CN105046265A - 基于纹理差异的虹膜图像肠环区域检测方法 - Google Patents
基于纹理差异的虹膜图像肠环区域检测方法 Download PDFInfo
- Publication number
- CN105046265A CN105046265A CN201510095255.5A CN201510095255A CN105046265A CN 105046265 A CN105046265 A CN 105046265A CN 201510095255 A CN201510095255 A CN 201510095255A CN 105046265 A CN105046265 A CN 105046265A
- Authority
- CN
- China
- Prior art keywords
- iris
- image
- texture
- intestines ring
- intestines
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种基于纹理差异的虹膜图像肠环区域检测方法,其将虹膜肠环区域信息应用于虹膜图像粗分类,为了获取虹膜图像肠环区域,其基于自仿射拟合的纹理分割算法,实现虹膜肠环外边界检测。该发明在多尺度下拟合图像局部到整体信息的自仿射性,有效地在小区域内描述肠环内、外纹理的差异,通过分析差异的变化规律确定肠环区域。在此基础上分别给出了按照虹膜肠环位置区域分布和肠环内纹理复杂度两种分类方式进行大样本虹膜图像粗分类。在自采的1000幅虹膜图像库下分别进行实验,以上两种分类方式下的分类正确率分别为98.8%和98.7%,表明该发明能够有效地应用于大样本虹膜图像粗分类。
Description
技术领域:本发明属于生物特征识别技术领域,具体涉及一种虹膜肠环区域信息检测算法,以及利用虹膜肠环区域信息进行虹膜粗分类,即基于纹理差异的虹膜图像肠环区域检测方法。
背景技术:生物识别技术是最重要的计算机辅助个人身份识别方法之一,广泛的应用于政府项目如国家身份证、签证和签证办理等领域。虹膜识别以其稳定性和高识别率在众多生物特征中占主要地位。
虹膜图像具有丰富的纹理特征,这些纹理具有不同的形状,如块状、条状、斑点状等,研究者提出多种方法进行这些信息特征的提取,用于身份识别。然而,绝大多数方法计算相对复杂,在一定大小的数据库下能够验证虹膜识别的有效性,但在实际应用中还存在局限。尽管这些方法获得良好的识别结果,然而所有虹膜身份验证方法需要匹配输入虹膜图像数据库中大量的虹膜图像,这是非常耗时的。
发明内容:
发明目的:本发明提供一种基于纹理差异的虹膜图像肠环区域检测方法,其目的是解决以往的虹膜识别效果不理想的问题,提高大样本数据库下虹膜识别的匹配速度。
技术方案:本发明是通过以下技术方案来实现的:
一种基于纹理差异的虹膜图像肠环区域检测方法,其特征在于:所述方法的具体步骤如下:
(1)虹膜图像预处理
利用现有的虹膜采集仪采集人眼图像;虹膜定位,即确定瞳孔与虹膜、虹膜与巩膜之间的两个边界;虹膜图像归一化,即把虹膜两个边界构成的圆环映射到一个固定形状的纹理图中;
(2)基于纹理差异的虹膜图像肠环区域检测;
(3)虹膜肠环区域信息表示;
(4)应用虹膜肠环区域信息进行虹膜图像粗分类。
“(2)”步骤中所述的建立一种图像局部特征到整体特征的自仿射性关系来表征纹理。
“(3)”步骤中的肠环位置区域分布和肠环内纹理复杂度两种表示方法,在整个虹膜上建立四等分统计模型描述肠环位置区域分布,提出一种在不规则灰度共生矩阵下计算6种纹理描绘子方法表示肠环内纹理复杂度。
“(4)”步骤中的建立肠环位置分布和基于支持向量机的肠环内纹理复杂度两种分类模型。
(1)人眼图像样本库建立
利用现有的虹膜采集仪采集人眼图像,建立基于肠环位置区域分布和肠环内纹理复杂度两种分类样本库;
(2)人眼虹膜肠环区域定位
1)虹膜定位:确定瞳孔与虹膜、虹膜与巩膜之间的两个边界;
2)虹膜图像归一化:把虹膜两个边界构成的圆环映射到一个固定形状的纹理图中;
3)虹膜肠环外边界提取:在归一化图像上建立一定大小的窗口进行扫描,描述窗口内纹理变化规律。分析此规律的差别确定肠环外边界;
(3)肠环信息分析与表示:在整个虹膜上建立四等分统计模型描述肠环位置区域分布,提出一种在不规则灰度共生矩阵下计算6种纹理描绘子方法表示肠环内纹理复杂度;
(4)基于肠环信息的虹膜粗分类:建立肠环位置分布分类模型和基于支持向量机的肠环内纹理复杂度分类模型,并在样本库上进行了测试。
