（计算机软件与理论专业论文）针对低质量虹膜图像的配准方法研究.pdf

摘要 随着图像配准技术的不断成熟与完善 图像配准技术已经应用于自动目标识别 医 学图像处理 智能机器人 智能制造业 军事应用等领域 并取得了大量的研究成果 而虹膜作为重要的生物特征在生物认证领域有着极其广泛的应用 虹膜识别有精确的识 别率 稳定性 且不易伪造或被盗 这是其他生物特征所不能比拟的 实验证明虹膜的 高识别率是建立在高质量的虹膜图像上的 而低质量的虹膜 如被睫毛和眼睑遮挡 含 有噪声或分辨率过低 则会严重影响虹膜识别的准确率 其中采集到的虹膜图像被睫毛 和眼睑遮挡是比较常见的现象 传统的虹膜预处理方法针对这种情况往往只是取虹膜左 右6 0 度的扇形区域做为研究对象 很显然 这种方法丢弃了大量的有用信息 本文就 是针对这种情况提出了将图像配准技术应用于低质量的虹膜图像中 在尽量不丢弃有用 信息的情况下 最终达到提高虹膜识别率的目的 传统的图像配准方法主要是针对刚性物体的 图像配准方法主要有 基于亮度的方 法和基于特征的方法 基于特征的方法又分为基于特征点 基于特征边和基于特征距的 方法 本文所采用的方法是基于特征点中的h a r r i s 角点方法 虹膜图像的配准和自然场 景图像配准的区别就在于虹膜图像是非刚性的 且虹膜的形变极不规律 因此传统的图 像配准中寻找变换矩阵的方法在这里并不适用 针对这个问题 本文提出了用建立拟合 曲线的方法代替变换矩阵 以达到虹膜图像配准的效果 关键字 虹膜识别 图像配准 曲线拟合 低质量虹膜图像 a b s t r a c t a ss o o na st h et e c h n o l o g yo fi m a g er e g i s t r a t i o nh a sm o r em a t u r e d t h et e c h n o l o g yo f i m a g er e g i s t r a t i o nh a sb e e na p p l i e dt ot h ef i e l do fa u t o m a t i ct a r g e tr e c o g n i t i o n m e d i c a li m a g e p r o c e s s i n gi n t e l l i g e n tr o b o t i n t e l l i g e n tm a n u f a c t u r i n g m i l i t a r ya p p l i c a t i o n sa n ds oo n a n d g a i n e dag r e a td e a lo fr e s e a r c hr e s u l t s t h ei r i s w h i c ha sav e r yi m p o r t a n tb i o l o g i c a lf e a t u r e h a sm o r ev a l u a b l ea p p l i c a t i o n si nt h ef i e l do fb i o m e t r i c s t h ei d e n t i f i c a t i o no ft h ei r i si s a c c u r a t e s t a b l e a n dd i 伍c u l tt ob ec o u n t e r f e i t e do rs t o l e n i ti sm u c hb e t t e rt h a no t h e r b i o l o g i c a lf e a t u r e s t h ee x p e r i m e n t ss h o wt h a tt h el l i g hr e c o g n i t i o nr a t eo fi r i si sb a s e do n h i g h q u a l i t yi r i si m a g e s a n dl o w q u a l i t yi r i s f o re x a m p l e i sc o v e r e db yt h ee y e l a s h e sa n d e y e l i d s c o n t a i n sn o i s eo rl o w r e s o l u t i o n w i l la f f e c tt h ea c c u r a c yo fi r i sr e c o g n i t i o ns e r i o u s l y i nt h e s ec i r c u m s t a n c e s t h ea c q u i s i t i o no ft h ei r i si m a g ei sc o v e r e db ye y e l a s h e sa n de y e l i di s am o r ec o m m o np h e n o m e n o n t h et r a d i t i o n a lp r o c e s s i n go ft h ei r i si m a g ei so n l yc h o o s et h e 6 0d e g r e e