CN103198484A - 基于非线性尺度空间的虹膜图像分割算法 - Google Patents
基于非线性尺度空间的虹膜图像分割算法 Download PDFInfo
- Publication number
- CN103198484A CN103198484A CN2013101183861A CN201310118386A CN103198484A CN 103198484 A CN103198484 A CN 103198484A CN 2013101183861 A CN2013101183861 A CN 2013101183861A CN 201310118386 A CN201310118386 A CN 201310118386A CN 103198484 A CN103198484 A CN 103198484A
- Authority
- CN
- China
- Prior art keywords
- image
- iris
- pupil
- zone
- iris image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明具体公开了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。本算法在外边界定位过程中,同样利用非线性尺度空间的尺度演化特,对原始虹膜图像进行平滑,消除了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。
Description
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***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***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***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
(1-5)利用插值算法将图像Ic_pupil映射为与虹膜图像I同样大小的图像,得到图像I_pupil,采用双线性插值实现;
(1-6)以图像I_pupil的L区域为模板,覆盖原始虹膜图像I中对应的区域,得到消除反光后的图像I_r;
(1-7)计算图像I_r瞳孔区域的质心C,即
其中(i,j)为图像像素点坐标,Npupil为瞳孔区域的像素数量;又以C点为圆心,对I_r进行极坐标变换和边缘检测,以半径方向上幅值响应最大的点为内边界点;统计内边界点到质心C的距离,将出现概率最大的距离Ri作为内边界的半径。
所述的步骤(1-1)所述的对输入的虹膜图像I进行框架Laplace金字塔分解,这一过程以矩阵形式表示,其一层分解公式为
其中H和G分别表示满足完全重构条件(即框架结构)的低通和高通滤波器,Ic表示概貌图像,Id表示细节图像;
所述的步骤(1-2)所述的异性扩散,采用的扩散控制函数选择(4)式
得到图像Ic_diffu1,其数值实现由(5)式确定,参数设定为λn=0.25;
所述的步骤(1-3)用如下公式表示:
所述的步骤(1-4)主要消除小尺度的反光区域;二值化操作的目的是得到瞳孔区域,其中瞳孔区域为黑色,背景及反光区域为白色,再将此区域进行形态学闭运算,即膨胀+腐蚀, 瞳孔内部的反光被黑色填充,即去反光操作,得到的L区域(Ic_pupil)即为概貌图像中的瞳孔区域。
所述的步骤(1-7)的最大的距离Ri表示为:
其中pk=p(r=Rik),表示半径为Rik的概率,K为所有存在的半径数量;Rik∈RI,RI为所有检测出的半径长度的集合。
所述的步骤2对虹膜外边界定位,包括以下步骤;
(2-1)将由步骤1得到的消除反光后的图像I_r进行Laplace金字塔分解,得到概貌图像I_rc,内边界圆心C在概貌图像I_rc中被映射为点分解过程与(7)式相同;
I(x,y,t)=I0(x,y)*G(x,y,t) (8)
其中I0(x,y)和I(x,y,t)表示初始时刻和t时刻的图像,G(x,y,t)为t时刻的高斯核函数,其方差为时间变量t;
(2-2)对概貌图像I_rc进行非线性扩散,得到图像I_rc_diffu2,参数设定为Δt=0.25和λn=0.25;
(2-3)判断与图像I_rc_diffu2左右边界的距离,若与右边界距离较大,则以为圆心、在角度[π,7π/6]范围内进行极坐标变换;否则以为圆心、在[11π/6,2π]范围内进行极坐标变换;此处变换所取半径为与左右边界距离的较大者,由此步骤得到的(极坐标变换)图像的瞳孔以外的部分记为图像I_rp;
(2-4)将图像I_rp按半径方向等分三部分,对距瞳孔最近的部分(用I_rpupper表示)进行极大值滤波,最远的部分(用I_rpbottom表示)进行极小值滤波,中间部分(用I_rpmiddle表示)进行中值滤波,得到图像
