姜雨彤，邢鑫，張波

（沈陽化工大學計算機科學與技術學院，遼寧沈陽 110142)

0 引言

虹膜作為重要的生物特征之一，在虹膜診斷中，虹膜卷縮輪在虹膜中的位置分布可以表示腸環(huán)的診斷信息[1]。卷縮虹膜圖像的種類復雜，有效的虹膜圖像分類在虹膜識別和虹膜診斷中都有著重要的意義，由于虹膜卷縮輪在虹膜中的位置分布不固定，且卷縮輪外部的紋理分布也因人而異，不同的紋理分布代表著不同的虹膜亞健康狀態(tài)，因此，從卷縮輪的位置分布進行研究，進行了虹膜腸環(huán)的位置分類方法?；诰砜s輪位置分布的分類：根據(jù)卷縮輪的位置分布特點對整個虹膜區(qū)域進行劃分，將虹膜圖像分為窄小類、適中類和寬大類，通過統(tǒng)計卷縮輪邊界點最多的分布區(qū)域來確定虹膜圖像的類別。卷縮輪外部紋理是否平滑可以判斷該虹膜是否為健康類虹膜，卷縮輪外部不同的紋理類型也代表了虹膜不同的亞健康狀態(tài)[2]。在虹膜識別過程中，有效的虹膜圖像分類也可以極大地提高虹膜圖像匹配的效率[3]。近年來，關于虹膜識別和紋理檢測的研究已經(jīng)提出了很多方法[4-13],目前關于虹膜圖像分類的方法主要有：基于卷縮輪內(nèi)部紋理的分類、基于人眼種類的分類和基于虹膜圖像質量的分類。但是基于虹膜位置的分類方法尚未有人涉及。本文針對虹膜卷縮輪的不同位置，從而說明腸環(huán)類型判斷人體健康與否，提出了通過統(tǒng)計邊界點最大值來進行虹膜分類的方法，可以很好地實現(xiàn)分類。

1 虹膜腸環(huán)圖像分類

1.1 圖像預處理

虹膜區(qū)域為人眼圖像中瞳孔與鞏膜之間的環(huán)狀區(qū)域，由于采集的人眼圖像中不僅包含需要的信息，還包含眼瞼、睫毛、鞏膜和瞳孔等干擾信息，因此需要對虹膜區(qū)域進行定位和提取，盡可能去掉干擾，便于后續(xù)檢測。同時，為方便對虹膜區(qū)域內(nèi)的紋理進行處理，需要對定位到的虹膜區(qū)域進行歸一化展開，將其轉化為大小一致的矩形，轉化之后，卷縮輪內(nèi)部紋理、裂縫和坑洞等紋理在歸一化圖像中呈現(xiàn)垂直狀，這樣紋理處理起來會簡單得多。為了方便對虹膜區(qū)域進行處理，首先要對人眼圖像進行預處理，預處理包括虹膜定位和虹膜歸一化。本文采用基于人眼圖像灰度分布特征的虹膜定位算法[14]對虹膜進行定位和歸一化處理,將虹膜區(qū)域定位后并展開成720×200的矩形圖像，如圖1所示。

圖1 虹膜預處理過程

1.2 卷縮輪檢測方法

本文使用的卷縮輪檢測算法原理如下，其原理為：通過對卷縮輪內(nèi)部紋理進行特征分析，設計相應的檢測算子提取其終點坐標，通過曲線擬合，實現(xiàn)卷縮輪的初定位，最后通過邊緣梯度算子在初定位區(qū)域實現(xiàn)卷縮輪的最終定位。

具體流程如下：

1)預處理

讀入虹膜圖像，對虹膜圖像進行預處理。

2)檢測卷縮輪內(nèi)部紋理

①利用根據(jù)卷縮輪內(nèi)部紋理特征定義的高斯檢測算子，對歸一化圖像進行檢測，提取所有符合高斯型特征的紋理。

②通過定義符合卷縮輪內(nèi)部紋理特征的因子，對上一步檢測后的紋理進行篩選，得到卷縮輪內(nèi)部全部紋理。

3)卷縮輪初定位

根據(jù)上一步操作后，計算卷縮輪內(nèi)部紋理的終點坐標，并在預處理后的圖像上進行曲線擬合，得到卷縮輪邊界的初始定位，該步驟將得到卷縮輪部分附近區(qū)域。

4)卷縮輪最終定位

利用邊緣梯度算子對預處理圖像中的初定位區(qū)域進行處理，提取卷縮輪邊界的輪廓點，并進行連接,實現(xiàn)卷縮輪邊界的最終定位。

其具體流程如圖2所示。

圖2 卷縮輪檢測流程圖

根據(jù)上文所述的方法得到最后的卷縮輪定位圖如圖3所示。

圖3 虹膜卷縮輪定位圖

1.3 虹膜圖像分類方法

通過對圖庫中大量虹膜圖像的卷縮輪進行觀察和測量，按照虹膜卷縮輪的位置分布將虹膜圖像分為了三類：窄小類、適中類和寬大類，如圖4所示，其中窄小類虹膜圖像的卷縮輪主要分布在從虹膜內(nèi)邊緣開始到1/4 虹膜區(qū)域，適中類虹膜圖像的卷縮輪主要分布在從虹膜內(nèi)邊緣開始的1/4 虹膜位置到1/2 虹膜位置的區(qū)域，寬大類虹膜圖像的卷縮輪主要分布在從虹膜內(nèi)邊緣開始的1/2虹膜位置到虹膜外邊緣的區(qū)域。

