CN1885314A - 一种虹膜图像预处理方法 - Google Patents

Abstract

一种虹膜图像预处理方法，属于图像处理技术领域，主要涉及生物特征鉴别中的虹膜身份识别技术。本发明首先通过二值化、腐蚀、膨胀和灰度投影实现虹膜内边缘圆心的粗略定位；然后采用单一灰度值比较和圆曲线拟合方法确定虹膜区域的内边缘，采用灰度差分累加圆曲线拟合方法确定虹膜区域的外边缘；最后根据归一化的虹膜图像，计算点锐度值和有效像素点个数，从清晰度和可见度两个方面评价图像质量。采用本发明提出的基于灰度梯度的边界点搜索和曲线拟合相结合的方法，可以有效地提高虹膜定位精度和定位速度；采用本发明提出的基于点锐度和有效点个数的质量评价方法，提高了传统质量评估算法的通用性。

Description

一种虹膜图像预处理方法

技术领域

本发明属于图像处理技术领域，主要涉及生物特征鉴别中的虹膜身份识别技术。

背景技术

在当今信息化时代，如何准确鉴定一个人的身份，保护信息安全是一个必须解决的关键社会问题。为此，生物特征鉴别技术悄然新起，并成为目前世界信息安全管理领域的前沿研究课题。生物特征鉴别技术是指利用人体所固有的生理特征或行为特征来进行个人身份鉴定。虹膜身份识别技术是生物特征鉴别技术的一个分支，是计算机图像处理技术和模式识别技术在个人身份识别领域的应用，由于其高稳定性和高准确性，近年来已经成为生物特征鉴别的热门发展方向。虹膜身份自动识别技术，在银行、公安、机场、网络等方面应用广泛，具有巨大的经济价值和现实意义。现在它已经使用在边境检查、通观认证、银行提款、信息管理和建筑物安全管理等，还可以使人们摆脱记忆信用卡号、银行帐号、身份证号、网络登录号的繁琐。随着数字信号处理技术和图像处理技术的发展，虹膜身份识别系统已经日趋成熟。详见文献：John G.Daugman，“How Iris Recognition Works，”IEEE Transaction on Circuits andSystems for Video Technology，Volume 14，Issue 1，pp.21-30，2004和文献：John G.Daugman，“High Confidence Recognition of Persons by Iris Patterns，”The Proceeding of IEEE 35thInternational Carnahan Conference on Security Technology，pp.254-263，2001所述。

在虹膜身份识别技术中，虹膜图像预处理是整个识别技术的关键，它包括虹膜定位和虹膜图像质量评估。虹膜定位是虹膜识别的第一步，它的执行时间和精度将直接影响整个虹膜识别系统的速度和准确度。在实际中，由于虹膜区域常常受到眼睑和睫毛的遮挡，虹膜定位算法的准确性和有效性还有待进一步提高。如何在存在睫毛和眼睑遮挡问题的低质量虹膜图像中，快速精确地定位出虹膜，并对其边界或位置用数学模型进行描述是我们研究的主要问题。详见文献：John G.Daugman，“High Confidence Visual Recognition of Persons by a Test ofStatistical Independence，”IEEE Transaction on Pattern Analysis and Machine Intelligence，volume15，no.11，pp.1148-1161，1993。虹膜图像质量评估是自动虹膜识别系统中的一个非常重要的环节，它确保了采集过程中得到满足质量标准的图像。实际中，由于拍摄时采集设备的焦距问题，拍摄瞬间眼球的转动问题，以及眼睑和睫毛对虹膜的部分遮挡，常常使采集的虹膜图像无法进行后续的特征提取。目前已有的算法中还没有提出一种有效的虹膜图像质量评估模型，详见文献：Chen Ji，Hu Guangshu，“Iris Image Quality Evaluation based on Wavelet PacketDecomposition，”Journal of Tsinghua University(Sci & Tech)，volume 43，no.3，pp.377-380，2003。