(2-6)将上述迭代得到的边界C0映射到图像I_r,即为虹膜外边界。
所述的步骤(2-2)所述的扩散控制函数选择(4)式,
所述的步骤(2-5)的迭代过程表示为
a)将中值滤波区域中靠近最小值滤波区域的边界设定为初始外边界,,记为C0,同时得到由C0划分的两个区域Ai和Ae;所述的Ai为靠近瞳孔区域,Ae为远离瞳孔区域;
b)计算由C0划分的两个区域的平均灰度,其中靠近瞳孔的记为d0,远离瞳孔的记为d0',即:
c)将C0向远离瞳孔的方向移动k个像素,得到新的边界C1以及区域Ai 1和Ae 1,计算以C1划分的区域的新的平均灰度d和d';这一过程表示为:
d)按照|d0-d'0|与|d-d'|的大小关系确定边界是否继续移动,即若|d0-d'0|≤|d-d'|,令C0=C1,d0=d,d'0=d'并返回步骤b),否则输出C0作为外边界定位结果。
本发明的有益效果如下:
(1)本算法将非线性尺度空间引入虹膜预处理,实现了对虹膜内边界(即瞳孔边界)的准确定位。虹膜内边界定位的难点在于瞳孔的检测。瞳孔在虹膜图像中的灰度水平最低,一般采取阈值策略进行检测。本算法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,消除了瞳孔区域的亮斑,保证了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。
(2)本算法在外边界定位过程中,同样利用非线性尺度空间的尺度演化特,对原始虹膜图像进行平滑,消除了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。
附图说明
图1虹膜内边界定位流程图;
图2虹膜外边界定位流程图;
图3非线性尺度空间对原始虹膜图像进行平滑的结果;
图4本算法处理结果一;
图5本算法处理结果二。
具体实施方式
下面结合附图对本发明进行详细说明:
首先针对本发明所采用的非线性尺度空间算法进行介绍,非线性尺度空间的概念源自线性尺度空间,也称为高斯尺度空间,其演化方程可以表述为各向同性扩散(Isotropic Diffusion),即
I(x,y,t)=I0(x,y)*G(x,y,t) (9)
其中I0(x,y)和I(x,y,t)表示初始时刻和t时刻的图像,G(x,y,t)为t时刻的高斯核函数,其方差为时间变量t。此外,线性尺度空间还有另一种等价形式,即
这里Δ为Laplace算子,div(·)表示散度。由(1)式可以看出,线性尺度空间描述的图像关于时间的演化规律是:初始图像被参数为t的二维高斯核函数平滑,其包含的细节信息随时间的增加而不断减少。因此,这一方法的最大不足是造成图像细节的损失。
与线性尺度空间相比,非线性尺度空间下的各向异性扩散(Anisotropic Diffusion)在最大优势在于平滑图像的同时能够有效保护边缘。因此这一方法在图像处理和计算机视觉领域得到了广泛应用。Perona和Malik[14]最早提出了基本形式的非线性扩散方程,即P-M模型。作为对(2)式的泛化形式,P-M模型表示为如下的偏微分方程
或
K为设定的常数。就非线性扩散而言,梯度实际上是图像边缘的检测函数,而则被设为关于梯度的单调递减(或非增)函数。P-M方程对图像的平滑体现了非线性扩散的基本思想:越大,表明当前像素点处存在强边缘,故其平滑程度越小;反之,则表明当前像素点处于平坦区域,平滑程度越大。换言之,非线性扩散具有良好的边缘保护特性。另外,非线性扩散的一个重要性质是其尺度演化(平滑)特性:随着演化即时间的推进,具有小尺度特征的几何或纹理结构会被逐渐消除,而大尺度的边缘信息得以保留[15]。随着细小纹理结构的消失,图像内容被大大简化,加之主要边界得以保护,这为图像分割提供了很大帮助。图像的非线性演化过程由迭代实现。若函数(a为常数),则P-M方程退化为线性的各向同性扩散[14]。
对于二维数字图像,由(3)式及梯度下降法原理,可得P-M模型的(4邻域)数值实现为
其中 并且
这里In(i,j)表示第n次迭代后图像在(i,j)处的像素值,和分别表示图像I在(i,j)处水平和垂直方向的一阶差分,和分别表示二阶差分。此外λn为第n次 迭代时的权值,迭代次数可以根据实际需要人为设定。图-1展示了虹膜图像在P-M模型下的演化结果,参数设定为λn≡0.25,扩散函数g(·)取(5)式。很明显,小尺度的睫毛和眼睑随着迭代次数的增加而愈加模糊,而大尺度的瞳孔则得以保留。
本发明中基于非线性尺度空间的虹膜图像分割算法,主要过程如下:
第一阶段:内边界定位
虹膜内边界的提取是整个边界定位算法的关键。就虹膜图像而言,算法必须能够克服各种常见的尤其是睫毛的干扰,保证内边界和瞳孔中心点的准确定位,同时在保证算法可靠性的基础上尽量节省计算。由此本文提出内虹膜图像边界算法由图-1所示,具体步骤由如下:
(1-1)对输入的虹膜图像I进行框架Laplace金字塔分解[16],这一过程以矩阵形式表示,其一层分解公式为
其中H和G分别表示满足完全重构条件(即框架结构)的低通和高通滤波器,得到概貌图像Ic和细节图像Id;
(1-2)对Ic进行非线性尺度空间下的各向异性扩散,扩散控制函数选择(11)式,得到图像Ic_diffu1,其数值实现由(15)式确定,参数设定为λn=0.25;
(1-3)考虑到一般情况下瞳孔区域的灰度值最低,则设定阈值Th,将Ic_diffu1(Ic_diffu1为步骤(1-2)的结果)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,即得到二值图像Ic_b
(i,j)表示图像坐标。
(1-4)对L区域进行闭运算,得到图像Ic_pupil,即概貌图像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
这一运算将消除小尺度的反光区域。二值化操作的目的是得到瞳孔区域(瞳孔区域为黑色,背景及反光区域为白色),再将此区域进行形态学闭运算(膨胀+腐蚀),瞳孔内部的反光被黑 色填充,即去反光操作,得到的L区域(Ic_pupil)即为概貌图像中的瞳孔区域;
(1-5)利用插值算法将Ic_pupil映射为与I同样大小的图像,得到I_pupil,采用双线性插值实现;
(1-6)以I_pupil的L区域为模板,覆盖原始图像I中对应的区域,得到消除反光后的图像I_r;
(1-7)计算I_r瞳孔区域的质心C,即
其中Npupil为瞳孔区域的像素数量。又以C点为圆心,对I_r进行极坐标变换和边缘检测,以半径方向上幅值响应最大的点为内边界点;统计内边界点到质心C的距离,将出现概率最大的距离Ri作为内边界的半径。这一过程可表示为
其中pk=p(r=Rik),表示半径为Rik的概率;Rik∈RI,RI为所有检测出的半径长度的集合。由上述过程得到的质心C即为瞳孔中心,亦即虹膜内边界的圆心;Ri为内边界的半径。
第二阶段:外边界定位
虹膜外边界通常表现为变化平缓的弱边缘,故常用的边缘检测算子对其检测的效果并不理想。本文采用基于区域统计信息(平均灰度差)的轮廓演化方法实现外边界的定位(见图2),具体算法如下:
(2-2)对I_rc进行非线性扩散,得到图像I_rc_diffu2,扩散控制函数选择(11)式(见附录),参数设定为Δt=0.25和λn=0.25;
(2-3)判断与图像I_rc_diffu2左右边界的距离,若与右边界距离较大,则以为圆心、在角度[π,7π/6]范围内进行极坐标变换;否则以为圆心、在[11π/6,2π]范围内进行极坐标变换。此处变换所取半径为与左右边界距离的较大者。由此步骤得到的(极坐标变换)图像 的瞳孔以外的部分记为图像I_rp;
(2-4)将图像I_rp按半径方向等分三部分,对距瞳孔最近的部分(用I_rpupper表示)进行极大值滤波,最远的部分(用I_rpbottom表示)进行极小值滤波,中间部分(用I_rpmiddle表示)进行中值滤波,得到图像这一过程可以表示为
并且(i,j)满足(i,j)∈Ω(i,j),即(i,j)属于以自身为中心的邻域。外边界定位由基于区域信息的曲线演化(迭代)实现,这一过程可以看作简化的几何活动轮廓模型。为防止边界演化陷入局部极值,我们需要增强虹膜与巩膜之间的对比度同时不破坏二者之间的边界,为此采用上述分段序统计滤波的策略。这一过程见图2;
a)将中值滤波区域中靠近最小值滤波区域的边界设定为初始外边界,,记为C0,同时得到由C0划分的两个区域Ai(靠近瞳孔区域)和Ae(远离瞳孔区域);
b)计算由C0划分的两个区域的平均灰度,其中靠近瞳孔的记为d0,远离瞳孔的记为d0',即
c)将C0向远离瞳孔的方向移动k个像素,得到新的边界C1以及区域Ai 1和Ae 1,计算以C1划分的区域的新的平均灰度d和d'。这一过程表示为
d)按照|d0-d'0|与|d-d'|的大小关系确定边界是否继续移动,即若|d0-d'0|≤|d-d'|,令C0=C1,d0=d,d'0=d'并返回步骤b),否则输出C0作为外边界定位结果;
(S2-6)将上述迭代得到的边界C0映射到图像I_r,即为虹膜外边界。
如图3所示为非线性尺度空间对原始虹膜图像进行平滑的结果,从左向右平滑尺度逐渐增加;如图4所示为本算法处理结果一,左列为原始图像,中列为内边界定位结果,右列为外边界定位结果;如图5所示为本算法处理结果二,左列为原始图像,中列为内边界定位结果,右列为外边界定位结果。在近红外波段采集的仅包含眼部区域的虹膜图像,以通用格式(如bmp,jpg,tiff等)存储在计算机内,调用本算法进行处理,再将处理结果用识图软件显示即可。
Claims (10)
1.一种基于非线性尺度空间的虹膜图像分割算法,其特征在于,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。
