CN108460765A - 一种虹膜图像质量检测方法 - Google Patents
一种虹膜图像质量检测方法 Download PDFInfo
- Publication number
- CN108460765A CN108460765A CN201810311821.5A CN201810311821A CN108460765A CN 108460765 A CN108460765 A CN 108460765A CN 201810311821 A CN201810311821 A CN 201810311821A CN 108460765 A CN108460765 A CN 108460765A
- Authority
- CN
- China
- Prior art keywords
- iris
- index
- image
- normalization
- quality
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/42—Analysis of texture based on statistical description of texture using transform domain methods
-
- 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
-
- 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
- G06T2207/30168—Image quality inspection
Abstract
本发明公开了一种虹膜图像质量检测方法,解决现有方法无法对低质虹膜图像序列的质量进行有效判别的问题。所述方法,包含以下步骤:获取虹膜图像序列,计算整体清晰度指标,并分配质量权值;计算虹膜局部清晰度指标;计算虹膜可用度指标;计算虹膜邻域对比度指标;对所述虹膜图像序列各帧图像的所述整体清晰度指标、虹膜局部清晰度指标、虹膜可用度指标、虹膜邻域对比度指标进行归一化处理;计算所述虹膜图像序列的联合质量得分,并对所述虹膜图像序列的可用度进行评价。本发明实现了对对远距离移动中识别的复杂环境成像的图像质量评价。
Description
技术领域
本发明涉及图像质量评价领域,尤其涉及一种虹膜图像质量检测方法。
背景技术
目前的虹膜图像质量评价方法主要以单帧虹膜图像为对象,通过计算其虹膜区域可用度、虹膜/巩膜对比度、虹膜/瞳孔对比度、虹膜尺寸、瞳孔伸缩率、整体灰度等级和锐度等指标,组合得到一个虹膜图像质量分数,并比较质量分数与参考分数的大小,以判定是否满足系统识别的质量要求,这类方法用于移动中虹膜识别存在明显的缺点:远距离移动中虹膜识别系统的成像帧频较高,相邻帧图像序列的相关性较大,如果逐帧判别图像质量,效率低下,会影响系统进行虹膜识别的实时性。远距离移动中虹膜识别系统通过利用虹膜图像序列的相关性对低质图像进行增强,以降低识别错误率,如果逐帧计算图像的可用度和质量分数,难以发挥系统的最佳性能,增加了系统的错误拒绝率,影响了系统识别的鲁棒性。
发明内容
本发明提供一种虹膜图像质量检测方法,解决现有方法无法对远距离移动中识别的复杂环境成像条件下捕获的低质虹膜图像序列的质量进行有效判别的问题。
一种虹膜图像质量检测方法,包含以下步骤:获取虹膜图像序列,采用小波频率能量比计算每帧图像的整体清晰度指标,并根据所述整体清晰度对所述虹膜图像序列分配质量权值;采用拉普拉斯灰度阶跃比计算所述虹膜图像序列各帧图像的虹膜局部清晰度指标;采用虹膜尺寸线性加权方法计算所述虹膜图像序列各帧图像的虹膜可用度指标;采用边界梯度加权累计方法计算所述虹膜图像序列各帧图像的虹膜邻域对比度指标;对所述虹膜图像序列各帧图像的所述整体清晰度指标、虹膜局部清晰度指标、虹膜可用度指标、虹膜邻域对比度指标进行归一化处理;根据所述虹膜图像序列各帧图像的所述质量权值、归一化整体清晰度指标、归一化虹膜局部清晰度指标、归一化虹膜可用度指标、归一化虹膜邻域对比度指标,计算所述虹膜图像序列的联合质量得分,选定质量判别门限,并比较所述联合质量得分、所述质量判别门限的大小,若所述联合质量得分大于等于所述质量判别门限,所述虹膜图像序列的质量满足需求,反之,所述虹膜图像序列的质量不满足需求。
