CN101894257B - 多尺度渐进式虹膜图像质量评估方法 - Google Patents

Abstract

本发明公开的一种多尺度渐进式虹膜图像质量评估方法，包括以下步骤：步骤1、通过虹膜采集装置得到虹膜图像；步骤2、对虹膜图像进行像素级图像质量评估，包括光照评估、光斑反射评估、定位合理性评估、模糊评估算法、遮挡评估算法步骤；步骤3、图像级图像质量评估：依据像素级图像质量评估的结果，完成图像级质量评估。本发明的方法，通过采用区域化、加权和多尺度的方法，从像素层次以及整体图像上对虹膜图像的各种干扰因素实施渐近式的质量评估，避免了虹膜采集过程中光照、遮挡与对焦不准等外界干扰对虹膜图像的影响，进而降低虹膜识别系统的误识率及拒识率，提高了虹膜识别系统的效率与准确率。

Description

多尺度渐进式虹膜图像质量评估方法

技术领域

本发明属于生物特征识别技术领域，涉及一种多尺度渐进式虹膜图像质量评估方法。

背景技术

虹膜图像质量评估是虹膜识别系统中一个重要的组成部分，通过对采集到的虹膜图像进行质量评估，并从中选取符合要求的虹膜图像进行虹膜特征的识别，以提高用于虹膜识别的样本图像的质量，进而降低虹膜识别系统的误识率及拒识率。一个优良的虹膜图像质量评估方法能使得整个虹膜识别具有更低的拒识率与误识率，从而具有更高的识别率。

现有的自动化虹膜身份识别系统中，由于采集图像时对于被采集者是非侵犯性的。采集到的虹膜图像通常不仅包含虹膜区域，还包含其它部分，比如：面部、瞳孔、巩膜、眼睑、睫毛等等。眼睑、眼睫毛等往往会遮挡住虹膜部分的有效区域，光照不佳造成的对比度太小、拍摄时由于反光所造成的眼部图像中的光斑、拍摄时由于人眼移动或摄像设备未准确对焦造成的模糊等现象均会影响虹膜图像的质量，降低虹膜图像的识别准确率。

目前在虹膜识别技术方面的前期研究成果由于主要是基于实验室的理想环境，与虹膜定位、虹膜特征提取、虹膜特征匹配的相关研究成果相比，虹膜图像质量评估的研究成果相对较少，且多为针对某种虹膜图像的干扰因素进行评估，评估方面单一。虽然有针对多种干扰因素进行评估的方法，但是其中分别采用多种评估方法，而且独立于虹膜系统，评估方法繁琐，运算复杂度较大，不适合于工程上的应用。

发明内容

本发明的目的是提供一种多尺度渐进式虹膜图像质量评估方法，从像素层次以及整体图像上对虹膜图像的多种干扰因素实施渐近式的质量评估，从中选取符合要求的虹膜图像进行虹膜特征的识别，以提高用于虹膜识别的样本图像的质量。

本发明所采用的技术方案是，一种多尺度渐进式虹膜图像质量评估方法，具体按照以下步骤实施：

步骤1、通过虹膜采集装置得到虹膜图像；

步骤2、对虹膜图像进行像素级图像质量评估：像素级别的虹膜图像的质量评估包括光照评估、光斑反射评估、定位合理性评估、模糊评估和遮挡评估步骤，评估的次序以评估算法的时间复杂度为标准，按照短作业优先的策略进行排序，以便某阶段的评估不通过时，即退出当前的评估流程，重新选取新的虹膜图像样本进行图像质量评估，最大限度提高虹膜图像质量评估的速度，各步骤分别是：

2.1)光照评估：光照评估用于检测虹膜图像中是否存在由于光照不足引起的图像对比度偏小，使得虹膜图像中的虹膜纹理不够明显，不利于虹膜特征的提取的问题，光照评估按照以下三步实施：

2.11)子图像划分，将获取到的虹膜图像样本划分为若干大小为20×10像素的子图像；

2.12)子图像的平均灰度评估，对于每一块子图像，计算其平均灰度，第i块子图像的平均灰度为：

${\mathrm{Bright}}_i=\frac{1}{w\×h}\underset{x=1}{\overset{w}{\mathrm{\Σ}}}\underset{y=1}{\overset{h}{\mathrm{\Σ}}}{I}_i(x,y)---\left(1\right)$

