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合Hough變換,以及Daugman的圓形檢測算子等。應用傳統(tǒng)的Hough變換確定圓心和半徑,需要對3個參數(shù)進行搜索,因此搜索過程復雜,耗時較多。已有一些算法對傳統(tǒng)的Hough變換算法進行了改進,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:對于虹膜內(nèi)邊緣定位,采取有效的去噪措施,然后運用灰度投影法粗定位出虹膜內(nèi)圓圓心。實驗表明,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際圓心偏離較小。在此基礎上,可確定一個小范圍的搜索區(qū)域,即選擇粗定位圓心的一個較小的鄰域作為精定位圓心的候選區(qū)域,并設計了一種小范圍搜索方法,確定出內(nèi)邊緣圓心和半徑。對于虹膜外邊緣定位,首先利用Canny算子進行邊緣提取,然后應用本文提出的去噪方法,利用已檢測出的虹膜內(nèi)定位參數(shù)等先驗知識去除上、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偏離太多的特點和虹膜庫的先驗知識,對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,與文獻的方法相比,本文算法明顯提高了定位速度,且對瞳孔中光斑的影響具有較強的抗干擾能力。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(見圖1(a))。根據(jù)這個特點,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偏離實際圓心太遠,且能夠使用本文提出的算法精確地定位出虹膜內(nèi)邊緣,對圖像進行了有效的預處理,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,先對虹膜圖像進行二值化,得到了包括瞳孔和部分眼睫毛的二值化圖像(見圖1(b)),然后對該二值化圖像取反(見圖1(c)),再利用形態(tài)學的腐蝕、膨脹去除大部分眼睫毛,從而基本完整地保留了瞳孔(見圖1(d)),最后應用灰度投影法粗定位內(nèi)圓圓心。對圖1(d)運用灰度投影法,灰度投影表達式如下: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,首先對原虹膜圖進行適當?shù)目s小,這樣可減少算法的運算時間,然后對縮小后的虹膜圖運用Sobel邊緣檢測算子得到如圖2(a)所示的邊緣圖像。相對于文獻用Canny算子提取邊緣,本文使用Sobel算子能節(jié)省部分時間,雖然提取邊緣的效果不如Canny算子理想,但對于運用下面將要介紹的“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用信息,其中主要為眼睫毛噪聲,這對虹膜內(nèi)定位的速度和精度都有較大的影響,因此須對邊緣圖像進行去噪處理。具體的處理步驟為:設點M′為點M在縮小后的虹膜圖像中的對應位置,其坐標為(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為實驗經(jīng)驗值)為半徑的圓以外(如圖2(b))所有灰度值為1的點都賦值為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,這為后續(xù)的虹膜內(nèi)邊緣精定位算法的實現(xiàn)奠定了堅實的基礎。對邊緣圖像進行去噪以后,就可以運用本文提出的基于小范圍搜索的虹膜定位方法來精定位出虹膜內(nèi)邊緣,其本質是縮小了內(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)過大量的實驗表明,采用本文的去噪方法后,虹膜粗定位內(nèi)圓圓心M和實際圓心o不會偏離太大,且它們之間距離的經(jīng)驗值dMo(單位為像素)滿足0≤dMo≤8,所以在經(jīng)過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[(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)逐點進行搜索,以求得最適合的內(nèi)圓圓心和半徑。對于每個候選點,具體的搜索步驟為:1)計算該點與圖像中所有灰度值為1的點的距離d,并記錄下來,統(tǒng)計出這些距離中重復次數(shù)最多的那個值,作為內(nèi)圓的候選半徑;2)如果該候選半徑的重復次數(shù)比之前所有候選點所對應的候選半徑的重復次數(shù)都大,則設置內(nèi)圓圓心的坐標為當前候選點坐標,并更新內(nèi)圓半徑為該候選半徑;否則,跳過該點,對下一個候選點進行搜索;3)對候選區(qū)域內(nèi)所有候選點搜索完畢之后,即可確定縮小后的內(nèi)圓的圓心坐標和半徑;4)將縮小后的內(nèi)圓參數(shù)除以縮放尺度scaling即可求得實際的內(nèi)圓參數(shù):內(nèi)圓圓心坐標: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,大大減少了計算量,提高了定位的速度。通過該方法所得到的虹膜內(nèi)邊緣定位結果如圖4所示。2.2去噪和搜索選點本文先利用Canny算子對經(jīng)適當縮小后的原圖像提取邊緣,再對其進行去噪處理,這樣做不僅減少了計算量,而且也減少了噪聲點對外邊緣點的干擾。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。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的圓弧上。根據(jù)虹膜內(nèi)定位數(shù)據(jù)和虹膜先驗知識,本文采用了與文獻同樣的去噪方法,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,而虹膜外邊緣兩側的圓弧部分基本上被完整地保留下來。對邊緣圖像進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定位虹膜外邊緣。由虹膜庫的先驗知識和大量的實驗數(shù)據(jù)可知,虹膜內(nèi)圓圓心o和外圓圓心O不會偏離太大,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[(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)逐點進行搜索,以求得最適合的外圓圓心和半徑。對于每個候選點,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果如圖7所示。3光斑對定位效果的影響當采集人眼虹膜圖像時,瞳孔上的光斑是隨機出現(xiàn)的,所以實用的虹膜定位方法應該考慮到這種情況的干擾作用。對于內(nèi)定位,當瞳孔上有光斑時,如果采用按確定方向搜索的一些算法,如文獻等,當光斑出現(xiàn)在某一搜索路徑上時,會出現(xiàn)誤判,但本文算法對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,故光斑邊緣點的個數(shù)要小于瞳孔邊緣點的個數(shù),所以對于本文算法而言,光斑不會影響定位效果。而文獻對于瞳孔上有光斑的虹膜圖像的定位結果就失效了(如圖8(b)所示),對比兩種定位方法,本文算法具有較強的抗干擾能力。4編程的定位算法本實驗應用CASIA虹膜數(shù)據(jù)庫的圖像,并用MATLAB7.0編程實現(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驗表明,結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確度和速度的保證。充