sf a n s h a p e dr e g i o nf r o m 舭i r i sa st h er e s e a r c ho b j e c t i ti s o b v i o u s l yt h a tt h e t r a d i t i o n a la p p r o a c hd i s c a r d sag r e a td e a lo fu s e f u li r i si n f o r m a t i o n i nt h i sp a p e r w eh a v e p r o p o s e dt h ei d e at h a ta p p l y i n gt h et e c h n o l o g yo fi m a g er e g i s t r a t i o ni n t h ef i e l do f l o w q u a l i t yi r i si m a g e s t h eg o a li st oi n c r e a s et h er a t eo fi r i sr e c o g n i t i o ni nt h ec o n d i t i o no f n o td i s c a r dt h eu s e f u li r i si n f o r m a t i o na sf a ra sp o s s i b l e t h et r a d i t i o n a lm e t h o do fi m a g er e g i s t r a t i o np r e p r o c e s sf o c u s e do nt h er i g i do b j e c t t h e i m a g er e g i s t r a t i o nh a st w om a j o rm e t h o d s t h ef i r s ti sb a s e d0 nt h eb r i g h t a n dt h eo t h e ri s b a s e do nt h ef e a t u r e t h es e c o n dm e t h o di n c l u d e dt h r e ei d e a s b a s e do nt h ef e a t u r ep o i n t s t h e f e a t u r ee d g e sa n dt h ef e a t u r em o m e n t s i nt h i sp a p e rw ea p p l yt h eh a r r i sd e s c r i b e do n eo ft h e b a s e do nt h ef e a t u r ep o i n t s t h ed i f f e r e n c eb e t w e e nt h ei r i si m a g er e g i s t r a t i o na n dt h en a t u r a l i m a g er e g i s t r a t i o ni st h a tt h ei r i si m a g ei sn o n r i g i d a n dt h ed e f o r m a t i o no fi r i si s v e r y i r r e g u l a r t h u st h et r a d i t i o n a lm e t h o do fi m a g er e g i s t r a t i o nt of i n dat r a n s f o r mm a t r i xd o e s n o tv e r ye f f e c t i v eh e r e i nt h i sp a p e rw eh a v ep r o p o s e dt h a ta p p l yc u r v ef i t t i n gt e c h n o l o g yi n i r i sr e g i s t r a t i o n k e y w o r d s i r i sr e c o g n i t i o n i m a g er e g i s t r a t i o n c u r v ef i t t i n g l o w q u a l i t yi r i si m a g e n 独创性声明 本人郑重声明 所提交的学位论文是本人在导师指导下独立进行研究 工作所取得的成果 据我所知 除了特别加以标注和致谢的地方外 论文 中不包含其他人已经发表或撰写过的研究成果 对本人的研究做出重要贡 献的个人和集体 均已在文中作了明确的说明 本声明的法律结果由本人 承担 学位论文作者签名 2 乏丛堑 日期 学位论文使用授权书 本学位论文作者完全了解东北师范大学有关保留 使用学位论文的规 定 即 东北师范大学有权保留并向国家有关部门或机构送交学位论文的 复印件和电子版 允许论文被查阅和借阅 本人授权东北师范大学可以将 学位论文的全部或部分内容编入有关数据库进行检索 可以采用影印 缩 印或其它复制手段保存 汇编本学位论文 保密的学位论文在解密后适用本授权书 学位论文作者签名 