优选地,所述获取虹膜图像序列,采用小波频率能量比计算每帧图像的整体清晰度指标,进一步包含:所述整体清晰度指标为:
QOC=EWH/EWL
其中,QOC为所述整体清晰度,EWH为小波高频能量,EWL为小波低频能量。
进一步地,所述虹膜图像序列的质量权值为:
QWl=e(8L-7l-1)/(L-1)/∑l=1→Le(8L-7l-1)/(L-1)
其中,QWl为所述整体清晰度大小排序为l的图像的质量权值,L为所述虹膜图像序列帧数。
优选地,所述虹膜图像序列各帧图像的虹膜局部清晰度指标为:
其中,QLC为所述虹膜局部清晰度,为所述拉普拉斯灰度阶跃量,NI为所述虹膜图像序列各帧图像。
进一步地,所述虹膜可用度指标为:
QUC=α*S/π(RI2-RP2)+β*RI/RP
其中,QUC为所述虹膜可用度,S为无干扰虹膜区域的面积,RI为虹膜半径,RP为瞳孔半径,α、β分别为虹膜可用区域占比和瞳孔伸缩比的权值。
优选地,所述虹膜图像序列各帧图像的虹膜邻域对比度指标为:
QAC=σ*GI+τ*GO
其中,QAC为所述虹膜邻域对比度,GI为虹膜/瞳孔对称边界梯度,GO为虹膜/巩膜对称边界梯度,σ、τ分别为边界梯度权值。
优选地,所述对所述虹膜图像序列各帧图像的所述整体清晰度指标、虹膜局部清晰度指标、虹膜可用度指标、虹膜邻域对比度指标进行归一化处理的步骤,进一步包含:对所述整体清晰度指标归一化至[0,100],得到归一化整体清晰度指标为:
NQO=min(100×QOC/RQO,100)
其中,NQO为所述归一化整体清晰度,QOC为所述整体清晰度,RQO为系统采集的标准清晰图像的整体清晰度;对所述虹膜局部清晰度指标归一化至[0,100],得到归一化虹膜局部清晰度指标为:
NQL=min(100×QLC/RQL,100)
其中,NQL为所述归一化虹膜局部清晰度,QLC为所述虹膜局部清晰度,RQL为系统采集的标准清晰图像的虹膜局部清晰度;对所述虹膜可用度指标指标归一化至[0,100],得到归一化虹膜可用度指标为:
NQU=min(100×QUC/RQU,100)
其中,NQU为所述归一化虹膜可用度,QUC为所述虹膜可用度,RQU为系统采集的标准清晰图像的虹膜可用度;对所述虹膜邻域对比度指标指标归一化至[0,100],得到归一化虹膜邻域对比度指标为:
NQA=min(100×QAC/RQA,100)
其中,NQA为所述归一化虹膜邻域对比度,QAC为所述虹膜邻域对比度,RQA为系统采集的标准清晰图像的虹膜邻域对比度。
进一步地,所述联合质量得分为:
QS=∑l=1→LQWl*(ωl1NQOl+ωl2NQLl+ωl3NQUl+ωl4NQAl)
其中,QS为所述联合质量得分,QWl为所述质量权值,ωl1为所述第l帧图像归一化整体清晰度的权值,ωl2为所述第l帧图像归一化虹膜局部清晰度指标的权值,ωl3为所述第l帧图像归一化虹膜可用度指标的权值,ωl4为所述第l帧图像归一化虹膜邻域对比度指标的权值,NQOl为第l帧图像的所述归一化整体清晰度,NQLl为第l帧图像的所述归一化虹膜局部清晰度指标,NQUl为第l帧图像的所述归一化虹膜可用度,NQAl为第l帧图像的所述归一化虹膜邻域对比度。
优选地,所述虹膜图像序列的帧数为10。
优选地,所述虹膜可用区域占比和瞳孔伸缩比的权值分别为0.68、0.32。
本发明有益效果包括:针对远距离动态虹膜识别系统成像易受用户形态影响,获取的虹膜图像往往存在变形、模糊和噪声等污染的特点,通过对序列低质虹膜图像进行分块超分辨率局部信息加权融合来增强虹膜的细节信息,解决了常规图像增强方法难以对远距离动态低质虹膜图像进行有效增强的问题;本发明方法能在抵抗虹膜图像变形、模糊和噪声污染的同时有效复原虹膜局部细节信息,从而有助于提高系统的准确率和鲁棒性。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为一种虹膜图像质量检测方法流程实施例;
图2为一种包含指标归一化的一种虹膜图像质量检测方法流程实施例。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
