CN103971341A - 基于频域参数估计的离焦虹膜图像复原方法 - Google Patents

Abstract

本发明公开了一种在频域进行参数估计的离焦虹膜图像复原方法，首先对离焦模糊虹膜图像进行傅里叶变换，得到频域图像，然后采用Hough变换对频域图像中的第一暗环以椭圆曲线进行参数计算，以此参数计算离焦半径，并初始化点扩散函数，采用盲去卷积迭代的方法估计清晰图像的傅里叶变换，通过傅里叶逆变换得到清晰虹膜图像。本发明可以在未知光学系统参数情况下对离焦参数进行有效估计，实现模糊虹膜图像复原，有效降低离焦虹膜图像对虹膜识别性能的影响，提升系统的鲁棒性，放宽对用户的限制，拓宽虹膜识别系统的应用领域。

Description

基于频域参数估计的离焦虹膜图像复原方法

技术领域

本发明属于生物特征识别领域，涉及数字图像处理、统计学习和模式识别等技术，特别是涉及一种对未知参数系统获取的离焦虹膜图像在频域计算离焦半径并进行图像复原的方法。

背景技术

基于虹膜的身份鉴别以其高可靠性、稳定性和非侵犯性而占有生物特征识别技术的重要地位。常用的虹膜识别系统都是在被采集者的配合下采集高质量的虹膜图像，但在实际图像获取中，由于光学系统景深限制，在一些非合作模式或远距离识别时，无法获取清晰的准确对焦的虹膜图像。离焦的模糊虹膜图像由于其对于识别性能的不利影响，往往在虹膜识别系统前端的图像质量评价环节被摒弃，对这些图像进行复原能够提升系统的识别性能，提高系统鲁棒性及易用性。

目前，离焦模糊虹膜图像的复原可以基于普通离焦模糊图像复原技术，其主要步骤包括：点扩散函数(PSF)估计(即退化模型的估计)，噪声估计，被复原的图像估计。假设被复原的图像表示为f，噪声为n，g为模糊图像，则被复原的图像的退化模型可表示为：

g＝h*f+n (1)

其对应的傅里叶变换可表示为：

G(u,v)＝F(u,v)H(u,v)+N(u,v) (2)

图像的复原过程中，需要对退化函数h和噪声n做出估计，从而求得估计图像f。常用的图像复原的理论和方法主要有维纳滤波法、有约束的最小二乘法、最大熵法、加速正则化RL方法、最大后验概率方法等。其中维纳滤波属于反转滤波的一种方法，它的准则是寻找点扩散函数使估计图像与原始清晰图像间的均方误差最小；有约束的最小二乘法是一种有约束条件的反转滤波方法，计算量较大；最大熵法是一种基于最大似然法的反卷积算法，最终得到原图像的强度分布；RL方法是一种经典的去卷积算法，通过迭代来求解估计图像；最大后验概率法在已知退化图像最大后验估计值下采用贝叶斯判决理论对原图像估计。

实际图像采集时的PSF是未知的时，需要对系统的PSF进行估计，才能较好的复原图像。一种有效的复原方法是盲去卷积法，首先对PSF初始化，然后利用迭代的方法对退化函数和估计图像不断修正，直到迭代收敛。对于离焦模糊的虹膜图像，其成像过程中受到的外界干扰较少，其频域图像特性与离焦量有非线性的关系，可以在频域估算离焦量并以此初始化PSF，利用盲去卷积迭代复原图像，能够快速逼近实际PSF，实现高效率的虹膜图像复原。

发明内容

(一)要解决的技术问题

本发明的目的在于利用由于光学系统景深限制而产生的离焦虹膜图像的纹理信息来做识别，提供一种离焦虹膜图像的复原方法。此方法能恢复离焦模糊虹膜图像的纹理信息，提高虹膜识别系统的易用性，具有更好的识别性能。