2.如权利要求1所述的虹膜图像分割算法,其特征在于,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
(1-5)利用插值算法将图像Ic_pupil映射为与虹膜图像I同样大小的图像,得到图像I_pupil,采用双线性插值实现;
(1-6)以图像I_pupil的L区域为模板,覆盖原始虹膜图像I中对应的区域,得到消除反光后的图像I_r;
(1-7)计算图像I_r瞳孔区域的质心C,即
其中(i,j)为图像像素点坐标,Npupil为瞳孔区域的像素数量;又以C点为圆心,对I_r进行极坐标变换和边缘检测,以半径方向上幅值响应最大的点为内边界点;统计内边界点到质心C的距离,将出现概率最大的距离Ri作为内边界的半径。
3.如权利要求1所述的虹膜图像分割算法,其特征在于,所述的步骤(1-1)所述的对输入的虹膜图像I进行框架Laplace金字塔分解,这一过程以矩阵形式表示,其一层分解公式为
其中H和G分别表示满足完全重构条件(即框架结构)的低通和高通滤波器,Ic表示概貌图像,Id表示细节图像。
5.如权利要求2所述的虹膜图像分割算法,其特征在于,所述的步骤(1-3)用如下公式表示:
6.如权利要求2所述的虹膜图像分割算法,其特征在于,所述的步骤(1-4)主要消除小尺度的反光区域;二值化操作的目的是得到瞳孔区域,其中瞳孔区域为黑色,背景及反光区域为白色,再将此区域进行形态学闭运算,即膨胀+腐蚀,瞳孔内部的反光被黑色填充,即去反光操作,得到的L区域(Ic_pupil)即为概貌图像中的瞳孔区域。
7.如权利要求2所述的虹膜图像分割算法,其特征在于,所述的步骤(1-7)的最大的距离Ri表示为:
其中pk=p(r=Rik),表示半径为Rik的概率,K为所有存在的半径数量;Rik∈RI,RI为所有检测出的半径长度的集合。
8.如权利要求1所述的虹膜图像分割算法,其特征在于,所述的步骤2对虹膜外边界定位,包括以下步骤;
I(x,y,t)=I0(x,y)*G(x,y,t) (8)
其中I0(x,y)和I(x,y,t)表示初始时刻和t时刻的图像,G(x,y,t)为t时刻的高斯核函数,其方差为时间变量t;
(2-2)对概貌图像I_rc进行非线性扩散,得到图像I_rc_diffu2,参数设定为Δt=0.25和λn=0.25;
(2-3)判断与图像I_rc_diffu2左右边界的距离,若与右边界距离较大,则以为圆心、在角度[π,7π/6]范围内进行极坐标变换;否则以为圆心、在[11π/6,2π]范围内进行极坐标变换;此处变换所取半径为与左右边界距离的较大者,由此步骤得到的(极坐标变换)图像的瞳孔以外的部分记为图像I_rp;
(2-4)将图像I_rp按半径方向等分三部分,对距瞳孔最近的部分(用I_rpupper表示)进行极大值滤波,最远的部分(用I_rpbottom表示)进行极小值滤波,中间部分(用I_rpmiddle表示)进行中值滤波,得到图像
(2-6)将上述迭代得到的边界C0映射到图像I_r,即为虹膜外边界。
9.如权利要求8所述的虹膜图像分割算法,其特征在于,所述的步骤(2-2)所述的扩散控制函数选择(4)式,
10.如权利要求8所述的虹膜图像分割算法,其特征在于,所述的步骤(2-5)的迭代过程表示为
a)将中值滤波区域中靠近最小值滤波区域的边界设定为初始外边界,记为C0,同时得到由C0划分的两个区域Ai和Ae;所述的Ai为靠近瞳孔区域,Ae为远离瞳孔区域;
b)计算由C0划分的两个区域的平均灰度,其中靠近瞳孔的记为d0,远离瞳孔的记为d0',即:
c)将C0向远离瞳孔的方向移动k个像素,得到新的边界C1以及区域Ai 1和Ae 1,计算以C1划分的区域的新的平均灰度d和d';这一过程表示为:
d)按照|d0-d'0|与|d-d'|的大小关系确定边界是否继续移动,即若|d0-d'0|≤|d-d'|,令C0=C1,d0=d,d'0=d'并返回步骤b),否则输出C0作为外边界定位结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310118386.1A CN103198484B (zh) | 2013-04-07 | 2013-04-07 | 基于非线性尺度空间的虹膜图像分割算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310118386.1A CN103198484B (zh) | 2013-04-07 | 2013-04-07 | 基于非线性尺度空间的虹膜图像分割算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103198484A true CN103198484A (zh) | 2013-07-10 |
CN103198484B CN103198484B (zh) | 2015-11-18 |
Family