虹膜识别以其准确性、稳定性、安全性和非接触性等显著优势已成为生物识别领域的重点研究方向和发展趋势。为了提高用户使用的自由度和认可度,促进虹膜识别技术的普及和推广,虹膜识别系统的应用场景逐渐由近距离静止识别向远距离移动中识别扩展。而在远距离移动识别过程中,由于用户形态各异,行进速度时快时慢,系统捕获的虹膜图像往往是存在变形、模糊和噪声污染等干扰的低质图像,因此必须利用稳健高效的图像质量评价方法从输入虹膜图像中筛选出满足一定质量要求的图像进行处理和识别,才能有效提高系统的识别效率和鲁棒性。
以下结合附图,详细说明本发明各实施例提供的技术方案。
图1为一种虹膜图像质量检测方法流程实施例,本发明实施例提供一种虹膜图像质量评价方法,包含以下步骤:
步骤101,获取虹膜图像序列,采用小波频率能量比计算每帧图像的整体清晰度指标,并根据所述整体清晰度对所述虹膜图像序列分配质量权值。
在步骤101中,首先评价虹膜图像序列中各帧图像的整体清晰度,然后依据整体清晰度指标的高低由大到小依次分配质量权值,用于计算虹膜图像序列的加权质量得分。
在步骤101中,对所述虹膜图像序列的每帧图像进行三级小波分解,根据所述每帧图像的二级、三级小波分解结果,计算水平、垂直和对角线高频子带的系数能量和,得到小波高频能量,计算所述图像的小波低频子带的系数能量和,得到小波低频能量,计算所述图像的小波低频子带的系数能量和,得到小波低频能量,计算所述整体清晰度指标为:
QOC=EWH/EWL (1)
其中,QOC为所述整体清晰度,EWH为所述小波高频能量,EWL为所述小波低频能量,根据所述每帧图像的所述整体清晰度大小依次分配所述虹膜图像序列的质量权值为:
QWl=e(8L-7l-1)/(L-1)/∑l=1→Le(8L-7l-1)/(L-1) (2)
其中,QWl为所述整体清晰度大小排序为l的图像的质量权值,L为所述虹膜图像序列帧数,所述虹膜图像序列帧数可以为10,也可以为其他数值,这里不做特别限定。
在步骤101中,所述三级小波分解可以采用二维整数5/3小波基进行小波分解。选用每帧图像的二级、三级小波分解结果的原因是由于一级高频系数包含较多的噪声,而二、三级高频系数包含大量的图像细节信息,所以只计算二、三级小波高频能量与小波低频能量的比值。假设图像的二、三级小波水平、垂直和对角线高频子带分别为LH2、HL2、HH2、LH3、HL3、HH3、其系数能量和即为小波高频能量EWH,假设图像的小波低频子带为LL3,其系数能量和即为小波低频能量EWL。
步骤102,采用拉普拉斯灰度阶跃比计算所述虹膜图像序列各帧图像的虹膜局部清晰度指标。
在步骤102中,需对原始虹膜图像进行虹膜定位和归一化处理,得到归一化虹膜图像,通过评价归一化虹膜图像的清晰度计算虹膜图像局部清晰度指标。局部清晰度采用拉普拉斯灰度阶跃比度量,这是由于拉普拉斯变换能扩展图像细节的对比度,并且越是模糊的图像灰度扩展越明显,而越是清晰的图像灰度扩展越有限。
进一步地,所述虹膜图像序列各帧图像的虹膜局部清晰度指标为:
其中,QLC为所述虹膜局部清晰度,为所述拉普拉斯灰度阶跃量,NI为所述虹膜图像序列各帧图像。本发明实施例种,ψ=[1 1 1;1-8 1;1 1 1]。
步骤103,采用虹膜尺寸线性加权方法计算所述虹膜图像序列各帧图像的虹膜可用度指标。
在步骤103中,由于虹膜易受眼睑和睫毛的遮挡,瞳孔受光照不均影响而伸缩,且瞳孔越放大,虹膜越被压缩,虹膜可用度越差,因此需要评价虹膜可用度指标。为了同时评估虹膜可用区域的大小和瞳孔的伸缩范围,虹膜可用度采用虹膜尺寸线性加权的方法度量,需要通过虹膜定位得到无干扰虹膜区域的面积、虹膜半径、瞳孔半径。
进一步地,所述虹膜可用度指标为:
QUC=α*S/π(RI2-RP2)+β*RI/RP (4)
其中,QUC为所述虹膜可用度,S为所述无干扰虹膜区域的面积,RI为所述虹膜半径,RP为所述瞳孔半径,α、β分别为虹膜可用区域占比和瞳孔伸缩比的权值。
优选地,所述虹膜可用区域占比权值可选为0.68和瞳孔伸缩比的权值为可选为0.32,需要说明的是,所述虹膜可用区域占比和瞳孔伸缩比的权值也可以为其他值,这里不做特别限定。
步骤104,采用边界梯度加权累计方法计算所述虹膜图像序列各帧图像的虹膜邻域对比度指标。