其中w为子图像水平方向上的像素数量，h为子图像垂直方向上的像素数量，I_i(x，y)为第i块子图像在(x，y)处的灰度值；

2.13)灰度分布的评估，整幅虹膜图像的平均灰度Bimg为：

$B_{\mathrm{img}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{Bright}}_i---\left(2\right)$

其中N为子图像的数量，由平均灰度计算得出整幅图像的灰度分布情况，评估结果为：

$Q_{\mathrm{contrast}}=1-\frac{|128-B_{\mathrm{img}}|}{117}---\left(3\right)$

2.2)光斑反射评估：由前一步骤得到的子图像的平均灰度作为评估依据，对虹膜图像的光斑反射情况进行评估，包括以下两步：

2.21)反射光斑确定，若存在某些子图像的平均灰度接近255，则认为该部分图像存在反射光斑；

2.22)反射程度量化，反射程度量化为求解反射区域占整个虹膜图像的比例，其量化值由式(4)求得：

$Q_{\mathrm{Bright}}=\frac{N_{\mathrm{Birght}}}{N}\×100---\left(4\right)$

其中N_Bright代表平均亮度接近255子图像的数量，N代表划分的子图像的数量；

2.3)定位合理性评估：

采用定位时所获得的瞳孔及虹膜的圆心及范围的关系，对定位结果进行评估，若瞳孔及虹膜的圆心之间距离过大，则认为虹膜圆心与瞳孔圆心严重偏离，则虹膜定位错误，设d表示瞳孔和虹膜圆心的距离，r及R分别表示虹膜内圆与外圆的半径，定位合理性的评估由式(5)给出：

(R-r)-d＜(R-r)×0.3           (5)

2.4)模糊评估算法：

采用小波包后计算所得的能量值作为评估的依据，具体包括以下步骤：

2.41)虹膜图像同心圆划分，将虹膜图像按照以瞳孔中心为圆心，取半径增量为5像素划分成一系列等距的同心的圆环；

2.42)小波包分解，对初定位好的虹膜图像进行小波包分解，将图像剖分为A、B、V、D四个部分，其中，A代表原图1/4大小图像，B代表水平高频区，V代表垂直高频区，D代表45度边缘检测区域，将V和B继续剖分，使高频能量进一步细分，得到所需的分析频带，采用双正交、短系数的db15小波基作为小波分解的小波基，得到各区域的能量值；

2.43)模糊评估，依据上一步结果选择瞳孔左右两侧[-π/4，π/4]∪[3π/4，5π/4]范围的区域I、区域II为ROI，并按照距瞳孔的距离越远，权值越小的原则，对不同区域赋予不同的权值W_i，由式(6)求得模糊评估结果Q_blur：

$\left\{\begin{array}{c}{E}_i=\underset{n}{\mathrm{\Σ}}{E}_{i,n}\×W_{i,n}\\ Q_{\mathrm{blur}}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{E}_i\×W_i\end{array}\right.---\left(6\right)$

在式(6)中，E_i、W_i分别表示第i个圆环上图像的能量值和权重，E_i，n、W_i，n为第i个圆环上不同区域的能量值及权值，n∈{V，VA，VV，B，BA，BB}；

2.5)遮挡评估算法：

遮挡现象主要发生在以瞳孔圆心为圆心，[π/4，4π/4]∪[5π/4，7π/4]范围的区域III、区域IV，将该区域选为ROI；在ROI中，由于虹膜部分的图像灰度明显小于眼睑部分，使得该区域的虹膜与眼睑在水平方向上具有明显的边缘；又由于虹膜灰度明显大于睫毛部分，导致该区域的虹膜与睫毛在垂直方向上具有明显的边缘，选用小波分析的方法计算出高频能量作为评估依据；

2.51)ROI区域内环的细化，依据实际工程需求精度，将已知的ROI区域内的环形区域按相同面积的小扇形划分评估区域；

2.52)小波包分解，对初定位好的虹膜图像进行小波包分解，在第一步小波分解后，将V和B部分继续小波分解，使高频能量进一步细分，得到所需的分析频带；

2.53)眼睑遮挡的子图像确定，选择小波分析区域B、BA、BB计算每一个小扇形的高频能量E_Eyelid＝E_B×W_B+E_BA×W_BA+E_BB×W_BB，并根据能量差异求得被眼睑遮挡的子图像；