肠环内纹理被分为以下三类:第一类:丝状结构,这类虹膜肠环表面平整,几乎没有纤维和表面形态的变化;第二类:网状结构,此类虹膜肠环图像同第一类相接近,只是在肠环外边界会出现少量的孔洞或者凹陷;第三类:粗麻结构,这类虹膜肠环内图像纤维结构松散,纤维在末端经常呈现开放的状态,表面有很多大的孔洞和凹陷;
虹膜定位就是要找出瞳孔与虹膜、虹膜与巩膜之间的两个边界即内边界和外边界,这两个边界通常被近似为两个圆,因此虹膜定位就是确定这两个圆的圆心及半径;
将虹膜图像归一化,归一化图像大小为360*150。
建立一种局部到整体的自仿射性关系来表征纹理;
对于一幅灰度图像,可以看作是3维表面,其表面的“高度”由图像的灰度值表示,因此表面的复杂性代表了图像像素灰度值变化特性,这种复杂性可以定量描述,这种方法的基本原理如下:
1)在M×M大小的图像上选取1×d的子块,(d为子块长度,即为尺度)
2)计算子块中中心元素与其他元素的灰度差的期望e(i,j);
e(i,j)=E[f(i,j)-f(i,j±m)](2)
式中f(i,j)表示子块中心元素的灰度值,f(i,j±m)表示子块中其余元素的灰度值;
3)选取不同尺度的子块在M×M图像上滑动,计算每种尺度子块的期望,分别构成一个二维矩阵Dd;
4)统计不同尺度d的二维矩阵Dd的期望直方图Hd(rk);
Hd(rk)=nk(3)
式中k表示直方图的级数;rk是第k级期望值;nk是矩阵Dd中期望为rk的个数;
5)不同尺度的期望直方图分布对于同一纹理图像都具有相似的自仿射性,也就是说它们具有线性关系。因此,构造如下线性方程:
(4)
式中为不同尺度期望直方图Hd(rk)的标准偏差,K为线性拟合的斜率,其值表示纹理图像的特征。
为了寻找肠环外边界,归一化图像上,建立一定大小的窗口描述该窗口内纹理变化规律,分析此规律的差别确定肠环外边界,具体步骤如下:
步骤1):根据实验选择尺度及窗口大小,确定窗口大小后计算窗口内不同尺度子块的期望e(i,j);
步骤2):计算窗口内不同尺度的期望直方图Hd(rk);
步骤3):按式(4)计算K值;
步骤4):在如图所示的行方向上滑动窗口,计算每个窗口的K值,求出该行内最小K值,该K值所在窗口的中心点即为该行的肠环边界点;
步骤5):窗口向下移动一个像素,重复步骤1)—4),直到找到所有行的边界点,连接步骤5)得到的所有边界点,即为虹膜肠环外边界的轮廓线。
优点及效果:
本发明提供一种基于纹理差异的虹膜图像肠环区域检测方法,为了减少搜索时间和计算复杂度,最好能够在虹膜图像匹配之前进行粗分类,以便输入虹膜与虹膜匹配只有在其相应的类别中进行。
虹膜图像纹理分布不均匀,人从视觉上可以看出存在一个过渡边界,虹膜图像中对于大多数人群的这个边界模糊,而且模糊的程度不一。该边界将整个虹膜纹理分为内外两部分,从瞳孔到这个过度边界的区域被称为肠环。从图像中可以看出,肠环区域内纹理与外部纹理存在明显的差异,同时,不同类人的虹膜图像的肠环区域位置分布和纹理都存在差异。这些差异在整个虹膜图像中占主要地位,可以作为虹膜的特征,应用于虹膜图像的粗分类,从而提高基于大样本数据库的虹膜识别的匹配速度。另外,虹膜图像的肠环区域信息在采集时不受眼睑,睫毛的遮挡,有利于识别应用中信息特征的稳定提取。
虹膜肠环区域信息不受眼睑,睫毛遮挡因素影响,利用该信息特征应用于虹膜图像粗分类能够得到更稳定的分类结果,为提高大样本数据库的虹膜匹配速度奠定基础。
附图说明:
图1是本发明的方法步骤的流程框图;
图2是本发明的肠环位置分布分类样本图;其中图2-1为第一类(狭小肠环)图;图2-2为第二类(适中肠环)图;图2-3为第三类(膨胀肠环)
图3是本发明的肠环内纹理分类样本图;其中图3-1为第一类(丝状结构)图;图3-2为第二类(网状结构)图;图3-3为第三类(粗麻结构)
图4是虹膜定位结果图;
图5是虹膜归一化结果图;
图6是光斑与眼睑检测结果图;
图7是不同区域不同尺度纹理图像分布规律示意图;
图8是提取过程示意图;
图9是窗口大小与响应时间关系图;
图10是窗口大小与正确率关系图;
图11是本发明的肠环外边界检测结果图(位置分布方式);其中图11-1为第一类(狭小肠环)图;图11-2为第二类(适中肠环)图;图11-3为第三类(膨胀肠环)
图12是本发明的肠环外边界检测结果图(肠环内纹理分布方式);其中图12-1为第一类(狭小肠环)图;图12-2为第二类(适中肠环)图;图12-3为第三类(膨胀肠环)
图13是本发明方法与其他方法对比结果图
具体实施方式:下面结合附图对本发明做进一步的说明:
本发明提供一种基于纹理差异的虹膜图像肠环区域检测方法,步骤如下:
(1)虹膜图像预处理