现在通常使用的虹膜定位的方法有：

(1)基于灰度梯度的两步虹膜定位方法。它通过粗定位，寻找虹膜内外缘的大致位置，然后再在这个位置附近较小的范围内利用圆形检测器进行精定位，从而找到虹膜内外缘的精确位置。但是在实际应用中该方法需要反复迭代搜索，运算量较大，效率不高。详见文献：Li Qingrong，Ma Zheng，“A Iris Location Algorithm，”Journal of UEST of China，volume 31，no.1，pp.7-9。

(2)基于哈夫变换的虹膜定位方法。它是通过一定的算子，提取出虹膜图像中的边缘点，从而搜索通过边缘点最多的圆曲线所在的位置。其缺点是在边缘点提取中常常会引入噪声，使得虹膜定位结果不准确。详见文献：Richard P.Wildes，“Iris Recognition：an EmergingBiometric Technology，”Proceedings of the IEEE，volume85，pp.1348-1363，1997。

目前已有虹膜质量评估方法有：

(1)基于快速傅立叶变换的方法。它对虹膜区域上的两个矩形块内的象素点进行二维快速傅立叶变换，然后通过对其高频、中频和低频能量的统计，分析图像是否清晰和存在睫毛遮挡。该模型的通用行不强，容易将纹理较少的清晰虹膜图像误判为低质量虹膜图像。详见文献：Li Ma，Tieniu Tan，Yunhong Wang，Dexin Zhang，“Personal Identification based on IrisTexture Analysis，”IEEE Transactions on Pattern Analysis and Machine Intelligence，volume.25，no.12，pp.1519-1533。

(2)基于小波包分解的方法。它选取纹理高频分量分布最集中的子频带作为特征子频带，以其能量作为判别图像质量的准则。该方法的缺点是无法判断因睫毛遮挡而存在问题的虹膜图像。详见文献：Chen Ji，Hu Guangshu，“Iris Image Quality Evaluation based on WaveletPacket Decomposition，”Journal of Tsinghua University(Sci & Tech)，volume 43，no.3，pp.377-380，2003。

上述的虹膜图像预处理算法都在一定程度上存在问题，定位算法耗时较多，并且容易受到睫毛遮挡问题的干扰，稳定性不高。虹膜图像质量评估方法的通用性不强。

发明内容

本发明的任务是提供一种虹膜图像预处理方法，包括虹膜定位和虹膜图像质量评估两个过程。本发明虹膜定位过程采用基于灰度梯度的边界点搜索和圆曲线拟合的虹膜定位方法，它具有在眼睫毛遮挡情况下定位准确的特点；另外，本发明在虹膜定位的基础上建立了一套通用性比较强的虹膜图像质量评估模型。

为了方便地描述本发明内容，首先对一些术语进行定义。

定义1：虹膜。眼珠的中心是黑色的瞳孔，瞳孔外缘间的环形组织即为虹膜。其呈现出相互交错的类似与斑点、细丝、条纹、隐窝的纹理特征。同一个人的虹膜在人的一生中几乎不会发生改变，不同人的虹膜是完全不一样的。

定义2：灰度图像。图像中只包含亮度信息而没有任何其他颜色信息的图像。

定义3：二值化阈值。对图像进行二值化时所选用的灰度门限值。

定义4：二值化。把整幅图像的所有值转化成只有两种值的过程，一般这两种值为0和1或者0和255。当图像上的值大于等于二值化的阀值的时候，该点的值二值化为1(或255)；当图像上的值小于二值化阀值的时候，该点的值二值化为0。

定义5：数学形态学。用具有一定形态的结构元素去量度和提取图像中对应形状以达到对图像分析和识别的目的。数学形态学的基本运算有4个：膨胀(或扩充)、腐蚀(或侵蚀)、开启和闭合。膨胀和腐蚀的运算公式为： $A\⊕B=\left\{x\right|{\left(\hat{B}\right)}_x\∩A\≠\mathrm{\φ}\}$ 和AΘB＝{x|(B)_xA}；开启操作的运算公式为：AοB＝(AΘB)B和AgB＝(AB)ΘB。其中A为图像集合，B为结构元素，^表示做关于原点的映射，( )_x表示平移x，∩表示交集，φ表示空集，表式全包含，为膨胀运算符，Θ为腐蚀运算符，ο为开启运算符，g为闭合运算符。