在步骤104中,虹膜/瞳孔对比度和虹膜/巩膜对比度直接影响虹膜图像预处理的准确性和虹膜特征提取的有效性,因此需要评价虹膜邻域对比度指标。虹膜邻域对比度采用边界梯度加权累计的方法度量。为了避免眼睑和睫毛的干扰,定位虹膜的内、外边界并选取虹膜正下方1/3圆周的圆环作为检测区域。在所述检测区域的内、外圆周上分别等间隔采样,得到内圆周采样标记点集合,外圆周采样标记点集合,并分别在所述内、外圆周采样标记点集合的两侧选取邻域像素点,分别计算虹膜/瞳孔、虹膜/巩膜的对称边界梯度为:
GI=mean(median(ARI(y)-ARI(-y))) (5)
GO=mean(median(ARO(y)-ARO(-y))) (6)
其中,GI为所述虹膜/瞳孔对称边界梯度,GO为所述虹膜/巩膜对称边界梯度,ARI为所述内圆周采样标记点集合,ARO为所述外圆周采样标记点集合,y为所述邻域像素点序号,median为取中值函数,mean为取平均值函数。y=1,2,…,Y,Y为所述邻域像素点的个数。所述虹膜图像序列各帧图像的虹膜邻域对比度指标为:
QAC=σ*GI+τ*GO (7)
其中,QAC为所述虹膜邻域对比度,GI为所述虹膜/瞳孔对称边界梯度,GO为所述虹膜/巩膜对称边界梯度,σ、τ分别为边界梯度权值。
在步骤104中,所述虹膜/瞳孔对称边界梯度权值可选为0.63,所述虹膜/巩膜对称边界梯度权值可选为0.37,所述虹膜/瞳孔对称边界梯度、虹膜/巩膜对称边界梯度权值也可以为其他数值,这里不做特别限定。
在步骤104中,所述等间隔采样的采样点个数可以为60,也可以为其他数值,所述邻域像素点的个数可以为5,也可以为其他数值,这里不做特别限定。
步骤105,对所述虹膜图像序列各帧图像的所述整体清晰度指标、虹膜局部清晰度指标、虹膜可用度指标、虹膜邻域对比度指标进行归一化处理。
步骤106,根据所述虹膜图像序列各帧图像的所述质量权值、归一化整体清晰度指标、归一化虹膜局部清晰度指标、归一化虹膜可用度指标、归一化虹膜邻域对比度指标,计算所述虹膜图像序列的联合质量得分,选定质量判别门限,并比较所述联合质量得分、所述质量判别门限的大小,若所述联合质量得分大于等于所述质量判别门限,所述虹膜图像序列的质量满足需求,反之,所述虹膜图像序列的质量不满足需求。
进一步地,所述联合质量得分为:
QS=∑l=1→LQWl*(ωl1NQOl+ωl2NQLl+ωl3NQUl+ωl4NQAl) (8)
其中,QS为所述联合质量得分,QWl为所述质量权值,ωl1为所述第l帧图像归一化整体清晰度的权值,ωl2为所述第l帧图像归一化虹膜局部清晰度指标的权值,ωl3为所述第l帧图像归一化虹膜可用度指标的权值,ωl4为所述第l帧图像归一化虹膜邻域对比度指标的权值,NQOl为第l帧图像的所述归一化整体清晰度,NQLl为第l帧图像的所述归一化虹膜局部清晰度指标,NQUl为第l帧图像的所述归一化虹膜可用度,NQAl为第l帧图像的所述归一化虹膜邻域对比度。
在步骤106中,所述质量判别门限可选择为60,也可以是其他数值,这里不做特别限定。所述第l帧图像归一化整体清晰度的权值可选为0.3,即ωl1=0.3,所述第l帧图像归一化虹膜局部清晰度指标的权值可选为0.3,即ωl2=0.3,所述第l帧图像归一化虹膜可用度指标的权值可选为0.2,即ωl3=0.2,所述第l帧图像归一化虹膜邻域对比度指标的权值可选为0.2,即ωl4=0.2,所述权值也可以为其他数值,这里不做特别限定。
本发明实施例通过利用虹膜图像序列的时空相关性,计算虹膜图像序列的联合质量分数,通过加权联合评价序列图像的可用度,解决了常规虹膜图像质量评价方法难以有效用于远距离移动中识别的问题,该方案对低质虹膜图像的变形、模糊和噪声污染等干扰不敏感,并有助于系统充分发挥其识别性能,从而提高系统的有效性和鲁棒性。
图2为一种包含指标归一化的一种虹膜图像质量检测方法流程实施例,本发明实施例提供的虹膜图像质量检测方法包含指标归一化过程,具体包含以下步骤:
步骤101,获取虹膜图像序列,采用小波频率能量比计算每帧图像的整体清晰度指标,并根据所述整体清晰度对所述虹膜图像序列分配质量权值。
步骤102,采用拉普拉斯灰度阶跃比计算所述虹膜图像序列各帧图像的虹膜局部清晰度指标。