2.54)眼睑遮挡的全局量化，虹膜被眼睑遮挡的量化结果由式(7)求得：

$Q_{\mathrm{Eyelid}}=1-\frac{{\mathrm{\ΣT}}_i}{S_{\mathrm{IRIS}}}---\left(7\right)$

式(7)中，T_i为被眼睑遮挡子图像所包含的像素数，S_iris为初定位虹膜图像所包含像素数；

2.55)睫毛遮挡的子图像确定，选择小波域V、VA、VV，计算除睫毛区域外所有小扇形的高频能量E_Eyelash＝E_V×W_V+E_VA×W_VA+E_VV×W_VV，并根据能量差异求得被睫毛遮挡的子图像；

2.56)睫毛遮挡的全局量化，虹膜被睫毛遮挡的量化结果由式(8)求得：

$Q_{\mathrm{Eyelash}}=1-\frac{{\mathrm{\ΣS}}_i}{S_{\mathrm{iris}}}---\left(8\right)$

式(8)中，S_i为被睫毛遮挡子图像所包含的像素数，S_iris为初定位虹膜图像所包含像素数；

步骤3、图像级图像质量评估：

依据像素级图像质量评估的结果，图像级质量评估通过式(9)进行：

Q_iris＝E_Contrast×Q_Contrast+E_Bright×Q_Bright+Q_Blur×(E_Eyelid×Q_Eyelid+E_Eyelash×Q_Eyelash)(9)

其中，E_contrast、E_Bright、E_Blur、E_Eyelid和E_Eyelash分别为对比度、亮度、模糊、眼睑遮挡、睫毛遮挡评估结果的权值因子。

本发明的有益效果是，通过采用区域化、加权和多尺度的方法，从像素层次以及整体图像上对虹膜图像的多种干扰因素实施渐近式的质量评估，并从中选取符合要求的虹膜图像进行虹膜特征的识别，避免了虹膜采集过程中光照、遮挡与对焦不准等外界干扰对虹膜图像的影响，提高了用于虹膜识别的样本图像的质量，保障了虹膜特征提取所需的高质量图像，进而降低虹膜识别系统的误识率及拒识率，提高了虹膜识别系统的效率与准确率。

附图说明

图1是本发明方法的流程图；

图2是本发明方法的虹膜图像区域划分示意图；

图3是本发明方法合理的虹膜定位结果；

图4是本发明方法不合理的虹膜定位结果；

图5是本发明方法的虹膜小波包分析同心环划分示意图；

图6是本发明方法小波包分解过程示意图；

图7是本发明方法小波包分析区域示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

参照图1，本发明的多尺度渐进式虹膜图像质量评估方法，按照以下步骤具体实施：

步骤1、通过虹膜采集装置得到虹膜图像；

步骤2、对虹膜图像进行像素级图像质量评估：像素级别的虹膜图像的质量评估包括光照评估、光斑反射评估、定位合理性评估、模糊评估和遮挡评估步骤，评估的次序以评估算法的时间复杂度为标准，按照短作业优先的策略进行排序，以便某阶段的评估不通过时，即退出当前的评估流程，重新选取新的虹膜图像样本进行图像质量评估，最大限度提高虹膜图像质量评估的速度，各步骤分别是：

2.1)光照评估：光照评估用于检测虹膜图像中是否存在由于光照不足引起的图像对比度偏小，使得虹膜图像中的虹膜纹理不够明显，不利于虹膜特征的提取的问题，光照评估按照以下三步实施：

2.11)子图像划分，将获取到的虹膜图像样本划分为若干大小为20×10像素的子图像；

2.12)子图像的平均灰度评估，对于每一块子图像，计算其平均灰度，第i块子图像的平均灰度为：

${\mathrm{Bright}}_i=\frac{1}{w\×h}\underset{x=1}{\overset{w}{\mathrm{\Σ}}}\underset{y=1}{\overset{h}{\mathrm{\Σ}}}{I}_i(x,y)---\left(1\right)$