定义6：灰度投影。将二维空间中的灰度投影到一维空间，分为水平灰度投影和垂直灰度投影。水平灰度投影是指将二维图像中的灰度沿水平方向累加，转换到一维空间。转换函数为： $S_h\left(x\right)=\underset{y=1}{\overset{N}{\mathrm{\Σ}}}I(x,y).$ 垂直灰度投影是指将二维图像中的灰度沿垂直方向累加，转换到一位空间。转换函数为： $S_v\left(y\right)=\underset{x=1}{\overset{M}{\mathrm{\Σ}}}I(x,y).$ 其中S_h(x)表示横坐标为x的灰度投影值，S_v(y)表示纵坐标为y的灰度投影值，M，N为图像的宽度和高度，I(x，y)为位置(x，y)的象素点的灰度值。

定义7：虹膜内缘边界点。是指位于瞳孔外边缘或虹膜内边缘上的点。

定义8：圆拟合。已知一系列点的坐标，建立一条最能反映这些坐标点位置的圆曲线方程。具体来说：圆方程为x²+y²+cx+dy+e＝0，其中c，d和e是关于圆曲线的半径和圆心坐标点的参数，(x，y)为圆曲线上的点的坐标值，那么相对于这些坐标点的最佳圆曲线就是使误差方差和最小。误差方差和的公式为： ${\mathrm{\ϵ}}^2=\underset{i}{\mathrm{\Σ}}{(x_i^2+y_i^2+{\mathrm{cx}}_i+{\mathrm{dy}}_i+e)}^2,$ 其中，ε²是指误差方差和，(x_i，y_i)是已知点的坐标。

定义9：水平一阶差分。图像中，某一行的后面象素的灰度值减去前面象素的灰度值，或前面象素的灰度值减去后面象素的灰度值，得到该行的水平一阶差分值。水平一阶差分能够突出图像的垂直边缘信息，便于边缘提取。

定义10：虹膜外缘边界点。虹膜是一个环形区域，位于虹膜外边缘上的点称为虹膜外缘边界点。

定义11：归一化。将环形的虹膜区域拉伸成大小相同的矩形区域，以消除由于拍摄距离不同，瞳孔收缩等因素对识别效果的影响。具体的计算公式为： $\left\{\begin{array}{c}x(r,\mathrm{\θ})=(1-r)x_p\left(\mathrm{\θ}\right)+{\mathrm{rx}}_i\left(\mathrm{\θ}\right)\\ y(r,\mathrm{\θ})=(1-r)y_p\left(\mathrm{\θ}\right)+{\mathrm{ry}}_i\left(\mathrm{\θ}\right)\end{array}\right.,$ 其中，r分布在区间[0，1]，θ分布在区间[0，2π]，而(x_p(θ)，y_p(θ))和(x_i(θ)，y_i(θ))分别表示θ方向上的虹膜内边界点和外边界点。

定义12.归一化虹膜图像。将原始的虹膜图像进行归一化处理之后得到的矩形图像。

定义13.8-邻域。对一个坐标点为(x，y)的象素p，它有4个水平和垂直的近邻象素，它们的坐标分别是(x+1，y)，(x-1，y)，(x，y+1)，(x，y-1)，以及4个对角近邻象素，它们的坐标点是(x+1，y+1)，(x+1，y-1)，(x-1，y+1)，(x-1，y-1)，这样的8个象素合称为p的8-邻域，如图1所示。

定义14.点锐度。用于评价数字图像清晰度的算子，其数学形式为： $f=\underset{i=1}{\overset{m\×n}{\mathrm{\Σ}}}\underset{j=1}{\overset{8}{\mathrm{\Σ}}}|\mathrm{dI}/\mathrm{dx}|/m\×n,$ 其中dI为图像中某一点的八邻域内象素点的灰度值与该点的灰度值的差值，dx为相邻点的距离，m和n分别为图像的高和宽。