步骤103,采用虹膜尺寸线性加权方法计算所述虹膜图像序列各帧图像的虹膜可用度指标。
步骤104,采用边界梯度加权累计方法计算所述虹膜图像序列各帧图像的虹膜邻域对比度指标。
步骤107,对所述整体清晰度指标归一化至[0,100],得到归一化整体清晰度指标为:
NQO=min(100×QOC/RQO,100) (9)
其中,NQO为所述归一化整体清晰度,QOC为所述整体清晰度,RQO为系统采集的标准清晰图像的整体清晰度。
步骤108,对所述虹膜局部清晰度指标归一化至[0,100],得到归一化虹膜局部清晰度指标为:
NQL=min(100×QLC/RQL,100) (10)
其中,NQL为所述归一化虹膜局部清晰度,QLC为所述虹膜局部清晰度,RQL为系统采集的标准清晰图像的虹膜局部清晰度。
步骤109,对所述虹膜可用度指标指标归一化至[0,100],得到归一化虹膜可用度指标为:
NQU=min(100×QUC/RQU,100) (11)
其中,NQU为所述归一化虹膜可用度,QUC为所述虹膜可用度,RQU为系统采集的标准清晰图像的虹膜可用度。
步骤110,对所述虹膜邻域对比度指标归一化至[0,100],得到归一化虹膜邻域对比度指标为:
NQA=min(100×QAC/RQA,100) (12)
其中,NQA为所述归一化虹膜邻域对比度,QAC为所述虹膜邻域对比度,RQA为系统采集的标准清晰图像的虹膜邻域对比度。
步骤106,根据所述虹膜图像序列各帧图像的所述质量权值、归一化整体清晰度指标、归一化虹膜局部清晰度指标、归一化虹膜可用度指标、归一化虹膜邻域对比度指标,计算所述虹膜图像序列的联合质量得分,选定质量判别门限,并比较所述联合质量得分、所述质量判别门限的大小,若所述联合质量得分大于等于所述质量判别门限,所述虹膜图像序列的质量满足需求,反之,所述虹膜图像序列的质量不满足需求。
需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种虹膜图像质量检测方法,其特征在于,包含以下步骤:
获取虹膜图像序列,采用小波频率能量比计算每帧图像的整体清晰度指标,并根据所述整体清晰度对所述虹膜图像序列分配质量权值;
采用拉普拉斯灰度阶跃比计算所述虹膜图像序列各帧图像的虹膜局部清晰度指标;
采用虹膜尺寸线性加权方法计算所述虹膜图像序列各帧图像的虹膜可用度指标;
采用边界梯度加权累计方法计算所述虹膜图像序列各帧图像的虹膜邻域对比度指标;
对所述虹膜图像序列各帧图像的所述整体清晰度指标、虹膜局部清晰度指标、虹膜可用度指标、虹膜邻域对比度指标进行归一化处理;
根据所述虹膜图像序列各帧图像的所述质量权值、归一化整体清晰度指标、归一化虹膜局部清晰度指标、归一化虹膜可用度指标、归一化虹膜邻域对比度指标,计算所述虹膜图像序列的联合质量得分:
QS=∑l=1→LQWl*(ωl1NQOl+ωl2NQLl+ωl3NQUl+ωl4NQAl)
其中,QS为所述联合质量得分,QWl为所述质量权值,ωl1为所述第l帧图像归一化整体清晰度的权值,ωl2为所述第l帧图像归一化虹膜局部清晰度指标的权值,ωl3为所述第l帧图像归一化虹膜可用度指标的权值,ωl4为所述第l帧图像归一化虹膜邻域对比度指标的权值,NQOl为第l帧图像的所述归一化整体清晰度,NQLl为第l帧图像的所述归一化虹膜局部清晰度指标,NQUl为第l帧图像的所述归一化虹膜可用度,NQAl为第l帧图像的所述归一化虹膜邻域对比度;
选定质量判别门限,并比较所述联合质量得分、所述质量判别门限的大小,若所述联合质量得分大于等于所述质量判别门限,所述虹膜图像序列的质量满足需求,反之,所述虹膜图像序列的质量不满足需求。
2.如权利要求1所述的虹膜图像质量检测方法,其特征在于:
所述整体清晰度指标为:
QOC=EWH/EWL
其中,QOC为所述整体清晰度,EWH为小波高频能量,EWL为小波低频能量。
3.如权利要求1所述的虹膜图像质量检测方法,其特征在于,所述虹膜图像序列的质量权值为:
QWl=e(8L-7l-1)/(L-1)/∑l=1→Le(8L-7l-1)/(L-1)
其中,QWl为所述整体清晰度大小排序为l的图像的质量权值,L为所述虹膜图像序列帧数。
4.如权利要求1所述的虹膜图像质量检测方法,其特征在于,所述虹膜图像序列各帧图像的虹膜局部清晰度指标为:
其中,QLC为所述虹膜局部清晰度,为所述拉普拉斯灰度阶跃量,NI为所述虹膜图像序列各帧图像。
5.如权利要求1所述的虹膜图像质量检测方法,其特征在于,所述虹膜可用度指标为:
QUC=α*S/π(RI2-RP2)+β*RI/RP
其中,QUC为所述虹膜可用度,S为无干扰虹膜区域的面积,RI为虹膜半径,RP为瞳孔半径,α、β分别为虹膜可用区域占比和瞳孔伸缩比的权值。
6.如权利要求1所述的虹膜图像质量检测方法,其特征在于,所述虹膜图像序列各帧图像的虹膜邻域对比度指标为:
QAC=σ*GI+τ*GO
其中,QAC为所述虹膜邻域对比度,GI为虹膜/瞳孔对称边界梯度,GO为虹膜/巩膜对称边界梯度,σ、τ分别为边界梯度权值。
7.如权利要求1所述的虹膜图像质量检测方法,其特征在于,所述归一化处理的步骤,进一步包含:
对所述整体清晰度指标归一化至[0,100],得到归一化整体清晰度指标为:
NQO=min(100×QOC/RQO,100)
其中,NQO为所述归一化整体清晰度,QOC为所述整体清晰度,RQO为系统采集的标准清晰图像的整体清晰度;
对所述虹膜局部清晰度指标归一化至[0,100],得到归一化虹膜局部清晰度指标为:
NQL=min(100×QLC/RQL,100)
其中,NQL为所述归一化虹膜局部清晰度,QLC为所述虹膜局部清晰度,RQL为系统采集的标准清晰图像的虹膜局部清晰度;
对所述虹膜可用度指标指标归一化至[0,100],得到归一化虹膜可用度指标为:
NQU=min(100×QUC/RQU,100)
其中,NQU为所述归一化虹膜可用度,QUC为所述虹膜可用度,RQU为系统采集的标准清晰图像的虹膜可用度;
对所述虹膜邻域对比度指标指标归一化至[0,100],得到归一化虹膜邻域对比度指标为:
NQA=min(100×QAC/RQA,100)
其中,NQA为所述归一化虹膜邻域对比度,QAC为所述虹膜邻域对比度,RQA为系统采集的标准清晰图像的虹膜邻域对比度。
8.如权利要求1所述的虹膜图像质量检测方法,其特征在于,所述虹膜图像序列的帧数为10。
9.如权利要求4所述的虹膜图像质量检测方法,其特征在于,所述虹膜可用区域占比和瞳孔伸缩比的权值分别为0.68、0.32。
10.如权利要求5所述的虹膜图像质量评价方法,其特征在于,所述虹膜/瞳孔对称边界梯度权值为0.63,所述虹膜/巩膜对称边界梯度权值为0.37。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810311821.5A CN108460765B (zh) | 2018-04-09 | 2018-04-09 | 一种虹膜图像质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810311821.5A CN108460765B (zh) | 2018-04-09 | 2018-04-09 | 一种虹膜图像质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108460765A true CN108460765A (zh) | 2018-08-28 |
CN108460765B CN108460765B (zh) | 2021-03-30 |
Family
ID=63235319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810311821.5A Active CN108460765B (zh) | 2018-04-09 | 2018-04-09 | 一种虹膜图像质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108460765B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112155601A (zh) * | 2020-09-24 | 2021-01-01 | 广州爱孕记信息科技有限公司 | 一种胎儿超声图像的成像质量控制的确定方法及装置 |