蕉趔墨 日 期 中纱 学位论文作者毕业后去向 工作单位 通讯地址 指导教师签名 日期 秒彦 乒t 吖 厶 电话 邮编 东北师范大学硕士学位论文 第一章引言 1 1 生物认证技术的发展 随着信息技术的发展 身份识别的难度和重要性越来越突出 传统的身份识别方法 如密码 身份证等 由于其自身的局限性 易丢失 易被伪造 易被破解等 已不能满足 当代社会的需要 在这种前提之下 生物认证技术应运而生 生物认证 b i o m e t r i c s 技 术是指利用人体所固有的生物特征来进行个人身份鉴定 相比于传统的身份识别方法 生物认证技术有以下一些优点 1 不易遗忘或丢失 2 防伪性能好 不易伪造或被盗 3 随身携带一 随时随地可用 能被用来进行身份鉴定的生物特征包括虹膜 脸部热量 视网膜 人脸 掌纹 手写体 等等 其中虹膜识别由于其自身的一些优点而被广泛采用 虹膜做为重要的身份鉴别特 征 还具有以下一些优点 1 稳定性 2 不易更改性 3 准确度高 稳定性是说虹膜形成的时间很早 大约在2 3 岁的时候稳定 并随着年龄的变化保持 不变 因此 虹膜具有高度的稳定性防伪性 对于每个人来说 虹膜的结构各不相同 并 且这种独特的虹膜结构在人的一生中几乎不发生变化 解剖学家 和眼科学家乜1 经过大 量的观察发现虹膜的结构是很独特的 即使对于同一个人 左眼和右眼的虹膜区别也是 十分明显的 而且自童年以后 虹膜在人的一生中所发生的变化十分微小 发育生物学 界的科学家们同时发现 尽管虹膜的基本结构是由内在的遗传基因决定的 但是外界 的环境却对虹膜独特的细微结构起着决定性作用口1 这里的外部环境是指在虹膜形成之 前也就是生命初期的胚胎发育环境 因此 自然界不可能出现完全相同的两个虹膜 发 育生物学家通过大量观察发现当虹膜发育完全以后 它在人的一生中是稳定不变的 因而具有稳定性 另外 由于虹膜的外部有一层透明的角膜将其与外界相隔离 因此发 育完全的虹膜不易受到外界的伤害而产生变化 与脸形 声音等非接触式的身份鉴别方 法相比 虹膜具有更高的准确性 据统计虹膜识别的错误率是各种生物特征识别中最低 的h 1 基于虹膜的身份鉴别技术逐渐得到学术界和企业界的广泛重视 1 2 虹膜识别的研究现状 虹膜识别的主要步骤包括虹膜图像的提取 虹膜图像的预处理 虹膜纹理特征的提 i 东北师范大学硕士学位论文 取和虹膜的分类 如图1 1 所示 虹膜图像预处理主要是对虹膜图像定位和归一化 以 便于对虹膜图像分类 图像预处理部分采用的方法主要有圆方程参数的求解 二次曲线 拟合 线性和非线性映射 抽取虹膜特征通常采用多通道g a b o r 滤波和二维小波变换 虹膜图像提取 1r 虹膜定位 1r 虹膜归一化 上 l 虹膜图像增强 1r i 虹膜特征提取 1r 虹膜分类 图1 1 虹膜识别的主要步骤 虹膜识别的算法主要分为以下3 种 1 相位分析方法 代表性的算法是d a u g m a n 瞌3 的算法 上海交大康浩等人的系统也 采用了类似的方法 并且改进y d a u g m a n 的相位编码方法 2 基于图像的纹理分析方法 普林斯顿的w i l d e se ta l 嘲用各向同相的高斯拉普拉 斯滤波器对图像进行滤波之后 逐次对图像进行1 2 采样 得到不同尺度的数据构成4 层 金字塔 用这些数据作为图像识别的特征 3 基于小波过零检测的分析方法 昆士兰大学的b o l e 等人口1 以虹膜中心为圆心的同 心圆对虹膜图像采样 把两维的虹膜图像变为一维的信号 然后利用特定的小波函数 对它进行变换 综上所述 已有的各种虹膜识别方法 都有各自的优缺点 没有一种是业界公认的 通用方法 在上述理论方法基础之上 国内外都开发出了一系列的虹膜识别产品 其中 最有代表性的有 2 东北师范大学硕士学位论文 1 1 9 9 3 年英国剑桥大学d a u g m a n 博士提出了一套成功的虹膜特征描述和相似性 判别算法 从此就开始了虹膜识别产业化的进程 现有国外的商业虹膜识别产品的核心 软件大都是基于d a u g m a n 的算法 已经成功地用于大规模人群的身份鉴定 如海关的出 入境检查 社会福利发放 建筑物的进出控制 银行自动提款机 2 国内中科院自动化所于2 0 0 0 年初 由海外归国学者谭铁牛 王阳生等人开发出 了虹膜识别的核心算法砸1 北京中科模识科技有限公司 作为国内生物认证领域的最权 威研究机构 中科院自动化所的产业转化公司 于2 0 0 3 年推出了中国第一套虹膜识 别应用系统 成为世界上仅有的掌握虹膜核心算法的公司之一 同时 相对于国际上其 它公司的核心算法 中科院自动化所的核心算法速度更快 占用的内存空间更小 整体 性能更加优异 检测的准确率更高 达到了世界领先的技术水平 这标志着中国虹膜识 别技术的研究及产业化工作 从此走在了世界的前列 1 3 图像配准技术 2 0 世纪7 0 年代提出了图像配准的概念 图像配准是对不同时间 不同视角 不同 成像模式的两幅或多幅图像进行空间几何变换 使得各个图像在几何上能够匹配对应起 来 图像配准的主要目的是去除或者抑制待配准图像和参考图像之间几何上的不一致 包括平移 旋转和形变 它是图像分析和处理的关键步骤 是图像融合必不可少的预处 理环节 近些年来 图像配准技术发展很快 其中主要有两方面原因 一是主观原因 当今 社会早已处于信息时代 