(二)技术解决方案

为达到上述目的，本发明提供了一种离焦虹膜图像复原方法，对未知参数系统获取的离焦虹膜图像在频域计算离焦半径并进行图像复原，包括以下步骤：

S1、对离焦虹膜图像进行傅里叶变换，得到对应的频域图像；

S2、对频域图像中的第一个暗环以椭圆曲线进行拟合，得到椭圆的参数；

S3、根据拟合得到的椭圆参数计算离焦半径；

S4、初始化点扩散函数，采用盲去卷积迭代的方法估计清晰虹膜图像的傅里叶变换；

S5、对计算结果进行傅里叶逆变换得到清晰虹膜图像。

上述方案中，所述步骤S2包括：S21、对频域图像进行去噪、二值化、形态学处理及边缘检测，提取出第一个暗环；S22、对提取出的暗环采用Hough变换的方法求出椭圆参数。其中步骤S21采用中值滤波对频域图像进行滤波，选取合适的阈值将频域图像二值化，采用膨胀腐蚀等形态学处理方法处理二值化的频域图像，采用canny算子检测椭圆暗环；步骤S22中采用Hough变换来拟合椭圆曲线的5个参数，其中，椭圆的中心点位置为图像中心，因此只需计算除了椭圆中心横纵坐标外的其他3个参数。

上述方案中，所述步骤S3包括：将计算求得的椭圆曲线与公式比对，计算得出离焦弥散圆半径r，其中M、N为图像的大小，u、v为频域内的二维变量。

上述方案中，所述步骤S4包括：S41、初始化点扩散函数的傅里叶变换；S42、将模糊虹膜图像的傅里叶变换作为估计图像傅里叶变换的初始化估计；S43、根据模糊虹膜图像的灰度信息计算噪声功率参数；S44、采用盲去卷积的迭代方法对退化函数的傅里叶变换和估计图像的傅里叶变换同时进行迭代，且每一次迭代只与上一次的迭代结果和噪声功率参数有关；S45、当迭代达到停止条件时，将此时的估计图像的傅里叶变换作为输出的最终估计虹膜图像的傅里叶变换。其中步骤S43中选取虹膜图像边缘的几块区域，分别计算其均值与方差的比值，再以这几个区域比值的均值作为噪声功率参数；步骤S44的迭代停止条件为当前迭代与最后两次迭代之间的均方误差小于设定的阈值。

(三)有益效果

从上述技术方案可以看出，本发明具有以下有益效果：

1、本发明提供的这种离焦虹膜图像复原方法，通过利用离焦模糊虹膜图像的纹理信息，能有效复原出包含更多信息的清晰虹膜图像，实现离焦虹膜图像的复原，提升虹膜定位精度与识别性能。

2、本发明提供的这种离焦虹膜图像复原方法，对未知参数系统获取的离焦虹膜图像进行傅里叶变换，在频域内提取离焦量参数，能够将离焦量转化为与频域图像有非线性数学关系的参量，解决了离焦量估计的难题，计算简便，处理速度快。

3、本发明提供的这种离焦虹膜图像复原方法，利用Hough变换方法对频域图像中提取出的暗环以椭圆曲线进行拟合，拟合精度高且速度快，采用盲去卷积的方法复原虹膜图像，在迭代求解估计清晰虹膜图像过程中对估计图像和退化函数同时进行迭代，并用噪声功率参数进行限定，同时修正了由于除离焦外其他因素例如采集时光照等因素引起的PSF的变化，使复原结果更加精确。

附图说明

图1是离焦模糊虹膜图像复原流程图；

图2是盲去卷积方法迭代估计清晰虹膜图像的流程图；

图3是人工模拟离焦模糊虹膜图像的示例；

图4是模拟组离焦模糊虹膜图像复原前后图像示例，其中

(a)是复原前图像；

(b)是复原后图像；

图5是实际采集的离焦模糊虹膜图像的示例；

图6是实际组离焦模糊虹膜图像复原前后图像示例，其中

(a)是复原前图像；

(b)是复原后图像。

具体实施方式

下面结合实施例并参照附图详细说明本发明技术方案中所涉及的各个细节问题。

由于被采集者的非合作模式或采集过程中光照等环境影响，造成的离焦模糊的虹膜图像，以往的做法是先进行质量评价，将这一类型的图像剔除，不用于识别。由于这类图像包含可用的虹膜信息，对这些模糊虹膜图像的复原可以增强识别系统的易用性。

