穆 珺,晏峻峰*,彭清華*（湖南中醫(yī)藥大學，湖南 長沙 410208）

一種面向中醫(yī)目診的虹膜定位算法

穆 珺,晏峻峰*,彭清華*
（湖南中醫(yī)藥大學，湖南 長沙 410208）

虹膜診斷對于中醫(yī)與民族醫(yī)學的目診理論具有重要的補充和借鑒作用，有必要深入研究虹膜及其圖像特征與疾病、體質、中醫(yī)辨證的證候要素等因素間的對應關系。本文以基于中醫(yī)目診的虹膜特征分析為出發(fā)點，以虹膜儀采集圖像為對象，研究并提出了一種基于中醫(yī)目診的虹膜定位算法。該算法首先采用基于灰度閾值估計的方法得到瞳孔中心大致位置，再基于相似參數(shù)組的合并改進霍夫變換算法，得到虹膜內邊界的定位結果，解決虹膜儀圖像的瞳孔收縮、邊界發(fā)生部分形變的問題。然后采用K均值聚類估計虹膜區(qū)域的大致范圍，并以此構造初始輪廓，利用主動輪廓模型得到虹膜的外邊界，從而避免由于圖像畸變而引起霍夫變換失效的問題。

中醫(yī)目診;虹膜定位;霍夫變換;K均值聚類;主動輪廓模型

目診在中醫(yī)及民族醫(yī)學中具有悠久歷史和重要作用；而虹膜診斷則是發(fā)源于西方的目診法[1-2]。西方醫(yī)學界因部分虹膜診斷結果不能得到嚴格雙盲對照實驗支持而對虹膜診斷存在質疑，但大量研究工作從實驗結果、臨床數(shù)據的角度，證實了虹膜與疾病之間顯著相關[2]，如相關研究工作顯示：瞳孔和卷縮輪大小、形狀、邊緣光滑度，在胃腸道疾病患者和對照組中有顯著差異；角膜環(huán)獨立于已知的心血管危險因素，與心血管疾病相關；虹膜外觀特征分別與慢性腎病分期和中醫(yī)辨證分型相關；血管緊張素轉換酶基因多態(tài)性、高血壓和虹膜體質類型存在相關性。

可見盡管虹膜診斷還存在爭議，但虹膜與疾病、體質、中醫(yī)辨證分型等因素之間具有相關性，值得深入研究和發(fā)掘[1-5]。并且，虹膜診斷理論對于中醫(yī)目診中虹膜（黑睛）特征的相對缺乏可能具有重要的補充和借鑒作用，有待進一步深化。為此，有必要進行基于中醫(yī)目診的虹膜特征及其相關因素的研究，進行虹膜特征的提取和分析，深入挖掘和研究虹膜特征與疾病、體質、中醫(yī)證候要素之間的關系。而虹膜定位則是虹膜特征提取的前提和關鍵。虹膜定位的準確性、魯棒性和自動化程度將極大影響虹膜特征提取的效率和準確性?，F(xiàn)有的虹膜定位算法大都是針對虹膜識別領域的應用[6-11]，處理對象分別為：近紅外虹膜圖像、可見光虹膜圖像；而虹膜特征提取與分析一般采用虹膜采集圖像，各類不同的虹膜圖像之間差異比較顯著[8-11]。目前，針對虹膜儀圖像的定位算法的研究尚比較缺乏。因此，本文以基于中醫(yī)目診的虹膜特征分析為出發(fā)點，針對虹膜儀采集圖像的特點，研究并提出了一種基于中醫(yī)目診的虹膜定位算法。

1 基本思路

1.1 虹膜儀圖像的特點

虹膜儀采集的虹膜圖像與虹膜識別領域中常用的可見光虹膜圖像比較而言存在顯著的差異。

如圖1所示：虹膜儀采集的虹膜圖像為近距離成像，因此虹膜邊界（尤其是外邊界）畸變比較明顯，導致形狀很可能與標準的圓形差異較大；虹膜儀采集過程中，光源距離很近，因此圖像中存在過度曝光、陰影和亮度不均勻；不僅如此，成像過程中瞳孔很可能收縮，產生形變。這些因素對于虹膜內外邊界定位都有很大干擾。