人们对信息的需求量和信息的准确性的要求也在不段增加 二 是客观原因 现代计算机硬件技术的发展使计算机的计算速度不断增加 使得各种复杂 程序和算法能够快速执行 能够满足上述人们的主观需要 综合以上两方面原因 图像 配准技术得到快速发展和完善 大量成熟的技术也已应用图像配准领域 现已实现了对 自然场景的配准 包括多焦点图像 多曝光图像等等 p 1 遥感图像的配准n 引 某些刑 侦领域图像的配准 脚印 弹痕等图像的配准 n 妇近几年 许多学者又进行了医学图像 的配准 如脑组织图像 1 2 1 3 o 在将图像配准技术应用到上述领域之后 一方面减少了 噪声等干扰因素的影响 另一方面也为后续的图像融合工作奠定了基础 从而保留了大 量的有用信息 对各领域的后续识别工作产生了重要的积极影响 1 4 对低质量虹膜图像进行配准的意义 由于虹膜识别这种生物认证手段具有高稳定性 不易更改性和很高的识别率等优 点 因此近些年来得到了快速发展 越来越多的研究学者投入到了与虹膜相关的理论技 术研究中 低质量虹膜图像是指在虹膜图像采集过程中 由于受到采集设备 周围环境 如光 照 等因素的影响 而出现虹膜被睫毛或眼睑遮挡 含有噪声或分辨率过低等现象 这 东北师范大学硕士学位论文 样的图像我们统称为低质量的虹膜图像 由于考虑虹膜识别所应用的领域往往是公共场 所这样的普通场景 并且考虑人们在使用虹膜识别时的自由度和舒适度等问题 因此所 采集到的图像很大程度卜都将足低质量的虹膜图像 f 黾另一方面 如果直接使用低质量 的虹膜图像进行识别的话又会严重影晌虹膜识别的准确率 这就产生了一种矛盾性 因 此 如何解决这种矛盾 也就是如何对低质量虹膜图像进行的研究和处理 就显得尤为 重要 本文所指的低质量虹膜图像主要是指被睫毛和眼畸遮挡这种情况 如图1 1 a b 所示 此种低质量虹膜图像在传统的虹膜识别预处理过程中为了避免受到睫毛和跟睑的 十扰 往往只取虹膜左右6 0 度的扇形区域 如罔1l c 所示 很明显 这种方法虽然 避免了睫毛和眼睑的干扰 但却丢弃了大量的虹膜信息 升不利于非常精确的虹膜识别 因此 通过自u 面章节的介绍 本文采用了对低质量虹膜图像进行配准的方法 由于近些年柬虹膜识别设备的发展 使得在虹膜识别过程中可以在较短时间内 针 对同一人眼获取多幅虹膜图像 f 1 于每幅虹膜图像被睫毛和眼睑遮挡的情况是不同的 可以认为每幅虹膜图像所包台的虹膜信息也是不同的 本文对低质量虹膜图像进行配准 就是将获取到的多幅虹膜图像先进行匹配和矫正 再将酣准好的虹膜图像进行图像融 合 晟终的日的是不仪保留了大量的虹膜信息 而且降低睫毛和眼l 盒遮挡对虹膜罔像的 影响 从而提高虹膜识别的准确率 潺3 a 1f b 图 2 a 睫毛遮挡 b 跟睑遮挡 c 传统预处理方法 d 术课题要达到的预期效果 15 本文所做工作 本文在现有的数字图像配准方法理论基础之上 通过对现有的虹膜图像预处理方法 分析 发现了现存的虹膜图像预处理的不足之处 经过大量实验 决定将图像配准技术 应用于虹膜图像预处理中 f i 前束讲 对虹膜配准研究的还比较少 对虹膜图像进行配 准主要解决的问题是瞳7 l 的缩放和虹膜纹理的变化 瞳 l 的缩放主要是由于受虹膜采集 环境的影响 而虹膜纹理的变化则是由于受到瞳孔的挤压 返种虹膜纹理的变化是非刚 性的且极不规律 在这方面 s in g ha n dv a t s a 等人提出了相位一致性 p h a s e c o n g r u e n c y 1 方法 取得比较好的效果 但是他们首先要将虹膜图像进行归 化后再 进行配准 而本文研究的范围是在原始虹膜图像 进行配准 东北师范大学硕士学位论文 1 6 论文结构 本文主要对数字图像配准领域中的一个重要应用领域 虹膜图像配准进行了较 为深入的研究 本文的内容安排如下 第一章简要地介绍了虹膜识别的研究现状 图像配准的发展以及对虹膜图像进行配 准的意义 第二章对图像配准的理论 基本方法和配准步骤做了简要的介绍 并引出虹膜图像 配准过程中所遇到的问题 第三章介绍虹膜图像配准 并通过相关实验 详细说明了虹膜图像配准方法的步骤 和参数的调解 第四章将本文的虹膜图像配准结果与传统的归一化方法进行比较分析 定量地展示 了虹膜图像配准的优越性 总结全文 归纳工作要点 给出建议和展望 5 东北师范大学硕士学位论文 第二章图像配准简介 2 1 图像配准的理论基础 图像配准是图像分析和处理的关键步骤 它是对不同视角 不同时间以及不同成像 模式的两幅或多幅图像进行空间几何变换 使得各个图像在几何上能够匹配对应起来 图像配准的主要目的是去除或者抑制待配准图像和参考图像之间几何上的不一致 包括 平移 旋转和形变等等 图像配准技术是图像对比 数据融合 目标识别和变化分析的 必要前提 在数字图像处理领域是一种非常重要的图像处理技术 2 2 图像配准的方法 根据所要配准图像的特点不同 所采用的图像配准方法也不同 因此图像配准方法 的种类是很多的 如何对图像配准方法进行分类也是一个比较重要的问题 因此各国学 者在这方面也进行了大量的探索 其中比较典型的有g b r o w n n 6 1 和v a nd e ne l s e n l 们等人 他们对当时已有的配准方法做了全面的总结和分类 目前被广泛采用也是使用频率较高 的方法是将配准分为三大类 即基于区域的图像配准方法 