其中w为子图像水平方向上的像素数量，h为子图像垂直方向上的像素数量，I_i(x，y)为第i块子图像在(x，y)处的灰度值；

2.13)灰度分布的评估，整幅虹膜图像的平均灰度B_img为：

$B_{\mathrm{img}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{Bright}}_i---\left(2\right)$

其中N为子图像的数量，由平均灰度计算得出整幅图像的灰度分布情况，评估结果为：

$Q_{\mathrm{contrast}}=1-\frac{|128-B_{\mathrm{img}}|}{117}---\left(3\right)$

2.2)光斑反射评估：由前一步骤得到的子图像的平均灰度作为评估依据，对虹膜图像的光斑反射情况进行评估，包括以下两步：

2.21)反射光斑确定，若存在某些子图像的平均灰度接近255，则认为该部分图像存在反射光斑；

2.22)反射程度量化，反射程度量化为求解反射区域占整个虹膜图像的比例，其量化值由式(4)求得：

$Q_{\mathrm{Bright}}=\frac{N_{\mathrm{Birght}}}{N}\×100---\left(4\right)$

其中N_Bright代表平均亮度接近255子图像的数量，N代表划分的子图像的数量；

2.3)定位合理性评估：

采用定位时所获得的瞳孔及虹膜的圆心及范围的关系，对定位结果进行评估，若瞳孔及虹膜的圆心之间距离过大，则认为虹膜圆心与瞳孔圆心严重偏离，则虹膜定位错误，设d表示瞳孔和虹膜圆心的距离，r及R分别表示虹膜内圆与外圆的半径，定位合理性的评估由式(5)给出：

(R-r)-d＜(R-r)×0.3          (5)

2.4)模糊评估算法：

由于图像获取设备对焦及获取虹膜图像时人眼部移动形成的对焦不准确及运动模糊，会极大地破坏虹膜丰富的纹理信息，从而导致虹膜特征信息的丢失。当获取的虹膜图像比较清晰时，由于虹膜所在区域具有的丰富纹理，对特征图像进行小波分析时得到的高频信息就比较丰富，能量值也比较大；相反，当由于某种原因导致虹膜图像变模糊后，图像中不同像素间的灰度差异变小，小波分析所得到的高频能量值将大大减小。基于上述先验知识，虹膜图像的模评估以小波包后计算所得的能量值作为评估的依据，评估算法描述如下：

采用小波包后计算所得的能量值作为评估的依据，具体包括以下步骤：

2.41)虹膜图像同心圆划分，将虹膜图像按照以瞳孔中心为圆心，取半径增量为5像素划分成一系列等距的同心的圆环；

2.42)小波包分解，对初定位好的虹膜图像进行小波包分解，将图像剖分为A、B、V、D四个部分，其中，A代表原图1/4大小图像，B代表水平高频区，V代表垂直高频区，D代表45度边缘检测区域，将V和B继续剖分，使高频能量进一步细分，得到所需的分析频带，采用双正交、短系数的db15小波基作为小波分解的小波基，得到各区域的能量值；

2.43)模糊评估，依据上一步结果选择瞳孔左右两侧[-π/4，π/4]∪[3π/4，5π/4]范围的区域I、区域II为ROI，并按照距瞳孔的距离越远，权值越小的原则，对不同区域赋予不同的权值W_i，由式(6)求得模糊评估结果Q_blur：

$\left\{\begin{array}{c}{E}_i=\underset{n}{\mathrm{\Σ}}{E}_{i,n}\×W_{i,n}\\ Q_{\mathrm{blur}}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{E}_i\×W_i\end{array}\right.---\left(6\right)$

在式(6)中，E_i、W_i分别表示第i个圆环上图像的能量值和权重，E_i，n、W_i，n为第i个圆环上不同区域的能量值及权值，n∈{V，VA，VV，B，BA，BB}；

2.5)遮挡评估算法：

在获取虹膜图像过程中，由于测试者眨眼等原因，采集到的虹膜图像样本中部分虹膜区域会被遮挡，如眼睑遮挡和睫毛遮挡。当遮挡达到一定程度时，会导致纹理信息无法满足虹膜的正确识别。因此，遮挡评估是虹膜图像质量评估的必要环节。

