括：人耳图像的采集、图像的预处理、边缘提取与分割、特征提取和识别。但目前的研究更多地关注于人耳的识别特征，例如国内外比较主要的几何学方法、主元分析法、基于长轴形状提取法、遗传局部搜索法、利用神经网络进行识别的方法等等。而针对人耳图像边缘提取的研究却相对较少，只有北京科技大学的“基于轮廓合成的人耳识别”和“小波分析在人耳图像边缘检测的研究”等几篇文章。边缘检测是图像特征分析识别的基础，边缘提取的好坏直接关系到最后的识别成功率，因此迫切需要寻找一种边缘提取效果较好又简单易行的方法。

现有的图像边缘提取方法：可分为三大类：一类是采用某种固定的局部运算方法，如微分法，拟合法等；第二类是以能量最小化为准则的全局提取方法，如松弛法，神经网络分析法等；第三类是利用小波变换、数学形态学、分形理论等高新技术。国防科大的专家在“图像边缘提取方法和展望”一文中做了科学的分析，在总结了各个方法的优缺点后提出：如何对现有算法进行综合利用仍然是目前研究的一个热点。

在具体对人耳图像进行边缘提取时，由于拍摄条件的影响，往往会造成图像的噪声污染；同时，由于头发等遮挡物的影响，往往会造成伪边缘，这对于识别是非常不利的。通过大量实验表明，单纯采用某一种边缘提取算法，都难以有效地提取出完整的人耳边缘曲线。此发明针对这些问题，提出了利用万有引力场转换强化图像边缘，这是有别于传统方法的新探索，并且结合分水岭算法和Canny算子进一步进行边缘提取合成，达到了比较理想的效果。

发明内容

针对当前各种入耳边缘识别方法都存在过多的条件限制，边缘识别技术各有所长，又各有不足，尚没有形成综合处理方法，本发明提出一种方法来强化边缘信息，进而结合另外两种方法分别对人耳边缘外部和内部进行提取，最后合并成完整的边缘。这种方法得出的耳朵边缘图像比较清晰完整，比单一采用其他方法效果要好一些。为后续特征提取及识别提供了较好基础，有望提高识别效率。

本发明的技术方案如下：

本构思提出了基于万有引力场转换、分水岭算法和Canny算子相结合的人耳图像边缘提取方法。其包括第一：利用万有引力场转换对原始图像进行预处理，把噪声和光照的影响降低，强化边缘信息；第二：使用分水岭算法把图像进行有效的分割，获得一个只包含人耳的最小封闭区域；利用分水岭算法对人耳的外侧边缘进行提取；接着利用所提取的边缘具有封闭性的特点，分割出仅包括人耳内侧区域的图像；第三：利用Canny算子对图像小细节敏感的特性，对内侧部分的边缘进行提取。最后将人耳图像外部和内部边缘进行合成，最终得到完整的人耳边缘曲线。

本发明的实现步骤如下：

(1)人耳图像的力场转换

人耳图像的万有引力场转换就是对图像中的任意像素在力场中所受合力的计算并处理，通过力场转换使噪声的影响降低，同时强化突出人耳边缘信息。

(2)利用分水岭算法对人耳外侧轮廓进行边缘提取

A.使用分水岭算法把图像进行有效的分割，获得一个只包含人耳的最小封闭区域，为后续识别做准备。

B.基于人耳外侧和内侧的灰度值存在着较大差异，利用分水岭算法对人耳外侧边缘进行提取，这样可以较好地避免头发等遮挡物的干扰所造成的伪边缘。

C.利用分水岭算法得出的轮廓具有封闭性的特点，并结合填充算法，分割出仅包括人耳内侧区域的图像。

(3)完整的人耳边缘曲线

A.在得到的人耳内侧区域图像采用Canny算子，尽可能地提取出人耳内部边缘信息的细节。

B.将(2)B中得到的人耳图像外部边缘和(3)A中得到的内部边缘进行合成，最终得到完整的人耳边缘曲线。

本发明的优点

本发明与其他人耳识别方法相比，具有以下几个方面的优势：

(1)通过万有引力场转换算法能够将噪声的影响降低，同时强化突出边缘，得到更清晰的边缘。此处引入一种把力场转换作为图像预处理方法的理念，这种转换并不是用来获取势能阱，而是为强化人耳图像的边缘，这是对万有引力场转换算法的新应用。

(2)本文在提取人耳内侧区域的边缘之前，就已经利用分水岭算法分割出有效人耳区域，避免用整幅图像来进行识别，而受周边区域的影响。只对这一有效区域部分进行识别，有望使识别率有一定提高。

