CN109712134A - 虹膜图像质量评价方法、装置及电子设备 - Google Patents
虹膜图像质量评价方法、装置及电子设备 Download PDFInfo
- Publication number
- CN109712134A CN109712134A CN201811629130.6A CN201811629130A CN109712134A CN 109712134 A CN109712134 A CN 109712134A CN 201811629130 A CN201811629130 A CN 201811629130A CN 109712134 A CN109712134 A CN 109712134A
- Authority
- CN
- China
- Prior art keywords
- image
- iris image
- iris
- reference picture
- gradient
- 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
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种虹膜图像质量评价方法、装置及电子设备,所述方法包括:获得待评价的虹膜图像;基于虹膜图像,获得第一参考图像和第二参考图像,其中,第一参考图像表征虹膜图像的模糊特征,第二参考图像表征虹膜图像的增强特征;基于虹膜图像、第一参考图像和第二参考图像,获得虹膜图像的质量评价分数。解决了现有技术中存在的虹膜图像的质量评价结果的稳定性和准确性低的技术问题,达到了提高虹膜图像的质量评价结果的稳定性和准确性的技术效果。
Description
技术领域
本发明涉及图像处理领域,具体而言,涉及一种虹膜图像质量评价方法、装置及电子设备。
背景技术
随着计算机技术的发展,图像处理技术应用到了越来越多的领域,其中基于人体特征图像处理的生物识别技术在门禁、监控、安防、人机交互等场景的身份比对验证中有广泛的应用。在所有的生物识别技术中,虹膜识别以其唯一性、稳定性、可靠性和极高的准确性,被誉为最有发展潜力的技术之一。预计到2020年,虹膜识别将成为最常用的身份识别技术。
通过虹膜识别身份的准确性主要基于对虹膜图像的质量评估的准确性和稳定性。现有的虹膜图像质量评估方法主要是基于统计的像素级的评估方法,比如计算虹膜图像的亮度、清晰度、对比度等,再与测试统计的参考阈值作比较,得到虹膜图像的质量评分,是一种有参考的虹膜图像质量评估方法。但是,当图像的尺寸、场景、光照等条件发生改变时,作为参考的质量评分阈值就不适用了,需要重新根据具体的测试图片计算新的评分阈值,使得虹膜图像的质量评价结果的稳定性低;同时,单一的度量指标使得在评估描述虹膜图像的质量时易受到其他因素的干扰,导致虹膜图像的质量评价结果的准确性低。
发明内容
本发明的目的在于提供一种虹膜图像质量评价方法、装置及电子设备,用于提高虹膜图像的质量评价结果的稳定性和准确性。
第一方面,本发明实施例提供了一种虹膜图像质量评价方法,在获得待评价的虹膜图像后,所述虹膜图像质量评价方法包括:
基于所述虹膜图像,获得第一参考图像和第二参考图像,其中,所述第一参考图像表征所述虹膜图像的模糊特征,所述第二参考图像表征所述虹膜图像的增强特征;
基于所述虹膜图像、所述第一参考图像和所述第二参考图像,获得所述虹膜图像的质量评价分数。
可选的,若所述虹膜图像的尺寸不在设定范围内,在所述基于所述虹膜图像,获得第一参考图像和第二参考图像之前,所述方法还包括:
调整所述虹膜图像的尺寸,以使所述虹膜图像的尺寸在所述设定范围内。
可选的,基于所述虹膜图像,获得第一参考图像和第二参考图像,包括:
对所述虹膜图像进行模糊处理,获得第一参考图像;
对所述虹膜图像做增强处理,获得第二参考图像。
可选的,所述基于所述虹膜图像、所述第一参考图像和所述第二参考图像,获得所述虹膜图像的质量评价分数,包括:
分别获取所述虹膜图像、所述第一参考图像和所述第二参考图像的梯度幅值,获得虹膜图像梯度图像、第一参考梯度图像和第二参考梯度图像;
基于所述虹膜图像梯度图像、所述第一参考梯度图像和所述第二参考梯度图像,获得所述虹膜图像的质量评价分数。
可选的,所述基于所述虹膜图像梯度图像、所述第一参考梯度图像和所述第二参考梯度图像,获得所述虹膜图像的质量评价分数,包括:
针对所述虹膜图像梯度图像、所述第一参考梯度图像和所述第二参考梯度图像,分别获得所述虹膜图像梯度图像、所述第一参考梯度图像和所述第二参考梯度图像中的像素点的像素值的均值和方差;
获得所述第一参考梯度图像中的像素点的像素值的均值与所述虹膜图像梯度图像中的像素点的像素值的均值之间的第一比值,以及所述虹膜图像梯度图像中的像素点的像素值的均值与所述第二参考梯度图像中的像素点的像素值的均值之间的第二比值;
获得所述第一参考梯度图像中的像素点的像素值的方差与所述虹膜图像梯度图像中的像素点的像素值的方差之间的第三比值,以及所述虹膜图像梯度图像中的像素点的像素值的方差与所述第二参考梯度图像中的像素点的像素值的方差之间的第四比值;