基于特征的配准方法以及基 于决策的配准方法 2 2 1 基于区域的图像配准方法 近二十年来 基于区域的图像配准算法研究较多 方法也很多 总的思想是如何改 变搜索策略 减小相似比较的次数和减小搜索的像素点数 达到快速图像配准n7 1 比较 典型的方法有逐一比较法 此种方法对待配准图像和标准参考图像中的每个像素点都进 行了比较 在其中选择一个最相似的点作为最佳匹配点 但随着图像数据的不断增大 很显然这种方法太费时 于是从减小相似比较的次数和减小搜索的像素点数的角度 出 现了一些改进算法 比如单个阈值比较法 这种方法通过给定一阈值 使得超过阈值的 像素点不参与比较 减少了相似比较的次数 以及序贯相似比较法 这种方法通过给定 一组被称为自适应阈值的动态阈值 可以对某阈值段范围内的像素点跳过搜索不进行比 较 通过上述这种方法 可以更好的减少搜索的像素点数和相似比较的次数 基于区域的图像配准方法的特点是将预先定义窗口大小的区域信息或整幅图像信 息作为所要利用的图像信息而不是只取少量的图像特征 基于区域的配准算法u 即首先要 从参考图像中提取整幅图像或一部分目标区域作为配准的模板 然后根据模板内图像的 统计特性定义目标函数 通过相似性度量 如寻找相关系数 来进行最佳匹配 一维或二 维窗口是这类配准方法在空域或频域中进行搜索的常用工具 这类算法之间的主要差异 在于两点 一是搜索算法的选择 二是相关度量标准的选择 能够将配准精度提高甚至 6 东北师范大学硕士学位论文 可以达到亚像素级是该类方法的最大优点 基于区域法进行配准的前提是各幅图像之间具有较小的比例或者旋转变化 通过对 参考图像与待配准图像中相应大小的模板的相似性的比较来确定匹配的位置 互相关配 准法 基于互信息的方法 们汹3 基于f o u r i e r 变换乜 基于主轴和矩的方法乜2 1 等等是 这类方法的典型代表 大部分基于区域的图像配准方法有两个特点 一个是采用了优化计算方法 另一个 是采用分层数据结构 其中分层数据结构是指将原始图像按照不同的分辨率大小分层排 列成金字塔的形式 最下层图像为原始图像 分辨率最高 而其他处于金字塔上层的图 像则是粗分辨率级图像 粗分辨率级上的未对准程度比精分辨率级上的未对准程度要小 是这种分层结构的最大好处 这样使用者就可以先在粗分辨率级上进行配准 再在更高 的分辨率级上提高配准精度 无法处理两幅图像间存在较大未对准的问题是基于区域的图像配准方法的主要缺 点 原因主要有两点 其一是虽然可以使用金字塔式的分层结构 但由于处于金字塔顶 层的图像的尺寸不能太小 否则会出现混叠现象 而通常情况下图像的大小是固定的 因此并不能够无限分层 其二是优化算法需要一个好的初始值来进行迭代 而所谓好的 初始值是指这个初始值不能距离真实值太远 这就是说 如果出现很大程度的未对准在 两幅图像的对应分辨率级之间 这类方法是无法使用的 还有就是基于灰度的图像配准 算法通常计算量较大且计算效率不易被提高 2 2 2 基于特征的图像配准方法 基于图像特征的方法是根据两幅图像的相同特征的几何关系来计算配准参数 由于 基于图像特征的配准方法可以有效的避免基于区域配准方法的一些缺点 因此它的应用 领域在不断扩大 逐渐成为最为常用的配准方法 这类方法提取了图像的显著特征 因 而大大压缩了图像的信息量 使得计算量小 速度较快 而且它对图像灰度的变化具有 较强的鲁棒性 但另一方面 也由于只有一小部分的图像灰度信息被使用 所以这种方 法对特征提取和特征匹配的错误很敏感 需要可靠的特征提取和稳健的特征一致性方 法 基于特征的图像配准首先提取能够反映图像重要信息的特征 然后以这些特征为模 型进行配准 即基于特征的配准分为两步 一是图像特征的提取 二是利用图像特征进 行配准 在数字图像处理中 图像特征通常有局部特征和全局特征两类 局部特征有像 素点 边缘 线条和区域等 全局特征一般包括像图像的熵 轮廓 矩等 特征提取的 结果是一个含有特征的表以及对图像的描述 每一特征都由一组属性表示 对属性的进 一步描述包括边缘的弧度和定向 边与线的长度和曲率 区域的大小等 除了局部特征 的属性之外 还可以用这些局部特征之间的关系描述全局特征 这些关系可以是几何关 系 比如两个相邻的三角形之间的边 或两个边之间的距离 可以是度量辐射关系 例 如灰度差别 或者两个相邻的区域之间的灰度值方差 或拓扑关系 例如一个特征受限 于另一个特征 特征作为图像内容最抽象的描述 与基于区域的配准方法相比 特征相 7 东北师范大学硕士学位论文 对于几何图像和辐射度影响来说更不易变化 但特征提取的方法计算量通常较大 并且 需要一些自由参数和事先按照经验选取的阈值 因而不便于实时应用 同时 纹理较少 的图像区域可供提取的特征量也很少 提取局部的特征比较困难啪1 另外 基于特征的 配准方法的相似性度量函数也比较复杂 往往需要以特征的属性 启发式方法及门槛方 法的结合来确定度量方法 近年来 一些学者在这方面作了研究 期望克服经验阈值和 自由参数的手动选取的弊端 以便更全面 更有效的提取特征 以增强配准的实时性 提高配准率 目前 基于图像特征的配准算法主要是采用图像分割方法提取图像中反映 图像形状变化的特征 如不变矩 像重心 质心等 熵乜盯等 之后通过特征空间的相 似性度量来确定配准位置 基于特征的配准通常包括下面几步瞳5 1 1 