因此，本文所研究的虹膜儀圖像定位在借鑒虹膜識別領域中的虹膜圖像算法基礎上，根據上述特點采取相應的策略。

圖1 虹膜儀圖像的特點

1.2 虹膜定位總體流程

算法總體流程是：先定位虹膜內邊界，再定位虹膜外邊界。

在虹膜內邊界定位中，采用基于灰度閾值估計的方法得到瞳孔中心大致位置，估計瞳孔半徑，再進行改進的霍夫變換，得到虹膜內邊界（瞳孔）的定位結果。

在虹膜外邊界定位中，采用K均值聚類估計虹膜區(qū)域的大致范圍，并以此構造初始輪廓，利用主動輪廓模型得到虹膜的外邊界，從而避免由于圖像畸變而引起霍夫變換失效的問題。

2 虹膜內邊界定位

2.1 瞳孔區(qū)域的粗略定位

在虹膜儀采集的虹膜圖像中，瞳孔區(qū)域的亮度比較暗，并且和虹膜區(qū)域的區(qū)別比較顯著。

根據虹膜與瞳孔的結構特點，以及虹膜儀采集圖像的特點，可以大致計算出瞳孔區(qū)域在整幅圖像中所占像素的比例為0.08～0.10。因此，對于每幅虹膜圖像，先將所有像素的灰度值按照升序排列，取第N個灰度值fN作為閾值（N=0.08×m×n，其中，m、n分別為圖像的長和寬），即每幅虹膜圖像根據自身灰度分布特點動態(tài)確定閾值，得到包含所有低亮度區(qū)域的二值圖像，如圖2（a）所示。

由圖2（a）可見，基于灰度閾值的二值圖像中，基本包含了除高光外的瞳孔區(qū)域的全部范圍，此外，還包括了陰影、睫毛、虹膜紋理等干擾因素。為排除上述干擾，利用瞳孔的形狀與面積特征，在二值圖像的所有聯(lián)通區(qū)域中，首先進行腐蝕操作以降低瞳孔周圍紋理或陰影的干擾，再排除面積小于給定閾值的聯(lián)通區(qū)域，然后在剩下的聯(lián)通區(qū)域中篩選出離心率最小（最接近圓形）的聯(lián)通區(qū)域，并對其進行膨脹操作，得到的即為近似的瞳孔區(qū)域，如圖2（b）所示。

2.2 瞳孔邊界的霍夫變換

虹膜內邊界（瞳孔）通常遠離圖像邊緣，圖像畸變相比外邊界尚不明顯，形狀基本保持圓形；但是由于采集過程中光照等原因，瞳孔極易產生收縮反應，從而邊界發(fā)生部分形變。因此，本文使用改進的霍夫變換算法實現(xiàn)對于虹膜內邊界（瞳孔）的精確定位。

首先，在已經得到瞳孔區(qū)域粗略定位的基礎上，可大致估計出瞳孔區(qū)域的范圍、瞳孔中心的大致位置、瞳孔區(qū)域的半徑取值范圍。為減少噪聲的干擾，以瞳孔中心為中心、瞳孔區(qū)域半徑加給定增量為邊長，在原始虹膜圖像中截取一個正方形區(qū)域，縮小瞳孔精確定位的處理范圍。截取的瞳孔區(qū)域如圖3（a）所示，對瞳孔區(qū)域進行canny邊緣檢測，可得到瞳孔區(qū)域的邊緣圖像，如圖3（b）所示。