本发明提出的离焦虹膜图像复原方法，可用于多种虹膜图像识别系统，其流程图如图1所示，包括以下步骤：

S1、对离焦虹膜图像进行傅里叶变换，得到对应的频域图像；

S2、对频域图像中的第一个暗环以椭圆曲线进行拟合，得到椭圆的参数；

S3、根据拟合得到的椭圆参数计算离焦半径；

S4、初始化点扩散函数，采用盲去卷积迭代的方法估计清晰虹膜图像的傅里叶变换；

S5、对计算结果进行傅里叶逆变换得到清晰虹膜图像。

下面对本发明涉及的关键步骤进行逐一说明。本发明所述方法中各个基本步骤的具体形式如下所述：

首先，步骤S1对离焦虹膜图像进行傅里叶变换，得到对应的频域图像；

采集到的离焦虹膜的频域图像包含与离焦量有关的特性，而且频域图像具有中心对称的特点，便于图像处理，所以首先对离焦虹膜图像做傅里叶变换，对频域图像的特性进行分析；

其次，步骤S2是采用椭圆曲线拟合的方法对频域图像中的暗环曲线进行拟合；

假设离焦半径为r，大小为M×N的图像中，离焦弥散圆的点扩散函数可以近似表示为式(3)：

其中(x,y)为图像坐标，对h(x,y)做Fourier-Bessel变换可得其对应的傅里叶变换H(u,v)，如式(4)所示：

$H(u,v)=\frac{{2J}_1\left[r\sqrt{{\left(\frac{2\mathrm{\π}}{M}u\right)}^2+{\left(\frac{2\mathrm{\π}}{N}v\right)}^2}\right]}{\sqrt{{\left(\frac{2\mathrm{\π}}{M}u\right)}^2+{\left(\frac{2\mathrm{\π}}{N}v\right)}^2}}---\left(4\right)$

其中J₁为一阶贝塞尔函数。

由式(4)及一阶贝塞尔函数的性质可见，H(u,v)在图像中有一些暗环，其中第一个暗环与模糊半径r有固定的数学关系，如式(5)所示：

$\mathrm{\πr}\sqrt{{\left(\frac{u}{M}\right)}^2+{\left(\frac{v}{N}\right)}^2}=3.83---\left(5\right)$

式(5)为一个椭圆的方程式，因此对频域图像中的第一个暗环进行椭圆曲线拟合即可以得出椭圆曲线参数，将计算得到的椭圆公式与公式(5)进行对比可求得离焦半径r。

步骤S2包括：

S21、对频域图像进行去噪、二值化、形态学处理及边缘检测，提取出第一个暗环；

S22、对提取出的暗环采用Hough变换的方法拟合椭圆参数。

Hough变换是一种采用投票机制的参数估计方法，是从图像中识别几何形状的方法之一。假设提取到的边缘图像的坐标为(x_i,y_i)，椭圆中心为(x₀,y₀)，椭圆长短轴分别为a、b，Hough变换的原理为：

$E(x_0,y_0,a,b,c)=\stackrel{n}{\mathrm{\Σ}}e(x_i,y_i,x_0,y_0,a,b,c)---\left(6\right)$

其中，

$e(x_i,y_i{,x}_0,y_0,a,b,c)=\left\{\begin{array}{c}1,s(x_i,y_i,x_0,y_{0}a,b,c)=0\\ 0,s(x_i{y}_i,x_0,y_0,a,b,c)\≠0\end{array}\right.---\left(7\right)$

