CN107123118A - 虹膜图像清晰度快速评价方法 - Google Patents
虹膜图像清晰度快速评价方法 Download PDFInfo
- Publication number
- CN107123118A CN107123118A CN201710284683.1A CN201710284683A CN107123118A CN 107123118 A CN107123118 A CN 107123118A CN 201710284683 A CN201710284683 A CN 201710284683A CN 107123118 A CN107123118 A CN 107123118A
- Authority
- CN
- China
- Prior art keywords
- mrow
- iris image
- roi
- definition
- point
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Ophthalmology & Optometry (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
Abstract
一种虹膜图像清晰度快速评价方法,基于ROI选取和Tenengrad函数,包括以下步骤:(1)选取ROI:首先设置自适应阈值TH1和TH2,TH1为瞳孔灰度阈值,TH2为光斑灰度阈值,TH2>TH1,然后根据阈值寻找光斑亮点区域,求取光斑亮点区域质心点,并将该点作为选取ROI的基准点,最后根据基准点选取虹膜图像清晰度评价的有效ROI;(2)选取清晰度评价函数:选用Tenengrad函数对图像ROI进行清晰度评价。本发明根据光斑亮点区域的基准点选取虹膜图像ROI,然后使用Tenengrad函数对ROI进行清晰度评价,能够在保证良好评价效果的前提下快速的对虹膜图像进行清晰度评价,运算复杂度低,耗时少。
Description
技术领域
本发明涉及一种用于评价虹膜图像清晰度的方法,该方法基于ROI(Region ofInterest,感兴趣区域)选取和Tenengrad函数(一种常用的图像清晰度评价函数,是一种基于梯度的函数),属于生物特征识别技术领域。
背景技术
生物特征识别利用人类自身的生理或行为特征进行个人身份识别。目前应用较多的生物识别有人脸、虹膜、指纹、声音、静脉等生理特征以及签名动作、步态等行为特征。这些特征因人而异、携带方便并且具有相当的稳定性。生物特征识别凭借这些独特优势,已经在信息安全、金融交易、社会安全、医疗卫生等领域获得了广泛应用。
与其他生物特征相比,虹膜具有很高的稳定性、独特性和防侵犯性等优点,已经得到了科学界和工业界的高度关注,并在安防、矿业、金融等领域得到了应用。在虹膜的识别***中,一般包括虹膜的预处理、虹膜的特征提取和虹膜的特征匹配。其中虹膜的预处理是整个虹膜识别***的关键,它为后续的特征提取和编码过程提供有效信息。在虹膜图像的预处理里面虹膜图像的质量评价是一个十分重要的环节,一个好的评价算法可以剔除质量较差的图像,避免不必要的后续处理,从而提高识别***的工作效率和可靠性。
目前虹膜图像质量评价方法可以归结为三类:基于频谱分析的方法、基于灰度特征的方法和基于小波的方法。最早的国外具有代表性的虹膜图像质量评价方法有:Daugman通过计算虹膜图像二维傅立叶频谱中高频能量段来评价虹膜图像的清晰度;Wildes通过计算虹膜内外边界的灰度梯度来评价虹膜图像的清晰度。近年来国内对虹膜质量评价方法的研究也取得了不少成果:李连贵等提出利用虹膜的内外边界的灰度差值作为图像质量评估的指标(李连贵,廖曙铮,何家峰,叶虎年.一种序列虹膜型图像的质量评价方法[J].测控技术.2001.5:29-30);清华大学陈戟等提出基于小波包分解的虹膜图像质量评价方法(陈戟,胡广书,徐进.基于小波包分解的虹膜图像质量评价算法[J].清华大学学报(自然科学版).2003,43(3):377-380),以小波包分解的高频子带能量作为图像清晰度的评价指标等。但是,这些算法普遍复杂度较高,运算量较大,耗时较多。
发明内容
针对现有虹膜图像质量评价算法存在的复杂度高、运算量大、耗时多等问题,本发明提出了一种基于ROI选取和Tenengrad函数的虹膜图像清晰度快速评价算法,该算法能快速的进行虹膜图像清晰度评价,具有复杂度低,耗时少,评价效果良好等优点。
本发明的虹膜图像清晰度快速评价方法,基于ROI选取和Tenengrad函数,包括如下步骤:
(1)选取ROI(感兴趣区域):首先设置自适应阈值TH1和TH2,TH1为瞳孔灰度阈值,TH2为光斑灰度阈值,TH2>TH1,然后根据阈值寻找光斑亮点区域,求取光斑亮点区域质心点,并将该点作为选取ROI的基准点,最后根据基准点选取虹膜图像清晰度评价的有效ROI;
(2)选取清晰度评价函数:选用Tenengrad函数对图像ROI进行清晰度评价。
所述步骤(1)中TH1和TH2为:
其中I表示输入待评价的虹膜图像;Imin(i)表示第i行的像素最小值;M和N分别表示虹膜图像像素的总行数和总列数;TH1表示Imin(i)的均值;k表示虹膜图像中灰度级的数量,(虹膜图像为8比特灰度图像,因此k=0,1,2,......,255);nj表示灰度为j的像素个数;S(k)为像素灰度级k的累积分布函数,表示虹膜图像中像素灰度值从0到k的所有像素的总数目;T为S(k)阈值,当像素数目累积达到T,即当S(k)>T时,此时的灰度值k为光斑阈值TH2。