ID=48720990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310118386.1A Expired - Fee Related CN103198484B (zh) | 2013-04-07 | 2013-04-07 | 基于非线性尺度空间的虹膜图像分割算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103198484B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105049717A (zh) * | 2015-07-02 | 2015-11-11 | 上海闻泰电子科技有限公司 | 用于数码相机的瞳孔控制自动对焦方法及*** |
CN108376416A (zh) * | 2018-01-16 | 2018-08-07 | 天津大学 | 一种图像生成方法以及装置 |
CN108734701A (zh) * | 2018-04-25 | 2018-11-02 | 天津市索维电子技术有限公司 | 一种Placido环图像形态变化识别算法 |
CN109376649A (zh) * | 2018-10-20 | 2019-02-22 | 张彦龙 | 一种从眼部灰度图像缩小似然图计算识别上下眼皮的方法 |
CN109410268A (zh) * | 2018-11-06 | 2019-03-01 | 温州雷蒙光电科技有限公司 | 一种角膜地形图的同心圆环圆心的确定方法及*** |
CN109686434A (zh) * | 2018-12-29 | 2019-04-26 | 侯庆先 | 临床治疗辅助机构 |
CN111950462A (zh) * | 2020-08-13 | 2020-11-17 | 深圳市商汤科技有限公司 | 亮度调节方法及装置、电子设备及存储介质 |
CN112287872A (zh) * | 2020-11-12 | 2021-01-29 | 北京建筑大学 | 基于多任务神经网络的虹膜图像分割、定位和归一化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009522683A (ja) * | 2006-01-07 | 2009-06-11 | アイリテック インコーポレイテッド | ステレオカメラを装着した移動端末機を利用した虹彩認識システム及び虹彩認識方法 |
CN102521576A (zh) * | 2011-12-16 | 2012-06-27 | 北京天诚盛业科技有限公司 | 一种虹膜定位方法 |
-
2013
- 2013-04-07 CN CN201310118386.1A patent/CN103198484B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009522683A (ja) * | 2006-01-07 | 2009-06-11 | アイリテック インコーポレイテッド | ステレオカメラを装着した移動端末機を利用した虹彩認識システム及び虹彩認識方法 |
CN102521576A (zh) * | 2011-12-16 | 2012-06-27 | 北京天诚盛业科技有限公司 | 一种虹膜定位方法 |
Non-Patent Citations (3)
Title |
---|
ZHAOFENG HE等: "Towards Accurate and Fast Iris Segmentation for Iris Biometrics", 《IEEE TRANS PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
周黎等: "一种基于改进PM方程的虹膜预处理算法", 《江南大学学报(自然科学版)》 * |
苑玮琦等: "一种新的虹膜图像预处理方法", 《光电子.激光》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105049717A (zh) * | 2015-07-02 | 2015-11-11 | 上海闻泰电子科技有限公司 | 用于数码相机的瞳孔控制自动对焦方法及*** |
CN108376416A (zh) * | 2018-01-16 | 2018-08-07 | 天津大学 | 一种图像生成方法以及装置 |
CN108734701A (zh) * | 2018-04-25 | 2018-11-02 | 天津市索维电子技术有限公司 | 一种Placido环图像形态变化识别算法 |
CN108734701B (zh) * | 2018-04-25 | 2021-05-25 | 天津市索维电子技术有限公司 | 一种Placido环图像形态变化识别方法 |
