一种检测鼓膜内边缘定位的方法

一种检测鼓膜内边缘定位的方法

1检测边缘的定位算法作为一种重要的身份识别特征，蜂窝具有绝对优势、稳定性和非侵蚀性等优点。虹膜识别主要包括虹膜定位、虹膜编码、匹配决策等部分,其中虹膜定位的精确度将影响虹膜识别的有效性,虹膜定位的速度将影响虹膜识别技术的实用性。目前的虹膜定位方法大都采用Wildes提出的图像二值化并结合Hough变换和Daugman的圆形检测算子。传统的Hough变换算法是对检测出的边缘图像进行Hough变换,由于定位圆心和半径,需要3个参数的变化进行搜索,因此搜索过程复杂,耗时较多。为了提高虹膜定位的精度和速度,本文提出了一种改进的算法。改进的思路是:对于虹膜内边缘定位,首先对二值化后的虹膜图像进行腐蚀、膨胀以去除眼睫毛及眼睑的干扰,然后对该二值化图像运用灰度投影法找到横、纵坐标投影的最大值以确定瞳孔内的一点,找到该点后,对采用Canny算子边缘检测后的图像沿着该点向4个方向搜索,从而检测到虹膜内边缘上的4个点,最后利用这些点并应用圆的方程对虹膜内边缘进行定位。对于虹膜外边缘定位,由人眼的几何特征可知,虹膜的上、下两侧都有少部分被眼睫毛及眼睑遮挡,因此边缘图像中的有效信息主要分布在虹膜外边缘的左、右两侧。在虹膜外边缘定位中,本文首先应用已经检测出的虹膜内边缘参数等先验知识去除上、下眼睫毛以及内边缘噪声等大量无关信息,从而基本完整地保留了外边缘左、右两侧部分,对这两部分采用一种小范围搜索的改进Hough变换,可以快速准确地定位出虹膜外边缘。该方法减少了直接用Hough变换的累积计算,在精度和速度上都有较大的改进。2膜定位2.1固定图像中内边缘的检测虹膜的灰度分布比较有规律,从瞳孔中心向外,灰度值加大。采集的虹膜图像瞳孔部分灰度值一般在20～80之间,环形虹膜部分的灰度值一般在120～180之间,巩膜部分灰度值一般在200以上。根据这个特点,在理想情况下可以用灰度投影的方法粗略定位出内圆圆心的大概位置,这只是想保证找到瞳孔内的一点,为能够有效地找到虹膜内边缘点打下基础。由实验得知,这种方法对于眼睫毛浓密的人眼误差很大,对这样的图像直接使用灰度投影法所找到的点已经超出了瞳孔边缘,在这个错误的基础上结合圆的方程自然也就得到错误的圆心和半径(如图1(a)、(b)所示)。因此只有对图像进行有效预处理,以减少眼睫毛的干扰才能保证所找到的点在瞳孔内,从而能够使用本文提出的算法精确地定位出虹膜内边缘(如图1(c)、(d)所示)。具体作法如下:根据虹膜灰度分布特点,先对虹膜图像进行二值化,得到了包括瞳孔和部分眼睫毛的二值化图像(如图2(a)所示),然后对该二值化图像取反(如图2(b)所示),再利用形态学的腐蚀、膨胀(如图2(c)所示)去除大部分眼睫毛,但仍基本保持了瞳孔的形状,最后应用灰度投影法就可以保证所要找的点在瞳孔内。对图2(c)运用灰度投影法,对图像每一列的灰度值进行求和,找出最大值所在的列即为所要确定点的横坐标,再对图像每一行的灰度值进行求和,找出最大值所在的行即为所要确定点的纵坐标,灰度投影表达式如下:xj=∑i=1f(i,j)(1)xj=∑i=1f(i,j)(1)yi=∑j=1f(i,j)(2)yi=∑j=1f(i,j)(2)式中:f(i,j)为图像中坐标为(i,j)处像素的灰度值,取值为0或1,xj为列求和,yi为行求和。由x=max(xj),y=max(yi)即可确定瞳孔内的点M(x,y)。M确定之后,利用Canny算子对原图像提取边缘,在该边缘图像中从M点开始向上下左右4个方向搜索,找到4个边缘点后分别记录它们的坐标。按上下左右4个方向的顺序分别设这4个点为P、Q、R、S,如图2(d)所示。圆的方程的一般表达式为:x22+y22+Ax+By+C=0(3)式中:圆心坐标为(−A2,−B2)(-A2,-B2),半径为A2+B2−4C√2A2+B2-4C2。把以上4个点中的任意3个点的坐标代入即可求出圆心和半径,共可以求出4组,最后求平均值得到虹膜内边缘的圆心和半径。