$(x,y,x_0,y_0,a,b,c)=\frac{{(x-x_0)}^2}{a^2}+\frac{{(y-y_0)}^2}{b^2}-c=0---\left(8\right)$

对于提取的边缘曲线上每一点(x_i,y_i)，若果它满足s(x_i,y_i,x₀,y₀,a,b,c)＝0，则对应的5维参数(x₀,y₀,a,b,c)所表示的椭圆过这一点。椭圆曲线的拟合即投票寻找使得式(6)左边E最大的参数集(x₀,y₀,a,b,c)。由于频域图像的中心对称性，(x₀,y₀)即为图像中心坐标，所以只需要计算3维参数(a,b,c)。。

步骤S3是采用拟合得到的椭圆参数的椭圆曲线(8)与公式(5)的对应关系估算出离焦半径r；

步骤S4是采用盲去卷积的方法估计清晰图像的傅里叶变换，其流程图如图2所示，具体步骤包括：

S41、利用式(4)初始化点扩散函数的傅里叶变换，H⁽⁰⁾(u,v)＝H(u,v)；

S42、将模糊虹膜图像的傅里叶变换作为估计图像傅里叶变换的初始化估计，F⁽⁰⁾(u,v)＝G(u,v)；

S43、根据模糊虹膜图像的信息计算噪声功率参数；

选取图像边缘的几块区域来估计噪声参数α，实验中在图像的四个角分别取一块24×24大小的区域，计算其均值与均方差的比值，将四块结果的均值作为对α的估计；

S44、采用盲去卷积的迭代公式来对退化函数的傅里叶变换和估计图像的傅里叶变换进行迭代；

依据式(9)和式(10)对估计图像F和H同时进行迭代更新。

$F^{(k+1)}(u,v)=\left[\frac{H^{\left(k\right)*}(u,v)}{\left|H^{\left(k\right)}{(u,v)}^2\right|+\mathrm{\α}/\left|F^{\left(k\right)}{(u,v)}^2\right|}\right]G(u,v)---\left(9\right)$

$H^{(k+1)}(u,v)=\left[\frac{H^{\left(k\right)*}(u,v)}{1/\left|H^{\left(k\right)}{(u,v)}^2\right|+\left|F^{\left(k\right)}{(u,v)}^2\right|}\right]G(u,v)---\left(10\right)$

S45、当迭代达到停止条件时，将此时的估计图像的傅里叶变换作为输出的最终估计图像的傅里叶变换。迭代停止条件为最后两次迭代之间的均方误差小于设定的阈值。

步骤S5是对最终计算结果进行傅里叶逆变换得到估计清晰虹膜图像。

为了验证算法有效性，建立两组数据库来对提出的方法进行了测试。第一组为模拟组，将CASIA3.0虹膜数据库中的图像进行圆盘模糊得到不同模糊水平(模糊半径)的离焦模糊虹膜图像。CASIA虹膜数据库是由中科院自动化所创建的一个共享数据库，用于评测虹膜识别算法，目前已经被国际上多家研究单位采用。选取虹膜数据库中100只眼睛、每只眼睛5幅不同的图像组成实验库。本发明将选取的每一幅虹膜图像加以5个不同模糊水平的模糊，建立人工模糊组，人工模糊组中的虹膜图像如图3所示。

利用本发明提出的方法对模拟组的离焦虹膜图像进行复原，得到的复原结果如图4所示。通过图像峰值信噪比和识别的等错误率来评价复原性能。采用Gabor滤波器提取虹膜特征，汉明距离作为分类器，验证实验效果。最终得到复原前后的峰值信噪比分别为26.4309和26.9821，复原前后的等错误率分别为1.485％和0.883％。由此可以看出，复原后图像质量和识别性能都有明显的提升。

