一種提高鼓膜定位速度的方法

一種提高鼓膜定位速度的方法

1基于小范圍搜索的異質(zhì)性圖像去噪由于蜂窩的幾何特征類似于圓形，一些定位算法將蜂窩定位視為圓形匹配問(wèn)題。目前的虹膜定位算法一般采用Wildes提出的圖像二值化并結(jié)合Hough變換,以及Daugman的圓形檢測(cè)算子等。應(yīng)用傳統(tǒng)的Hough變換確定圓心和半徑,需要對(duì)3個(gè)參數(shù)進(jìn)行搜索,因此搜索過(guò)程復(fù)雜,耗時(shí)較多。已有一些算法對(duì)傳統(tǒng)的Hough變換算法進(jìn)行了改進(jìn),提高了虹膜定位的速度,減小了傳統(tǒng)Hough算法搜索的盲目性。為了同時(shí)提高虹膜定位的速度和精度,本文提出一種基于小范圍搜索的算法。該算法的思路是:對(duì)于虹膜內(nèi)邊緣定位,采取有效的去噪措施,然后運(yùn)用灰度投影法粗定位出虹膜內(nèi)圓圓心。實(shí)驗(yàn)表明,采用本文提出的去噪方法可提高灰度投影法的精度,使粗定位的圓心與實(shí)際圓心偏離較小。在此基礎(chǔ)上,可確定一個(gè)小范圍的搜索區(qū)域,即選擇粗定位圓心的一個(gè)較小的鄰域作為精定位圓心的候選區(qū)域,并設(shè)計(jì)了一種小范圍搜索方法,確定出內(nèi)邊緣圓心和半徑。對(duì)于虹膜外邊緣定位,首先利用Canny算子進(jìn)行邊緣提取,然后應(yīng)用本文提出的去噪方法,利用已檢測(cè)出的虹膜內(nèi)定位參數(shù)等先驗(yàn)知識(shí)去除上、下眼睫毛以及內(nèi)邊緣噪聲。依據(jù)虹膜內(nèi)邊緣和外邊緣的圓心不會(huì)偏離太多的特點(diǎn)和虹膜庫(kù)的先驗(yàn)知識(shí),對(duì)去噪后的圖像同樣采用小范圍搜索的方法可確定出外邊緣圓心和半徑。這種定位方法縮小了虹膜圓心的搜索范圍,與文獻(xiàn)的方法相比,本文算法明顯提高了定位速度,且對(duì)瞳孔中光斑的影響具有較強(qiáng)的抗干擾能力。2膜定位2.1內(nèi)圓邊緣去噪虹膜的灰度分布一般從瞳孔中心向外,灰度值加大(見(jiàn)圖1(a))。根據(jù)這個(gè)特點(diǎn),可以用灰度投影的方法粗略定位出內(nèi)圓圓心。為了使粗定位圓心不會(huì)偏離實(shí)際圓心太遠(yuǎn),且能夠使用本文提出的算法精確地定位出虹膜內(nèi)邊緣,對(duì)圖像進(jìn)行了有效的預(yù)處理,以減少眼睫毛的干擾,具體做法為:根據(jù)虹膜灰度分布特點(diǎn),先對(duì)虹膜圖像進(jìn)行二值化,得到了包括瞳孔和部分眼睫毛的二值化圖像(見(jiàn)圖1(b)),然后對(duì)該二值化圖像取反(見(jiàn)圖1(c)),再利用形態(tài)學(xué)的腐蝕、膨脹去除大部分眼睫毛,從而基本完整地保留了瞳孔(見(jiàn)圖1(d)),最后應(yīng)用灰度投影法粗定位內(nèi)圓圓心。對(duì)圖1(d)運(yùn)用灰度投影法,灰度投影表達(dá)式如下:xi=∑j=1f(i,j)(1)xi=∑j=1f(i,j)(1)yj=∑i=1f(i,j)(2)yj=∑i=1f(i,j)(2)式(1)、(2)中,f(i,j)為圖像中坐標(biāo)為(i,j)處像素的灰度值,取值為0或1,xi為行求和,yj為列求和。由x0′=max(xi),y0′=max(yj)即可粗定位出內(nèi)圓圓心M(x0,y0)。內(nèi)圓圓心M確定之后,首先對(duì)原虹膜圖進(jìn)行適當(dāng)?shù)目s小,這樣可減少算法的運(yùn)算時(shí)間,然后對(duì)縮小后的虹膜圖運(yùn)用Sobel邊緣檢測(cè)算子得到如圖2(a)所示的邊緣圖像。