该算法原理如下:将式(3)整理得:Ax+By+C=-x22-y22(4)从这4个点中取出任意的3个点P、Q、R,设它们的坐标分别是(x1,y1)、(x2,y2)、(x3,y3),则有:Ax1+By1+C=-x2112-y2112(5)Ax2+By2+C=-x2222-y2222(6)Ax3+By3+C=-x2332-y2332(7)化为矩阵的形式即为:UT=V(8)则:T=U-1V(9)由此求出A、B、C,确定出圆心和半径。其他3组求法同理。这种方法避免了直接使用Hough变换求虹膜内边缘的圆心、半径,大大减少了计算量,并提高了定位的精度。2.2有去除噪声的主体区域传统Hough变换的算法描述如下:(1)对图像作预处理,通过边缘提取算子获得二值化边界图像,并确定圆的半径范围;(2)初始化Hough矩阵,即圆参数的累加器数组A(x,y,r)=0;(3)对图中每个点作半径为r的圆,取遍所有的x,计算y,然后计算A(x,y,r)的值;(4)由A(x,y,r)的最大值确定圆的3个参数。该方法的缺点是:对于边缘上的任意点,都要对以它为圆心,以r为半径的圆周上的所有点检测一遍以确定圆心可能的位置,这样做具有盲目性,耗时较多。本文的方法叙述如下:由于Hough变换的计算量很大,所以需对原图像进行适当的缩小,然后利用Canny算子提取边缘并进行去噪处理,这样做不仅减少了计算量,而且也减少了噪声点对边缘点的干扰。图3(a)是经适当缩小后的图像,图3(b)是图3(a)经Canny算子作用后的边缘图像,从图3(b)中可以看出噪声主要包括3部分:上眼睑及眼睫毛部分、下眼睑及眼睫毛部分、瞳孔边缘及其附近的噪声点。从该图还可以看出虹膜外边缘并不完整,它的上部被上眼睑及眼睫毛遮挡,而下部则被下眼睑及眼睫毛遮挡,有用的信息主要分布在左右两侧的圆弧上。实验所用的虹膜图像来自于中国科学院自动化研究所提供的CASIA虹膜图像数据库,图像为280×320像素的矩阵,如下是一些经过实验后的经验值:内圆半径r范围:35～65;外圆半径R范围:85～125;大圆和小圆半径差的范围:45～80。由于已经定位出虹膜内边缘,所以内边缘的圆心o(x0,y0)和半径r都已知。设适当缩小后的虹膜内边缘圆的圆心为o1(x1,y1)(其中x1=x0×scaling,y1=y0×scaling,scaling为图像的缩放尺度),半径为r1(r1=r×scaling)。去除噪声的具体步骤如下:(1)瞳孔边缘及其附近噪声点的去除:把以o1(x1,y1)为圆心,以R0(r1<R0<r1+Δr)像素长度为半径的圆形区域内所有灰度值为1的点都赋值为0。被去除的噪声部分如图3(c)中的圆形区域。(2)上眼睑及眼睫毛噪声的去除:把以圆心o1(x1,y1)正下方第h1个像素点为圆心,以R1(R1=h1+r1+Δr1)像素长度为半径的圆以外的所有灰度值为1的点都赋值为0。被去除的噪声部分如图3(c)中上面圆弧以外的区域。(3)下眼睑及眼睫毛的去除:把以圆心o1(x1,y1)正上方第h2个像素点为圆心,以R2(R2=h2+r1+Δr2)像素长度为半径的圆以外的所有灰度值为1的点都赋值为0。被去除的噪声部分如图3(c)中下面圆弧以外的区域。由图3(d)可以看出,大部分噪声都被去除了,而且虹膜外边缘两侧的圆弧部分基本上被完整地保留下来。下面对Hough变换进行改进,具体作法如下:由于虹膜内、外圆的圆心不会偏离太大,所以对于每一个边缘点,只需考虑以它为圆心,以R(85≤R≤125)为半径且朝着内圆圆心方向的部分圆弧即可。设外边缘上任意点E的坐标为(u,v)如图4(a)所示,则从该边缘点到内圆圆心o1(x1,y1)方向的方向角θ1计算如下:设θ=arctan(y1−vx1−u)θ=arctan(y1-vx1-u)(忽略圆心正上方和正下方的点):若x1>u,y1>=v,则该方向角θ1=θ;若x1>u,y1<v,则该方向角θ1=θ+2π;若x1<u,y1>=v,则该方向角θ1=θ+π;若x1<u,y1<v,则该方向角θ1=θ+π;令θ2=θ1-Δθ,θ3=θ1+Δθ,则只需考虑这2个角度之间的那段劣弧即可。3膜内、外边缘定位本实验应用CASIA虹膜数据库的图像,并用MATLAB7.0编程实现了文中提出的算法,精确地定位出虹膜内、外边缘,如图4(b)所示,而且定位速