CN113284145A (zh) * | 2021-07-22 | 2021-08-20 | 杭州太美星程医药科技有限公司 | 图像处理方法及装置、计算机可读存储介质及电子设备 |
CN115100731A (zh) * | 2022-08-10 | 2022-09-23 | 北京万里红科技有限公司 | 一种质量评价模型训练方法、装置、电子设备及存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114944004A (zh) * | 2022-07-25 | 2022-08-26 | 海易科技(北京)有限公司 | 人脸图像存储方法、装置、设备、计算机介质和程序产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050286801A1 (en) * | 2004-06-29 | 2005-12-29 | Bio-Key International, Inc. | Generation of quality field information in the context of image processing |
CN103077386A (zh) * | 2013-02-06 | 2013-05-01 | 北京中科虹霸科技有限公司 | 一种级联的视频流虹膜图像质量检测方法 |
CN103324908A (zh) * | 2012-03-23 | 2013-09-25 | 桂林电子科技大学 | 用于虹膜识别的快速虹膜采集判断控制方法 |
CN105117705A (zh) * | 2015-08-26 | 2015-12-02 | 北京无线电计量测试研究所 | 一种虹膜图像质量级联式评价方法 |
-
2018
- 2018-04-09 CN CN201810311821.5A patent/CN108460765B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050286801A1 (en) * | 2004-06-29 | 2005-12-29 | Bio-Key International, Inc. | Generation of quality field information in the context of image processing |
CN103324908A (zh) * | 2012-03-23 | 2013-09-25 | 桂林电子科技大学 | 用于虹膜识别的快速虹膜采集判断控制方法 |
CN103077386A (zh) * | 2013-02-06 | 2013-05-01 | 北京中科虹霸科技有限公司 | 一种级联的视频流虹膜图像质量检测方法 |
CN105117705A (zh) * | 2015-08-26 | 2015-12-02 | 北京无线电计量测试研究所 | 一种虹膜图像质量级联式评价方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112155601A (zh) * | 2020-09-24 | 2021-01-01 | 广州爱孕记信息科技有限公司 | 一种胎儿超声图像的成像质量控制的确定方法及装置 |
CN112155601B (zh) * | 2020-09-24 | 2022-12-30 | 广州爱孕记信息科技有限公司 | 一种胎儿超声图像的成像质量控制的确定方法及装置 |
CN113284145A (zh) * | 2021-07-22 | 2021-08-20 | 杭州太美星程医药科技有限公司 | 图像处理方法及装置、计算机可读存储介质及电子设备 |
CN113284145B (zh) * | 2021-07-22 | 2021-11-30 | 杭州太美星程医药科技有限公司 | 图像处理方法及装置、计算机可读存储介质及电子设备 |
CN115100731A (zh) * | 2022-08-10 | 2022-09-23 | 北京万里红科技有限公司 | 一种质量评价模型训练方法、装置、电子设备及存储介质 |