所述T的大小为图像像素总数目的99.9%。
所述步骤(1)中确定基准点的过程是:
当图像中某点像素灰度值大于阈值TH2,且其(此处表示取整)邻域内像素灰度值小于TH1的像素数目大于t时,t∈Z,则该点确定为光斑亮点,找到所有光斑亮点确定光斑区域之后,求取光斑区域质心P,该P点作为选取ROI的基准点;M和N分别表示虹膜图像像素的总行数和总列数,Z表示整数集。
所述步骤(1)中根据基准点选取虹膜图像清晰度评价的有效ROI的过程是:
基于选定的基准点P(xp,yp)选取这一子区域为虹膜图像清晰度评价的ROI,其中xp和yp分别表示图像中的xp行和yp列,M和N分别表示虹膜图像像素的总行数和总列数。
所述步骤(2)中Tenengrad函数对图像ROI进行清晰度评价的公式如下:
其中:f(I)为清晰度评价函数值,图像越清晰,该函数值越大;I(x,y)为虹膜图像在点(x,y)的灰度值,M和N分别表示虹膜图像像素的总行数和总列数。
本发明根据光斑亮点区域的基准点选取虹膜图像ROI,然后使用Tenengrad函数对ROI进行清晰度评价,能够在保证良好评价效果的前提下快速的对虹膜图像进行清晰度评价,运算复杂度低,耗时少。
附图说明
图1是虹膜图像示意图。
图2是像素灰度值累积分布函数曲线示意图。
图3是光斑点的搜索区域示意图。
图4是虹膜图像ROI示意图。
图5是不同清晰程度的虹膜序列图像。(a)为清晰图像,(b)为轻度模糊图像,(c)为重度模糊图像。
图6是清晰度评价效果示意图。
具体实施方式
以下详细阐述本发明基于ROI选取和Tenengrad函数的虹膜图像清晰度快速评价方法的具体过程。
(1)选取ROI
在虹膜图像采集过程中,采集设备(一般采用对称的红外光源)会在虹膜图像中形成光斑亮点,为保障虹膜图像采集的质量,光斑亮点一般位于瞳孔区域。利用这一特点,根据光斑亮点的灰度特征,首先设置自适应阈值TH1和TH2(TH2>TH1),然后根据阈值寻找光斑亮点区域,求取光斑亮点区域质心点,并将该点作为选取ROI的基准点,最后根据基准点选取图像清晰度评价的有效ROI。
步骤(1)的具体过程如下:
①设置自适应阈值:瞳孔中光斑亮点的灰度值很大,会明显大于周围瞳孔像素灰度值,且光斑亮点数量相对较少,而瞳孔区域像素灰度值较小且分布集中。利用这一特性,根据瞳孔中光斑亮点区域的灰度特征,设置自适应阈值TH1和TH2(TH2>TH1),其分别为瞳孔灰度阈值和光斑灰度阈值;
其中I表示输入待评价的虹膜图像,如图1所示;Imin(i)表示第i行的像素最小值;M和N分别表示虹膜图像I的像素总行数和总列数;TH1表示Imin(i)的均值;k表示虹膜图像中灰度级的数量,虹膜图像为8比特灰度图像,因此k=0,1,2,......,255;nj表示灰度为j的像素个数;S(k)为像素灰度级k的累积分布函数,如图2所示,表示虹膜图像中像素灰度值从0到k的所有像素的总数目;T为S(k)阈值,其大小为图像像素总数目的99.9%,即T=99.9%×M×N。
本实施例使用的虹膜图像大小为480×640,即M=480,N=640,图像像素总数目为307200,设置T为306900),当像素数目累积达到T,即当S(k)>T时,此时的灰度值k为光斑阈值TH2。
②确定基准点
当图像中某点像素灰度值大于阈值TH2,且其(此处表示取整)邻域内像素灰度值小于TH1的像素个数大于t时,t∈Z,Z表示整数集。
上述条件是为了减少虹膜等区域的个别噪声干扰点的影响,本实施例中使用的虹膜图像大小为480×640,即M=480,N=640,选择9×9邻域,设置t=18),则该点确定为光斑亮点找到所有光斑亮点确定光斑区域之后,求取光斑区域质心P,该P点作为选取ROI的基准点。
具体做法如下:经过对大量虹膜图像进行分析,可知瞳孔区域一般靠近图像的中心部分,偏离程度不会太大,因此光斑点的寻找可在虹膜图像的小区域内进行,不必遍历整幅图像。
设光斑点搜索区域为D,I为虹膜图像,M和N分别为虹膜图像像素的总行数和总列数,由此确定的光斑搜索区域如图3所示。遍历过程具体表示如下:
其中s为计数值,初始值为0;本实施例中使用的虹膜图像大小为480×640,a∈(-4:4),b∈(-4:4))。
确定光斑区域之后,将光斑区域质心P点作为选取ROI的基准点,即:
其中(x,y)为虹膜图像光斑亮点像素坐标,Sp为光斑亮点像素数目,Pxs和Pys分别表示光斑亮点的横坐标和纵坐标的累加值,xp和yp分别表示基准点P的横坐标和纵坐标。
③选取图像清晰度评价的有效ROI
根据人眼特征,虹膜平均直径大概为12mm。在纵横比为3:4的图像中,虹膜直径跨越像素数范围为因此根据图像像素总行数M和总列数N,基于选定的基准点P(xp,yp)选取这一子区域为虹膜图像清晰度评价的ROI,其中xp、yp分别表示图像中的xp行、yp列。该区域可有效减少眼睑和睫毛的干扰,同时包括虹膜的大部分区域。
本实施例中使用的虹膜图像大小为480×640,即M=480,N=640,选取ROI为[xp-20:xp+80,yp-100:yp+100]),如图4所示。
(2)选取清晰度评价函数
对不同评价函数的清晰度评价效果进行对比后,选用评价效果较好,速度较快的Tenengrad函数对图像ROI进行清晰度评价。