研究发现，遮挡现象主要发生在以瞳孔圆心为圆心，[π/4，4π/4]∪[5π/4，7π/4]范围的区域III、区域IV(如图7所示)，为了减少额外运算量，将该区域选为ROI；在ROI中，由于虹膜部分的图像灰度明显小于眼睑部分，使得该区域的虹膜与眼睑在水平方向上具有明显的边缘；又由于虹膜灰度明显大于睫毛部分，导致该区域的虹膜与睫毛在垂直方向上具有明显的边缘。基于上述先验知识，本发明选用小波分析的方法计算出高频能量作为评估依据。遮挡评估算法描述如下：

2.51)ROI区域内环的细化，依据实际工程需求精度，将已知的ROI区域内的环形区域按相同面积的小扇形划分评估区域；

2.52)小波包分解，对初定位好的虹膜图像进行小波包分解，在第一步小波分解后，将V和B部分继续小波分解，使高频能量进一步细分，得到所需的分析频带；

2.53)眼睑遮挡的子图像确定，选择小波分析区域B、BA、BB计算每一个小扇形的高频能量E_Eyelid＝E_B×W_B+E_BA×W_BA+E_BB×W_BB，并根据能量差异求得被眼睑遮挡的子图像；

2.54)眼睑遮挡的全局量化，虹膜被眼睑遮挡的量化结果由式(7)求得：

$Q_{\mathrm{Eyelid}}=1-\frac{{\mathrm{\ΣT}}_i}{S_{\mathrm{IRIS}}}---\left(7\right)$

式(7)中，T_i为被眼睑遮挡子图像所包含的像素数，S_iris为初定位虹膜图像所包含像素数；

2.55)睫毛遮挡的子图像确定，选择小波域V、VA、VV，计算除睫毛区域外所有小扇形的高频能量E_Eyelash＝E_V×W_V+E_VA×W_VA+E_VV×W_VV，并根据能量差异求得被睫毛遮挡的子图像；

2.56)睫毛遮挡的全局量化，虹膜被睫毛遮挡的量化结果由式(8)求得：

$Q_{\mathrm{Eyelash}}=1-\frac{{\mathrm{\ΣS}}_i}{S_{\mathrm{iris}}}---\left(8\right)$

式(8)中，S_i为被睫毛遮挡子图像所包含的像素数，S_iris为初定位虹膜图像所包含像素数；

步骤3、图像级图像质量评估：

依据像素级图像质量评估的结果，图像级质量评估通过式(9)进行：

Q_iris＝E_Contrast×E_Contrast+E_Bright×Q_Bright+Q_Blur×(E_Eyelid×Q_Eyelid+E_Eyelash×Q_Eyelash)(9)

其中，E_contrast、E_Bright、E_Blur、E_Eyelid和E_Eyelash分别为对比度、亮度、模糊、眼睑遮挡、睫毛遮挡评估结果的权值因子。

实施例

选用CASIA-IrisV3虹膜库包括249人共396只眼睛的2655幅虹膜图像样本，UBIRS虹膜库包括241人共246只眼睛的1877幅虹膜样本图像，以及WVU-O(WVU Off-angle)虹膜库包括400只眼睛的约3000幅虹膜图像组建测试样本。

a.通过人眼选择CASIA和UBIRIS数据库中各测试图像集作为样本并进行像素级评估识别率的评价。本发明与现有的步进式序列虹膜图像质量评价方法进行对比，实验结果如表1所示。本发明对各种问题图像能够起到很好的过滤作用，虹膜图像干扰项识别率超过98％，整体评估结果与对比算法基本保持在同一水平。

表1本发明方法与步进式序列虹膜图像质量评价方法

评估结果对比(单位为％)

b.选择CASIA和WVU-O数据库为样本，通过本发明与Jinyu Zuo等人所提出的算法进行定位合理性和遮挡评估的正确性评价。实验结果对比如表2所示。本发明评估结果略高于Jinyu Zuo等人的评估方法。

表2本发明方法与Jinyu Zuo算法定位合理性和遮挡评估结果比较

c.选择CASIA和UBIRIS虹膜库图像为样本，通过统计学方法验证本方法的准确性。为说明问题方便，将结果量化到区间[0，100]，本发明评估结果如表3所示。CASIA虹膜库的图像质量优于UBIRIS虹膜图像质量。其因是UBIRIS为彩色图像，且转换成灰度图后毛细血管颜色和虹膜底色表现不够突出，造成UBIRIS的虹膜图像纹理表现较差而无法获取足够的高频信息；又因CASIA虹膜库所提供的图像干扰因素较小，导致UBIRIS虹膜库评估结果平均值比CASIA虹膜库评估结果平均值偏低。本发明方法的评估结果与人工评判结果基本相符。