基于所述第一比值、所述第二比值、所述第三比值和所述第四比值,获得所述虹膜图像的质量评价分数。
可选的,所述基于所述第一比值、所述第二比值、所述第三比值和所述第四比值,获得所述虹膜图像的质量评价分数,包括:
获得所述第一比值与所述第三比值之间的第一乘积,以及所述第二比值与所述第四比值之间的第二乘积;
获得所述第一乘积和所述第二乘积的平均值;
基于所述平均值,获得所述虹膜图像的质量评价分数。
可选的,所述方法还包括:
在所述虹膜图像梯度图像中,获得第一目标区域,所述目标区域是指所述虹膜图像梯度图像中包含纹理信息最多的区域;
在所述第一参考梯度图像和所述第二参考梯度图像中,分别获得与所述第一目标区域位置相符的第二目标区域和第三目标区域;
基于所述第一目标区域、所述第二目标区域和所述第三目标区域,获得针对所述目标区域的质量评价分数。
第二方面,本发明实施例提供了一种虹膜图像质量评价装置,其特征在于,包括:
获得模块,用于获得待评价的虹膜图像;
处理模块,用于基于所述虹膜图像,获得第一参考图像和第二参考图像,其中,所述第一参考图像表征所述虹膜图像的模糊特征,所述第二参考图像表征所述虹膜图像的增强特征;基于所述虹膜图像、所述第一参考图像和所述第二参考图像,获得所述虹膜图像的质量评价分数。
第三方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述方法的步骤。
第四方面,本发明实施例提供了一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一项所述方法的步骤。
相对现有技术,本发明具有以下有益效果:
本发明实施例提供了一种虹膜图像质量评价方法、装置及电子设备,所述方法包括:获得待评价的虹膜图像;基于虹膜图像,获得第一参考图像和第二参考图像,其中,第一参考图像表征虹膜图像的模糊特征,第二参考图像表征虹膜图像的增强特征;基于虹膜图像、第一参考图像和第二参考图像,获得虹膜图像的质量评价分数。基于虹膜图像、表征虹膜图像的模糊特征的第一参考图像和表征虹膜图像的增强特征的第二参考图像对虹膜图像进行评价,虹膜图像的质量评价依赖于虹膜图像以及虹膜图像的模糊特征和增强特征,不依赖虹膜图像的尺寸、场景、光照等条件,消除了虹膜图像的尺寸、场景、光照等条件发生改变,对虹膜图像的质量评价分数的稳定性的影响,提高了虹膜图像的质量评价结果的稳定性。同时,虹膜图像的质量评价依赖于虹膜图像以及虹膜图像的模糊特征和增强特征多个指标,解决了单一的度量指标使得在评估描述虹膜图像的质量时易受到其他因素的干扰,提高了虹膜图像的质量评价结果准确性,因而解决了现有技术中存在的虹膜图像的质量评价结果的稳定性和准确性低的技术问题,达到了提高虹膜图像的质量评价结果的稳定性和准确性的技术效果。
本发明实施例的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例提供的一种虹膜图像质量评价方法的流程图。
图2示出了本发明实施例提供的另一种虹膜图像质量评价方法的流程图。
图3示出了本发明实施例提供的一种虹膜图像质量评价装置200的方框结构示意图。
图4示出了本发明实施例提供的一种电子设备的方框结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
虹膜识别的过程主要包括图像采集、图像预处理、虹膜分割、虹膜特征提取、特征分类五个关键步骤。图像采集是虹膜识别的第一步,采集的虹膜图像质量越高,图像纹理细节越多,编码的准确率就增加。因此,在图像采集过程中进行图像质量评估的图片筛选,保证高质量的虹膜图像就如此重要。第一,作为虹膜识别系统的输入信号,虹膜图像的内容限定了用于特征提取与匹配的图像内容,而这与识别精度直接有关;第二,速度经常是实际应用中的瓶颈,高质量的虹膜图像删除了非虹膜部分的信息,避免虹膜识别过程中对无用信息的比对,从而大幅度地提高了应用虹膜图像的系统,例如虹膜识别系统的速度。
而现有的虹膜图像质量评估方法主要是基于统计的像素级的评估方法,比如计算虹膜图像的亮度、清晰度、对比度等,再与测试统计的参考阈值作比较,得到虹膜图像的质量评分,是一种有参考的虹膜图像质量评估方法。但是,当图像的大小尺寸、场景、光照等条件发生改变时,作为参考的质量评分阈值就不适用了,需要重新根据具体的测试图片计算新的阈值,在实际的应用中,因为虹膜图像质量评价结果的稳定性低,导致应用虹膜图像的系统不太稳定;同时,单一的度量指标因素在描述虹膜图像的质量时易受到其他因素的干扰,在实际的应用中,因为虹膜图像质量评价结果的准确性低,降低了应用虹膜图像的系统的准确性。
因此,本发明实施例提供了本发明实施例提供了一种虹膜图像质量评价方法、装置及电子设备,用以解决现有技术中存在的虹膜图像的质量评价结果的稳定性和准确性低的技术问题。
实施例