Tenengrad函数采用计算纵横相邻点灰度差的平方作为评价函数值,其公式表示如下:
其中I(x,y)为虹膜图像在点(x,y)的灰度值,f(I)为清晰度评价函数值,清晰图像的函数值比模糊图像的函数值大,且图像清晰度和模糊度差别越大,该函数值相差也越大。
为更好的观察评价效果,本发明方法进行了实验验证。对中科院CASIA-IrisV3-Lamp库中411个不同人眼的清晰图像分别使用5×5、标准差为4和10×10、标准差为10的高斯模板进行退化操作(模拟图像的离焦模糊),生成不同模糊程度图像,如图5所示,图5(a)为清晰图像,图5(b)为轻度模糊图像,图5(c)为重度模糊图像。组成清晰图像与不同模糊程度的序列图像共411组,1233幅图像,使用本发明方法对其进行清晰度评价,总耗时8.33秒,其清晰度评价效果如图6所示。
Claims (6)
1.一种虹膜图像清晰度快速评价方法,基于ROI选取和Tenengrad函数,其特征是:包括以下步骤:
(1)选取ROI:首先设置自适应阈值TH1和TH2,TH1为瞳孔灰度阈值,TH2为光斑灰度阈值,TH2>TH1,然后根据阈值寻找光斑亮点区域,求取光斑亮点区域质心点,并将该点作为选取ROI的基准点,最后根据基准点选取虹膜图像清晰度评价的有效ROI;
(2)选取清晰度评价函数:选用Tenengrad函数对图像ROI进行清晰度评价。
2.根据权利要求1所述的虹膜图像清晰度快速评价方法,其特征是:所述步骤(1)中TH1和TH2为:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>T</mi>
<mi>H</mi>
<mn>1</mn>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>M</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>I</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>k</mi>
</munderover>
<msub>
<mi>n</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>...</mo>
<mo>,</mo>
<mn>255</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>T</mi>
<mi>H</mi>
<mn>2</mn>
<mo>=</mo>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
其中I表示输入待评价的虹膜图像;Imin(i)表示第i行的像素最小值;M和N分别表示虹膜图像像素的总行数和总列数;TH1表示Imin(i)的均值;k表示虹膜图像中灰度级的数量;nj表示灰度为j的像素个数;S(k)为像素灰度级k的累积分布函数,表示虹膜图像中像素灰度值从0到k的所有像素的总数目;T为S(k)阈值,当像素数目累积达到T,即当S(k)>T时,此时的灰度值k为光斑阈值TH2。
3.根据权利要求2所述的虹膜图像清晰度快速评价方法,其特征是:所述T的大小为图像像素总数目的99.9%。
4.根据权利要求1所述的虹膜图像清晰度快速评价方法,其特征是:所述步骤(1)中确定基准点的过程是:
当图像中某点像素灰度值大于阈值TH2,且其(此处表示取整)邻域内像素灰度值小于TH1的像素数目大于t时,t∈Z,则该点确定为光斑亮点,找到所有光斑亮点确定光斑区域之后,求取光斑区域质心P,该P点作为选取ROI的基准点;M和N分别表示虹膜图像像素的总行数和总列数,Z表示整数集。
5.根据权利要求1所述的虹膜图像清晰度快速评价方法,其特征是:所述步骤(1)中根据基准点选取虹膜图像清晰度评价的有效ROI的过程是:
基于选定的基准点P(xp,yp)选取这一子区域为虹膜图像清晰度评价的ROI,其中xp和yp分别表示图像中的xp行和yp列,M和N分别表示虹膜图像像素的总行数和总列数。
6.根据权利要求1所述的虹膜图像清晰度快速评价方法,其特征是:所述步骤(2)中Tenengrad函数对图像ROI进行清晰度评价的公式如下:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>{</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>}</mo>
<mo>,</mo>
</mrow>
1
其中:f(I)为清晰度评价函数值,图像越清晰,该函数值越大;I(x,y)为虹膜图像在点(x,y)的灰度值,M和N分别表示虹膜图像像素的总行数和总列数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710284683.1A CN107123118A (zh) | 2017-04-26 | 2017-04-26 | 虹膜图像清晰度快速评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710284683.1A CN107123118A (zh) | 2017-04-26 | 2017-04-26 | 虹膜图像清晰度快速评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107123118A true CN107123118A (zh) | 2017-09-01 |
