[发明专利]基于非线性尺度空间的虹膜图像分割算法

说明书

技术领域

本发明涉及一种基于非线性尺度空间的虹膜图像分割算法。 

背景技术

生物特征识别算法(Biometrics)通过计算机利用人类自身的生理或行为特征进行个人身份认定。这些身体特征包括指纹、虹膜、掌纹、手形、人脸、声音、视网膜和DNA等人体的生理特征，以及签名动作、行走步态、敲击键盘的力度等行为特征。这些生理或行为特征由于人各有异、几乎随身携带并且具有相当的稳定性，能够成为身份鉴定的可靠依据。目前，生物特征识别算法凭借这些独特优势，已经在信息安全、金融交易、社会安全、人员管理、医疗卫生等领域获得了广泛应用。 

其他生物特相比，虹膜唯一性高、精度高、稳定性好，适用人群广泛。作为一项重要的生物特征识别算法，虹膜识别得到了科学界和工业界的高度关注。目前，一个典型的虹膜识别系统主要由虹膜图像预处理、特征提取和编码组成。其中虹膜图像预处理的主要任务是正确分割图像中的虹膜区域，即虹膜边界的定位，从而为后续的特征提取和编码过程提供有效信息。一般情况下，人们将虹膜的形状建模为圆环，其内外边界为同心圆，内圆即为瞳孔与虹膜的边界。虹膜预处理的基本步骤为：(1)确定瞳孔中心；(2)确定虹膜内边界；(3)确定虹膜外边界。虹膜边界定位是虹膜识别系统的基础，它会对最终的识别效果产生重要影响。最早的虹膜边界定位方法由Daugman提出，即经典的积分/微分算子(Integro-differential operator)；Wildes提出的算法将边缘检测与Hough变换相结合；Boles等采用一维三次样条小波提取出的图像过零点作为特征。随后，人们在虹膜图像预处理阶段引入了多种工具，如活动轮廓模型、傅里叶变换与几何投影、统计方法、Gabor滤波器等。 

近年来，考虑到虹膜识别系统的实用性，人们开始更多的关注非理想采集虹膜的识别。非理想采集虹膜图像由于存在反光、睫毛和眼睑遮挡等干扰，图像质量大为降低，这为虹膜边界的准确定位带来了很大困难。为此，人们提出了不同的方法。例如，等利用k均值模糊聚类实现对虹膜图像灰度的特征分类；Pundlik等利用图割实现虹膜分割，但是图割方法依赖于像素间的统计关系，忽略了边界信息，且迭代过程较长；He等提出了一种混合分割方法，即首先利用线性插值算法消除反光，再由弦长均衡方法搜索瞳孔中心；Jarjes等利用snake模型和角积分投影方法实现虹膜分割；Roy通过水平集方法实现虹膜边界的提取。然而，由于Snake和水平集两种方法均依赖于由偏微分方程控制的曲线演化模型，此类虹膜 分割方法收敛速度较慢，且对曲线的初始化位置非常敏感。 

发明内容

本发明针对上述关于非理想采集虹膜分割方法存在的不足，提出了一种基于非线性尺度空间的虹膜分割算法。这一算法分为两个阶段，能够在消除反光和睫毛遮挡的基础上，分别实现内边界定位和外边界定位。 

本发明采用的算法方案如下： 

一种基于非线性尺度空间的虹膜图像分割算法，包括以下步骤： 

步骤1对虹膜内边界定位：利用非线性尺度空间所具有的尺度演化特性，对原始虹膜图像进行平滑处理，消除瞳孔区域的亮斑，保证瞳孔区域的灰度处于整幅图像的最低水平，再通过阈值实现瞳孔检测，实现虹膜内边界定位； 

步骤2对虹膜外边界定位：利用非线性尺度空间的尺度演化特性，对原始虹膜图像进行平滑处理，消除几何尺度较小的睫毛对虹膜区域的遮挡，实现了对外边界的准确定位。 

所述的步骤1具体包括以下步骤： 

（1-1）对输入的虹膜图像I进行框架Laplace金字塔分解，得到概貌图像Ic和细节图像Id； 

（1-2）对概貌图像Ic进行非线性尺度空间下的各向异性扩散，得到图像Ic_diffu1； 

（1-3）考虑到正常情况下瞳孔区域的灰度值最低，则设定阈值Th，将图像Ic_diffu1二值化，低于此阈值的像素的灰度值置为0，得到L区域；否则置1，得到H区域； 

（1-4）对L区域进行闭运算，得到图像Ic_pupil，即概貌图像Ic的二值化的瞳孔区域，其中闭运算采用的结构算子为圆，用b表示，即