本发明实施例提供的一种虹膜图像质量评价方法,包括如图1所示的S100~S300,以下结合图1对S100~S300进行阐述。
S100:获得待评价的虹膜图像。
S200:基于虹膜图像,获得第一参考图像和第二参考图像,其中,第一参考图像表征虹膜图像的模糊特征,第二参考图像表征虹膜图像的增强特征。
S300:基于虹膜图像、第一参考图像和第二参考图像,获得虹膜图像的质量评价分数。
通过采用以上方案,获得待评价的虹膜图像,基于虹膜图像、表征虹膜图像的模糊特征的第一参考图像和表征虹膜图像的增强特征的第二参考图像对虹膜图像进行评价,虹膜图像的质量评价依赖于虹膜图像以及虹膜图像的模糊特征和增强特征,不依赖虹膜图像的尺寸、场景、光照等条件,消除了虹膜图像的尺寸、场景、光照等条件发生改变,对虹膜图像的质量评价分数的稳定性的影响,提高了虹膜图像的质量评价结果的稳定性。同时,虹膜图像的质量评价依赖于虹膜图像以及虹膜图像的模糊特征和增强特征多个指标,解决了单一的度量指标使得在评估描述虹膜图像的质量时易受到其他因素的干扰,提高了虹膜图像的质量评价结果准确性,因而解决了现有技术中存在的虹膜图像的质量评价结果的稳定性和准确性低的技术问题,达到了提高虹膜图像的质量评价结果的稳定性和准确性的技术效果。
为了减小虹膜图像的尺寸发生变化对虹膜图像的质量评价的影响,需要对虹膜图像的尺寸进行标准化,作为一种可选的实施方式,在S200之前,所述方法还包括:调整虹膜图像的尺寸,以使虹膜图像的尺寸在设定范围内。如此,可以去除虹膜图像尺寸对虹膜图像评价结果的准确性的影响。具体的,调整虹膜图像的尺寸具体的可以是:对虹膜图像进行缩放或者对虹膜图像进行靠近中心区域裁剪,保持虹膜图像清晰度不变,进而不影响虹膜图像评价结果的准确性。
针对S200,具体为:对虹膜图像进行模糊处理,获得第一参考图像;对虹膜图像做增强处理,获得第二参考图像。
针对对虹膜图像进行模糊处理,具体的,可以采用滤波器对虹膜图像进行卷积运算,在采用滤波器对虹膜图像进行卷积运算之前,需要对虹膜图像的边界进行扩充。虹膜图像的边界扩充方法可以是特定常量填充,例如0填充或者边界复制等;而得到边界扩充的虹膜图像后,再把虹膜图像与生成的滤波器进行卷积操作,即得到第一参考图像。滤波器可以是高斯滤波器,例如但不限于5*5大小、sigma=1.5的高斯滤波器,或者圆盘型、十字邻域型的均值滤波器等。
对虹膜图像做增强处理的具体方式,可以是:统计虹膜图像的灰度直方图,根据直方图的灰度分布对虹膜图像做灰度变换。其中灰度变换的方法可以是对数或指数变换、灰度范围拉伸、直方图均衡化等,即得到第二参考图像。
为了快速获得虹膜图像的灰度直方图,若所述虹膜图像是彩色图像,在S200之前,所述方法还包括:将虹膜图像转换成灰度图像。
为了提高虹膜图像的评价解决的稳定性和准确性,基于虹膜图像以及虹膜图像的模糊特征和增强特征获得虹膜图像的质量评价结果,具体的,以质量评价分数表征虹膜图像的质量评价结果。作为一种可选的实施方案,S300具体为如图2所示的S300-1和S300-2。
S300-1:分别获取虹膜图像、第一参考图像和第二参考图像的梯度幅值,获得虹膜图像梯度图像、第一参考梯度图像和第二参考梯度图像;
S300-2:基于虹膜图像梯度图像、第一参考梯度图像和第二参考梯度图像,获得虹膜图像的质量评价分数。
其中,针对S300-1,获取虹膜图像的梯度幅值,获得虹膜图像梯度图像,获取第一参考图像的梯度幅值,获得第一参考梯度图像,获取第二参考图像的梯度幅值,获得第二参考梯度图像。其中,虹膜图像梯度图像、第一参考梯度图像和第二参考梯度图像分别表征获取虹膜图像、第一参考图像和第二参考图像的梯度特征。基于获取虹膜图像、第一参考图像和第二参考图像的梯度特征,获得的虹膜图像的质量评价分数综合了虹膜图像的梯度特征、灰度特征和增强特征,可以稳定地、准确地表征虹膜图像的质量的好坏。
作为一种可选的实施方式,针对S300-2,具体为:针对虹膜图像梯度图像、第一参考梯度图像和第二参考梯度图像,分别获得虹膜图像梯度图像、第一参考梯度图像和第二参考梯度图像中的像素点的像素值的均值和方差;获得第一参考梯度图像中的像素点的像素值的均值与虹膜图像梯度图像中的像素点的像素值的均值之间的第一比值,以及虹膜图像梯度图像中的像素点的像素值的均值与第二参考梯度图像中的像素点的像素值的均值之间的第二比值;获得第一参考梯度图像中的像素点的像素值的方差与虹膜图像梯度图像中的像素点的像素值的方差之间的第三比值,以及虹膜图像梯度图像中的像素点的像素值的方差与第二参考梯度图像中的像素点的像素值的方差之间的第四比值;基于第一比值、第二比值、第三比值和第四比值,获得虹膜图像的质量评价分数。