CN109376649A (zh) * | 2018-10-20 | 2019-02-22 | 张彦龙 | 一种从眼部灰度图像缩小似然图计算识别上下眼皮的方法 |
CN109410268A (zh) * | 2018-11-06 | 2019-03-01 | 温州雷蒙光电科技有限公司 | 一种角膜地形图的同心圆环圆心的确定方法及*** |
CN109410268B (zh) * | 2018-11-06 | 2020-06-23 | 温州高视雷蒙光电科技有限公司 | 一种角膜地形图的同心圆环圆心的确定方法及*** |
CN109686434A (zh) * | 2018-12-29 | 2019-04-26 | 侯庆先 | 临床治疗辅助机构 |
CN109686434B (zh) * | 2018-12-29 | 2020-03-31 | 青岛大学附属医院 | 临床治疗辅助机构 |
CN111950462A (zh) * | 2020-08-13 | 2020-11-17 | 深圳市商汤科技有限公司 | 亮度调节方法及装置、电子设备及存储介质 |
CN112287872A (zh) * | 2020-11-12 | 2021-01-29 | 北京建筑大学 | 基于多任务神经网络的虹膜图像分割、定位和归一化方法 |
CN112287872B (zh) * | 2020-11-12 | 2022-03-25 | 北京建筑大学 | 基于多任务神经网络的虹膜图像分割、定位和归一化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103198484B (zh) | 2015-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103198484B (zh) | 基于非线性尺度空间的虹膜图像分割算法 | |
CN103164704B (zh) | 一种基于混合高斯模型的虹膜图像分割算法 | |
US10579872B2 (en) | Method and apparatus with iris region extraction | |
US10762366B2 (en) | Finger vein identification method and device | |
CN107871322B (zh) | 虹膜图像分割方法和装置 | |
Li et al. | Robust and accurate iris segmentation in very noisy iris images | |
CN101673345B (zh) | 基于形状先验的提取目标闭合轮廓的方法 | |
CN101261677B (zh) | 人脸的特征提取方法 | |
CN101093538B (zh) | 一种基于小波变换过零表示的虹膜识别方法 | |
CN102103692B (zh) | 一种指纹图像增强方法 | |
CN101923645B (zh) | 适应复杂应用场景中低质量虹膜图像的虹膜分割方法 | |
CN104408453A (zh) | 基于多特征聚类的近红外皮下静脉分割方法 | |
CN101329725A (zh) | 基于梯度投影和形态学的指纹图像分割方法 | |
CN103646398A (zh) | 一种皮肤镜病灶自动分割方法 | |
CN102938055B (zh) | 一种手骨身份识别*** | |
CN106355599A (zh) | 基于非荧光眼底图像的视网膜血管自动分割方法 | |
CN101329726A (zh) | 一种基于一维滤波的指纹图像增强方法 | |
CN102184410B (zh) | 三维复原颅面的识别方法 | |
CN102629321B (zh) | 基于证据理论的人脸表情识别方法 | |
CN105844727A (zh) | 一种智能动态人脸识别考勤记录管理*** | |
CN104299238A (zh) | 一种基于医学图像的器官组织轮廓线提取方法 | |
CN104268502A (zh) | 人体静脉图像特征提取后的认识方法 | |
CN104537334B (zh) | 一种改善在非理想环境下虹膜识别性能的方法 | |
Barzegar et al. | A new approach for iris localization in iris recognition systems | |
Jahanbin et al. | Passive three dimensional face recognition using iso-geodesic contours and procrustes analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151118 Termination date: 20170407 |