定义15.有效象素点。是指归一化虹膜图像中位于虹膜区域的象素点，主要是为了区分睫毛和眼睑等无效象素点。有效象素点必须满足的条件是：V_lash≤I(x，y)≤V_eyelid，其中V_lash和V_eyelid是判定是否为位于睫毛区域和眼睑区域的象素点的门限，I(x，y)为图像的灰度。

定义16.可见度。是指原始虹膜图像中虹膜纹理的可见程度，影响可见度的主要因素是眼睑和睫毛对虹膜区域的遮挡。

本发明详细技术方案为：

一种虹膜图像预处理方法，包括虹膜定位和虹膜图像质量评估两个过程：所述虹膜定位过程包括如下步骤：

步骤1.对摄像装置所采集的原始虹膜灰度图像进行二值化处理，原始灰度图像中灰度值大于阈值V_b的象素点的灰度值赋为1，小于阈值V_b的象素点的灰度值赋为0。

步骤2.对步骤1中得到的二值图像，以结构元素B对其进行数学形态学中的闭合运算来消除二值图像中的小空洞。所述结构元素B为一个7×7的矩阵，中间近似圆形区域内的元素的值为1，其余元素的值为0。

步骤3.计算虹膜内边缘的粗略圆心

首先计算步骤2中得到图像的水平和垂直灰度投影：水平投影的计算公式为： $S_h\left(x\right)=\underset{y=1}{\overset{N}{\mathrm{\Σ}}}I(x,y),$ 垂直灰度投影的计算公式为： $S_v\left(y\right)=\underset{x=1}{\overset{M}{\mathrm{\Σ}}}I(x,y).$ 其中S_h(x)表示横坐标为x的灰度投影值，S_v(y)表示纵坐标为y的灰度投影值，M，N为图像的宽度和高度，I(x，y)为位置(x，y)的象素点的灰度值。

其次搜索灰度投影，取S_h(x)最小值时的横坐标x_o和取S_h(y)最小值时的纵坐标y_o，将(x_o，y_o)视为虹膜内边缘的粗略圆心。

步骤4.计算虹膜内边缘的精确圆心和半径

首先，对坐标点(x_o，y_o)附近的若干行进行虹膜内边缘点的搜索，得到一系列虹膜内边缘点的坐标。具体搜索方法可以是(以纵坐标为y_o这一行为例)：在纵坐标为y_o这一行上，以(x_o，y_o)为中心，沿水平方向向左搜索象素灰度值大于T的点，当搜索到象素灰度值大于T时立即停止搜索，记下此时的坐标(x_l，y_o)作为一个虹膜内边缘点的坐标，再按同样的方式进行沿水平方向向右的搜索，得到另一虹膜内边缘点坐标(x_r，y_o)。

然后，对所得一系列虹膜内边缘点进行圆拟合，得到虹膜内边缘的精确圆心(x_p，y_p)和半径r_p。

步骤5.计算虹膜外边缘的精确圆心和半径

首先，取坐标点(x_p，y_p)附近的若干行，在取出的每一行上进行虹膜外缘点的搜索，得到一系列虹膜外边缘点的坐标。具体搜索方法如下(以纵坐标为y_p这一行为例)：

1)、计算坐标点(x_p，y_p)所在行的水平一阶差分。具体计算公式为：当x_p＜x＜N-5时D(x，y_p)＝I(x+5，y_p)-I(x，y_p)；当5＜x≤x_p时D(x，y_p)＝I(x-5，y_p)-I(x，y_p)。其中，D(x，y_p)表示坐标点(x，y_p)的水平一阶差分值，I(x，y)表示坐标点(x，y)的灰度值，N为图像宽度。

2)、在纵坐标为y_p一行上，在区间[x_p+r_p+20，x_p+r_p+100]上计算每个点与后面20个点的水平一阶差分值之和。具体计算公式为：当x_p+r_p+20＜x＜x_p+r_p+100时， $S(x,y_p)=\underset{i=0}{\overset{20}{\mathrm{\Σ}}}D(x+i,y_p),$ 其中D(x+i，y_p)是坐标点(x+i，y_p)的水平一阶差分值。并在此区间中找出S(x，y_p)取最大值时对应的坐标点(x_i，y_p)作为虹膜外缘边界点。