Family
ID=59725036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710284683.1A Pending CN107123118A (zh) | 2017-04-26 | 2017-04-26 | 虹膜图像清晰度快速评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107123118A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107959767A (zh) * | 2017-12-14 | 2018-04-24 | 中国科学院长春光学精密机械与物理研究所 | 一种以电视跟踪结果为导向的调焦调光方法 |
CN108710832A (zh) * | 2018-04-26 | 2018-10-26 | 北京万里红科技股份有限公司 | 一种无参考虹膜图像清晰度检测方法 |
CN110428418A (zh) * | 2019-08-15 | 2019-11-08 | 浙江万朋教育科技股份有限公司 | 一种苹果手机端计算图片清晰度的方法 |
CN110647796A (zh) * | 2019-08-02 | 2020-01-03 | 中山市奥珀金属制品有限公司 | 一种虹膜识别方法及装置 |
CN114114687A (zh) * | 2020-08-27 | 2022-03-01 | 托比股份公司 | 眼动跟踪*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077386A (zh) * | 2013-02-06 | 2013-05-01 | 北京中科虹霸科技有限公司 | 一种级联的视频流虹膜图像质量检测方法 |
CN103605959A (zh) * | 2013-11-15 | 2014-02-26 | 武汉虹识技术有限公司 | 一种虹膜图像去除光斑的方法及装置 |
CN105160306A (zh) * | 2015-08-11 | 2015-12-16 | 北京天诚盛业科技有限公司 | 虹膜图像模糊判断的方法和装置 |
-
2017
- 2017-04-26 CN CN201710284683.1A patent/CN107123118A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077386A (zh) * | 2013-02-06 | 2013-05-01 | 北京中科虹霸科技有限公司 | 一种级联的视频流虹膜图像质量检测方法 |
CN103605959A (zh) * | 2013-11-15 | 2014-02-26 | 武汉虹识技术有限公司 | 一种虹膜图像去除光斑的方法及装置 |
CN105160306A (zh) * | 2015-08-11 | 2015-12-16 | 北京天诚盛业科技有限公司 | 虹膜图像模糊判断的方法和装置 |
Non-Patent Citations (1)
Title |
---|
陈丽玲: ""虹膜识别***图像清晰度快速评价算法研究"", 《万方》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107959767A (zh) * | 2017-12-14 | 2018-04-24 | 中国科学院长春光学精密机械与物理研究所 | 一种以电视跟踪结果为导向的调焦调光方法 |
CN108710832A (zh) * | 2018-04-26 | 2018-10-26 | 北京万里红科技股份有限公司 | 一种无参考虹膜图像清晰度检测方法 |
CN108710832B (zh) * | 2018-04-26 | 2021-07-30 | 北京万里红科技股份有限公司 | 一种无参考虹膜图像清晰度检测方法 |
CN110647796A (zh) * | 2019-08-02 | 2020-01-03 | 中山市奥珀金属制品有限公司 | 一种虹膜识别方法及装置 |
CN110428418A (zh) * | 2019-08-15 | 2019-11-08 | 浙江万朋教育科技股份有限公司 | 一种苹果手机端计算图片清晰度的方法 |
CN114114687A (zh) * | 2020-08-27 | 2022-03-01 | 托比股份公司 | 眼动跟踪*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107123118A (zh) | 虹膜图像清晰度快速评价方法 | |
Wang et al. | Blood vessel segmentation from fundus image by a cascade classification framework | |
Yang et al. | Finger-vein image matching based on adaptive curve transformation | |