相對(duì)于文獻(xiàn)用Canny算子提取邊緣,本文使用Sobel算子能節(jié)省部分時(shí)間,雖然提取邊緣的效果不如Canny算子理想,但對(duì)于運(yùn)用下面將要介紹的“小范圍搜索”的方法精確定位出虹膜內(nèi)邊緣已足夠用了。從圖2(a)可以看出,邊緣圖像中含有大量的無(wú)用信息,其中主要為眼睫毛噪聲,這對(duì)虹膜內(nèi)定位的速度和精度都有較大的影響,因此須對(duì)邊緣圖像進(jìn)行去噪處理。具體的處理步驟為:設(shè)點(diǎn)M′為點(diǎn)M在縮小后的虹膜圖像中的對(duì)應(yīng)位置,其坐標(biāo)為(x0″,y0″),其中x0″=x0′×scaling,y0″=y0′×scaling(scaling為圖像縮放尺度),在圖2(a)中把以M′為圓心,以r=rmax+Δr(rmax和Δr為實(shí)驗(yàn)經(jīng)驗(yàn)值)為半徑的圓以外(如圖2(b))所有灰度值為1的點(diǎn)都賦值為0,從而得到了圖2(c)中的去噪后的邊緣圖像,從該圖中可以看出,大部分噪聲已經(jīng)被去除,且瞳孔邊緣被基本完整地保留了下來(lái),這為后續(xù)的虹膜內(nèi)邊緣精定位算法的實(shí)現(xiàn)奠定了堅(jiān)實(shí)的基礎(chǔ)。對(duì)邊緣圖像進(jìn)行去噪以后,就可以運(yùn)用本文提出的基于小范圍搜索的虹膜定位方法來(lái)精定位出虹膜內(nèi)邊緣,其本質(zhì)是縮小了內(nèi)圓圓心的搜索范圍,避免了傳統(tǒng)Hough算法搜索的盲目性。經(jīng)過(guò)大量的實(shí)驗(yàn)表明,采用本文的去噪方法后,虹膜粗定位內(nèi)圓圓心M和實(shí)際圓心o不會(huì)偏離太大,且它們之間距離的經(jīng)驗(yàn)值dMo(單位為像素)滿足0≤dMo≤8,所以在經(jīng)過(guò)縮小及去噪后的虹膜邊緣圖中選取以粗定位圓心M′為中心的一個(gè)[(2×8+1)×scaling]×[(2×8+1)×scaling]大小的臨域作為圓心的候選區(qū)域(如圖3所示)。在該區(qū)域內(nèi)逐點(diǎn)進(jìn)行搜索,以求得最適合的內(nèi)圓圓心和半徑。對(duì)于每個(gè)候選點(diǎn),具體的搜索步驟為:1)計(jì)算該點(diǎn)與圖像中所有灰度值為1的點(diǎn)的距離d,并記錄下來(lái),統(tǒng)計(jì)出這些距離中重復(fù)次數(shù)最多的那個(gè)值,作為內(nèi)圓的候選半徑;2)如果該候選半徑的重復(fù)次數(shù)比之前所有候選點(diǎn)所對(duì)應(yīng)的候選半徑的重復(fù)次數(shù)都大,則設(shè)置內(nèi)圓圓心的坐標(biāo)為當(dāng)前候選點(diǎn)坐標(biāo),并更新內(nèi)圓半徑為該候選半徑;否則,跳過(guò)該點(diǎn),對(duì)下一個(gè)候選點(diǎn)進(jìn)行搜索;3)對(duì)候選區(qū)域內(nèi)所有候選點(diǎn)搜索完畢之后,即可確定縮小后的內(nèi)圓的圓心坐標(biāo)和半徑;4)將縮小后的內(nèi)圓參數(shù)除以縮放尺度scaling即可求得實(shí)際的內(nèi)圓參數(shù):內(nèi)圓圓心坐標(biāo):o(x0,y0),內(nèi)圓半徑:r0。這種方法避免了直接使用傳統(tǒng)Hough變換求虹膜內(nèi)邊緣的圓心、半徑,大大減少了計(jì)算量,提高了定位的速度。