圖2 瞳孔區(qū)域的粗略定位

其次，針對虹膜圖像中的高光可能對瞳孔定位的影響，進行高光噪聲檢測與去除。通過設定閾值參數(shù)定位出高光區(qū)域，計算出二值化掩碼圖像，如圖3（c）所示，在瞳孔區(qū)域的邊緣圖像中減去高光檢測的結果，即可得到去除高光后的瞳孔區(qū)域邊緣圖像，如圖3（d）所示。

圖3 瞳孔邊緣圖像中的高光噪聲去除

在此基礎上，采用改進的霍夫變換算法實現(xiàn)對于虹膜內邊界（瞳孔）的精確定位。

霍夫變換算法對圓形輪廓的檢測，是通過對于所有可能的圓參數(shù)組（圓心坐標和半徑）進行投票的機制實現(xiàn)。其中，實現(xiàn)投票過程的累加器是一個三維數(shù)組H(xc,yc,r)，其定義為：

H(xc,yc,r)=h1(xj,yj,xc,yc,r)。其中，(xj,yj),j=1,…,n為瞳孔邊緣圖像的所有邊緣點。h1(xj,yj,xc,yc,r)=為判斷是否投票的表達式。g(xj,yj,xc,yc,r)=(xj-xc)2+(yj-yc)2-r2。

若有g(xj,yj,xc,yc,r)=0成立，則意味著：邊緣點(xj,yj)落在了以(xc,yc)為圓心、r為半徑的圓周上，此時可以視為該邊緣點(xj,yj)對于參數(shù)為(xc,yc,r)的圓投了一票。因此，通過構造一個三維數(shù)組H，取遍所有可能的圓參數(shù)(xc,yc,r)，對每一組(xc,yc,r)，計算得到所有邊緣點(xj,yj)對該參數(shù)組的投票值H(xc,yc,r)。傳統(tǒng)霍夫變換算法中，通常選擇最大投票值H (xc,yc,r)對應的參數(shù)(xc,yc,r)為檢測得到的圓參數(shù)。

在本文中，為解決虹膜儀圖像的瞳孔易產生收縮反應、邊界發(fā)生部分形變的問題，采用改進的霍夫變換算法。

具體方法是，在得到投票數(shù)組H(xc,yc,r)之后，不是直接選擇最大投票值的參數(shù)組(xc,yc,r)。而是將所有參數(shù)組的x坐標、y坐標、半徑r，以及對應的投票值分別存儲于四個一維數(shù)組中，并將投票值按從大到小的順序進行排序，對應x坐標、y坐標、半徑r也隨之進行順序調整；以投票值最大的參數(shù)組為中心點，將x坐標、y坐標、半徑r差異在給定極小范圍內的參數(shù)組進行合并，取其均值作為合并得到的參數(shù)組；如此反復得到投票值最大的前C類參數(shù)組。最后按照投票數(shù)除以半徑的比值作為標準，選擇投票數(shù)除以半徑的比值最高的參數(shù)組作為最終的圓參數(shù)。

該改進方法的思想是：通過相似參數(shù)組的合并，降低由于輪廓形變、邊緣不連續(xù)對于霍夫變換的影響；同時由于選擇投票數(shù)除以半徑的比值作為最終選擇標準，極大程度地排除了在瞳孔邊緣投票不集中的情況下，虹膜外輪廓、眼瞼等弧形的噪聲邊緣帶來的虛假的高投票值。

瞳孔邊界的定位結果如圖4所示。

3 虹膜外邊界定位

3.1 虹膜區(qū)域估計

在虹膜外邊界定位中，為避免由于圖像畸變而引起霍夫變換失效的問題，本文采取主動輪廓模型。但是該方法的準確性，在一定程度上和初始輪廓相關，為此需要先獲得虹膜區(qū)域的大致范圍。