例如:虹膜图像用I标识,第一参考图像用S表示,第二参考图像用H表示。则虹膜梯度图像为IG,第一参考梯度图像为SG,第二参考梯度图像为HG。进一步得到虹膜梯度图像IG中的像素点的像素值的均值和方差分别为Imean和Ival,第一参考梯度图像SG中的像素点的像素值的均值和方差分别为Smean和Sval,第二参考梯度图像HG中的像素点的像素值的均值和方差分别Hmean和Hval。第一比值MeanS-I的计算方式为第二比值MeanI-H的计算方式为第三比值ValS-I的计算方式为第四比值ValI-H的计算方式为针对基于第一比值、第二比值、第三比值和第四比值,获得虹膜图像的质量评价分数,具体为:获得第一比值与第三比值之间的第一乘积,以及第二比值与第四比值之间的第二乘积;获得第一乘积和第二乘积的平均值;基于平均值,获得虹膜图像的质量评价分数。其中,第一乘积A的计算方式为A=MeanS-I*ValS-I,第二乘积B的计算方式为B=MeanI-H*ValI-H,第一乘积和第二乘积的平均值C的计算方式为虹膜图像的质量评价分数Quality的计算方式为Quality=1-C。综上,虹膜图像的质量评价分数Quality的计算方式可以表示为
通过采用以上方案,第一比值和第三比值表征了虹膜图像的模糊特征与虹膜图像的差异;第二比值和第四比值表征了虹膜图像的增强特征与虹膜图像之间的灰度差异。第一乘积和第二乘积的平均值表征了虹膜图像的增强特征和模糊特征与虹膜图像的平均差异,通过用1减去差异,则除去模糊特征和增强特征对虹膜图像的影响。具体的,去除了虹膜图像的尺寸、场景、光照对虹膜图像的质量评价结果的影响,获得的虹膜图像的质量评价分数可以准确表征虹膜图像的质量,虹膜图像的评价采用除去影响质量的因素造成的影响,获得的质量评价结果可以准确、稳定地表征虹膜图像本身的质量的好坏。同时,采用除去影响虹膜图像的质量的因素对虹膜图像造成的影响,获得评价虹膜图像质量评价结果,是一种无参考的图像评价方法,避免了单一的评价度量指标使得在评估描述虹膜图像的质量时易受到其他因素的干扰而导致虹膜图像的质量评价结果的准确性低,提高了虹膜图像的质量评价结果的稳定性和准确性。
作为一种可选的实施方式,为了加快计算速度,可以在虹膜图像梯度图像中,获得第一目标区域,目标区域是指所述虹膜图像梯度图像中包含纹理信息最多的区域;在第一参考梯图像和第二参考梯度图像中,分别获得与第一目标区域位置相符的第二目标区域和第三目标区域;基于第一目标区域、第二目标区域和第三目标区域,获得针对目标区域的质量评价分数。具体的实施方式,可以参考上述的虹膜图像质量评价方法,基于第一目标区域、第二目标区域和第三目标区域,获得针对目标区域的质量评价分数的原理与基于虹膜图像、第一参考图像和第二参考图像,获得虹膜图像的质量评价分数的原理相同,在此不再赘述。在本发明实施例中,位置相符指的是位置的取值相同,例如,虹膜图像梯度图像中的区域(0,0),(0,1),(1,0),(1,1),与第一参考梯图像中的区域(0,0),(0,1),(1,0),(1,1)位置相符,同时与第二参考梯图像中的区域(0,0),(0,1),(1,0),(1,1)位置相符。
其中,获得第一目标区域、第二目标区域和第三目标区域的方式可以是:分别在虹膜图像梯度图像、第一参考梯图像和第二参考梯度图像中寻找细节纹理信息最多的区域,分别作为第一目标区域、第二目标区域和第三目标区域。具体的,在图像中寻找细节纹理信息最多的区域的具体实施方式可以是:用N*N大小的窗口依次在X方向和Y方向按照步进长度为N/2滑动,获得多个移动窗口,其中,N为正整数,N比虹膜图像中的虹膜区域的直径大,统计每个移动窗口的像素均值,找到均值最大的移动窗口,以均值最大的移动窗口作为细节纹理信息最多的区域。通过采用以上方案,仅仅对虹膜图像中的包括虹膜的区域进行评价,能够准确反映虹膜图像的质量。
通过采用以上方案,可得到待评价的虹膜图像的质量评价分数,作为一种可选的实施方式,所述虹膜图像质量评价还包括:当质量评价分数较低于设定阈值时,重新对虹膜图像进行评估,而当质量评价分数高于设定阈值时,例如,设定阈值是0.6,可以对该虹膜图像进行后续的图像处理,例如可以将该虹膜图像作为使用虹膜图像的系统、方法、装置的输入,例如作为虹膜识别系统的输入。
综上所述,本发明实施例提供了一种虹膜图像质量评价方法,所述方法包括:获得待评价的虹膜图像;基于虹膜图像,获得第一参考图像和第二参考图像,其中,第一参考图像表征虹膜图像的模糊特征,第二参考图像表征虹膜图像的增强特征;基于虹膜图像、第一参考图像和第二参考图像,获得虹膜图像的质量评价分数。基于虹膜图像、表征虹膜图像的模糊特征的第一参考图像和表征虹膜图像的增强特征的第二参考图像对虹膜图像进行评价,虹膜图像的质量评价依赖于虹膜图像以及虹膜图像的模糊特征和增强特征,不依赖虹膜图像的尺寸、场景、光照等条件,消除了虹膜图像的尺寸、场景、光照等条件发生改变,对虹膜图像的质量评价分数的稳定性的影响,提高了虹膜图像的质量评价结果的稳定性。同时,虹膜图像的质量评价依赖于虹膜图像以及虹膜图像的模糊特征和增强特征多个指标,解决了单一的度量指标使得在评估描述虹膜图像的质量时易受到其他因素的干扰,提高了虹膜图像的质量评价结果准确性,因而解决了现有技术中存在的虹膜图像的质量评价结果的稳定性和准确性低的技术问题,达到了提高虹膜图像的质量评价结果的稳定性和准确性的技术效果。