通過(guò)該方法所得到的虹膜內(nèi)邊緣定位結(jié)果如圖4所示。2.2去噪和搜索選點(diǎn)本文先利用Canny算子對(duì)經(jīng)適當(dāng)縮小后的原圖像提取邊緣,再對(duì)其進(jìn)行去噪處理,這樣做不僅減少了計(jì)算量,而且也減少了噪聲點(diǎn)對(duì)外邊緣點(diǎn)的干擾。圖5(a)是經(jīng)Canny算子作用后的邊緣圖像,圖5(b)中的陰影部分是噪聲區(qū)域,從中可以看出噪聲主要包括3部分:上眼瞼及眼睫毛部分、下眼瞼及眼睫毛部分、瞳孔邊緣及其附近的噪聲點(diǎn)。從該圖還可以看出虹膜外邊緣并不完整,它的上部被上眼瞼及眼睫毛遮擋,而下部則被下眼瞼及眼睫毛遮擋,有用的信息主要分布在左右兩側(cè)的圓弧上。根據(jù)虹膜內(nèi)定位數(shù)據(jù)和虹膜先驗(yàn)知識(shí),本文采用了與文獻(xiàn)同樣的去噪方法,得到去除噪聲后的圖像如圖5(c)所示。由圖5(c)可以看出,大部分噪聲被去除了,而虹膜外邊緣兩側(cè)的圓弧部分基本上被完整地保留下來(lái)。對(duì)邊緣圖像進(jìn)行上述有效的去噪以后,同樣使用基于小范圍搜索的定位方法來(lái)定位虹膜外邊緣。由虹膜庫(kù)的先驗(yàn)知識(shí)和大量的實(shí)驗(yàn)數(shù)據(jù)可知,虹膜內(nèi)圓圓心o和外圓圓心O不會(huì)偏離太大,且兩圓心之間距離doO(單位為像素)滿足0≤doO≤10,所以在去噪后的邊緣圖像中選取以虹膜內(nèi)圓圓心為中心的一個(gè)[(2×10+1)×scaling1]×[(2×10+1)×scaling1]大小的鄰域作為外圓圓心的候選區(qū)域(如圖6所示)。在該區(qū)域內(nèi)逐點(diǎn)進(jìn)行搜索,以求得最適合的外圓圓心和半徑。對(duì)于每個(gè)候選點(diǎn),具體的搜索步驟與2.1節(jié)中虹膜內(nèi)邊緣定位中的步驟相同。經(jīng)上述定位算法得到的虹膜外邊緣定位結(jié)果如圖7所示。3光斑對(duì)定位效果的影響當(dāng)采集人眼虹膜圖像時(shí),瞳孔上的光斑是隨機(jī)出現(xiàn)的,所以實(shí)用的虹膜定位方法應(yīng)該考慮到這種情況的干擾作用。對(duì)于內(nèi)定位,當(dāng)瞳孔上有光斑時(shí),如果采用按確定方向搜索的一些算法,如文獻(xiàn)等,當(dāng)光斑出現(xiàn)在某一搜索路徑上時(shí),會(huì)出現(xiàn)誤判,但本文算法對(duì)于瞳孔上有光斑的虹膜圖像的定位仍然適用(如圖8(a)所示),這是由于在邊緣圖像中,由于光斑較小,故光斑邊緣點(diǎn)的個(gè)數(shù)要小于瞳孔邊緣點(diǎn)的個(gè)數(shù),所以對(duì)于本文算法而言,光斑不會(huì)影響定位效果。而文獻(xiàn)對(duì)于瞳孔上有光斑的虹膜圖像的定位結(jié)果就失效了(如圖8(b)所示),對(duì)比兩種定位方法,本文算法具有較強(qiáng)的抗干擾能力。4編程的定位算法本實(shí)驗(yàn)應(yīng)用CASIA虹膜數(shù)據(jù)庫(kù)的圖像,并用MATLAB7.0編程實(shí)現(xiàn)了文中提出的算法,精確地定位出虹膜內(nèi)、外邊緣(如圖4和圖7所示),定位速度有了明顯提高。本文算法同Hough算法的速度比較如表1所示。本文算法與文獻(xiàn)中的算法速度比較如表2所示。5縮短搜索范圍經(jīng)理論分析和大量的實(shí)驗(yàn)表明,結(jié)合虹膜定位方法的需求提出合適的去噪方法是提高虹膜定位準(zhǔn)確度和速度的保證。充