Wang et al. | Hierarchical retinal blood vessel segmentation based on feature and ensemble learning | |
Noronha et al. | Automated classification of glaucoma stages using higher order cumulant features | |
Dabbah et al. | Automatic analysis of diabetic peripheral neuropathy using multi-scale quantitative morphology of nerve fibres in corneal confocal microscopy imaging | |
CN100492400C (zh) | 手指静脉特征提取与匹配识别方法 | |
Qiu et al. | Global texture analysis of iris images for ethnic classification | |
Das et al. | A new efficient and adaptive sclera recognition system | |
Basit et al. | Localization of iris in gray scale images using intensity gradient | |
Wu et al. | Hyphae detection in fungal keratitis images with adaptive robust binary pattern | |
Raja et al. | An automated early detection of glaucoma using support vector machine based visual geometry group 19 (VGG-19) convolutional neural network | |
Das et al. | A new method for sclera vessel recognition using OLBP | |
Das et al. | Fuzzy logic based selera recognition | |
Rahman et al. | EyeNet: An improved eye states classification system using convolutional neural network | |
Mane et al. | Progress towards automated early stage detection of diabetic retinopathy: Image analysis systems and potential | |
Sun et al. | An integrated model for effective saliency prediction | |
Lyu et al. | Deep tessellated retinal image detection using Convolutional Neural Networks | |
Shaheed et al. | A hybrid proposed image quality assessment and enhancement framework for finger vein recognition | |
Khan et al. | B-COSFIRE filter and VLM based retinal blood vessels segmentation and denoising | |
Song et al. | Semi-supervised learning based on cataract classification and grading | |
Alvarez-Betancourt et al. | A fast iris location based on aggregating gradient approximation using QMA-OWA operator | |
Latha et al. | A novel method for person authentication using retinal images | |
Cheng et al. | A lung disease classification based on feature fusion convolutional neural network with x-ray image enhancement | |
Chakravarthy et al. | DR-NET: A Stacked Convolutional Classifier Framework for Detection of Diabetic Retinopathy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170901 |
|
WD01 | Invention patent application deemed withdrawn after publication |