本文關(guān)鍵詞：虹膜裂縫、環(huán)狀線條檢測(cè)方法研究

  更多相關(guān)文章： 虹膜裂縫 虹膜環(huán)狀線條 虹膜紋理檢測(cè) 線檢測(cè) 矢量圖像檢測(cè)

【摘要】：虹膜表面具有豐富的紋理,主要有裂縫、環(huán)狀線條、坑洞、色素斑和卷縮輪內(nèi)部紋理構(gòu)成,這些紋理中所蘊(yùn)含的特征信息是虹膜身份識(shí)別和進(jìn)行人體健康狀況評(píng)價(jià)的重要依據(jù)。而現(xiàn)有的對(duì)于虹膜特定形狀的檢測(cè)方法的檢測(cè)率和誤檢率較高,且無法提供具體的特征信息,而這些信息所反映的虹膜紋理特征是虹膜識(shí)別的特征參數(shù)與人體健康狀況評(píng)價(jià)的評(píng)價(jià)依據(jù)。本文以虹膜裂縫與環(huán)狀線條為檢測(cè)對(duì)象,研究其檢測(cè)方法以及檢測(cè)所得紋理的特征描述方法。主要研究工作及貢獻(xiàn)如下:(1)針對(duì)于在豐富的虹膜紋理中排除非裂縫紋理而正確地檢測(cè)到裂縫是個(gè)比較困難的問題,本文提出了由粗到精的虹膜裂縫的檢測(cè)方法。該方法能夠?qū)崿F(xiàn)在異常豐富的虹膜紋理的復(fù)雜背景下對(duì)于虹膜裂縫的檢測(cè)。首先,根據(jù)裂縫與背景相比具有一定灰度差的特征,使用水平方向的線性灰度差分模板在預(yù)處理歸一化展開后的虹膜圖像上搜索裂縫可能存在區(qū)域,得到二值圖像。該方法在完整地提取到圖庫中所有的裂縫特征的同時(shí)還包括其他一些與其相似的非裂縫特征,其中包括卷縮輪內(nèi)部紋理、坑洞、色素斑。其次,依據(jù)虹膜卷縮輪內(nèi)部紋理在經(jīng)過灰度差分的二值圖像上的長(zhǎng)度、位置上具有自相似性,而裂縫無論長(zhǎng)度、位置具備特異性,本文設(shè)計(jì)了局部密度最大值聚類的方法排除卷縮輪內(nèi)部紋理。該方法以二值圖像的各連通區(qū)域的長(zhǎng)度與位置為特征空間,作為參與聚類的數(shù)據(jù)點(diǎn),屬于卷縮輪內(nèi)部紋理的數(shù)據(jù)點(diǎn)則比較集中。求出每個(gè)數(shù)據(jù)點(diǎn)的局部密度及距離,得到密度值最大的點(diǎn)作為聚類中心。該方法能夠把不同圖像上各異的卷縮輪內(nèi)部紋理聚為一類,從而將其排除。實(shí)驗(yàn)結(jié)果表明,文中采用的方法對(duì)于卷縮輪內(nèi)部紋理的排除率達(dá)到92.21%,能夠較好地排除卷縮輪內(nèi)部紋理,從而可為后續(xù)步驟提供良好的基礎(chǔ)。最后,采用基于脊線檢測(cè)算子與能量密度的檢測(cè)方法排除其他的非裂縫特征。通過對(duì)不同特征紋理在原圖像上一定的區(qū)域內(nèi)具備不同的極值點(diǎn)的特性,設(shè)計(jì)滿足于針對(duì)裂縫脊線特征的線檢測(cè)算子,該算子會(huì)對(duì)一定方向的裂縫具有顯著的檢測(cè)性,而其他非裂縫特征經(jīng)脊線檢測(cè)后會(huì)出現(xiàn)多個(gè)對(duì)應(yīng)脊線的特性。該方法首先以前兩步方法之后得到的二值圖像為中心,映射回原圖像上找到對(duì)應(yīng)的附近的圖像區(qū)域信息,對(duì)該區(qū)域采用脊線檢測(cè)算子進(jìn)行檢測(cè)。以此小區(qū)域內(nèi)經(jīng)脊線檢測(cè)算子檢測(cè)到的二值圖像的白色區(qū)域?yàn)槟芰肯袼?