(3)利用分水岭算法对外部边缘进行提取，同时也得到了内部轮廓，一举两得。

(4)利用信息融合的方法，把分水岭算法以及Canny算子结合起来，发挥两种算法的优点，分别进行外部和内部的边缘提取并合成，得到为后面识别作准备的更有效稳定的特征。利用几种方法各自的优点进行组合运用，得到的图像边缘更为清晰完整。

附图说明

图1人耳边缘图像提取方法的框图

图2两种力场转换的比较

图2(a)高斯力场转换    图2(b)万有引力场转换

图3万有引力场转换对图像的处理效果

图3(a)原始图像        图3(b)万有引力场转换

图4分水岭算法得到的人耳外侧边缘图像

图5利用已经提取的外侧轮廓曲线，单独抽取出人耳的内侧图像

图6人耳内侧区域的提取过程图

图7人耳内侧边缘图像

图8人耳完整边缘图像

具体实施方式

本发明基本实现步骤如图1所示：

步骤一：人耳图像的力场转换

对图像中的任意像素在力场中所受合力计算并处理，通过力场转换将使噪声的影响降低，同时强化突出人耳边缘信息。

力场转换(Force field transformation)理论是由英国南安普敦大学的，Mark S.Nixon，John N.Carter最先提出。David J.Hurley等人进行的是高斯力场转换。目的是通过对图像的高斯力场转换，获得若干个势能阱来作为识别的特征。

本发明通过对高斯力场转换的研究和借鉴，引入把力场转换作为一种图像的预处理方法的理念。这种转换并不是用来获取势能阱，而是为强化人耳图像的边缘并降低噪声对后续边缘提取过程的影响。但通过对大量实验结果的分析可以看到，利用高斯力场来对原始人耳图像进行转换，并不能起到对边缘的强化作用，如图2(a)。因此，本专利引入了万有引力场转化的理论。

由于图像是由一系列像素构成的。力场转换理论把图像的像素看作万有引力场的源头，其中像素的灰度值p代表像素的质量m，两个像素之间的距离为r，万有引力常数G为1。则通过对图像相互吸引的像素进行力场转换，可以得到图像的力场。施加在单位灰度的像素上的力F_i(r_j)由公式(1)给出：

$F_i\left(r_j\right)=P\left(r_i\right)P\left(r_j\right)\frac{r_i-r_j}{{|r_i-r_j|}^3}---\left(2\right)$

其中r_i代表施力像素的位置向量，r_j代表受力像素的位置向量，P(r_i)为施力像素灰度，P(r_j)为受力像素灰度。

对于像素j，它所受的引力合力等于图像中其它像素所施加的引力向量和，如式(1)所示。

取F(r_j)的模为r_j像素转换后的结果。对每个像素利用式(1)进行转换，其结果就是图像的万有引力转换。

以下图2(a)和图2(b)对比了高斯力场转换和万有引力场转换的效果，可以看出万有引力场转换能够大大地强化图像的边缘信息。相比之下，高斯力场转换的效果就没有这么明显，甚至对图像的边缘还有一定的钝化效果。

对人耳图像进行万有力场转换就是对图像中的任意像素在力场中所受合力的计算。由于影响引力大小的因素主要有三个：一是施力像素灰度值P(r_i)；二是受力像素灰度值P(r_j)；三是两个像素之间的距离。对于邻近像素灰度P(r_i)(亮度)都相差无几的局部区域，假设像素j为其中的像素，对它施力的区域内像素因为灰度值相等，计算出像素j所受引力分力大小也随之相等，但是因为方向相反，所以相互抵消，这样导致局部区域中的像素所受引力合力趋向于零。而非邻近的像素相互距离较大，由于距离平方的倒数的影响，同样导致其受引力趋向于零；而对于邻近像素灰度P(r_i)(亮度)相差较大的局部区域(边缘)，因为邻近像素灰度值的不同，导致受力的不平衡。而非邻近的像素的影响同样因为距离平方的倒数的乘积因子的存在而减小。这样存在像素灰度突变的区域，因为所受引力的不平衡，所以引力合力的模值就比较大，表现出来的就是人耳的边缘。从图3(a)和图3(b)可以清楚地看到，人耳的边缘保存完好。