3)、纵坐标为y_p一行上，在区间[x_p-r_p-100，x_p-r_p-20]上计算每个点与前面20个点的水平一阶差分值之和。具体计算公式为：当x_p-r_p-100＜x＜x_p-r_p-20时， $S(x,y_p)=\underset{i=0}{\overset{20}{\mathrm{\Σ}}}D(x-i,y_p),$ 其中D(x+i，y_p)是坐标点(x+i，y_p)的水平一阶差分值。并在此区间中找出S(x，y_p)取最大值时对应的坐标点(x，y_p)作为虹膜外边缘点。

然后，对所得一系列虹膜外边缘点进行圆拟合，得到虹膜外边缘的精确圆心(x_i，y_i)和半径r_i。

所述虹膜图像质量评估过程包括如下步骤：

步骤6.对定位出的虹膜图像进行归一化处理，得到大小为M×N的归一化虹膜图像。具体的计算公式为： $\left\{\begin{array}{c}x(r,\mathrm{\θ})=(1-r)x_p\left(\mathrm{\θ}\right)+{\mathrm{rx}}_i\left(\mathrm{\θ}\right)\\ y(r,\mathrm{\θ})=(1-r)y_p\left(\mathrm{\θ}\right)+{\mathrm{ry}}_i\left(\mathrm{\θ}\right)\end{array}\right.,$ 其中，r分布在区间[0，1]，θ分布在区间[0，2π]，而(x_p(θ)，y_p(θ))和(x_i(θ)，y_i(θ))分别表示θ方向上的虹膜内边缘点和外边缘点。

步骤7.计算归一化虹膜图像的点锐度，判断图像清晰度是否满足虹膜识别的要求

首先，计算步骤6所得归一化虹膜图像的点锐度值f，具体计算公式为： $f=\underset{i=1}{\overset{m\×n}{\mathrm{\Σ}}}\underset{j=1}{\overset{8}{\mathrm{\Σ}}}|\mathrm{dI}/\mathrm{dx}|/m\×n,$ 其中dI为图像中某一点的8-邻域内象素点的灰度值与该点的灰度值的差值，dx为相邻点的距离，m和n分别为图像的高和宽。

然后，将归一化虹膜图像的点锐度值f与预先设定的用于判断虹膜图像是否清晰的阀值V_f进行比较，若f≥V_f，则认为图像的清晰度满足虹膜识别系统的要求，否则，认为不满足虹膜识别系统的要求。

步骤8：计算归一化虹膜图像中有效象素点的个数，判断虹膜图像的可见度是否满足虹膜识别的要求

首先，统计归一化虹膜图像中有效象素点的个数K，具体的计算公式为： $K=\underset{x}{\mathrm{\&Sigma;}}\underset{y}{\mathrm{\&Sigma;}}n(x,y),$ 其中 $n(x,y)=\left\{\begin{array}{cc}1,& V_{\mathrm{lash}}\&le;I(x,y)\&le;V_{\mathrm{eyelid}}\\ 0,& I(x,y)>V_{\mathrm{eyelid}}\mathrm{or\; I}(x,y)<V_{\mathrm{lash}}\end{array}\right.,$ 其中V_lash和V_eyelid是判定是否为位于睫毛区域和眼睑区域的象素点的门限，I(x，y)为图像的灰度。

然后，将有效象素点的个数K与预先设定的用于判断虹膜图像是否存在眼睑和睫毛遮挡问题的阀值V_k进行比较，若K≥V_k，则认为虹膜图像的可见度满足虹膜识别系统的要求，否则，认为不满足虹膜识别系统的要求。

通过以上步骤，就从原始的含有虹膜的图像中提取出归一化的虹膜图像，并且判断出该图像是否满足虹膜识别系统的要求。

需要说明的是：

1.步骤1中进行二值化选取一个固定的阈值V_b选取的一个固定的阈值V_b，是通过大量试验得到的，并且这里选择一个固定的阀值是因为瞳孔区域的灰度值和虹膜区域的灰度值相差非常的大，即使在不同的光照条件下拍摄的虹膜图像也可以保证二值化的效果。