利用现有的虹膜采集仪采集人眼图像;虹膜定位,即确定瞳孔与虹膜、虹膜与巩膜之间的两个边界;虹膜图像归一化,即把虹膜两个边界构成的圆环映射到一个固定形状的纹理图中;
(2)基于纹理差异的虹膜图像肠环区域检测;
(3)虹膜肠环区域信息表示;
(4)应用虹膜肠环区域信息进行虹膜图像粗分类。
“(2)”步骤中所述的建立一种图像局部特征到整体特征的自仿射性关系来表征纹理。
“(3)”步骤中的肠环位置区域分布和肠环内纹理复杂度两种表示方法,在整个虹膜上建立四等分统计模型描述肠环位置区域分布,提出一种在不规则灰度共生矩阵下计算6种纹理描绘子方法表示肠环内纹理复杂度。
“(4)”步骤中的建立肠环位置分布和基于支持向量机的肠环内纹理复杂度两种分类模型。
下面对本发明的步骤进行如下的详细说明:
(1)人眼图像样本库建立
利用现有的虹膜采集仪采集人眼图像,建立基于肠环位置区域分布和肠环内纹理复杂度两种分类样本库;
(2)人眼虹膜肠环区域定位
1)虹膜定位:确定瞳孔与虹膜、虹膜与巩膜之间的两个边界;
2)虹膜图像归一化:把虹膜两个边界构成的圆环映射到一个固定形状的纹理图中;
3)虹膜肠环外边界提取:在归一化图像上建立一定大小的窗口进行扫描,描述窗口内纹理变化规律。分析此规律的差别确定肠环外边界;
(3)肠环信息分析与表示:在整个虹膜上建立四等分统计模型描述肠环位置区域分布,提出一种在不规则灰度共生矩阵下计算6种纹理描绘子方法表示肠环内纹理复杂度;
(4)基于肠环信息的虹膜粗分类:建立肠环位置分布分类模型和基于支持向量机的肠环内纹理复杂度分类模型,并在样本库上进行了测试;
图1是应用虹膜图像肠环区域信息粗分类方法的流程图,包括人眼图像采集、虹膜定位、归一化、肠环区域定位、肠环信息分析与表示、肠环区域信息分类模型建立等步骤。
图2是肠环位置分布分类样本图。对图像库中样本进行归纳发现,绝大多数人的虹膜图像中肠环占整个虹膜的1/3左右,而只有7%左右的人群的肠环区域小于1/3,同时15%左右人群的肠环区域大于2/3。为了定量的描述肠环区域的位置分布,首先将整个虹膜沿径向方向分为四等分,统计检测到的肠环外边界所在的区域分布,如公式(1)所示。
F=T(n1,n2,n3,n4)(1)
其中,ni表示第i个区域肠环外边界的分布值根据上式可以将整个数据库中的虹膜图像分为三类:第一类:狭小肠环,这类肠环位于从瞳孔开始到1/4虹膜区域结束,即上式中n1>90%,典型样本如图2-1所示;第二类:适中肠环,这类肠环位于从瞳孔开始的1/4虹膜位置到3/4虹膜位置的区域,即上式中(n2+n3)>90%,典型样本如图2-2所示;第三类:膨胀肠环,这类肠环位于靠近虹膜外边界,大于3/4个虹膜,即上式中n4>90%,典型样本如图2-3所示。
图3是本发明的肠环内纹理分类样本图。通过对数据库中所有图像进行统计分类,肠环内纹理被分为以下三类:第一类:丝状结构,这类虹膜肠环表面平整,几乎没有纤维和表面形态的变化,典型样本如图3-1所示;第二类:网状结构,此类虹膜肠环图像同第一类相接近,只是在肠环外边界会出现少量的孔洞或者凹陷,典型样本如图3-2所示;第三类:粗麻结构,这类虹膜肠环内图像纤维结构松散,纤维在末端经常呈现开放的状态,表面有很多大的孔洞和凹陷,典型样本如图3-3所示。
图4是虹膜定位结果图,虹膜定位就是要找出瞳孔与虹膜、虹膜与巩膜之间的两个边界即内边界和外边界。这两个边界通常被近似为两个圆,因此虹膜定位就是确定这两个圆的圆心及半径。如图4所示。
图5是虹膜归一化结果图,将虹膜图像归一化,归一化图像大小为360*150。如图5所示。
图6是光斑与眼睑检测结果图;采集图像时采集设备自带的可见光源在虹膜图像中产生光斑、采集时被采集者眼睑的遮挡都成为影响检测结果的因素。因此要想准确的实现基于肠环的虹膜粗分类,必须避免以上二种因素的干扰。光斑与眼睑检测的结果如图所示。
图7是不同区域不同尺度纹理图像分布规律示意图。
纹理是图像中反复出现的局部模式和它们空间排列情况,局部纹理组成部分与整体以某种方式相似,也就是说,具有某种意义上的自相似结构特征。自然界中的许多物体在某一范围内都具有统计的自相似性,即每一部分都被认为是整体的一个缩小图像。自仿射性是自相似性的一种拓展,就是局部到整体在不同方向的不等比例变换的结果。基于以上思想,本发明建立一种局部到整体的自仿射性关系来表征纹理。
对于一幅灰度图像,可以看作是3维表面,其表面的“高度”由图像的灰度值表示,因此表面的复杂性代表了图像像素灰度值变化特性,这种复杂性可以定量描述。这种方法的基本原理如下:
1)在M×M大小的图像上选取1×d的子块,(d为子块长度,即为尺度)
2)计算子块中中心元素与其他元素的灰度差的期望e(i,j)。