特征的选取 特征选取方法根据我们要进行的配准任务的不同也会有所不同 特征主要反映的是两幅图像中所含内容的空间位置关系 具体来说 特征应该是一些显 著并且与众不同的目标 它分布在图像中 并且是可被检测的 在参考图像和待配准图像中选取出来的特征 应满足如下要求 特征在图像中应该 能够保持很好的稳定性 有良好的分布 并且不敏感于图像采集条件和噪声 并且要在 两幅图像中同时出现 容易区分 具有足够的数量 可以有效地被检测到 理想状态下 是要图像存在特殊的变形 特征检测算法也能够检测出来场景所有投影图像中的相同特 征 而在实际过程中 这些条件常常难以同时满足 一般情况下 都是权衡各种利弊来 选择我们想要的特征 配准方法中使用的特征有很多种 如封闭边界区域 边缘 轮廓 线的交叉点 拐角等 2 特征匹配 采用一定匹配算法 找出两幅图像上明显的对应点做为控制点 结 合特征点的空间信息 使用不同的特征描述符和相似性测度 完成特征的匹配 3 空间变换 根据控制点 建立图像间的映射关系 这一步骤中需要估计映射函 数的类型和参数 映射函数是通过计算待配准图像和参考图像间己建立的特征对应关系 得到的 4 插值 根据映射关系 对待配准图像进行重新采样 获得同参考图像配准的图 像 插值函数的选择直接与配准精度的要求相关 通常情况下 可以满足要求的有 最 近邻域法 双线性插值函数 如果需要更高精度可以采用薄板样条插值 多项式插值 双立方插值等方法 如果要计算坐标不是整数位置上的图像的灰度值 可以利用其邻域 内像素的灰度值 通过相应的插值处理得到 基于特征的配准方法的首要问题是如何 选取有效的特征 特征主要包括 角点特征 边缘特征 色彩特征 纹理特征 轮廓特 征等啪儿刎 其中角点特征是配准中常用到的图像特征之一 在模式识别 计算机视觉以 及图像配准领域都有着极其广泛的应用 因而国内外学者针对角点检测的算法进行了大 量研究嘲 3 2 1 其中h a r r i s 侧角点 s u s a n 1 角点及其改进方法得到了广泛关注与应用 8 东北师范大学硕士学位论文 2 2 3 基于决策的图像配准方法 基于决策的图像配准需要先建立自动表决专家系统模型 然后根据一定的决策规则 进行配准 目前基于决策的图像配准方法还处于起步阶段 需要研究者们进行更深层次 的理论分析和实验探讨 一旦研究有所突破 基于决策的图像配准方法将由非常广阔的 应用前景和研究价值 基于决策配准的数据类型主要是决策的权值 主要的权值选取方法有专家表决 神 经网络 遗传算法瞵1 等 2 3 图像配准的一般步骤 图像配准的一般步骤主要分为以下四步 1 特征检测 对参考图像和待配准图像进行特征检测 这个特征主要包括特征点 如h a r r i s 角 点 s u s a n 角点等等 特征边 如c a n n y 算子 l o g 口力算子等等 以及特征距 如z e r n i k e 嘲 矩 小波矩 9 1 等等 2 特征匹配 这步主要是在第一步提取特征的基础上 对从参考图像和待配准图像中提取到的特 征 点 边或矩 之间寻找对应关系的过程 这一步的方法有很多如s i f t h 们h 门寻找对应 点的方法或者是l o c a lj e t 4 2 m 田和l b p 4 4 3 的方法等等 3 变换模型估计 根据参考图像和待配准图像之间建立的对应关系 建立匹配函数 一般情况下 这 一步都是根据对应特征之间的关系来建立变换矩阵 4 图像变形和重构 根据建立的匹配函数 对待配准图像进行变形和重构 以达到最终的配准效果 2 4 图像配准的发展和意义 图像配准是图像处理领域的一个重要任务 它是图像镶嵌 目标识别 图像融合 目标变化检测 时序图像分析等实际应用问题中的重要步骤 在军事 遥感 医学 计 算机视觉等领域得到了广泛应用 近些年来 图像配准技术发展很快 其中主要有两方面原因 一是主观原因 当今 社会早已处于信息时代 人们对信息的需求量和信息的准确性的要求也在不段增加 二 是客观原因 现代计算机硬件技术的发展使计算机的计算速度不断增加 使得各种复杂 程序和算法能够快速执行 能够满足上述人们的主观需要 综合以上两方面原因 图像 配准技术得到快速发展和完善 目前 已经有大量成熟的技术也已应用图像配准领域 现已实现了对自然场景的配 准 包括多焦点图像 多曝光图像等等 遥感图像的配准 某些刑侦领域图像的配准 脚印 弹痕等图像的配准 近几年 许多学者又进行了医学图像的配准 如脑组织图 9 东北师范大学硕士学位论文 像 在将图像配准技术应用到上述领域之后 一方面减少了噪声等干扰因素的影响 另一方面也为后续的图像融合工作奠定了基础 从而保留了大量的有用信息 对各领域 的后续识别工作产生了重要的积极影响 通过对图像配准技术的学习和研究 以及图像配准技术在各个图像研究领域的成功 运用 我们有理由相信图像配准技术可以应用于虹膜图像处理领域并起到积极的作用 1 0 东f l l i j 币范大学硕士学位论文 第三章虹膜图像配准 本章将详细介绍虹膜图像配准的过程 根据上一章所讲述的图像配准步骤 下面给 出了虹膜图像配准的步骤 这也是本章的写作顺序 1 虹膜预处理 2 h a r r i s 角点检测 3 用l o c a l j e t 结合l b p 的方法寻找对应点对 4 寻找变换模型 第四步是虹膜图像配准的问题所在 