2.步骤3中定位瞳孔的粗略中心(x_o，y_o)是为了确定进行虹膜边界点搜索的范围。

3.步骤4中虹膜内边缘点地搜索方法中，认为灰度值大于T的点就是瞳孔的边界点，是因为在瞳孔的边缘存在灰度值的明显递增，当大于某一值是就是瞳孔边缘。

4.步骤5中，由于由步骤4得到的一阶差分水平投影曲线毛刺很多，不利于方法的精确定位，必须采用高斯函数对投影值进行平滑处理。

5.步骤6中提到归一化虹膜图像的大小为M×N，值M是根据归一化操作时所取的θ的间隔值决定，值N由归一化操作时所取的r的间隔值决定。

6.步骤7中的图像点锐度值主要表征了图像的清晰程度，点锐度值f越大图像越清晰，f越小图像越模糊；阀值V_f是通过对同一采集设备的大量虹膜图像进行测试得到的，该值已经能够准确的分类清晰与模糊虹膜图像。

7.步骤8中提到V_lash和V_eyelid，本发明认为灰度值小于V_lash的象素点是睫毛区域的象素点，灰度值大于V_eyelid是眼睑区域的象素点，灰度值分布在V_lash和V_eyelid之间的是虹膜区域的象素点；有效象素点个数K值越大未被遮挡的虹膜区域越大，K值越小存在的眼睑和睫毛遮挡越严重。

本发明采用边界点搜索和圆拟合相结合，首先通过二值化、腐蚀、膨胀和灰度投影实现虹膜内边缘圆心的粗略定位；然后采用单一灰度值比较和圆曲线拟合方法确定虹膜区域的内边缘，采用灰度差分累加圆曲线拟合方法确定虹膜区域的外边缘；最后根据归一化的虹膜图像，计算点锐度值和有效像素点个数，从清晰度和可见度两个方面评价图像质量。采用本发明提出的基于灰度梯度的边界点搜索和曲线拟合相结合的方法，可以有效地提高虹膜定位精度和定位速度；采用本发明提出的基于点锐度和有效点个数的质量评价方法，提高了传统质量评估算法的通用性。

本发明的创新之处在于：

充分利用了虹膜图像的灰度梯度信息和曲线拟合的方法，通过获得虹膜内外边缘点的坐标来进行曲线拟合，从而获得虹膜区域的位置信息，达到分隔虹膜的目的；并且通过归一化虹膜图像的灰度信息正确评价了虹膜图像的质量。本发明首先采用投影法，对经过光斑填充得二值化虹膜图像进行水平和垂直灰度投影，得到虹膜内边缘的粗略中心。通过对水平灰度曲线的扫描，找到灰度值大于某一阀值的一点作为虹膜的内边界点，对一系列虹膜内边缘点进行圆拟合，从而得到虹膜内边缘的位置信息。之后，再通过对水平一阶差分进行相邻20个点的积分，得到当积分值取最大值时的位置坐标作为虹膜的外边缘点，进而利用这些外边缘点进行圆拟合，得虹膜外边缘的位置信息。利用灰度梯度信息和圆拟合相结合的方法进行虹膜区域的定位是本发明的一个特色，与一般的两步虹膜定位方法相比，本发明的定位准确率要高5个百分点，并且速度提高60％。质量评估时，本发明统计归一化虹膜图像的点锐度和有效象素点个数，通过与预先设定的阀值进行比较，从而对虹膜图像质量进行了正确的评价，并且通用性很强。

附图说明

图1是象素p的8-邻域示意图；其中，r是水平和垂直紧邻象素，s是对角近邻象素。

图2是本发明所述一种虹膜图像预处理方法的流程图。

具体实施方式

采用本发明的方法，首先使用C语言和汇编语言编写虹膜预处理程序；然后采用CMOS或者CCD摄像装置自动拍摄虹膜的原始图像；接着把拍摄到的虹膜原始图像作为源数据输入到DSP嵌入式系统的虹膜预处理程序中进行处理；经过虹膜定位和图像质量评估，质量合格的虹膜图像定位后输出包含丰富纹理信息的虹膜归一化图像。采用2400张拍摄好的、包括不同人的不同光照条件、不同拍摄姿势的灰度虹膜图像作为源数据，定位准确率为97.5％，定位一幅图像仅需100ms。