e(i,j)=E[f(i,j)-f(i,j±m)](2)
式中f(i,j)表示子块中心元素的灰度值,f(i,j±m)表示子块中其余元素的灰度值。
3)选取不同尺度的子块在M×M图像上滑动,计算每种尺度子块的期望,分别构成一个二维矩阵Dd。
4)统计不同尺度d的二维矩阵Dd的期望直方图Hd(rk)。
Hd(rk)=nk(3)
式中k表示直方图的级数;rk是第k级期望值;nk是矩阵Dd中期望为rk的个数;
5)不同尺度的期望直方图分布对于同一纹理图像都具有相似的自仿射性,也就是说它们具有线性关系。因此,构造如下线性方程:
(4)
式中为不同尺度期望直方图Hd(rk)的标准偏差,K为线性拟合的斜率,其值表示纹理图像的特征。
虹膜图像中肠环区域内纹理按径向方向呈放射状排列,因此,肠环内图像纹理在径向方向内的灰度变化不大。肠环外部纹理相对平坦,灰度变化同样不明显。然而肠环外边界所在区域是从一类纹理向另一类纹理变化的过度区域,此区域图像在视觉上存在分界,所以本发明利用所提出的纹理表示方法表征这种变化,进而找到该分界线。同一种纹理图像中一个小区域与整个纹理图像存在自仿射现象,当采用不同观察尺度,其结构看上去不变或相似。因此采用不同尺度来表征同一类虹膜纹理图像,其变化规律相似。如图7所示。
图7中从左到右的三列图像分别表示某一径向方向上肠环内、肠环外边界、肠环外一个区域内期望直方图Hd(rk)在三种尺度下的分布情况。横坐标表示直方图的级数k,纵坐标表示矩阵Dd中期望为rk的个数。明显可见,同一区域不同尺度下的分布相似,而不同区域间具有差别。
图8是提取过程示意图;图9是窗口大小与响应时间关系图;图10是窗口大小与正确率关系图;
为了寻找肠环外边界,在如图8所示的归一化图像上,建立一定大小的窗口描述该窗口内纹理变化规律。分析此规律的差别确定肠环外边界,具体步骤如下:
步骤1):根据实验选择尺度及窗口大小,如图9与图10所示,确定窗口大小后计算窗口内不同尺度子块的期望e(i,j);
步骤2):计算窗口内不同尺度的期望直方图Hd(rk);
步骤3):按式(4)计算K值;
步骤4):在如图所示的行方向上滑动窗口,计算每个窗口的K值,求出该行内最小K值,该K值所在窗口的中心点即为该行的肠环边界点;
步骤5):窗口向下移动一个像素,重复步骤1)—4),直到找到所有行的边界点。连接步骤5)得到的所有边界点,即为虹膜肠环外边界的轮廓线。
图11是本发明的肠环外边界检测结果图(位置分布方式);图12是本发明的肠环外边界检测结果图(肠环内纹理分布方式);
图13是本发明方法分别与基于基元(PPS)、灰度共生矩阵(GLCM)、分形维数(BCFD)和小波变换(WT)的纹理表示方法进行对比结果。
实施例:
本发明利用HM9918型手持式虹膜仪采集并建立1000幅人眼虹膜图像库,采集到的虹膜图像为800*600的彩色图像。在这个库中,若按照肠环区域位置分布分,属于狭小肠环69幅,属于适中肠环的788幅,膨胀肠环的143幅;若按照肠环内纹理不同,属于第一类的49幅,属于第二类的741幅,属于第三类的210幅。表1列出了不同类虹膜在库中所占的比重。
表1虹膜库中不同方式不同类的分布情况表
A用于肠环外边界检测的尺度及窗口大小选择实验
1)尺度选择原则
图像中局部纹理与整体图像纹理存在自仿射性,要描述图像复杂的纹理结构特征,可以利用不同尺度内纹理的趋势反映整体纹理的变化趋势。同时肠环区域内纹理沿径向方向呈放射状排列,而外部纹理相对平坦,因此本发明将尺度子块定义为1×d。本发明利用不同尺度下的特征的拟合直线参数来表示整体的纹理,因此至少选择二个尺度,理论上尺度越多拟合结果精度越高,然而运算时间过长。而且尺度的选择也受到图像大小的限制。
2)窗口块划分
图像纹理的自仿射性并不是具有严格数学意义的自相似,只是近似的统计意义的自相似。因此本发明在一定大小窗口内表示不同尺度下的纹理特征,并将这些特征线性拟合以此表示该窗口内的纹理变化趋势,按照本发明提出方法获取肠环外边界所在位置的窗口,以窗口中心作为肠环外边界点。所以窗口大小的选择不仅会影响变化趋势的表示的准确度性同时也会影响程序运行速度。在不影响提取精度的前提下,窗口的选择应满足运算时间短的需求。
实验用Matlab2011b及其工具箱在Window7操作系统的PC机上实现。本实验首先在三个尺度3,5,7下进行。图9表示窗口的大小与肠环外边界的提取时间的关系。图中数据表明提取时间随着窗口大小增加而增大。当窗口大小为9时,提取时间为11.574s。图10表示窗口大小与肠环外边界提取正确率的关系。当窗口为7*7时,受窗口大小限制只能选择二个尺度,导致正确率较低。当尺度增多时,提取时间明显增加,而正确率变化不明显。由于本发明将窗口中心点作为检测到的肠环外边界位置,当窗口过大时,窗口中心位置与实际位置偏差往往过大,导致正确率较低;当窗口较小时,窗口内参与统计的量少从而影响其效率。这也是常规基于统计的纹理表示方法的弊端。而本发明算法则是利用较小区域的分布特性与整体分布特性具有的线性关系描述纹理,因此本发明算法在小窗口内取得较好的提取效果。结合以上实验结果,本发明选择窗口大小为9*9,尺度为3个。