因为虹膜是一种生物特征 因此虹膜的变换不 同于其他的一些自然场景图像 它的变换是极其不规律的 具有非刚性 无明显的几何 形变规律 这点和刚性图像形成了鲜明的对比 因此要按传统的方法寻找变换矩阵有比 较大的难度 在这一步本文提出了用曲线拟合的方法代替变换矩阵 5 最后将待配准的虹膜图像带入建立好的拟合曲线中 得到最终的匹配效果图像 3 1 预处理 本文实验使用的是c a s i a 虹膜数据库 数据库中的虹膜图像都有不同程度的睫毛和 眼睑遮挡情况 因此在进行配准之前我们要对虹膜图像进行预处理 本文用h o u g h h 鄙变 换的方法进行虹膜内外边界的定位 首先对h o u g h 变换进行简要介绍 h o u g h 变换是图像处理中从图像中识别几何形状的基本方法之一 h o u g h 变换的基 本原理在于利用点与线的对偶性 将原始图像空间的给定的曲线通过曲线表达形式变为 参数空间的一个点 这样就把原始图像中给定曲线的检测问题转化为寻找参数空间中的 峰值问题 也即把检测整体特性转化为检测局部特性 比如直线 椭圆 圆 弧线等 用h o u g h 变换易检测出虹膜的内边缘和瞳孔的中心 然后再利用内圆到瞳孔中心的 半径缩小h o u g h 变换检测外边缘的范围 认为包含最多虹膜像素点的最大圆即为检测出 来的虹膜外边缘 这里显然我们认为瞳孔的中心和虹膜的中心是不同心的 检测出虹膜 的外边缘之后可以去掉巩膜部分 用二值化的方法去除睫毛 得到的图像如图3 1 所示 在对虹膜图像进行预处理之后 我们要进入对虹膜图像进行配准的阶段 本文采用 的是基于图像特征的配准方法 首先是特征的检测 东北师范大学硕士学位论文 图31 对虹膜图像进行预处理 a 砷为同一人眼的两幅原始目像 b d 为对 a c 预处 理后所得到的结果凹像 a c 图像大小为3 2 0 x 2 4 0 像岽t b d 图像大小为2 4 3 2 4 3 像崇 32 特征检测 在图像配准领域特征检测的目的和数掘分析领域并不一致 在数据分析领域 特征 提取的目的在于降低图像的维数 即提取的特征应该能比较完备的反应原图像的特点 提取的图像应该是对原图像的有效表征 而图像配准领域特征提取的目的就是利用在两 幅或两幅以上待配准的图像中提取的特征位置来反应参考图像和待配准图像间的几何 关系 存图像配准领域 可以使用的特征有很多种 如交叉点 封闭边界区域 边缘 轮 廓 拐角等 按提取的特征类型进行划分 可以将配准划分为 基于特征边的配准方法 基于特征点的配准方法以及基于特征矩的配准方法 特征边的提取可以采用c a n n y 算子 l o g 算子等等 特征点的提取可以采用h a r r i s 角点 s u s a n 角点等方法 特征矩的方法 主要有z e r n i k e 矩 小波矩等等 根据虹膜图像的特点 本文采用基于特征点的配准方 法 下面分别介绍一下两种常见的基于特征点的配准方法 32is u s a n 角点 s u s a n 算法其全称为s m a l l e s tu n i v a l u es e g m e n ta s s l m i l a t i n gn u c l e u s 角点检测 算法 醣算法于1 9 9 7 年由sms m i t h 和jm b r a d y 首先提出 由于s u s a n 算法具有对局部 噪声不敏感抗噪能力强 计算简单 且通过参数调整可以获得较高的检测精度等优点 在特征检测方面获得了广泛的应用 1 2 东北师范大学硕士学位论文 ao 图3 2s u s a n 角点检测示意图 如图3 2 所示 圆形掩模区域内的每一个像素点的灰度值与掩模中心点的像素的灰 度值进行比较 灰度值与中心像素点相近的点组成的区域称为u s a n u n i v a l u es e g m e n t a s s i m i l a t i n gn u c l e u s 区域 a 表示a 点区域处于背景中 也就是整个区域都处于u s a n 中 b 表示b 点区域有多于半数的点都在u s a n 中 b 点是边缘 c 表示c 点区域有等于半数的点在u s a n 中 c 点所在位置是边缘 d 表示d 点区域有小于半数的点在u s a n 区域中 d 点是角点 s u s a n 模板在图像内部滑动 遍历图内每一个像素 在每个位置判断掩模所掩盖区 域内的点灰度值与掩模中心点的灰度值的相似程度 用如下相似比较函数进行比较 c 乏 l l 厂 一 元 l r 3 1 0 e l s e 式中 是掩模核心所在位置 厂是掩模内除核心之外的任意一点的位置 厂为像素 的灰度值 f 是灰度值的阈值 f 值的大小限定了找到角点的个数 c r r o 为灰度比较的 结果 可以采用更稳健的公式3 1 代替公式3 2 丁单 c r t o e 3 2 计算模板内所有点c 的和为 甩 c 厂 t o 3 3 将咒与给定的阈值g 进行比较 1 3 东北师范大学硕士学位论文 r r 乏 g 一甩 门 g 3 4 0 p 垃 阈值f 不但表示了所能检测角点的最小对比度 同时也决定了对噪声的最大容忍度 f 取值减小 意味着可以从对比度越低的图像中提取特征 而且特征的数量也会随之增 加 应根据目标图像的噪声程度不断调整 的取值 才能获得较为理想的提取结果 输出角点的u s a n 区域的最大值受阈值g 的影响 g 的大小不但决定了最终能提取 到的角点个数 而且决定了是何种类型的角点 通常如果提取角点取g 4 3 2 2h a r r i s 角点 h a r r i s 角点检测算法是在m o r a v e c 算子基础上发展起来的 由于h a r r i s 角点检测 具有比较理想的结果 其应用非常广泛 m o r a v e c 提出的角点检测算法的基本思想是在图像中构造一个局部检测模板 令模 板在图像各个方向作细微滑动 并检测模板内能量均值的变化 当能量均值超过设定的 阈值时 其模板中心的像素点就是所寻找的角点 将像素 x y 的灰度记为f x y 则 m o r a v e c 角点检测公式可表示为 e 1 l z w f x 少 l 厂 x 材 y 一f x 少 2 3 5 e 的含义是在 x y 处移动一个 y 距离所发生的亮度值的变化 其中w x y 是高 斯平滑因子 上面公式的实质是二维信号的自相关 m o r a v e c 提出的该算法只检测模板 函数在8 个基本方向上移动的能量变化 无法提取全部角点 且不具备旋转不变性 1 9 8 8 年h a r r i s 和s t e p h e n s m l 改进了m o r a v e c 算法 通过微分运算和自相关矩阵来检测角点 由于微分算子可以检测出任意方向的灰度强度变化情况 因而有效地区分了角点和边 缘 对公式3 5 进行泰勒级数展开并忽略高阶项得到 砌川b k v m 3 6 其中m 是2 2 的对称矩阵 m 弘y 板够 仕7 e u 1 可以近似作为局部互相关函数 m 则描述了在这点上的形状 设五 五是 矩阵m 的两个特征值 则 五表示的是局部自相关函数的曲率 由于h a r r i s 算子的 各向同性 所以m 保持了旋转不变性 对 如两个特征值进行分析可以得出 如果 如都比较小 则表示模板所处区域灰度值近似于常量 任意方向移动则函数e 只发生很 东北师范大学硕士学位论文 小的变化 意味着该模板目前处在相对平坦的区域 如果两个特征值 其中一个特征值 比较大另一个特征值比较小 则表示模板所处位置呈现山脊状 一般来说意味着模板目 前处在图中边缘的部分 沿着该边缘方向移动e 值发生较小变化 如果按垂直该边缘的 方向移动模板则e 值变化较大 如果两个特征值都较大时 则表明模板所在位置呈尖峰 状 模板移动将使得函数e 值变化较大 在这种情况下意味着模板目前处在角点处 上述思想可以表示为如下公式 r d e tm k t r a c em 2 3 8 其中 d e t m 五 t r a c e m 五 五 当m 的主对角线之和很大时 表明是边缘 当值大于某一阈值并在其邻域范围内 取得极值的时候 则标记该点为候选角点 通常k 按经验取值 取值范围0 卜0 5 s u s a n 算法具有抗噪能力强 计算效率高 较高的检测精度等优点 h a r r i s 算法是 在m o r a v e c 算法基础上发展起来的 具有计算速度快 检测精度高等优点 两种算法都 是角点检测里非常常用而且非常经典的方法 两种方法都各有各的特点 应用都非常广 泛 近些年来 人们又对h a r r i s 算法进行了深入的研究 对h a r r i s 算法进行了扩展 提出了多种改进算法 而本文也采用了h a r r i s 的角点提取算法 东北师范大学硕士学位论文 图3 3 a b 两幅图像为同人跟的虹膜图像 哪 d 为对 a b h a r r i s 方 盅提取特征之后得到的结果图 如图33 所示 h a r r is 角点出现的位置基本上都是虹膜纹理的位置 33 特征匹配 在这一步的目的足 在待配准图像中检测出与参考图像中已经建立起来的特征相对 戍的特征 为了这个目的 我们就要在出这些特征所组成的空间域中使用各种描述子和 相似度量方法 本文我们的第二个任务是在两幅图像之间寻找韶分特征点的对应关系 由于虹膜纹 理的变换是非刚性的且极不规律 这增大了寻找对应点对的难度 这里我们借鉴了文献 4 7 的方法 川l o c a l j e t 自h 上l b p 的方法 l o c a lj e t 模型是用于描述特征点的种 模型 s c h m i da n dm o h r 1 9 9 7 s c h m i de ta l 1 9 9 8 它是用高斯卷积所推导出柬的 如果 是一幅图像 并且盯是给定的尺度 则在某一点处r 横纵坐标分别为葺 根据 l o c a lj e t 方法所定义的规则 如下 州t 口 皈 口1 j 口 i x i r o v 39 其中 r 口 是图像 和高斯衍7 匕物g t 口 的卷积 叠 高斯函数中的 鼍 j 一1 一 一羹 豢 r l k r o k 弋一一一 国 国 东北师范大学硕士学位论文 尺度仃是反应平滑的程度 l o c a lj e t 是用于计算独立兴趣点的不变特征向量 前期工作已经使用了l o c a lj e t 及其周围邻域信息 这些特征点和其邻域角被匹配 s c h m i da n dm o h r 1 9 9 7 s c h m i de ta 1 1 9 9 8 事实证明 s c h m i da n dm o h r 1 9 9 7 在自动查找对应点的过程中想要将所有特征点的邻域信息都正确匹配是很困