综上所述，本发明的方法充分利用虹膜图像的灰度信息，结合圆拟合的方法，从而实现快速准确地从所提供的虹膜原始图像中定位虹膜区域并做出准确的质量评估。

Claims (4)

1、一种虹膜图像预处理方法，其特征在于，包括虹膜定位和虹膜图像质量评估两个过程：所述虹膜定位过程包括如下步骤：

步骤1.对摄像装置所采集的原始虹膜灰度图像进行二值化处理，原始灰度图像中灰度值大于阈值V_b的象素点的灰度值赋为1，小于阈值V_b的象素点的灰度值赋为0；

步骤2.对步骤1中得到的二值图像，以结构元素B对其进行数学形态学中的闭合运算来消除二值图像中的小空洞；所述结构元素B为一个7×7的矩阵，中间近似圆形区域内的元素的值为1，其余元素的值为0；

步骤3.计算虹膜内边缘的粗略圆心

首先计算步骤2中得到图像的水平和垂直灰度投影：水平投影的计算公式为： $S_h\left(x\right)=\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}I(x,y),$ 垂直灰度投影的计算公式为： $S_v\left(y\right)=\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}I(x,y);$ 其中S_h(x)表示横坐标为x的灰度投影值，S_v(y)表示纵坐标为y的灰度投影值，M，N为图像的宽度和高度，I(x，y)为位置(x，y)的象素点的灰度值；

其次搜索灰度投影，取S_h(x)最小值时的横坐标x_o和取S_h(y)最小值时的纵坐标y_o，将(x_o，y_o)视为虹膜内边缘的粗略圆心；

步骤4.计算虹膜内边缘的精确圆心和半径

首先，对坐标点(x_o，y_o)附近的若干行进行虹膜内边缘点的搜索，得到一系列虹膜内边缘点的坐标；然后，对所得一系列虹膜内边缘点进行圆拟合，得到虹膜内边缘的精确圆心(x_p，y_p)和半径r_p；

步骤5.计算虹膜外边缘的精确圆心和半径

首先，取坐标点(x_p，y_p)附近的若干行，在取出的每一行上进行虹膜外缘点的搜索，得到一系列虹膜外边缘点的坐标；然后，对所得一系列虹膜外边缘点进行圆拟合，得到虹膜外边缘的精确圆心(x_i，y_i)和半径r_i；

所述虹膜图像质量评估过程包括如下步骤：

步骤6.对定位出的虹膜图像进行归一化处理，得到大小为M×N的归一化虹膜图像；

步骤7.计算归一化虹膜图像的点锐度，判断图像清晰度是否满足虹膜识别的要求

首先，计算步骤6所得归一化虹膜图像的点锐度值f，具体计算公式为： $f=\underset{i=1}{\overset{m\&times;n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{8}{\mathrm{\&Sigma;}}}|\mathrm{dI}/\mathrm{dx}|/m\&times;n,$ 其中dI为图像中某一点的8-邻域内象素点的灰度值与该点的灰度值的差值，dx为相邻点的距离，m和n分别为图像的高和宽；

然后，将归一化虹膜图像的点锐度值f与预先设定的用于判断虹膜图像是否清晰的阀值V_f进行比较，若f≥V_f，则认为图像的清晰度满足虹膜识别系统的要求，否则，认为不满足虹膜识别系统的要求；