B基于肠环区域信息的虹膜粗分类实验
1)按肠环位置分布方式粗分类实验
在虹膜归一化图像除光斑、眼睑以外的区域进行肠环外边界检测,图11是按肠环位置分布方式的虹膜图像肠环外边界检测结果图。根据公式(1)计算肠环位置区域分布,分类结果如表2所示。
表2肠环位置区域分布分类结果
同时,在相同实验条件(窗口大小为9*9)下分别采用基于基元(PPS)、灰度共生矩阵(GLCM)、分形维数(BCFD)和小波变换(WT)的纹理表示方法进行肠环外边界检测,并计算肠环位置分布,与本发明算法(SAF)实验结果对比如图13所示。从图中可看出,本发明方法在三类样本的分类结果都高于其他方法。主要原因是其他方法在小窗口内纹理表示不理想导致分类正确率较低。
2)按肠环内纹理分布方式粗分类实验
在虹膜归一化图像除光斑、眼睑以外的区域进行肠环外边界检测,图12是按肠环内纹理分布方式的虹膜肠环外边界检测结果图。
由于肠环外边界是一个不规则的环状条纹,那么肠环区域是不规则图像块,为了能充分利用肠环内所有的纹理信息,本发明给出一种基于不规则图像的灰度共生矩阵纹理度量方法。实现步骤如下:
步骤1:在虹膜归一化图像上将检测到的肠环以外区域的灰度值置为0,得到新的归一化图像A;
步骤2:在图像A上按照一定方向、一定尺度计算灰度共生矩阵W;
步骤3:矩阵W中的第一行、第一列的值表示的是(0,0),(0,1)…(0,g)其中g表示A的最大灰度值,这些灰度对出现的频次,而这些灰度对不属于肠环区域,将其去除得到新的灰度共生矩阵W';
在W'上计算纹理度量的6个特征描绘子:均值、标准偏差、平滑度、三阶矩、一致性、熵的值,实现不同类的肠环纹理的表示。结果如表3所示。从表3可以看出,基于灰度共生矩阵下的描绘子统计结果能够表示不同类别样本图像之间的差异。可以作为样本分类的评判标准,本发明选用支持向量机建立分类模型。
表3不同的类虹膜肠环内纹理度量结果
支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷,以求获得最好的推广能力。本发明将上述计算得到的6个特征描绘子作为SVM的输入法,以表1中的三种纹理类别作为输出建立分类模型。在三种类型的图像库中随机挑选30%的图像作为训练样本对所建立的SVM模型进行训练,其余70%作为测试样本,得到的分类结果如表4所示。
表4肠环内纹理分类结果
Claims (8)
1.本发明提供一种基于纹理差异的虹膜图像肠环区域检测方法,其特征在于:所述方法的具体步骤如下:
(1)虹膜图像预处理
利用现有的虹膜采集仪采集人眼图像;虹膜定位,即确定瞳孔与虹膜、虹膜与巩膜之间的两个边界;虹膜图像归一化,即把虹膜两个边界构成的圆环映射到一个固定形状的纹理图中;
(2)基于纹理差异的虹膜图像肠环区域检测;
(3)虹膜肠环区域信息表示;
(4)应用虹膜肠环区域信息进行虹膜图像粗分类。
2.根据权利要求1所述的基于纹理差异的虹膜图像肠环区域检测方法,其特征在于:“(2)”步骤中所述的建立一种图像局部特征到整体特征的自仿射性关系来表征纹理。
3.根据权利要求1所述的基于纹理差异的虹膜图像肠环区域检测方法,其特征在于:“(3)”步骤中的肠环位置区域分布和肠环内纹理复杂度两种表示方法,在整个虹膜上建立四等分统计模型描述肠环位置区域分布,提出一种在不规则灰度共生矩阵下计算6种纹理描绘子方法表示肠环内纹理复杂度。
4.根据权利要求1所述的基于纹理差异的虹膜图像肠环区域检测方法,其特征在于:“(4)”步骤中的建立肠环位置分布和基于支持向量机的肠环内纹理复杂度两种分类模型。
5.根据权利要求1所述的基于纹理差异的虹膜图像肠环区域检测方法,其特征在于:
(1)人眼图像样本库建立
利用现有的虹膜采集仪采集人眼图像,建立基于肠环位置区域分布和肠环内纹理复杂度两种分类样本库;
(2)人眼虹膜肠环区域定位
1)虹膜定位:确定瞳孔与虹膜、虹膜与巩膜之间的两个边界;
2)虹膜图像归一化:把虹膜两个边界构成的圆环映射到一个固定形状的纹理图中;
3)虹膜肠环外边界提取:在归一化图像上建立一定大小的窗口进行扫描,描述窗口内纹理变化规律。分析此规律的差别确定肠环外边界;
(3)肠环信息分析与表示:在整个虹膜上建立四等分统计模型描述肠环位置区域分布,提出一种在不规则灰度共生矩阵下计算6种纹理描绘子方法表示肠环内纹理复杂度;
(4)基于肠环信息的虹膜粗分类:建立肠环位置分布分类模型和基于支持向量机的肠环内纹理复杂度分类模型,并在样本库上进行了测试。
6.根据权利要求5所述的基于纹理差异的虹膜图像肠环区域检测方法,其特征在于:
肠环内纹理被分为以下三类:第一类:丝状结构,这类虹膜肠环表面平整,几乎没有纤维和表面形态的变化;第二类:网状结构,此类虹膜肠环图像同第一类相接近,只是在肠环外边界会出现少量的孔洞或者凹陷;第三类:粗麻结构,这类虹膜肠环内图像纤维结构松散,纤维在末端经常呈现开放的状态,表面有很多大的孔洞和凹陷;
虹膜定位就是要找出瞳孔与虹膜、虹膜与巩膜之间的两个边界即内边界和外边界,这两个边界通常被近似为两个圆,因此虹膜定位就是确定这两个圆的圆心及半径;
将虹膜图像归一化,归一化图像大小为360*150。
7.根据权利要求6所述的基于纹理差异的虹膜图像肠环区域检测方法,其特征在于:
建立一种局部到整体的自仿射性关系来表征纹理;
对于一幅灰度图像,可以看作是3维表面,其表面的“高度”由图像的灰度值表示,因此表面的复杂性代表了图像像素灰度值变化特性,这种复杂性可以定量描述,这种方法的基本原理如下:
1)在M×M大小的图像上选取1×d的子块,(d为子块长度,即为尺度)
2)计算子块中中心元素与其他元素的灰度差的期望e(i,j);
e(i,j)=E[f(i,j)-f(i,j±m)](2)
式中f(i,j)表示子块中心元素的灰度值,f(i,j±m)表示子块中其余元素的灰度值;
3)选取不同尺度的子块在M×M图像上滑动,计算每种尺度子块的期望,分别构成一个二维矩阵Dd;
4)统计不同尺度d的二维矩阵Dd的期望直方图Hd(rk);
Hd(rk)=nk(3)
式中k表示直方图的级数;rk是第k级期望值;nk是矩阵Dd中期望为rk的个数;
5)不同尺度的期望直方图分布对于同一纹理图像都具有相似的自仿射性,也就是说它们具有线性关系。因此,构造如下线性方程:
(4)
式中为不同尺度期望直方图Hd(rk)的标准偏差,K为线性拟合的斜率,其值表示纹理图像的特征。
8.根据权利要求6所述的基于纹理差异的虹膜图像肠环区域检测方法,其特征在于:为了寻找肠环外边界,归一化图像上,建立一定大小的窗口描述该窗口内纹理变化规律,分析此规律的差别确定肠环外边界,具体步骤如下:
步骤1):根据实验选择尺度及窗口大小,确定窗口大小后计算窗口内不同尺度子块的期望e(i,j);
步骤2):计算窗口内不同尺度的期望直方图Hd(rk);
步骤3):按式(4)计算K值;
步骤4):在如图所示的行方向上滑动窗口,计算每个窗口的K值,求出该行内最小K值,该K值所在窗口的中心点即为该行的肠环边界点;
步骤5):窗口向下移动一个像素,重复步骤1)—4),直到找到所有行的边界点,连接步骤5)得到的所有边界点,即为虹膜肠环外边界的轮廓线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510095255.5A CN105046265B (zh) | 2015-03-03 | 2015-03-03 | 基于纹理差异的虹膜图像肠环区域检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510095255.5A CN105046265B (zh) | 2015-03-03 | 2015-03-03 | 基于纹理差异的虹膜图像肠环区域检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105046265A true CN105046265A (zh) | 2015-11-11 |
CN105046265B CN105046265B (zh) | 2018-11-06 |
Family
ID=54452794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510095255.5A Expired - Fee Related CN105046265B (zh) | 2015-03-03 | 2015-03-03 | 基于纹理差异的虹膜图像肠环区域检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105046265B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325399A (zh) * | 2018-07-13 | 2019-02-12 | 哈尔滨工程大学 | 一种基于信道状态信息的陌生人手势识别方法及系统 |
CN110367913A (zh) * | 2019-07-29 | 2019-10-25 | 杭州电子科技大学 | 无线胶囊内窥镜图像幽门和回盲瓣定位方法 |
CN111476189A (zh) * | 2020-04-14 | 2020-07-31 | 北京爱笔科技有限公司 | 一种身份识别方法和相关装置 |
CN111507931A (zh) * | 2019-01-14 | 2020-08-07 | 阿里巴巴集团控股有限公司 | 一种数据处理方法和装置 |
US20210201514A1 (en) * | 2016-10-20 | 2021-07-01 | Optina Diagnostics, Inc. | Method and system for imaging a biological tissue |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1794263A (zh) * | 2005-12-29 | 2006-06-28 | 上海交通大学 | 人体虹膜纹理的分区域识别方法 |
CN104077564A (zh) * | 2014-06-11 | 2014-10-01 | 沈阳工业大学 | 虹膜瞳孔到卷缩轮区域信息提取方法 |
-
2015
- 2015-03-03 CN CN201510095255.5A patent/CN105046265B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1794263A (zh) * | 2005-12-29 | 2006-06-28 | 上海交通大学 | 人体虹膜纹理的分区域识别方法 |
CN104077564A (zh) * | 2014-06-11 | 2014-10-01 | 沈阳工业大学 | 虹膜瞳孔到卷缩轮区域信息提取方法 |
Non-Patent Citations (3)
Title |
---|
苑玮琦 等: "基于梯度极值的虹膜卷缩轮检测方法", 《计算机工程》 * |
辛国栋 等: "基于Snake的虹膜卷缩轮提取方法", 《微计算机信息》 * |
辛国栋 等: "虹膜卷缩轮提取方法研究", 《计算机工程与设计》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210201514A1 (en) * | 2016-10-20 | 2021-07-01 | Optina Diagnostics, Inc. | Method and system for imaging a biological tissue |
US11769264B2 (en) * | 2016-10-20 | 2023-09-26 | Optina Diagnostics Inc. | Method and system for imaging a biological tissue |
CN109325399A (zh) * | 2018-07-13 | 2019-02-12 | 哈尔滨工程大学 | 一种基于信道状态信息的陌生人手势识别方法及系统 |
CN109325399B (zh) * | 2018-07-13 | 2021-11-19 | 哈尔滨工程大学 | 一种基于信道状态信息的陌生人手势识别方法及系统 |
CN111507931A (zh) * | 2019-01-14 | 2020-08-07 | 阿里巴巴集团控股有限公司 | 一种数据处理方法和装置 |
CN111507931B (zh) * | 2019-01-14 | 2023-04-18 | 阿里巴巴集团控股有限公司 | 一种数据处理方法和装置 |
CN110367913A (zh) * | 2019-07-29 | 2019-10-25 | 杭州电子科技大学 | 无线胶囊内窥镜图像幽门和回盲瓣定位方法 |
CN110367913B (zh) * | 2019-07-29 | 2021-09-28 | 杭州电子科技大学 | 无线胶囊内窥镜图像幽门和回盲瓣定位方法 |
CN111476189A (zh) * | 2020-04-14 | 2020-07-31 | 北京爱笔科技有限公司 | 一种身份识别方法和相关装置 |
CN111476189B (zh) * | 2020-04-14 | 2023-10-13 | 北京爱笔科技有限公司 | 一种身份识别方法和相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105046265B (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Automatic grape bunch detection in vineyards with an SVM classifier | |
CN105046265A (zh) | 基于纹理差异的虹膜图像肠环区域检测方法 | |
CN106096561A (zh) | 基于图像块深度学习特征的红外行人检测方法 | |
CN105760673B (zh) | 一种河流相储层地震敏感参数模板分析方法 | |
CN114091606B (zh) | 一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法 | |
CN104298992B (zh) | 一种基于数据驱动的自适应尺度行人重识别方法 | |
DE102008060789A1 (de) | System und Verfahren zur nicht überwachten Detektion und Gleason-Abstufung für ein Prostatakrebspräparat (Whole-Mount) unter Verwendung von NIR Fluoreszenz | |
CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
CN110135502A (zh) | 一种基于强化学习策略的图像细粒度识别方法 | |
CN111191628B (zh) | 基于决策树与特征优化的遥感影像震害建筑物识别方法 | |
CN109934287A (zh) | 一种基于lbp与glcm的服装纹理识别分类方法 | |
CN104504360A (zh) | 古陶瓷自动认证方法 | |
Bressane et al. | Statistical analysis of texture in trunk images for biometric identification of tree species | |
Mollajan et al. | Improving pore type identification from thin section images using an integrated fuzzy fusion of multiple classifiers | |
CN108804635A (zh) | 一种基于属性选择的相似性度量方法 | |
CN106935038A (zh) | 一种停车检测系统及检测方法 | |
Purnama et al. | Follicle detection on the usg images to support determination of polycystic ovary syndrome | |
CN104899592B (zh) | 一种基于圆形模板的道路半自动提取方法及系统 | |
CN106778491A (zh) | 人脸3d特征信息的获取方法及设备 | |
Jiang | A crack detection and diagnosis methodology for automated pavement condition evaluation | |
CN104376320B (zh) | 一种用于人造指纹检测的特征提取方法 | |
CN106951924A (zh) | 基于AdaBoost算法的地震相干体图像断层自动识别方法及系统 | |
Sumathi et al. | Neural network based plant identification using leaf characteristics fusion | |
CN110532877A (zh) | 一种单摄像头人脸识别方案防欺骗方法、系统、设备及存储装置 | |
Rajkumar et al. | Image segmentation method based on finite doubly truncated bivariate gaussian mixture model with hierarchical clustering |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181106 Termination date: 20190303 |