根據(jù)虹膜圖像中卷縮輪的位置分布，將虹膜歸一化圖像沿圓周方向劃分了3 個區(qū)域：0～1/4M、1/4M～1/2M、1/2M～1M(M為虹膜歸一化后徑向方向的長度），根據(jù)統(tǒng)計定位到的卷縮輪邊界所在的區(qū)域分布F，如式(1)所示，來對虹膜圖像進行分類。

式中:xi表示卷縮輪邊界點在第i個區(qū)域的分布數(shù)量。若一幅虹膜圖像中得到的向量F中max(F) =x1，表示該圖像的卷縮輪邊界點在歸一化虹膜圖像中0～1/4M區(qū)域分布最多，則該圖像為窄小類虹膜圖像，如圖4(a)所示；若虹膜圖像中max(F) =x2，表示該圖像的卷縮輪邊界點在歸一化虹膜圖像中1/4M～1/2M區(qū)域分布最多，則該圖像為適中類虹膜圖像，如圖4(b)所示；若虹膜圖像中max(F) =x3，表示該圖像的卷縮輪邊界點在歸一化虹膜圖像中1/2M～1M區(qū)域分布最多，則該圖像為寬大類虹膜圖像，如圖4(c)所示。

圖4 卷縮輪不同位置分布圖

1.4 算法流程

分類算法流程如下：

1)預處理

讀入虹膜圖像，對虹膜圖像按照1.1 的方法進行預處理。

2)卷縮輪定位

利用1.2的卷縮輪檢測方法確定卷縮輪邊界。

3)圖像分類

分別在虹膜劃分好的3個區(qū)域內(nèi)對卷縮輪邊界點的數(shù)量進行統(tǒng)計，返回3個區(qū)域中包含卷縮輪邊界點最多的區(qū)域，即得到該圖像所對應的虹膜圖像類別。

基于卷縮輪位置分布的虹膜圖像分類流程圖如圖5所示。

圖5 基于卷縮輪位置分布的虹膜圖像分類流程圖

1.5 實驗結果分析

根據(jù)文中所述方法進行卷縮輪位置分布分類結果如表1 所示，通過對圖庫中900 張虹膜圖像進行分類，其中窄小類虹膜圖像分類正確率為98.2%，適中類虹膜圖像分類正確率為99.1%，寬大類虹膜圖像分類正確率為96.4%，整體的分類正確率為98.7%。

表1 基于虹膜卷縮輪位置分布的分類結果

通過統(tǒng)計卷縮輪在虹膜中位置分布實現(xiàn)的分類，可以有效地滿足視覺直觀的分類需求。對于基于卷縮輪外部紋理進行的虹膜圖像分類，提出先根據(jù)本文定義的曲線算子定位出目標紋理的特征區(qū)域，再對目標紋理進行多特征提取和融合的方法，可以全面地描述和表達紋理特征，很好地實現(xiàn)了圖像分類。通過對虹膜圖庫中大量卷縮輪樣本進行觀察和測量，由卷縮輪在虹膜中的不同位置分布程度將虹膜圖像分為了窄小類、適中類和寬大類。并按照分類標準對虹膜區(qū)域進行劃分，通過統(tǒng)計劃分好的3個區(qū)域內(nèi)卷縮輪邊界點的數(shù)量，實現(xiàn)虹膜圖像的分類，該方法對圖庫虹膜圖像的分類正確率達98.7%，可以有效地實現(xiàn)分類。

2 結論

針對虹膜腸環(huán)位置的分布，本文提出了一種統(tǒng)計虹膜卷縮輪邊界點最大值的虹膜圖像分類方法。首先根據(jù)本文定義的高斯算子定位出目標紋理的特征區(qū)域，再通過對目標紋理進行位置特征，可以全面地描述和表達紋理特征，很好地實現(xiàn)了分類。得到了以下結論：

1)結合虹膜紋理的特征分析，建立更適合的曲線算子進行檢測，能夠增強目標紋理的檢測，便于進一步的特征提取。

2)通過對目標紋理結構特征、局部紋理特征和形態(tài)特征的多特征表達方法，可以更全面、細致地描述目標紋理。

3)本文方法為其他相似圖像的分類提供了一種新的思路，但本文方法也存在一定的不足：由于本文圖庫是在人眼自然張開的狀態(tài)下采集的，對于虹膜區(qū)域采集不完整的圖像，部分異常紋理的檢測可能會出現(xiàn)誤差。

4)如何將虹膜中除裂縫和坑洞的其他紋理圖像進行分類是接下來的主要研究內(nèi)容。