表3本发明方法量化评估结果

量化区间	0-25	25-50	50-75	75-100
					CASIA(％)	10.29	26.21	43.61	19.89

UBIRIS(％)

15.12

31.60

39.31

13.96

综上所述，本发明将虹膜图像质量评估分为像素级质量评估和图像级质量评估两个层次，其中像素级图像质量评估包括光照评估、反射光斑评估、定位合理性评估、模糊评估、遮挡评估等评估因素。整个图像质量评估模型融入虹膜识别过程的各个阶段分阶段进行，充分利用评估模型自身及现有虹膜识别系统的中间计算结果进行评估。本发明方法提高了用于虹膜识别的样本图像的质量，进而降低虹膜识别系统的误识率及拒识率。

Claims (1)

1.一种多尺度渐进式虹膜图像质量评估方法，其特征在于，该方法按照以下步骤实施：

步骤1、通过虹膜采集装置得到虹膜图像；

步骤2、对虹膜图像进行像素级图像质量评估：像素级别的虹膜图像的质量评估包括光照评估、光斑反射评估、定位合理性评估、模糊评估和遮挡评估步骤，评估的次序以评估算法的时间复杂度为标准，按照短作业优先的策略进行排序，以便某阶段的评估不通过时，即退出当前的评估流程，重新选取新的虹膜图像样本进行图像质量评估，最大限度提高虹膜图像质量评估的速度，各步骤分别是：

2.1）光照评估：光照评估用于检测虹膜图像中是否存在由于光照不足引起的图像对比度偏小，使得虹膜图像中的虹膜纹理不够明显，不利于虹膜特征的提取的问题，光照评估按照以下三步实施：

2.11）子图像划分，将获取到的虹膜图像样本划分为若干大小为20×10像素的子图像；

2.12）子图像的平均灰度评估，对于每一块子图像，计算其平均灰度，第i块子图像的平均灰度为：

${\mathrm{Bright}}_i=\frac{1}{w\×h}\underset{x=1}{\overset{w}{\mathrm{\Σ}}}\underset{y=1}{\overset{h}{\mathrm{\Σ}}}{I}_i(x,y)---\left(1\right)$

其中w为子图像水平方向上的像素数量，h为子图像垂直方向上的像素数量，I_i(x,y)为第i块子图像在(x,y)处的灰度值；

2.13）灰度分布的评估，整幅虹膜图像的平均灰度B_img为：

$B_{\mathrm{img}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{Bright}}_i---\left(2\right)$

其中N为子图像的数量，由平均灰度计算得出整幅图像的灰度分布情况，评估结果为：

$Q_{\mathrm{Contrast}}=1-\frac{|128-B_{\mathrm{img}}|}{117}---\left(3\right)$

2.2）光斑反射评估：由前一步骤得到的子图像的平均灰度作为评估依据，对虹膜图像的光斑反射情况进行评估，包括以下两步：

2.21）反射光斑确定，若存在某些子图像的平均灰度接近255，则认为该部分图像存在反射光斑；

2.22）反射程度量化，反射程度量化为求解反射区域占整个虹膜图像的比例，其量化值由式（4）求得：

$Q_{\mathrm{Bright}}=\frac{N_{\mathrm{Birght}}}{N}\×100---\left(4\right)$

其中N_Bright代表平均亮度接近255子图像的数量，N代表划分的子图像的数量；

2.3）定位合理性评估：

采用定位时所获得的瞳孔及虹膜的圆心及范围的关系，对定位结果进行评估，若瞳孔及虹膜的圆心之间距离过大，则认为虹膜圆心与瞳孔圆心严重偏离，则虹膜定位错误，设d表示瞳孔和虹膜圆心的距离，r及R分别表示虹膜内圆与外圆的半径，定位合理性的评估由式（5）给出：