针对上述实施例提供一种虹膜图像质量评价方法,本申请实施例还对应提供一种用于执行上述的步骤的执行主体,该执行主体可以为图3中虹膜图像质量评价装置200。请参考图3,该装置包括:
获得模块210,用于获得待评价的虹膜图像;
处理模块220,用于基于所述虹膜图像,获得第一参考图像和第二参考图像,其中,所述第一参考图像表征所述虹膜图像的模糊特征,所述第二参考图像表征所述虹膜图像的增强特征;基于所述虹膜图像、所述第一参考图像和所述第二参考图像,获得所述虹膜图像的质量评价分数。
作为一种可选的实施方式,处理模块220具体还用于:调整所述虹膜图像的尺寸,以使所述虹膜图像的尺寸在所述设定范围内。
作为一种可选的实施方式,处理模块220具体用于:对所述虹膜图像进行模糊处理,获得第一参考图像;对所述虹膜图像做增强处理,获得第二参考图像。
作为一种可选的实施方式,处理模块220具体用于:分别获取所述虹膜图像、所述第一参考图像和所述第二参考图像的梯度幅值,获得虹膜图像梯度图像、第一参考梯度图像和第二参考梯度图像;基于所述虹膜图像梯度图像、所述第一参考梯度图像和所述第二参考梯度图像,获得所述虹膜图像的质量评价分数。
作为一种可选的实施方式,处理模块220具体用于:
针对所述虹膜图像梯度图像、所述第一参考梯度图像和所述第二参考梯度图像,分别获得所述虹膜图像梯度图像、所述第一参考梯度图像和所述第二参考梯度图像中的像素点的像素值的均值和方差;
获得所述第一参考梯度图像中的像素点的像素值的均值与所述虹膜图像梯度图像中的像素点的像素值的均值之间的第一比值,以及所述虹膜图像梯度图像中的像素点的像素值的均值与所述第二参考梯度图像中的像素点的像素值的均值之间的第二比值;
获得所述第一参考梯度图像中的像素点的像素值的方差与所述虹膜图像梯度图像中的像素点的像素值的方差之间的第三比值,以及所述虹膜图像梯度图像中的像素点的像素值的方差与所述第二参考梯度图像中的像素点的像素值的方差之间的第四比值;
基于所述第一比值、所述第二比值、所述第三比值和所述第四比值,获得所述虹膜图像的质量评价分数。
作为一种可选的实施方式,处理模块220具体用于:
获得所述第一比值与所述第三比值之间的第一乘积,以及所述第二比值与所述第四比值之间的第二乘积;
获得所述第一乘积和所述第二乘积的平均值;
基于所述平均值,获得所述虹膜图像的质量评价分数。
作为一种可选的实施方式,处理模块220还用于:
在所述虹膜图像梯度图像中,获得第一目标区域,所述目标区域是指所述虹膜图像梯度图像中包含纹理信息最多的区域;
在所述第一参考梯度图像和所述第二参考梯度图像中,分别获得与所述第一目标区域位置相符的第二目标区域和第三目标区域;
基于所述第一目标区域、所述第二目标区域和所述第三目标区域,获得针对所述目标区域的质量评价分数。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本发明实施例还提供了一种电子设备,如图4所示,包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序,所述处理器502执行所述程序时实现前文所述虹膜图像质量评价方法的任一方法的步骤。
其中,在图4中,总线架构(用总线500来代表),总线500可以包括任意数量的互联的总线和桥,总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理,而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前文所述虹膜图像质量评价方法的任一方法的步骤。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种虹膜图像质量评价方法,其特征在于,在获得待评价的虹膜图像后,所述虹膜图像质量评价方法包括:
基于所述虹膜图像,获得第一参考图像和第二参考图像,其中,所述第一参考图像表征所述虹膜图像的模糊特征,所述第二参考图像表征所述虹膜图像的增强特征;
基于所述虹膜图像、所述第一参考图像和所述第二参考图像,获得所述虹膜图像的质量评价分数。
2.根据权利要求1所述的方法,其特征在于,若所述虹膜图像的尺寸不在设定范围内,在所述基于所述虹膜图像,获得第一参考图像和第二参考图像之前,所述方法还包括:
调整所述虹膜图像的尺寸,以使所述虹膜图像的尺寸在所述设定范围内。
3.根据权利要求2所述的方法,其特征在于,基于所述虹膜图像,获得第一参考图像和第二参考图像,包括:
对所述虹膜图像进行模糊处理,获得第一参考图像;
对所述虹膜图像做增强处理,获得第二参考图像。
4.根据权利要求3所述的方法,其特征在于,所述基于所述虹膜图像、所述第一参考图像和所述第二参考图像,获得所述虹膜图像的质量评价分数,包括:
分别获取所述虹膜图像、所述第一参考图像和所述第二参考图像的梯度幅值,获得虹膜图像梯度图像、第一参考梯度图像和第二参考梯度图像;