圖4 瞳孔邊界定位結果

本文采用K均值聚類[12]估計虹膜區(qū)域的大致范圍，并以此構造初始輪廓。考慮到虹膜儀圖像的一般特點，虹膜、瞳孔、陰影暗處區(qū)域亮度最低；無高光的皮膚區(qū)域亮度值居中；高光及白睛區(qū)域亮度較高，因此亮度分為3大類。從而以參數(shù)K=3，對虹膜圖像進行K均值聚類，聚類結果如圖5（a）所示。在聚類結果所對應的聯(lián)通區(qū)域中，篩選出質心與瞳孔中心基本重合、離心率和面積同時滿足一定閾值的聯(lián)通區(qū)域，作為虹膜區(qū)域的估計值，如圖5（b）所示。

圖5 虹膜區(qū)域估計

3.2 虹膜外邊界獲取

在完成虹膜區(qū)域估計后，可以得到虹膜區(qū)域的粗略邊界，以此作為主動輪廓模型[13]的初始邊界，一方面可減少主動輪廓模型算法搜索最佳邊界的時間，另一方面也可以減少邊界曲線演化中遇到噪聲、強邊緣干擾的幾率。本文的虹膜外邊界定位結果如圖6（a）所示。本文的方法在虹膜外邊界畸變比較明顯、外邊界形狀與標準的圓形差異較大時，能避免霍夫變換算法失效的問題。

文獻 [12]采用傳統(tǒng)霍夫變換進行虹膜邊界定位，且該方法的實驗結果在同類算法中較有優(yōu)勢[12]，本文通過重復文獻[12]方法，將其外邊界定位結果與本文方法進行對比。如圖6所示，圖6（a）、（c）、（e）為本文的外邊界定位結果，圖6（b）、（d）、（f）為文獻[12]的外邊界定位結果。實驗結果顯示，當虹膜外邊界存在嚴重畸變時，文獻[12]的定位失效，而本文的定位結果仍然準確。

圖6 虹膜外邊界定位結果

4 實驗結果與分析

本文算法在Matlab2010環(huán)境下編程實現(xiàn)，并在課題組自行采集的虹膜儀圖像數(shù)據集上測試。圖7所示為本算法得到的虹膜圖像定位結果的部分示例。

從圖中可見，本文算法可以較準確地定位各類不同條件下的虹膜圖像，如：內邊界形變的虹膜[見圖7（a）]、外邊界形變的虹膜[見圖7（b）]、睫毛干擾的虹膜[見圖7（c）]、高光干擾的虹膜[見圖7（d）]、亮度不均的虹膜[見圖7（e）]、眼瞼遮擋的虹膜[見圖7 （f）]。但不足之處在于，當高光、睫毛等干擾較強時，虹膜外邊界輪廓定位可能會受到一定干擾。

圖7 虹膜定位結果

5 結語

本文以基于中醫(yī)目診的虹膜特征分析為出發(fā)點，以虹膜儀采集圖像為對象，研究并提出了一種基于中醫(yī)目診的虹膜定位算法。該算法首先采用基于灰度閾值估計的方法得到瞳孔中心大致位置，再進行改進的霍夫變換，得到虹膜內邊界的定位結果。然后采用K均值聚類估計虹膜區(qū)域的大致范圍，并以此構造初始輪廓，利用主動輪廓模型得到虹膜的外邊界，從而避免由于圖像畸變而引起霍夫變換失效的問題。

實驗結果表明，本文算法對于各類不同條件下的虹膜圖像能較為準確地定位，尤其在圖像畸變較嚴重的外邊界定位中也能有較好的效果。但不足之處在于，當高光、睫毛等干擾較強時，虹膜外邊界輪廓定位可能會受到一定干擾。后續(xù)工作擬通過改進主動輪廓模型算法解決該問題。

[1]黃惠勇,胡淑娟,彭清華.中醫(yī)目診的研究進展與評述[J].中華中醫(yī)藥學刊,2013,31(6):1479-1483.

[2]穆 珺,晏峻峰,彭清華.基于中醫(yī)目診的虹膜圖像特征表示方法研究[J].湖南中醫(yī)藥大學學報,2015,35(11):65-69.