(R-r)-d＜(R-r)×0.3（5）

2.4）模糊评估算法：

采用小波包后计算所得的能量值作为评估的依据，具体包括以下步骤：

2.41）虹膜图像同心圆划分，将虹膜图像按照以瞳孔中心为圆心，取半径增量为5像素划分成一系列等距的同心的圆环；

2.42）小波包分解，对初定位好的虹膜图像进行小波包分解，将图像剖分为A、B、V、D四个部分，其中，A代表原图1/4大小图像，B代表水平高频区，V代表垂直高频区，D代表45度边缘检测区域，将V和B继续剖分，使高频能量进一步细分，得到所需的分析频带，采用双正交、短系数的db15小波基作为小波分解的小波基，得到各区域的能量值；

2.43）模糊评估，依据上一步结果选择瞳孔左右两侧

范围的区域Ⅰ、区域Ⅱ为ROI，并按照距瞳孔的距离越远，权值越小的原则，对不同区域赋予不同的权值W_i，由式（6）求得模糊评估结果Q_Blur：

$\left\{\begin{array}{c}{E}_i=\underset{n}{\mathrm{\Σ}}{E}_{i,n}\×W_{i,n}\\ Q_{\mathrm{Blur}}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{E}_i\×W_i\end{array}\right.---\left(6\right)$

在式（6）中，E_i、W_i分别表示第i个圆环上图像的能量值和权重，E_i，n、W_i,n为第i个圆环上不同区域的能量值及权值，n∈{V,VA,VV,B,BA,BB}；

2.5）遮挡评估算法：

遮挡现象主要发生在以瞳孔圆心为圆心，[π/4,4π/4]∪[5π/4,7π/4]范围的区域Ⅲ、区域Ⅳ，将该区域选为ROI；在ROI中，由于虹膜部分的图像灰度明显小于眼睑部分，使得该区域的虹膜与眼睑在水平方向上具有明显的边缘；又由于虹膜灰度明显大于睫毛部分，导致该区域的虹膜与睫毛在垂直方向上具有明显的边缘，选用小波分析的方法计算出高频能量作为评估依据；

2.51）ROI区域内环的细化，依据实际工程需求精度，将已知的ROI区域内的环形区域按相同面积的小扇形划分评估区域；

2.52）小波包分解，对初定位好的虹膜图像进行小波包分解，在第一步小波分解后，将V和B部分继续小波分解，使高频能量进一步细分，得到所需的分析频带；

2.53）眼睑遮挡的子图像确定，选择小波分析区域B、BA、BB计算每一个小扇形的高频能量E_Eyelid＝E_B×W_B+E_BA×W_BA+E_BB×W_BB，并根据能量差异求得被眼睑遮挡的子图像；

2.54）眼睑遮挡的全局量化，虹膜被眼睑遮挡的量化结果由式（7）求得：

$Q_{\mathrm{Eyelid}}=1-\frac{{\mathrm{\ΣT}}_i}{S_{\mathrm{iris}}}---\left(7\right)$

式（7）中，T_i为被眼睑遮挡子图像所包含的像素数，S_iris为初定位虹膜图像所包含像素数；

2.55）睫毛遮挡的子图像确定，选择小波域V、VA、VV，计算除睫毛区域外所有小扇形的高频能量E_Eyelash＝E_V×W_V+E_VA×W_VA+E_VV×W_VV，并根据能量差异求得被睫毛遮挡的子图像；

2.56）睫毛遮挡的全局量化，虹膜被睫毛遮挡的量化结果由式（8）求得：

$Q_{\mathrm{Eyelash}}=1-\frac{{\mathrm{\ΣS}}_i}{S_{\mathrm{iris}}}---\left(8\right)$

式（8）中，S_i为被睫毛遮挡子图像所包含的像素数，S_iris为初定位虹膜图像所包含像素数；

步骤3、图像级图像质量评估：

依据像素级图像质量评估的结果，图像级质量评估通过式（9）进行：

Q_iris＝E_Contrast×Q_Contrast+E_Bright×Q_Bright+Q_Blur×(E_Eyelid×Q_Eyelid+E_Eyelash×Q_Eyelash)（9）

其中，E_Contrast、E_Bright、E_Blur、E_Eyelid和E_Eyelash分别为对比度、亮度、模糊、眼睑遮挡、睫毛遮挡评估结果的权值因子。

Images