步骤二：利用分水岭算法对人耳外侧轮廓进行边缘提取

(1)利用分水岭算法对人耳外侧边缘进行提取。

分水岭算法是一种基于数学形态学的方法。任何图像可以看作一幅地图，每像素的灰度值代表这个点的海拔高度。分水岭算法的主要目的是找出各区域间的分水线，即边缘。基本原理是：用一个以均匀速率上升的灰度值对每个像素进行衡量，当处于不同区域的像素将要聚合在一起时，修建大坝阻止其聚合。最后，这些大坝就对应于图像中的边缘。

但直接使用上述形式的算法通常会产生由于噪声和其他干扰物影响造成的过度分割。本专利的解决方案是通过合并预处理步骤来限制允许存在的区域的数目，而这种方法是以标记的概念为基础的。与重要对象相联系的成为内部标记，和背景相连称为外部标记。

通过图2(b)看出，经过万有引力场转换后，人耳外侧和内侧的灰度值存在较大的差异。考虑到内侧区域较低的灰度值，且在像素数量上占很大比例，则可利用图像灰度均值作为内部标记的阈值，把人耳内侧的整个区域作为一个完整的内部标记，从而在利用分水岭算法时，能够把人耳内侧区域作为一个整体，只对人耳的外侧部分的两条边缘曲线进行提取。

为了进一步消除噪声的影响，对处于内部区域内的像素进行上推，可以消除很多不相关的局部灰度最小值，进一步避免图像的过度分割。此时，内部标记可以理解为被更高灰度值包围起来的区域，区域中的点组成连通分量，并且属于这个连通分量的点具有相同的灰度值。然后，对经过内部标记的图像进行分水岭算法，恰好得到了内部标记间的中间位置，这就是外部标记。

外部标记把图像分割成了不同的区域，每个区域包含唯一的内部标记和部分背景。这样就能够再次使用分水岭算法对每个单独的区域进行分割，提取出有效的边缘曲线。由于人耳的内侧区域只包含唯一的内部标记，它将被划分为一个完整的区域，从而提取结果将只包含人耳外侧的完整边缘，如图4。

从图4可以看出，利用分水岭算法提取出的人耳外侧边缘具有闭合的特点；同时，从图4的第3、5和7幅图片可以看出，分水岭算法较好地避免了头发的遮挡物的干扰，有效地分割出人耳外部边缘。

分水岭算法的过程如下：

设分水岭变换后的输出图像为G(x，y)，任意两相邻极大值点的灰度值分别为p1、p2，对应的集水盆分别为C1、C2，若用(C1+C2)表示两集水盆合并，(C1，C2)表示两集水盆分别保持不变，分割阈值为T1，则该算法的输出图像G(x，y)可表示为：

$G(x,y)=\left\{\begin{array}{c}\underset{i}{U}(C1+C2),|p1-p2|\≤T1\\ \underset{i}{U}(C1,C2),|p1-p2|>T2\end{array}\right.---\left(3\right)$

具体流程如下：

设C(n)表示第n阶段某区域低于灰度阈值的集合；T(n)表示第n阶段所有低于灰度阈值的集合。采用递归的方式来获得最终的轮廓：

初始化：C(min+1)＝T(min+1)；

递归：根据C(n-1)求得C(n)；

设q代表T(n)中连通分量的集合，在递归的过程中，会出现以下三种情况中的一种：

(a)q∩C(n-1)为空；

(b)q∩C(n-1)包含C(n-1)中的一个连通分量；

(c)q∩C(n-1)包含C(n-1)多于一个连通分量。

当遇到新的最小值时，符合条件(a)，将q并入C(n-1)构成C(n)；q位于某些局部连通区域时，符合条件(b)，将q并入C(n-1)构成C(n)；当遇到全部分离或形成部分局部区域时，符合条件(c)，标记q，则该点即为边缘点。

(2)人耳内侧区域的抽取

如图4，人耳外的边缘曲线共有两条。靠内的这条曲线形成了一个孔洞，本专利采用填充的方法，来抽取人耳内区域的图像。

首先对由靠内的曲线所包围的孔洞进行填充，然后和已经提取出的边缘曲线进行逻辑与运算，从而得到最外侧的边缘。把这条曲线取反后和已经提取的两条外侧边缘图像再进行一次逻辑与运算，抽取出了人耳的内侧区域。具体过程见如图6。