CN115100731B (zh) * | 2022-08-10 | 2023-03-31 | 北京万里红科技有限公司 | 一种质量评价模型训练方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108460765B (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108460765A (zh) | 一种虹膜图像质量检测方法 | |
US11849998B2 (en) | Method for pupil detection for cognitive monitoring, analysis, and biofeedback-based treatment and training | |
CN104637064B (zh) | 一种基于边缘强度权重的离焦模糊图像清晰度检测方法 | |
CN101609549B (zh) | 视频模糊图像的多尺度几何分析超分辨处理方法 | |
CN104504408A (zh) | 一种人脸识别比对方法和实现该方法的系统 | |
CN107123131A (zh) | 一种基于深度学习的运动目标检测方法 | |
CN107909560A (zh) | 一种基于SiR的多聚焦图像融合方法及系统 | |
CN110287791A (zh) | 一种用于人脸图片的筛选方法和系统 | |
Li et al. | Multifocus image fusion scheme based on feature contrast in the lifting stationary wavelet domain | |
CN109784230A (zh) | 一种人脸视频图像质量寻优方法、系统及设备 | |
CN117274759A (zh) | 一种基于蒸馏-融合-语义联合驱动的红外与可见光图像融合系统 | |
Fang et al. | Non-linear and selective fusion of cross-modal images | |
Zhong et al. | Multi-scale attention generative adversarial network for medical image enhancement | |
DE112019007947T5 (de) | Verbesserte Erkennung der Face-Liveness mit Hilfe der Analyse von Hintergrund-/Vordergrundbewegungen | |
Kshirsagar et al. | Recognition of Diabetic Retinopathy with Ground Truth Segmentation Using Fundus Images and Neural Network Algorithm | |
CN110658918A (zh) | 用于视频眼镜的眼球追踪相机的定位方法、设备及介质 | |
CN109859196A (zh) | 一种基于分块pca的图像聚焦测度实现方法 | |
CN111311562B (zh) | 虚焦图像的模糊度检测方法及装置 | |
CN107578406A (zh) | 基于网格与韦泊统计特性的无参考立体图像质量评价方法 | |
CN109978810A (zh) | 痣的检测方法、系统、设备及存储介质 | |
Li et al. | An improved image registration and fusion algorithm | |
CN104992426A (zh) | 一种用于明场显微成像的多层图像融合算法 | |
CN109544462A (zh) | 基于自适应选择模糊核的车牌图像去模糊方法 | |
Marnissi et al. | GAN-based Vision Transformer for High-Quality Thermal Image Enhancement | |
CN109859194A (zh) | 一种基于局部边缘检测的图像聚焦测度实现方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |