虹膜图像处理及基础知识

虹膜图像处理及基础知识2.1虹膜结构为了对于虹膜进行了解，本文首先对于人眼进行了了解[24-26],具体的人眼结构如下图2-1所示：瞳孔图2-1人眼结构人眼的虹膜是位于人眼的白色巩膜与人眼的黑色瞳孔之间的一圈环状部分，可以看出来，人眼的虹膜由各类形态的冠状、各类形态的斑点、各类形态的细丝等局部特征组合在一起环绕而成的。组合在一起环绕而成的特征决定了人眼的虹膜特征的唯一性，这也导致了利用虹膜进行人体身份识别的唯一性。2.2Gabor特征Gabor变换严格上来说使用一种加窗傅立叶变换，Gabor函数具体的作用可以在频域不同尺度以及不同方向上对于选定的对象提取相关的特征。Gabor小波本质上来说与人类视觉系统中所存在的一种简单细胞对于具体的视觉刺激响有一定的类似作用。Gabor小波在提取所选取的目标的局部空间和他所存在的频率域信息方面具有非常优异的特性。虽然它本身并不能构成一组标准的正交基，但Gabor小波在特定参数下，是有可能构成紧框架。Gabor小波对于所选取目标图像的边缘及其敏感，能够提供对于所选取目标图像的边缘进行良好的方向选择以及适应的尺度选择，而且Gabor小波对于光照变化本质上是不敏感的，因此Gabor小波能够提供其他波所不存在的，对光照变化非常优异的适应性。上述一系列的特点使Gabor小波在如今被较为广泛应用于视觉信息以及虹膜

提取的理解。包含多个Gabor滤波器的滤波器组来对图像进行不同中心频率和方位的滤波处理，从而提取包含不同频率成分和不同方位的特征，作为目标的非参数化特征，研究其不同分辨率目标的特征与图像分辨率的关系。考虑到计算效率的问题，不可能在Gabor滤波器组中包含所有中心频率的滤波器，实际应用中通常根据经验选取某几个中心频率和方位expj°fxexpj°fx)、x2、x2——赤2/fJx，°f)=g(2-(2-1)I其中，。是空间尺度因子，°f是中心频率。将它分解可以得到两个实滤波器：余弦Gabor滤波器和正弦Gabor滤波器，它们的形式如下：其中，。是空间尺度因子，°f是中心频率。将它分解可以得到两个实滤波器：余弦Gabor滤波器和正弦Gabor滤波器，它们的形式如下：cosG兀°x)exp-\x2——

2b2(2-2)八qx，°「=土exp一sinGmx)x2——2b2

k7与一维Gabor滤波器类似，二维Gabor滤波器的空间域描述为:fQy,b,b,°,0)=(xcos0+ysin0)2(-xsin0+ycos0)22b2 2b2x yxy1 exp2兀bb(2-3)(2-4)•expt'2兀Coxcos0+°ysin01其中，f分别表°x和°y其中，f分别表示中心频率及方位。同样，分解该滤波器可以得到两个实滤波器，余弦Gabor滤波器和正弦Gabor滤波器：f(x,y,bx,bf(x,y,bx,b1 exp2丸bbx(2-5)r(xcos0+ysin0)2 (-xsin0+ycos0)22b2 + 2b2x•cos£kCoxcos0+°ysin0)}

(2-6)fCx,y,b,b,气,0「=(2-6)1 exp2兀bb'(xcos0+ysin0)2(-xsin0+ycos01 exp2兀bb2b2 2b2xy•sin2兀巾xcos0+wysin0)}我们采用二维余弦Gabor滤波器作为图像特征提取的滤波器，故只对二维余弦滤波器进行研究设计，由于正弦Gabor滤波器和余弦Gabor滤波器有着许多相似的性质，可以采用同样的方法对正弦Gabor滤波器进行设计。对式(4-6)作Fourier变换得到：F(w,w,b,b,w,0)=xyxy2{exp—2兀2[2Ccos0+wsin0+w)+b2Cwsin0+wcos0)}(2-7)+exp—2兀2^2Cocos0+wsin0-w)+b2lwsin0+wcos0由式(3-7)可知，滤波器F0,①,bq,①，0)中有四个自由参量:xyxyffbxQy,七，七，因此我们的任务就是确定这四个量。2.3图像预处理人眼的虹膜由各类形态的冠状、各类形态的斑点、各类形态的细丝等局部特征环组合在一起环绕而成的[31。但是，由于不同个体的虹膜的区分主要点主要集中于不同个体的纹理细节的不同，所以一般情况下，采用黑白图像，对于本文的识别工作就已经足够了。因此本系统选择使用高分辨率的黑白OCMOS成像芯片，具体像素选择640x480以上，光学成像镜头选择要求50line对以上进行成像处理。通过该相机拍照试验可以证明该种程度的拍出来的人眼相片的分辨率可以保证比较清楚地反映出所拍摄人体人眼的虹膜的相关细节，足够进行人体虹膜识别判断。下面是拍摄的一组人体人眼的照片，具体照片的拍摄效果如下图所示:

图2-3选取的六组人眼照片为了方便本文的研究，本文从摄像头之中选取了几张照片进行识别定位处理。在这里我们以其中一张照片作为例子，进行实际中的人眼虹膜识别及定位等的一些相关的处理。本文选取了其中一张图片作为待处理的图片。原始图片见下面图2-4原始待处理图片所示：图2-4原始待处理图片下面一个公式展示了二值化的具体的原理：fl,f(i,j)>TF(i,j)={ (2-8)[0,f(i,j)<T其中，F(i，j)表示为灰度图像二值化的具体输出，f(i，j)为为灰度图像二值化的具体输入像素，T为灰度图像二值化的具体阈值。而这里具体确定图像二值化的具体阈值T的方法为迭代法，具体方法如下所示：1） 确定灰度图像二值化的具体最小灰度值Tm,然后确定灰度图像二值化的具体最小灰度值最大灰度值Tn,则灰度图像二值化阈值初值可以表示为：T0=（Tm+Tn）/2；Tm=0，Tn=255；2） 将图像分割成背景和图案二个部分，分别求出灰度图像二值化的具体的平均灰度值Ti=188和Tj=120.3） 求出灰度图像二值化的具体新阈值:T1=（Ti+Tj）/2；4） 如果T0=T1，则结束，否则令T0==T1，Ti=Tn+Ti；Tj=Tm+Tj；转向第二步。为了对于图像进一步的二值化处理，本文首先确定灰度图像二值化的具体最小灰度值Tm，然后确定灰度图像二值化的具体最小灰度值最大灰度值Tn，则灰度图像二值化阈值初值可以表示为：T0=（Tm+Tn）/2；其次，将图像分割成背景和图案二个部分，分别求出灰度图像二值化的具体的平均灰度值Ti和Tj.接着求出灰度图像二值化的具体新阈值:T1=（Ti+Tj）/2；最后如果T0=T1，则结束，否则令T0==T1，转向图像分割成背景和图案二个部分，分别求出灰度图像二值化的具体的平均灰度值Ti和Tj继续执行，直到迭代过程结束。得到二值化的阈值为176；为了更很好地对比，本文将0设定为黑色，255设定为白色；具体的二值化图像如下图2-5二值化图像所示：图2-5原始待处理图片（左）二值化图像（右）毫无疑问，在一般的网站中的图像图像都含有多多少少一定的噪声，因此对于去噪灰度图像二值化处理之后必须进行去噪处理，我们这里采用的是均值滤波的方法进行去噪的，均值滤波算法是几种滤波算法之中，非常典型的滤波算法之一，均值滤波算法是指定对于待处理的图像上面，通过目标像素并将其设定为中心点进而延伸为小窗口。这个窗口包含了靠近目标像素的像素。再来爸全部像素的均值代表中心点的灰度值。常见的取均值的算法有算术均值、几何均值、谐波均值、逆滤波均值。邻域平均法与其他滤波算法不同，可以说是一种对于局部空间域进行处理的算法。邻域平均法假设一幅图像fG,y）为一个维度为NxN的阵列，对该NxN的阵列处理后的图像可以进一步表示为gG,y），gG,y）的每个像素的灰度级具体的

决定因素是，G,y）领域的几个像素之内的具体的不同的灰度级的平均值的数值来计算的：g(g(x,y)=—£f(x,y)

m（2-9）式中x,y=0,1,2...,N-1；s是以G,y）领域的几个像素之内的具体的中心邻域的集合，m是心邻域集合内坐标总数。中值滤波也是经常使用的一种滤波算法，其基本原理是通过把选择的数字图像的随机一点的具体的数值当作该点周围领域之内的各点值的中值来进行代替。数学公式如下式所示：Y=Med{f，…,f，…，f}i i一v i i+v对于下面是自二位序列{X^行本算法也即是中值滤波时，中值滤波的滤波窗口同样是二维的，中值滤波的二维滤波窗口可以有不同的形状具体表示为：Y..=Med{X口},A为滤波窗口在中值滤波算法实际使用中，中值滤波算法窗口的大小，一般都是在使用过程之中，进行慢慢增加，直到中值滤波算法的滤波效果满意。在使用的本算法进行滤波时，最需要我们注意的是，最好保持中值滤波算法的图像有效薄形物体。从上面图2-5二值化图像可以看出来，图像的噪点还是非常多的，图像的上方分布着多多少少的一些噪点，因此对于图像二值化处理之后必须进行去噪处理，我们这里采用的是均值滤波的方法进行去噪的，具体去燥之后的图像如下图2-6去燥后的图像所示：图2-6去燥后二值化图像（左）、均值滤波（中）中值滤波（右）经过上述处理之后可以清楚地看出虹膜的内边界，就是去燥后的图像的一圈白圈，可以看到睫毛对于虹膜圈有一定的影响，因此，将睫毛继续通过高斯滤波之后可以进一步得到虹膜的内边界如下图2-7所示：

图2-7虹膜的内边界图像灰度图像二值化经过预处理后，我们顺利的找到了虹膜内边界，对于外边界确定，由于虹膜巩膜灰度化差异小，不适宜用二值化方法处理，因此这里选择边缘检测算法，本文边缘检测的方法采用的是Roberts算子边缘分割。首先我们可以求出利用Roberts算子，具体的表达式如下：g(x,y)=[Jf(x,y)-Jf(x+1,y+1)]2+[Jf(x+1,y)-Jf(x,y+1】2(2-10)然后我么可以用这个求得到的算子来找到图像的边缘。对于图像的定位的算法，简单来说就是确定图像在人眼的瞳孔之中的具体位置，然后把识别到的具体的图像还原复现出来，就达到了基本的人眼的识别和定位的基本功能。具体的图像分割得到的具体的虹膜的外边界如下所示:图2-8虹膜的外边界图像归一化是指对图像进行了一系列标准的处理变换，使之变换为一固定标准形式的过程，该标准图像称作归一化图像。

我们这里的归一化是指要把圆环状的图像归一化为矩形的图像，这样既可以压缩图像的大小（去掉圆饼以外的白色不需要的像素）又便于后续的特征提取或者识别操作，处理的原理很简单，想想一下，就是把这个圆饼状从某处切开，然后分别往两边一拉就成矩形状了，当然这个过程会使得图像略有点变形，变形的部分我们用它邻近的像素点代替就可以了，比较这个影响不是很大。图2-9归一化处理图示算法上实现也很简单，得到归一化结果后，从虹膜图像中减去背景照明亮度均匀虹膜图像。加强与亮度均匀的图像直方图均衡化，进而可以使得虹膜图像的对比度变得更加清晰，便于红膜图像特征提取，以及后文的对比。具体实现出来的归一化图像，以及归一化之后增强处理的图像如下图所示：图2-10归一化处理结果以及增强结果2.4可行性分析无论从生物学的角度还是技术的角度，Gabor特征都有很大的优越性。在基