基于所述虹膜图像梯度图像、所述第一参考梯度图像和所述第二参考梯度图像,获得所述虹膜图像的质量评价分数。
5.根据权利要求4所述的方法,其特征在于,所述基于所述虹膜图像梯度图像、所述第一参考梯度图像和所述第二参考梯度图像,获得所述虹膜图像的质量评价分数,包括:
针对所述虹膜图像梯度图像、所述第一参考梯度图像和所述第二参考梯度图像,分别获得所述虹膜图像梯度图像、所述第一参考梯度图像和所述第二参考梯度图像中的像素点的像素值的均值和方差;
获得所述第一参考梯度图像中的像素点的像素值的均值与所述虹膜图像梯度图像中的像素点的像素值的均值之间的第一比值,以及所述虹膜图像梯度图像中的像素点的像素值的均值与所述第二参考梯度图像中的像素点的像素值的均值之间的第二比值;
获得所述第一参考梯度图像中的像素点的像素值的方差与所述虹膜图像梯度图像中的像素点的像素值的方差之间的第三比值,以及所述虹膜图像梯度图像中的像素点的像素值的方差与所述第二参考梯度图像中的像素点的像素值的方差之间的第四比值;
基于所述第一比值、所述第二比值、所述第三比值和所述第四比值,获得所述虹膜图像的质量评价分数。
6.根据权利要求5所述的方法,其特征在于,所述基于所述第一比值、所述第二比值、所述第三比值和所述第四比值,获得所述虹膜图像的质量评价分数,包括:
获得所述第一比值与所述第三比值之间的第一乘积,以及所述第二比值与所述第四比值之间的第二乘积;
获得所述第一乘积和所述第二乘积的平均值;
基于所述平均值,获得所述虹膜图像的质量评价分数。
7.根据权利要求4-6任一项所述的方法,其特征在于,所述方法还包括:
在所述虹膜图像梯度图像中,获得第一目标区域,所述目标区域是指所述虹膜图像梯度图像中包含纹理信息最多的区域;
在所述第一参考梯度图像和所述第二参考梯度图像中,分别获得与所述第一目标区域位置相符的第二目标区域和第三目标区域;
基于所述第一目标区域、所述第二目标区域和所述第三目标区域,获得针对所述目标区域的质量评价分数。
8.一种虹膜图像质量评价装置,其特征在于,包括:
获得模块,用于获得待评价的虹膜图像;
处理模块,用于基于所述虹膜图像,获得第一参考图像和第二参考图像,其中,所述第一参考图像表征所述虹膜图像的模糊特征,所述第二参考图像表征所述虹膜图像的增强特征;基于所述虹膜图像、所述第一参考图像和所述第二参考图像,获得所述虹膜图像的质量评价分数。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811629130.6A CN109712134B (zh) | 2018-12-28 | 2018-12-28 | 虹膜图像质量评价方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811629130.6A CN109712134B (zh) | 2018-12-28 | 2018-12-28 | 虹膜图像质量评价方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109712134A true CN109712134A (zh) | 2019-05-03 |
CN109712134B CN109712134B (zh) | 2020-11-06 |
Family
ID=66259402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811629130.6A Active CN109712134B (zh) | 2018-12-28 | 2018-12-28 | 虹膜图像质量评价方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109712134B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211105A (zh) * | 2019-05-24 | 2019-09-06 | 厦门美柚信息科技有限公司 | 一种模糊图像检测方法、装置及系统 |
CN111553880A (zh) * | 2020-03-26 | 2020-08-18 | 北京中科虹霸科技有限公司 | 模型生成方法、标签标注方法、虹膜图像质量评价方法及装置 |
CN112507981A (zh) * | 2021-02-02 | 2021-03-16 | 上海聚虹光电科技有限公司 | 模型生成方法、虹膜图像质量评估方法及电子设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1549188A (zh) * | 2003-05-13 | 2004-11-24 | 范科峰 | 虹膜图像质量的评价和基于虹膜图像识别的身份鉴别方法 |
CN101877127A (zh) * | 2009-11-12 | 2010-11-03 | 北京大学 | 基于梯度剖面的图像无参考质量评价方法及系统 |