上述图像处理的具体实现的方法可通过一般的图像处理软件的基本命令编程获得的。

步骤三：采用Canny算子尽可能地提取出内部边缘信息的细节。

(1)采用Canny算子提取人耳内侧边缘。

Canny算子(Canny Operator)是一种非常重要的边缘提取算法，它是Canny在1986年首次提出的，目前在许多图像处理领域得到了广泛的应用。

由于人耳内侧有很多边缘难以形成闭合区域，而在万有引力场转换后，边缘已经被强化，而噪声也被大大削弱，因此对这部分区域可以采用Canny算子，尽可能地提取出细节的边缘信息，如图7。

边缘提取首先要进行边缘的检测，Canny的基本原理是把边缘检测问题转换为检测单位函数的极大值问题，一个典型的边缘代表一个阶跃的强度变化。

设n为任意方向，G_n为Gaussian函数在这个方向上的一阶导数，即：

$G_n=\∂G/\∂n=n\▿G---\left(4\right)$

n取与边缘垂直的方向，则：

$n=\▿(G*I)/|\▿(G*I)|---\left(5\right)$

符号*代表卷积，I代表输入图像。边缘点定义为G_n作用于图像I后的局部极大值点。在这个点上有：

$(\∂/\∂n)G_n*I=0---\left(6\right)$

把式(5)代入，得到：

$({\∂}^2/{\∂}^{2}n)G_n*I=0---\left(7\right)$

通过以上分析，利用Canny算子检测边缘的过程为：首先用Gaussian函数卷积图像，再计算式(7)，从计算结果中找到过零点，即边缘点。

(2)将得到的人耳图像外部和内部边缘的两副图像进行叠加，最终得到完整的人耳边缘曲线。如图8。

Claims (4)

1、多方法结合的人耳图像边缘提取方法，其特征在于，包括以下步骤：

第一：利用万有引力场转换对原始人耳图像进行预处理，对图像中的每个像素在力场中所受的合力进行计算并处理，通过力场转换使噪声的影响降低，同时强化突出人耳边缘信息；

第二：利用分水岭算法对人耳外侧轮廓进行边缘提取

(1)使用分水岭算法把经步骤一处理后的图像进行分割，获得一个只包含人耳的最小封闭区域，为后续识别做准备；

(2)然后利用分水岭算法对人耳的外侧边缘进行提取，避免头发等遮挡物的干扰所造成的伪边缘；

(3)利用分水岭算法得出的轮廓具有封闭性的特点，并结合填充算法，分割出仅包括人耳内侧区域的图像；

第三：利用Canny算子对人耳内侧部分的边缘进行提取，提取出人耳内部边缘信息的细节；

第四：将步骤二、三分别提取的人耳图像外部和内部边缘进行合成，最终得到完整的人耳边缘曲线。

2、根据权利要求1所述的多方法结合的人耳图像边缘提取方法，其特征在于，步骤一所述的利用万有引力场转换对原始人耳图像进行预处理是对图像中的每个像素j利用公式(1)进行转换：

$F\left(r_j\right)=\left\{\begin{array}{cc}P\left(r_i\right)P\left(r_j\right)\frac{r_i-r_j}{{|r_i-r_j|}^3}& \∀i\≠j\\ 0& \∀i=j\end{array}\right.---\left(1\right)$

其中r_i代表施力像素的位置向量，r_j代表受力像素的位置向量，P(r_i)为施力像素灰度，P(r_j)为受力像素灰度。

3、根据权利要求1所述的多方法结合的人耳图像边缘提取方法，其特征在于，所述步骤二中的利用分水岭算法对人耳的外侧边缘进行提取的步骤如下：

(a)对经过万有引力场转换后的图像进行统计，利用图像阈值计算出“低点”集合，即比周围点灰度级更低点的集合，这些集合被称为内部标记；

(b)利用分水岭算法计算出的内部标记的中间位置，形成若干包含内部标记的封闭区域，这些中间位置曲线被称为外部标记；

(c)采用强制最小技术，即对非标记像素的灰度级进行上推，以便消除噪声对分割结果的影响；

(d)对经过强制最小技术处理后的图像使用分水岭算法，得到人耳外侧边缘曲线。

4、根据权利要求1所述的多方法结合的人耳图像边缘提取方法，其特征在于步骤二的采用填充法进行人耳内侧区域的抽取的方法是基于人耳外侧的边缘的两条曲线，首先对由靠内的曲线所包围的孔洞进行填充，然后和步骤二(2)得到的人耳边缘图像进行逻辑与运算，得到最外侧的人耳边缘曲线，人耳边缘由两条封闭曲线构成，把外侧的曲线取反后和已经提取出的人耳外侧的边缘的两条曲线再进行一次逻辑与运算，即可抽取出人耳的内侧区域。

Images