第二组为实际组，在实验室环境下采集了26只不同眼睛、每只眼睛10幅的离焦图像来建立实际离焦模糊组，实际离焦模糊组中的虹膜图像如图5所示。

利用本发明提出的方法对实际组的离焦虹膜图像进行复原，得到的复原结果如图6所示。采用类内和类间平均汉明距离来评价复原效果。复原后虹膜图像的类内平均汉明距离由0.2542下降为0.2095，类间平均汉明距离由0.4727上升为0.4855。复原后类间与类内平均汉明距离差值明显增加，提升了识别性能。

本发明可以用于被采集者非合作模式或受到光学系统景深性能限制时获取离焦模糊虹膜图像并用于识别的场景。在采集图像时，首先判断对焦程度，如果图像离焦，则采用本发明的方法进行图像复原，并进行虹膜定位、分割、归一化、特征提取和模式匹配。可以在获取离焦模糊虹膜图像时仍能进行识别，减少成像系统光学性能的限制，增加虹膜识别系统的工作距离或者拓展识别系统的应用，用户使用更加方便。

综上所述，本发明能够在有效提高虹膜识别系统的易用性和鲁棒性，是虹膜识别系统中的关键技术。

Claims (8)

1.一种离焦虹膜图像的复原方法，对未知参数系统获取的离焦虹膜图像在频域计算离焦半径并进行图像复原，包括以下步骤：

S1、对离焦虹膜图像进行傅里叶变换，得到对应的频域图像；

S2、对频域图像中的第一个暗环以椭圆曲线进行拟合，得到椭圆的参数；

S3、根据拟合得到的椭圆参数计算离焦半径；

S4、初始化点扩散函数，采用盲去卷积迭代的方法估计清晰虹膜图像的傅里叶变换；

S5、对计算结果进行傅里叶逆变换得到清晰虹膜图像。

2.根据权利要求1所述的离焦虹膜图像的复原方法，其特征在于，所述步骤S2包括：

S21、对频域图像进行去噪、二值化、形态学处理及边缘检测，提取出第一个暗环；

S22、对提取出的暗环采用Hough变换的方法拟合求出椭圆参数。

3.根据权利要求2所述的离焦虹膜图像的复原方法，其特征在于，

步骤S21采用中值滤波对频域图像进行滤波，选取合适的阈值将频域图像二值化，采用膨胀腐蚀等形态学处理方法处理二值化的频域图像，采用canny算子检测到椭圆暗环。

4.根据权利要求2所述的离焦虹膜图像的复原方法，其特征在于，

步骤S22中采用Hough变换来拟合椭圆曲线的5个参数，其中，椭圆的中心点位置为图像中心，因此只需求得除了椭圆中心坐标外的其他3个参数。

5.根据权利要求1所述的离焦虹膜图像的复原方法，其特征在于，所述步骤S3包括：

将计算求得的椭圆曲线与公式比对，计算得出离焦弥散圆半径r，其中M、N为图像的大小，u、v为频域内的二维变量。

6.根据权利要求1所述的离焦虹膜图像的复原方法，其特征在于，所述步骤S4包括：

S41、初始化点扩散函数的傅里叶变换；

S42、将模糊虹膜图像的傅里叶变换作为估计图像傅里叶变换的初始化估计；

S43、根据模糊虹膜图像的灰度信息计算噪声功率参数；

S44、采用盲去卷积的迭代方法对退化函数的傅里叶变换和估计图像的傅里叶变换同时进行迭代，且每一次迭代只与上一次的迭代结果和噪声功率参数有关；

S45、当迭代达到停止条件时，将此时的估计图像的傅里叶变换作为输出的最终估计虹膜图像的傅里叶变换。

7.根据权利要求6所述的离焦虹膜图像的复原方法，其特征在于，

步骤S43中选取虹膜图像边缘的几块区域，分别计算其均值与方差的比值，再以这几个区域比值的均值作为噪声功率参数。

8.根据权利要求6所述的离焦虹膜图像的复原方法，其特征在于，

步骤S44的迭代停止条件为当前迭代与最后两次迭代之间的均方误差小于设定的阈值。