CN101976444A (zh) * | 2010-11-11 | 2011-02-16 | 浙江大学 | 一种基于像素类型的结构类似性图像质量客观评价方法 |
CN101996406A (zh) * | 2010-11-03 | 2011-03-30 | 中国科学院光电技术研究所 | 无参考结构清晰度图像质量评价方法 |
CN104408707A (zh) * | 2014-10-28 | 2015-03-11 | 哈尔滨工业大学 | 一种快速数字成像模糊鉴别与复原图像质量评估方法 |
CN105049851A (zh) * | 2015-07-06 | 2015-11-11 | 浙江理工大学 | 基于色彩感知的通用无参考图像质量评价方法 |
CN105741328A (zh) * | 2016-01-22 | 2016-07-06 | 西安电子科技大学 | 基于视觉感知的拍摄图像质量评价方法 |
CN107292830A (zh) * | 2016-12-28 | 2017-10-24 | 首都师范大学 | 低照度图像增强及评价方法 |
CN107977967A (zh) * | 2017-12-22 | 2018-05-01 | 中国矿业大学 | 一种面向视角合成的无参考图像质量评价方法 |
US10091500B2 (en) * | 2013-03-11 | 2018-10-02 | Mediatek Inc. | Video coding method using at least evaluated visual quality and related video coding apparatus |
CN108830829A (zh) * | 2018-05-08 | 2018-11-16 | 天津大学 | 联合多种边缘检测算子的无参考质量评价算法 |
CN108961209A (zh) * | 2018-05-22 | 2018-12-07 | 深圳市商汤科技有限公司 | 行人图像质量评价方法、电子设备及计算机可读介质 |
-
2018
- 2018-12-28 CN CN201811629130.6A patent/CN109712134B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1549188A (zh) * | 2003-05-13 | 2004-11-24 | 范科峰 | 虹膜图像质量的评价和基于虹膜图像识别的身份鉴别方法 |
CN101877127A (zh) * | 2009-11-12 | 2010-11-03 | 北京大学 | 基于梯度剖面的图像无参考质量评价方法及系统 |
CN101996406A (zh) * | 2010-11-03 | 2011-03-30 | 中国科学院光电技术研究所 | 无参考结构清晰度图像质量评价方法 |
CN101976444A (zh) * | 2010-11-11 | 2011-02-16 | 浙江大学 | 一种基于像素类型的结构类似性图像质量客观评价方法 |
US10091500B2 (en) * | 2013-03-11 | 2018-10-02 | Mediatek Inc. | Video coding method using at least evaluated visual quality and related video coding apparatus |
CN104408707A (zh) * | 2014-10-28 | 2015-03-11 | 哈尔滨工业大学 | 一种快速数字成像模糊鉴别与复原图像质量评估方法 |
CN105049851A (zh) * | 2015-07-06 | 2015-11-11 | 浙江理工大学 | 基于色彩感知的通用无参考图像质量评价方法 |
CN105741328A (zh) * | 2016-01-22 | 2016-07-06 | 西安电子科技大学 | 基于视觉感知的拍摄图像质量评价方法 |
CN107292830A (zh) * | 2016-12-28 | 2017-10-24 | 首都师范大学 | 低照度图像增强及评价方法 |
CN107977967A (zh) * | 2017-12-22 | 2018-05-01 | 中国矿业大学 | 一种面向视角合成的无参考图像质量评价方法 |
CN108830829A (zh) * | 2018-05-08 | 2018-11-16 | 天津大学 | 联合多种边缘检测算子的无参考质量评价算法 |
CN108961209A (zh) * | 2018-05-22 | 2018-12-07 | 深圳市商汤科技有限公司 | 行人图像质量评价方法、电子设备及计算机可读介质 |
Non-Patent Citations (4)
Title |
---|
桑庆兵等: "基于梯度结构相似度的无参考模糊图像质量评价 ", 《光电子.激光》 * |
