CN105574858B - 基于二阶段蚁群算法提取卷缩轮的方法 - Google Patents
基于二阶段蚁群算法提取卷缩轮的方法 Download PDFInfo
- Publication number
- CN105574858B CN105574858B CN201510924372.8A CN201510924372A CN105574858B CN 105574858 B CN105574858 B CN 105574858B CN 201510924372 A CN201510924372 A CN 201510924372A CN 105574858 B CN105574858 B CN 105574858B
- Authority
- CN
- China
- Prior art keywords
- image
- crispaturaing
- stage
- ant
- human oasis
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明属虹膜诊断技术领域,尤其涉及一种基于二阶段蚁群算法提取卷缩轮的方法;该方法需要进行二次迭代,第一阶段的任务是使用大量人工蚂蚁进行少数几次迭代确定ANW大致的位置,该位置用来确定下一阶段人工蚂蚁的初始位置;第二阶段使用少量人工蚂蚁进行多次迭代得出最终的卷缩轮提取结果。在每次迭代的过程中,通过引入局部方向引导因子和全局方向引导因子,使得人工蚂蚁能快速向ANW方向靠近;通过使用基于点密度的信息素更新策略,使得ANW边缘附近的信息素浓度能快速增长,最后依据信息素的浓度值,提取出最终的ANW曲线。
Description
技术领域
本发明属虹膜诊断技术领域,尤其涉及一种基于二阶段蚁群算法提取卷缩轮的方法。
背景技术
在虹膜诊断学中,虹膜卷缩轮是重要的诊断标志,它位于肠环的周边,是一个环状的线,它把虹膜分割成位于中心的瞳孔和外围的睫状体两部分。它由血管和神经构成,表现人体神经系统中的内脏自主神经系统(交感神经和副交感神经),它能显示很多与肠道和内脏神经有关的信息。当卷缩轮的边缘出现异常,例如膨胀或收缩,表明人体的肠道的功能出现异常。所以人体肠道区是否健康可以检测卷缩轮边缘的变化情况就可以知道。因此,准确地检测出卷缩轮的边缘是进一步病理分析和检测的前提。另外,在基于虹膜的计算机诊断系统中,卷缩轮的位置是实现虹膜图谱覆盖的依据。所以,能否提取出虹膜卷缩轮的准确位置也是决定基于虹膜的计算机诊断系统性能优劣的一个重要前提。
由于卷缩轮边缘的纹理较复杂,所以采用传统的方法,如边缘检测算子Canny算子,Prewitt算子,Roberts算子,以及边缘跟踪等并不能很好地提取卷缩轮的边缘。针对这种复杂边缘的提取问题,文献[M.Kass,A.Witkin,D.Terzopoulous,Snakes:activecontour models,in:Proceedings of the First International ConferenceonComputer Vision,IEEE Computer Society Press,London,1987,pp.259-268.]提出一种基于改进Snake模型的卷缩轮提取方法,该模型克服了传统Snake模型存在的收敛速度慢以及迭代效果过分依赖于初始蛇点位置的选择等缺点,该算法对于卷缩轮边缘较清晰的虹膜图像提取的效果较好,可是当卷缩轮边缘轮廓出现模糊或残缺的时候,提取到的卷缩轮与真实的边缘就会存在误差。而实际上,虹膜卷缩轮的边缘轮廓往往不是很清晰且不连续的,所以针对这类卷缩轮,使用该方法提取卷缩轮的效果并不是很理想。
蚁群算法是1991年意大利学者Dorigo M等人从蚂蚁群体觅食行为的过程中得到启发,提出的一种模拟蚂蚁行为的模拟进化算法,我们称为基本蚂蚁算法(AS),蚁群算法的基本思路是:若干只蚂蚁不断地从源点(蚂蚁窝)出发到目标点(食物所在地点)搬运食物,蚂蚁在经过的道路上会洒下信息素,这些信息素会随着时间的流逝而不断蒸发,路径上的信息素浓度会影响后来的蚂蚁路径方向的选择,路径上信息素浓度越大则被蚂蚁选择的可能性就越大,这样,在单位时间从源点到目标点最短的路径被蚂蚁重复经过的次数就会越多,路径上信息素浓度相对的就会越大。那么经过一段时间后,信息素最大的路径就是从源点到目标的的最优路径。目前蚁群算法已经成功应用于解决很多组合优化问题,如车辆调度问题,旅行商问题,流水作业问题。并且由于该算法具有信息正反馈、分布计算和启发式搜索等特点,近年来,很多学者把AS算法应用到图像处理中来。文献[V.Ramos,F.Almeida,Artificial Ant Colonies in Digital Image Habitats-A mass Behavior EffectStudy on Pattern Recognition,in:Proc.of 2nd Int.Wksp.on Ant Algorithms,Belgium,2000,pp.113-116.]提出一个处理数字图像栖息地的模型,在该模型中人工蚂蚁可以对环境进行感知,并且指出人工蚂蚁可以感知和适应任何类型的关于栖息地的数字图像。Lin Ma等人采用蚁群算法对虹膜图像进行纹理分割和纹理表达。文献[W.B.Tao,H.Jin,L.M.Liu,Object segmentation using ant colony optimization algorithm and fuzzyentropy.Pattern Recognition Letters.28(2007)788-796.]提出一种基于模糊熵的图像分割方法,该方法利用蚁群算法提取最优参数。文献[Y.F.Han,P.F.Shi,An improved antcolony algorithm for fuzzy clustering in image segmentation.Neurocomputing.70(2007)665-671.]提出一种改进的蚁群算法用于模糊聚类实现图像分割,通过改善启发函数和初始化聚类中心来提高图像分割的效率。文献[A.Samit,K.G.Dipak,K.M.Prashant,Edge detection using ACO and F ratio.Signal,Image and Video Processing.8(2014)625-634]依据蚁群算法和Fisher ratio(F ratio)来实现图像边缘检测,其中利用Fratio来确定最优阈值,通过该阈值来完成二值图像的边缘提取。
发明内容
本发明旨在克服现有技术的不足之处而提供一种基于二阶段蚁群算法提取卷缩轮的方法。本发明在每次迭代的过程中,通过引入局部方向引导因子和全局方向引导因子,使得人工蚂蚁能快速向ANW方向靠近;通过使用基于点密度的信息素更新策略,使得ANW边缘附近的信息素浓度能快速增长,最后依据信息素的浓度值,提取出最终的ANW曲线。
为解决上述技术问题,本发明是这样实现的:
一种基于二阶段蚁群算法提取卷缩轮的方法,可按如下步骤实施:
A、第一阶段:
(1)从虹膜图像中提取出虹膜并规范化成矩形,然后求矩形图像的梯度图像并二值化;设置蚁群算法参数;
(2)在二值化梯度矩形图像范围内放置人工蚂蚁,完成初定位;
(3)每只人工蚂蚁依次执行步骤(4)~步骤(5);
(4)蚂蚁选择下一步的位置;
(5)对人工蚂蚁经过的位置进行信息素更新;
(6)如果没满足规定的迭代次数则跳到步骤(3),否则执行步骤(7);
(7)求出迭代后图像每列中累积信息素最大的像素点的行坐标,计算这些行坐标均值;
B、第二阶段:
(1)在二值化梯度图像范围内放置人工蚂蚁;
(2)每只人工蚂蚁依次执行步骤(3)~步骤(4);
(3)蚂蚁根据公式(3)选择下一步的位置;
(4)对人工蚂蚁经过的位置进行信息素更新;
(5)如果没满足规定的迭代次数则跳到步骤(2),否则执行步骤(6);
(6)求出遍历后图像每列中信息素最大的点,把这些点依次从左到右连接起来得到的曲线就是卷缩轮;
(7)对图像反规范化,在虹膜图像上就得到一条封闭的卷缩轮曲线。
作为一种优选方案,本发明所述第一阶段步骤(2)中,在二值化梯度矩形图像第1列,行[Δ,150-Δ]范围内依次放置150-2Δ只人工蚂蚁,完成初定位;Δ为偏移量。
进一步地,本发明所述第一阶段步骤(4)中,根据下列公式选择下一步的位置:
其中,allowedi={0,1,…n-1}表示蚂蚁i下一步在五邻域内允许选择的位置;其中τk表示位置i五邻域中k处的信息素浓度;参数ηk表示位置i的五邻域方向的局部方向引导因子。
进一步地,本发明所述第一阶段步骤(5)中,根据下列公式对人工蚂蚁经过的位置进行信息素更新:
其中,ρ表示蒸发系数,Δτ表示释放的信息
素常量,θ为调整系数。
进一步地,本发明所述第二阶段步骤(3)中,依据下列公式选择下一步的位置:
其中,allowedi={0,1,…n-1}表示蚂蚁i下一步在五邻域内允许选择的位置(蚂蚁已经访问过的位置不允许再选择)。其中τk表示位置i五邻域中k处的信息素浓度;参数ηk表示位置i的五邻域方向的局部方向引导因子。
进一步地,本发明所述第二阶段步骤(4)中,依据下列公式,对人工蚂蚁经过的位置进行信息素更新:
其中,ρ表示蒸发系数,Δτ表示释放的
信息素常量,θ为调整系数。
本发明提出一种基于二阶段蚁群算法虹膜卷缩轮提取方法,第一阶段的任务是使用大量人工蚂蚁进行少数几次迭代确定ANW大致的位置,该位置用来确定下一阶段人工蚂蚁的初始位置;第二阶段使用少量人工蚂蚁进行多次迭代得出最终的卷缩轮提取结果。在每次迭代的过程中,通过引入局部方向引导因子和全局方向引导因子,使得人工蚂蚁能快速向ANW方向靠近;通过使用基于点密度的信息素更新策略,使得ANW边缘附近的信息素浓度能快速增长,最后依据信息素的浓度值,提取出最终的ANW曲线。
附图说明
下面结合附图和具体实施方式对本发明作进一步说明。本发明的保护范围不仅局限于下列内容的表述。
图1为本发明虹膜预处理过程示意图;
图2为本发明LDGF示意图;
图3为本发明GDGF(卷缩轮内)示意图;
图4为本发明GDGF(卷缩轮外)示意图;
图5为本发明提取ANW过程及与现有技术提取ANW结果的比较;
图6为不同大小的r对卷缩轮边缘轮廓提取效果的影响(单位:像素);
图7为本发明与现有技术提取卷缩轮结果的比较。
具体实施方式
如图所示,基于二阶段蚁群算法提取卷缩轮的方法,按如下步骤实施:
A、第一阶段:
(1)从虹膜图像中提取出虹膜并规范化成矩形,然后求矩形图像的梯度图像并二值化;设置蚁群算法参数;
(2)在二值化梯度矩形图像范围内放置人工蚂蚁,完成初定位;
(3)每只人工蚂蚁依次执行步骤(4)~步骤(5);
(4)蚂蚁选择下一步的位置;
(5)对人工蚂蚁经过的位置进行信息素更新;
(6)如果没满足规定的迭代次数则跳到步骤(3),否则执行步骤(7);
(7)求出迭代后图像每列中累积信息素最大的像素点的行坐标,计算这些行坐标均值;
B、第二阶段:
(1)在二值化梯度图像范围内放置人工蚂蚁;
(2)每只人工蚂蚁依次执行步骤(3)~步骤(4);
(3)蚂蚁根据公式(3)选择下一步的位置;
(4)对人工蚂蚁经过的位置进行信息素更新;
(5)如果没满足规定的迭代次数则跳到步骤(2),否则执行步骤(6);
(6)求出遍历后图像每列中信息素最大的点,把这些点依次从左到右连接起来得到的曲线就是卷缩轮;
(7)对图像反规范化,在虹膜图像上就得到一条封闭的卷缩轮曲线。
本发明所述第一阶段步骤(2)中,在二值化梯度矩形图像第1列,行[Δ,150-Δ]范围内依次放置150-2Δ只人工蚂蚁,完成初定位;Δ为偏移量。
本发明所述第一阶段步骤(4)中,根据下列公式选择下一步的位置:
其中,allowedi={0,1,…n-1}表示蚂蚁i下一步在五邻域内允许选择的位置;其中τk表示位置i五邻域中k处的信息素浓度;参数ηk表示位置i的五邻域方向的局部方向引导因子。
本发明所述第一阶段步骤(5)中,根据下列公式对人工蚂蚁经过的位置进行信息素更新:
其中,ρ表示蒸发系数,Δτ表示释放的信息
素常量,θ为调整系数。
本发明所述第二阶段步骤(3)中,依据下列公式选择下一步的位置:
其中,allowedi={0,1,…n-1}表示蚂蚁i下一步在五邻域内允许选择的位置(蚂蚁已经访问过的位置不允许再选择)。其中τk表示位置i五邻域中k处的信息素浓度;参数ηk表示位置i的五邻域方向的局部方向引导因子。
本发明所述第二阶段步骤(4)中,依据下列公式,对人工蚂蚁经过的位置进行信息素更新:
其中,ρ表示蒸发系数,Δτ表示释放的
信息素常量,θ为调整系数。
本发明提出一种基于二阶段蚁群算法的ANW提取方法。第一阶段是使用较多的蚂蚁经过少数几次迭代来确定下一阶段人工蚂蚁大致的初始位置。第二阶段是使用较少的蚂蚁经过较多次迭代提取到最终的卷缩轮轮廓。
本发明提出一种新颖的基于二阶段蚁群算法的ANW提取方法。该算法需要进行二次迭代。第一阶段迭代的目的是确定下一阶段人工蚂蚁的初始位置。第二迭代的目的是完成最终的卷缩轮轮廓的提取。在每次迭代过程中,与传统蚁群算法信息素更新策略不同的是:路径上的信息素增量不是依赖该路径的长度;而是把卷缩轮内部和外部点密度的比值作为信息素更新的依据。首先把虹膜规范化为矩形,矩形上部分对应虹膜的卷缩轮内部,下部分对应卷缩轮的外部,然后对规范化后的卷缩轮图像求梯度并进行二值化,这样就完成了虹膜图像的预处理。然后人工蚂蚁根据转移概率从左到右经过整个虹膜区,这样,经过的路径就把虹膜在卷缩轮附近划分成上下两部分,因为卷缩轮内部区域纹理比外部复杂,相应的内部点密度比外部的点密度大,根据上下两部分点密度比值的大小对路径进行信息素更新。如果路径越接近卷缩轮,则上下两部分的比值就越大,那么该路径的信息素浓度增加的也越多;反之,路径越远离卷缩轮,则上下两部分的比值就越小,那么该路径的信息素浓度增加的越少;这样经过反复迭代,卷缩轮边缘的信息素浓度就越来越大,最后依据信息素浓度的大小就可以提取出卷缩轮的轮廓。本发明按如下步骤实施:
3.1虹膜图像预处理
对虹膜图像进行预处理的过程如图1所示。首先在虹膜图像中定位虹膜内外边界,提取出环状的虹膜。然后将环状的虹膜规范化成M*N的矩形[19],其中M为角度方向的采样数;N为半径方向的采样数。规范化的目的是为了使处理的问题简单化,规范化后矩形图像的左上角坐标为(1,1),右下角坐标(M,N)。
由于光斑会对卷缩轮的提取产生一定的影响,为了去掉光斑,我们采用全局阈值方法得到图像的分割阈值,如果虹膜像素灰度高于该阈值,则该像素灰度被该阈值替代;如果低于该阈值,则该像素灰度不变。通过这种方式,光斑的影响被大大降低了。
求矩形图像的梯度图像I(i,j),并依据公式(1)对I(i,j)进行二值化处理,
a为二值图像B(i,j)的均值,如公式(2)所示。
由于图像二值化后会存在大量噪声,这些噪声的特点是独立且面积小,如果不除掉会直接影响卷缩轮的提取效果,所以针对这种噪声的特点,我们采用序列滑动窗口的方法除噪,分别取3*3,4*4,5*5三个矩形窗口从左到右,从上到下先后滑过二值图像,在滑动过程中,如果当前窗口四周所有元素的值都是0,而中间1*1,2*2,3*3窗口内存在值为255的元素,那么这些元素就被认为是噪声,把它们的值赋成0进行除噪。采用这样方法除噪后,图像中不存在孤立的、面积小于3*3的噪声点。
这样经过预处理后,由于卷缩轮内部(图像上部分)纹理较外部复杂,所以卷缩轮内部的白点密度较大;而卷缩轮外部(图像下部分)白点密度相对较小。本发明提出的算法就是依据这种图像进行卷缩轮的提取。
3.2转移概率定义
由于我们规定人工蚂蚁是从矩形图像的左边往右边行走,所以蚂蚁的下一步位置只能是它八邻域位置中的上、下,右上,右,右下等五邻域中的一个,其转移概率公式定义如下:
其中,allowedi={0,1,…n-1}表示蚂蚁i下一步在五邻域内允许选择的位置(蚂蚁已经访问过的位置不允许再选择)。其中τk表示位置i五邻域中k处的信息素浓度。
参数ηk表示位置i的五邻域方向的局部方向引导因子(local direction guidefactor,LDGF),计算方法如图2所示,a,b,c,d,e,i分别表示六个边长为r个像素的正方形的中心,蚂蚁的当前位置为i,六个正方形分别用A,B,C,D,E,I来表示。分别计算这五个正方形A,B,C,D,E的白点密度与正方形I的白点密度之差的绝对值,绝对值越大,说明该正方形与正方形I的密度差距越大,则该方向存在边缘的可能性就越大,于是,蚂蚁下一步从位置i向该正方形中心方向移动的可能性就越大;反之如果该正方形与正方形I的密度差距越小,说明该方向存在边缘的可能性越小,于是蚂蚁下一步从位置i向该正方形中心方向移动的可能性就越小。根据差值的绝对值按由小到大排序,相应的五邻域各方向的局部方向引导因子ηk的值依次为0.5,0.6,0.7,0.8,0.9等值。例如:正方形I的五邻域正方形中,如果正方形B与正方形I的白点密度差的绝对值最大,则i->b方向的ηk值就是0.9;如果正方形B与正方形I的白点密度差的绝对值最小,则i->b方向的ηk值就是0.5。
注意到当人工蚂蚁处于矩形左端[1,r/2]列以内的时候,正方形A、I、E内左侧就会缺乏元素;同理,当人工蚂蚁处于矩形右端[M-r/2+1,M]列时,正方形A、I、E内右侧就会缺乏元素。所以,为了保证卷缩轮的提取效果,当正方形A、I、E内缺乏元素的时候,需要对它们进行补充。例如如果正方形A、I、E内左侧缺X列元素,则补充的方法是:把矩形图像右端第M-X+1列~第M列共X列元素依次放到矩形图像的左端;如果正方形A、I、E内右侧缺X列元素,则补充的方法是:把矩形图像左端X列元素依次放到矩形图像的右端。
参数表示全局方向因子(global direction guide factor,GDGF)。当位置i的蚂蚁所在正方形I的点密度高于整个虹膜平均值的时候,说明该蚂蚁处在卷缩轮内部的可能性较大,为了向卷缩轮边缘靠近,蚂蚁下一步向五邻域下方走的可能性最大,而向上方走的可能性最小。各方向的全局方向引导因子的值分配如图3所示。而当位置i处的蚂蚁所在正方形I的点密度低于整个虹膜平均值的时候,说明该蚂蚁处在卷缩轮外部的可能性较大,为了向卷缩轮靠近,蚂蚁下一步向五邻域的上方走的可能性最大,而向下方走的可能性最小。各方向的全局方向引导因子的值分配如图4所示。
3.3信息素的更新
当蚂蚁从左边走到右边之后,其经过的路径将虹膜分成上下两部分,分别求出上部分的点密度u_den和下部分的点密度d_den,如果该路径越接近卷缩轮,则u_den/d_den的值越大,否则,u_den/d_den的值越小。依据u_den/d_den的值的大小对路径进行更新:路径的u_den/d_den值越大,该路径的信息素增量越大,反之,该路径的信息素增量越小,更新公式如下。
其中,ρ表示蒸发系数,Δτ表示释放的信息素常量,θ为调整系数。
实验所用图片选自本研究室自己采集的可见光虹膜图片,分辨率为800*600。为了验证本文算法的有效性,我们将本发明算法与文献[L.Yu,K.Q.Wang,D.Zhang.Extractingthe autonomic nerve wreath of iris based on an improved snakeapproach.Neurocomputing.70(2007)734-748]中提出的基于两阶段改进snake模型分别用于提取ANW。
图5(a)虹膜图像的特点是ANW的边缘较模糊且ANW内部存在大量短小的褶皱,图5(b)为虹膜内外圆定位的结果,图5(c)是虹膜经预处理之后的结果,图5(d)为采用本文算法提取ANW的结果,图5(e)将得到的ANW映射到原图像,图5(f)为文献[L.Yu,K.Q.Wang,D.Zhang.Extracting the autonomic nerve wreath of iris based on an improvedsnake approach.Neurocomputing.70(2007)734-748]提取ANW的结果。通过比较可以看出,文献[L.Yu,K.Q.Wang,D.Zhang.Extracting the autonomic nerve wreath of irisbased on an improved snake approach.Neurocomputing.70(2007)734-748]得到的曲线与实际的ANW边缘轮廓存在一定的误差。而本文算法得到的曲线与实际的ANW边缘轮廓较一致。实验中本文算法参数选择如下:α=5,β=4,μ=2,ρ=0.95,Δτ=0.02,r=19。第一阶段使用人工蚂蚁个数m为130只,迭代次数为5次;第二阶段使用人工蚂蚁个数m为20只,迭代次数50次;文献[L.Yu,K.Q.Wang,D.Zhang.Extracting the autonomic nerve wreath ofiris based on an improved snake approach.Neurocomputing.70(2007)734-748]模型参数选择如下:α=0.7,β=0.3,γ=0.4,迭代次数为50次,初始蛇点个数120。
为了说明参数r对提取卷缩轮的影响。我们采用不同的参数r提取卷缩轮的结果。从图(6)中可以看出如果边长r选的越大,提取的卷缩轮就越向外膨胀;如果边长r选的越小,则提取的卷缩轮就越向内收缩。通过比较发现当r取15像素左右时,提取出的卷缩轮边缘与实际的卷缩轮边缘最接近。(a)到(f)r分别9,13,15,19,21,25。
图7(a)中ANW的特点是形状较规则且边缘较清晰,图7(b)中ANW的特点是边缘轮廓不清晰且内部存在很多长短不一的放射沟,图7(c)ANW的特点是形状不规则并且边缘存在很多大小不一的片状坑洞,图7(d)中的虹膜图像较复杂,不但ANW的轮廓边缘不清晰,而且ANW的外部还存在很多大小不一、形状各异的坑洞。分别采用本文算法和文献[L.Yu,K.Q.Wang,D.Zhang.Extracting the autonomic nerve wreath of iris based on animproved snake approach.Neurocomputing.70(2007)734-748.]算法对以上这些虹膜图像的ANW进行提取,提取结果如图7(e)-7(l)所示。通过比较可知,采用文献[L.Yu,K.Q.Wang,D.Zhang.Extracting the autonomic nerve wreath of iris based on animproved snake approach.Neurocomputing.70(2007)734-748.]方法提取的ANW边缘曲线通常较平滑,与实际的ANW曲线存在一定的误差,而采用本文方法提取的ANW边缘能够体现ANW的一些局部特征,与实际的ANW边缘较一致。(a),(b),(c),(d)为虹膜原图像;(e),(f),(g),(h)为文献[L.Yu,K.Q.Wang,D.Zhang.Extracting the autonomic nerve wreath ofiris based on an improved snake approach.Neurocomputing.70(2007)734-748.]提取卷缩轮结果;(i),(j),(k),(l)为本发明提取卷缩轮结果。
可以理解地是,以上关于本发明的具体描述,仅用于说明本发明而并非受限于本发明实施例所描述的技术方案,本领域的普通技术人员应当理解,仍然可以对本发明进行修改或等同替换,以达到相同的技术效果;只要满足使用需要,都在本发明的保护范围之内。
Claims (1)
1.一种基于二阶段蚁群算法提取卷缩轮的方法,其特征在于,按如下步骤实施:
A、第一阶段:
(1)从虹膜图像中提取出虹膜并规范化成矩形,然后求矩形图像的梯度图像并二值化;设置蚁群算法参数;
(2)在二值化梯度矩形图像第1列,行[Δ,150-Δ]范围内依次放置150-2Δ只人工蚂蚁,完成初定位;Δ为偏移量;
(3)每只人工蚂蚁依次执行步骤(4)~步骤(5);
(4)人工蚂蚁选择下一步的位置;
(5)对人工蚂蚁经过的位置进行信息素更新;
(6)如果没满足规定的迭代次数则跳到步骤(3),否则执行步骤(7);
(7)求出迭代后二值化梯度矩形图像每列中累积信息素最大的像素点的行坐标,计算这些行坐标均值;
B、第二阶段:
(1)在二值化梯度矩形图像范围内放置人工蚂蚁;
(2)每只人工蚂蚁依次执行步骤(3)~步骤(4);
(3)选择下一步的位置;
(4)对人工蚂蚁经过的位置进行信息素更新;
(5)如果没满足规定的迭代次数则跳到步骤(2),否则执行步骤(6);
(6)求出遍历后二值化梯度图像每列中信息素最大的点,把这些点依次从左到右连接起来得到的曲线就是卷缩轮;