步骤8：计算归一化虹膜图像中有效象素点的个数，判断虹膜图像的可见度是否满足虹膜识别的要求

首先，统计归一化虹膜图像中有效象素点的个数K，具体的计算公式为： $K=\underset{x}{\mathrm{\&Sigma;}}\underset{y}{\mathrm{\&Sigma;}}n(x,y),$ 其中 $n(x,y)=\left\{\begin{array}{cc}1,& V_{\mathrm{lash}}\&le;I(x,y)\&le;V_{\mathrm{eyelid}}\\ 0,& I(x,y)>V_{\mathrm{eyelid}}\mathrm{or\; I}(x,y)<V_{\mathrm{lash}}\end{array}\right.,$ 其中V_lash和V_eyelid是判定是否为位于睫毛区域和眼睑区域的象素点的门限，I(x，y)为图像的灰度；

然后，将有效象素点的个数K与预先设定的用于判断虹膜图像是否存在眼睑和睫毛遮挡问题的阀值V_k进行比较，若K≥V_k，则认为虹膜图像的可见度满足虹膜识别系统的要求，否则，认为不满足虹膜识别系统的要求。

2、根据权利要求1所述的一种虹膜图像预处理方法，其特征在于，步骤4中所述虹膜内边缘点的搜索方法是(以纵坐标为y_o这一行为例)：在纵坐标为y_o这一行上，以(x_o，y_o)为中心，沿水平方向向左搜索象素灰度值大于T的点，当搜索到象素灰度值大于T时立即停止搜索，记下此时的坐标(x_l，y_o)作为一个虹膜内边缘点的坐标，再按同样的方式进行沿水平方向向右的搜索，得到另一虹膜内边缘点坐标(x_r，y_o)。

3、根据权利要求1所述的一种虹膜图像预处理方法，其特征在于，步骤5中所述虹膜外缘点的搜索方法是(以纵坐标为y_p这一行为例)：

1)、计算坐标点(x_p，y_p)所在行的水平一阶差分，具体计算公式为：当x_p＜x＜N-5时D(x，y_p)＝I(x+5，y_p)-I(x，y_p)；当5＜x≤x_p时D(x，y_p)＝I(x-5，y_p)-I(x，y_p)，其中，D(x，y_p)表示坐标点(x，y_p)的水平一阶差分值，I(x，y)表示坐标点(x，y)的灰度值，N为图像宽度；

2)、纵坐标为y_p一行上，在区间[x_p+r_p+20，x_p+r_p+100]上计算每个点与后面20个点的水平一阶差分值之和，具体计算公式为：当x_p+r_p+20＜x＜x_p+r_p+100时， $S(x,y_p)=\underset{i=0}{\overset{20}{\mathrm{\&Sigma;}}}D(x+i,y_p),$ 其中D(x+i，y_p)是坐标点(x+i，y_p)的水平一阶差分值；并在此区间中找出S(x，y_p)取最大值时对应的坐标点(x_i，y_p)作为虹膜外缘边界点；

3)、纵坐标为y_p一行上，在区间[x_p-r_p-100，x_p-r_p-20]上计算每个点与前面20个点的水平一阶差分值之和，具体计算公式为：当x_p-r_p-100＜x＜x_p-r_p-20时， $S(x,y_p)=\underset{i=0}{\overset{20}{\mathrm{\&Sigma;}}}D(x-i,y_p),$ 其中D(x+i，y_p)是坐标点(x+i，y_p)的水平一阶差分值；并在此区间中找出S(x，y_p)取最大值时对应的坐标点(x，y_p)作为虹膜外边缘点。

4、根据权利要求1所述的一种虹膜图像预处理方法，其特征在于，步骤6中所述虹膜图像归一化处理的具体计算公式为： $\left\{\begin{array}{c}x(r,\mathrm{\&theta;})=(1-r)x_p\left(\mathrm{\&theta;}\right)+{\mathrm{rx}}_i\left(\mathrm{\&theta;}\right)\\ y(r,\mathrm{\&theta;})=(1-r)y_p\left(\mathrm{\&theta;}\right)+{\mathrm{ry}}_i\left(\mathrm{\&theta;}\right)\end{array}\right.,$ 其中，r分布在区间[0，1]，θ分布在区间[0，2π]，而(x_p(θ)，y_p(θ))和(x_i(θ)，y_i(θ))分别表示θ方向上的虹膜内边缘点和外边缘点。

Images