利用文中定義的能量密度判斷集中在中線附近的像素點(diǎn)的個(gè)數(shù)與總體面積的比例來表述各區(qū)域的能量密度,能量密度小的區(qū)域?yàn)榱芽p,而能量密度大的區(qū)域則為非裂縫特征。實(shí)驗(yàn)結(jié)果表明,對(duì)于裂縫的檢測(cè)正確率能達(dá)到94.09%。文中定義的脊線檢測(cè)算子與能量密度能夠有效地反映裂縫的特性信息,排除非裂縫特征,從而實(shí)現(xiàn)裂縫的檢測(cè)。(2)針對(duì)于虹膜環(huán)狀線條在虹膜圖像上信號(hào)強(qiáng)度較為微弱,而在豐富的虹膜紋理中正確地檢測(cè)到環(huán)狀線條是個(gè)比較困難的問題,提出了基于矢量加權(quán)線檢測(cè)算子的虹膜環(huán)狀線條的檢測(cè)方法。環(huán)狀線條的優(yōu)勢(shì)信號(hào)會(huì)出現(xiàn)在RGB空間上三分量上的某一個(gè),但哪個(gè)分量是隨機(jī)的,而現(xiàn)有的環(huán)狀線條的檢測(cè)方法都是在灰度圖像上進(jìn)行的檢測(cè),在由矢量圖像向灰度圖像轉(zhuǎn)化的過程中采用傳統(tǒng)的固定三分量加權(quán)而使得優(yōu)勢(shì)信號(hào)出現(xiàn)的通道的轉(zhuǎn)化會(huì)使得本不強(qiáng)勢(shì)的信號(hào)強(qiáng)度進(jìn)一步降低。而設(shè)計(jì)了自適應(yīng)加權(quán)方法,該方法首先設(shè)計(jì)特征矩陣,通過求得特征矩陣的最大特征值所對(duì)應(yīng)的特征向量來作為由矢量圖像轉(zhuǎn)換為單通道圖像的加權(quán)值,使得優(yōu)勢(shì)信號(hào)出現(xiàn)的分量的權(quán)值最大,此加權(quán)值依據(jù)不同的圖像得到的特征矩陣不同因而自適應(yīng)地得到,從而得到邊緣最為突出的單通道圖像。在此基礎(chǔ)上進(jìn)行線檢測(cè)得到二值圖像,再依據(jù)環(huán)狀線條的形狀特征設(shè)計(jì)形狀因子找到符合環(huán)狀線條的區(qū)域,實(shí)現(xiàn)環(huán)狀線條的檢測(cè)。經(jīng)過在環(huán)狀線條有效區(qū)域提取的ROI圖像上進(jìn)行實(shí)驗(yàn),測(cè)試結(jié)果表明,該方法的正確率達(dá)到91.78%,大大提升了檢出率。(3)為了獲得虹膜紋理的特征信息,針對(duì)裂縫與環(huán)狀線條的特性,分別選擇了長(zhǎng)度、寬度、面積等構(gòu)成特征矩陣用來作為特征參數(shù)描述檢測(cè)所得裂縫與環(huán)狀線條信息,詳細(xì)論述了上述參數(shù)的計(jì)算方法以及虹膜圖像裂縫和環(huán)狀線條的特征向量和特征矩陣。另外,文中還討論了用于本文算法測(cè)試和評(píng)價(jià)的分類圖庫的建立問題以及虹膜圖像的預(yù)處理問題。
【學(xué)位授予單位】：沈陽工業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 張波;虹膜裂縫、環(huán)狀線條檢測(cè)方法研究[D];沈陽工業(yè)大學(xué);2017年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 杜文玉;虹膜病理特征提取與診斷模型研究[D];哈爾濱工業(yè)大學(xué);2009年

，

本文編號(hào)：1258942