(7)对二值化梯度图像反规范化,在虹膜图像上就得到一条封闭的卷缩轮曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510924372.8A CN105574858B (zh) | 2015-12-14 | 2015-12-14 | 基于二阶段蚁群算法提取卷缩轮的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510924372.8A CN105574858B (zh) | 2015-12-14 | 2015-12-14 | 基于二阶段蚁群算法提取卷缩轮的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105574858A CN105574858A (zh) | 2016-05-11 |
CN105574858B true CN105574858B (zh) | 2019-08-23 |
Family
ID=55884949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510924372.8A Expired - Fee Related CN105574858B (zh) | 2015-12-14 | 2015-12-14 | 基于二阶段蚁群算法提取卷缩轮的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105574858B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871156B (zh) * | 2017-11-02 | 2020-08-11 | 常熟理工学院 | 基于信息素预测的蚁群多细胞跟踪系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101882222A (zh) * | 2009-06-26 | 2010-11-10 | 哈尔滨工业大学 | 基于基元结构定义与区域生长技术的虹膜分区及阳光放射沟提取方法 |
CN102834837A (zh) * | 2010-05-13 | 2012-12-19 | 虹膜技术公司 | 使用多个虹膜模板的虹膜识别装置及方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050025927A (ko) * | 2003-09-08 | 2005-03-14 | 유웅덕 | 홍채인식을 위한 동공 검출 방법 및 형상기술자 추출방법과 그를 이용한 홍채 특징 추출 장치 및 그 방법과홍채인식 시스템 및 그 방법 |
-
2015
- 2015-12-14 CN CN201510924372.8A patent/CN105574858B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101882222A (zh) * | 2009-06-26 | 2010-11-10 | 哈尔滨工业大学 | 基于基元结构定义与区域生长技术的虹膜分区及阳光放射沟提取方法 |
CN102834837A (zh) * | 2010-05-13 | 2012-12-19 | 虹膜技术公司 | 使用多个虹膜模板的虹膜识别装置及方法 |
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 (5)
Title |
---|
A universal texture segmentation and representation scheme based on ant colony optimization for iris image processing;Lin Ma et al;《Computers and Mathematics with Applications》;20091231(第57期);1862-1868 |
Advanced Neurocomputing Theory and Methodology;De-Shuang Huang et al;《Neurocomputing》;20071231(第70期);623-624 |