桑庆兵等: "基于梯度结构相似度的无参考模糊图像质量评价", 《光电子.激光》 * |
范媛媛等: "基于对比度敏感度的无参考图像清晰度评价 ", 《光学精密工程》 * |
范媛媛等: "基于对比度敏感度的无参考图像清晰度评价", 《光学精密工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211105A (zh) * | 2019-05-24 | 2019-09-06 | 厦门美柚信息科技有限公司 | 一种模糊图像检测方法、装置及系统 |
CN110211105B (zh) * | 2019-05-24 | 2021-09-07 | 厦门美柚股份有限公司 | 一种模糊图像检测方法、装置及系统 |
CN111553880A (zh) * | 2020-03-26 | 2020-08-18 | 北京中科虹霸科技有限公司 | 模型生成方法、标签标注方法、虹膜图像质量评价方法及装置 |
CN112507981A (zh) * | 2021-02-02 | 2021-03-16 | 上海聚虹光电科技有限公司 | 模型生成方法、虹膜图像质量评估方法及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109712134B (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110795976B (zh) | 一种训练物体检测模型的方法、装置以及设备 | |
CN110084150B (zh) | 一种基于深度学习的白细胞自动分类方法及系统 | |
CN111563893B (zh) | 基于航拍图像的均压环缺陷检测方法、装置、介质和设备 | |
Qu et al. | A pedestrian detection method based on yolov3 model and image enhanced by retinex | |
CN109740639B (zh) | 一种风云卫星遥感影像云检测方法、系统及电子设备 | |
CN109712134A (zh) | 虹膜图像质量评价方法、装置及电子设备 | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN109472193A (zh) | 人脸检测方法及装置 | |
CN109766818A (zh) | 瞳孔中心定位方法及系统、计算机设备及可读存储介质 | |
CN109146803B (zh) | 基于多角度图像的sar图像辐射分辨率提升方法及装置 | |
Chen et al. | A novel infrared small target detection method based on BEMD and local inverse entropy | |
CN112258569A (zh) | 瞳孔中心定位方法、装置、设备及计算机存储介质 | |
Gao et al. | Single image dehazing using local linear fusion | |
CN108614998B (zh) | 一种单像素红外目标检测方法 | |
Fang et al. | Self-supervised non-uniform kernel estimation with flow-based motion prior for blind image deblurring | |
Koo et al. | Nighttime haze removal with glow decomposition using GAN | |
CN109376782B (zh) | 基于眼部影像特征的支持向量机白内障分级方法及装置 | |
CN111159150A (zh) | 一种数据扩充方法及装置 | |
Gupta et al. | Fast single image haze removal method for inhomogeneous environment using variable scattering coefficient | |
CN106778822B (zh) | 基于漏斗变换的图像直线检测方法 | |
CN112381177A (zh) | 一种基于深度学习的表盘数字字符识别方法及系统 | |
CN117218026A (zh) | 一种红外图像增强方法及装置 | |
Guo et al. | Fault diagnosis of power equipment based on infrared image analysis | |
CN113643234B (zh) | 一种复合绝缘子破损检测方法、终端设备及可读存储介质 | |
CN116309562B (zh) | 一种板卡缺陷识别方法及系统 |
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 |