[3]Marcus Ang,Wanling Wong,Judy Park，et al.Corneal Arcus is a Sign of Cardiovascular Disease,Even in Low-Risk Persons[J]. American Journal of Ophthalmology,2011,152(5):864-871.

[4]董飛俠,程銀國,黃蔚霞.虹膜診斷與慢性腎病分期及中醫(yī)辨證的相關性研究[J].江蘇中醫(yī)藥，2010，42(2):19-20.

[5]Jae-Young Um,Nyeon-Hyoung An,Gui-Bi Yang，et al.Novel approach of molecular genetic understanding of iridology:relationship between iris constitution and angiotensin converting enzyme gene polymorphism[J].The American Journal of Chinese Medicine,2005,33(3):501-505.

[6]Daugman JG.High confidence visual recognition of persons by a test of sta-tistical independence[J].IEEE Trans on Pattern Analysis and Machine Intelligence,1993(15)：1148-1161.

[7]Wildes RP.Iris recognition:an emerging biometric technology. [C]//Proceedings of the IEEE,1997(85)：1348-1363.

[8]Hajari K,Bhoyar K.A review of issues and challenges in designing Iris recognition Systems for noisy imaging environment[C]//International Conference on Pervasive Computing(ICPC2015).

[9]Raffei AFM,Asmuni H,Hassan R,et al.A low lighting or contrast ratio visible iris recognition using iso-contrast limited adaptive histogram equalization[J].Knowledge-Based Systems, 2014（74）：40-48.

[10]Jan F,Usman I,Agha S.Iris localization in frontal eye images for less constrained iris recognition systems[J].Digital Signal Processing,2012,22(6):971-986.

[11]Proen?a H.Iris recognition:on the segmentation of degraded images acquired in the visible wavelength[J].IEEE Trans on Pattern Analysis and Machine Intelligence,2010,32(8):1502-1516.

[12]Sahmoud SA,Abuhaiba IS.Efficient iris segmentation method in unconstrained environments[J].Pattern Recognition,2013,46 (12):3174-3185.

[13]Chan TF,Vese LA.Active contours without edges[J].IEEE Transactions on Image Processing,2001,10(2):266-277.

（本文編輯 匡靜之）

An Iris Localization Algorithm for TCM Eyes Diagnosis

MU Jun,YAN Junfeng*,PENG Qinghua*
(Hunan University of Chinese Medicine,Changsha,Hunan 410208,China)

The iris localization has an important supplement function for eyes diagnosis of traditional Chinese medicine. The correlation of iris and its image characters with the factors such as disease,constitution,elements of traditional Chinese medicine syndrome differentiation,should be thoroughly studied.In this paper,an iris localization algorithm for TCM eyes diagnosis is proposed.The approximate position of the pupil center is obtained by gray level threshold estimation,and then the Hough transform is improved via parameter tuple merging to localize the inner boundary of the iris.Then,the K-means clustering is used to estimate the approximate range of the iris region,and the initial contour is constructed.Finally, The active contour model is used to obtain the outer boundary of the iris,which avoids the failure of Hough transform in localizing iris with serious image distortion.

TCM eyes diagnosis;iris localization;Hough transform;K-means clustering;active contour model

R276.7

A

doi:10.3969/j.issn.1674－070X.2017.04.026

2016-11-15

國家中醫(yī)藥管理局中醫(yī)藥信息學重點學科建設項目;國家中醫(yī)藥管理局中醫(yī)眼科學重點學科建設項目;2013年湖南省高校創(chuàng)新平臺開放基金(13K076);國家重點學科中醫(yī)診斷學開放基金(2013ZYZD08)。

穆 珺,女,碩士,助教,研究方向：圖像處理。

*晏峻峰,女,博士,教授,E-mail:teacheryan@qq.com；彭清華，男，博士，教授，博士研究生導師，E-mail:pqh410007@126.com。

本文引用：穆 珺,晏峻峰,彭清華.一種面向中醫(yī)目診的虹膜定位算法[J].湖南中醫(yī)藥大學學報，2017，37（4）：436-440.