An improved ant colony algorithm for fuzzy clustering in image segmentation;Yanfang Han et al;《Neurocomputing》;20071231(第70期);665-671 |
Extracting the autonomic nerve wreath of iris based on an improved snake approach;Li Yu et al;《Neurocomputing》;20071231(第70期);743-748 |
基于蚁群和Hough变换的虹膜定位算法;康景磊 等;《计算机科学》;20121130;第39卷(第11A期);384-385,394 |
Also Published As
Publication number | Publication date |
---|---|
CN105574858A (zh) | 2016-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103886344B (zh) | 一种图像型火灾火焰识别方法 | |
CN103871029B (zh) | 一种图像增强及分割方法 | |
CN101359365B (zh) | 一种基于最大类间方差和灰度信息的虹膜定位方法 | |
CN101576997B (zh) | 基于二次三维区域生长的腹部器官分割方法 | |
CN105608458B (zh) | 一种高分辨率遥感影像建筑物提取方法 | |
US20180114313A1 (en) | Medical Image Segmentation Method and Apparatus | |
CN102068281B (zh) | 一种占位性病变超声图像的处理方法 | |
CN107977671A (zh) | 一种基于多任务卷积神经网络的舌象分类方法 | |
CN105139015B (zh) | 一种遥感图像水体提取方法 | |
CN109064476A (zh) | 一种基于水平集的ct胸片肺组织图像分割方法 | |
CN109615653A (zh) | 基于深度学习与视场投影模型的渗漏水面积检测与识别方法 | |
CN103440495A (zh) | 一种复合绝缘子憎水等级自动识别方法 | |
CN110706225B (zh) | 基于人工智能的肿瘤识别系统 | |
CN109447998A (zh) | 基于PCANet深度学习模型下的自动分割方法 | |
CN110120042A (zh) | 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法 | |
CN111784653B (zh) | 基于形状约束的多尺度网络mri胰腺轮廓定位方法 | |
CN110363719A (zh) | 一种细胞分层图像处理方法及系统 | |
CN106169186A (zh) | 基于水平集运动目标检测中获取初始轮廓的方法 | |
CN110334656A (zh) | 基于信源概率加权的多源遥感图像水体提取方法及装置 | |
CN102542561A (zh) | 基于Fisher分布的活动轮廓SAR图像分割方法 | |
CN105678773B (zh) | 一种低对比度图像分割方法 | |
CN109523561A (zh) | 自动腹内肌肉和脂肪图像分割方法 | |
CN104766316A (zh) | 中医望诊中新型嘴唇分割算法 | |
CN112215842A (zh) | 基于良性甲状腺模板的恶性结节边缘检测图像处理方法 | |
CN105574858B (zh) | 基于二阶段蚁群算法提取卷缩轮的方法 |
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 |
Granted publication date: 20190823 Termination date: 20191214 |
|
CF01 | Termination of patent right due to non-payment of annual fee |