1、 本科毕业论文 (科研训练、毕业设计 ) 题 目： 基于 Hough 变换的虹膜定位算法 姓 名： 学 院：软件学院 系： 专 业：软件工程 年 级： 学 号： 指导教师（校内）： 职称： 年 月 基于 Hough 变换的虹膜定位算法 摘要 基于 Hough 变换的虹膜定位算法是在边缘检测后进行虹膜定位的一类常用算法，该算法通过图像坐标系与圆坐标参数的映射来得到合适的边缘，但是该算法存在着由于算法循环层数过高，导致复杂度过高，算法效率过低的问题 。本人针对利用 Hough 变换实现虹膜定位时遇到的一些问题提出了相应的解决方案。为减少 Hough 变换的计算量， 本算法采用了“先采样后变换”、“
2、由粗到精”的二步法 ; 为提高可靠性、减小噪声影响， 算法利用了虹膜内外边界之间的耦合关系以缩小在边界参数空间内的搜索范围。在 java 1.5 环境下，该算法得出了较好的结果。同时，文中也对虹膜定位的相关问题，如阈值二值化、边缘检测等问题进行了具体的讨论。 关键词 虹膜识别 虹膜定位 边缘检测 Laplacian 滤波 中值滤波 Hough 变换； The Algorithm of Iris Location Using Hough Transformation Abstract The iris location algorithm based on Hough transform is
3、a usual algorithm in all the algorithms. This algorithm find the proper edge according to the reflection of the graphics coordinate system and circle arguments. But because the layer of the loops in algorithm is too large， the algorithm is complex and slow. The basic iris location algorithm based on
4、 Hough transform is reviewed， and several problems involved in implementing the algorithm are discussed. A two-step coarse-to-fine approach is used to reduce the time and space complexity. The relation between inner and outer edge of iris is exploited to reduce the influence of noise. Experiments un
5、der Java 1.5 prove the effectiveness and efficiency of the algorithm. Key Word iris recognition; iris location; edge detection; Laplacian filter; median filter; Hough transform 目 录 引 言 . 6 第一章 阈值二值化 . 8 1.1 图像分割 . 8 1.2 虹膜定位的阈值选取 . 9 第二章 降噪策略 . 12 2.1 高斯低通滤波 . 12 2.2 中值滤波 . 14 第三章 边缘检测 . 17 3.1 Lapl
6、acian 算子 . 17 3.2 Sobel 算子 . 19 3.3 Prewitt 算子 . 21 3.4 Canny 算子 . 22 第四章 Hough 变换 . 25 4.1 Hough 变换理论 . 25 4.2 随机 Hough 变换 (RHT) . 26 4.3 虹膜定位中 Hough 变换实现 . 28 第五章 其他定位方法 . 31 5.1 Daugman 定位法 . 31 5.2 几何特征定位法 . 31 5.3 主动轮廓线定位法 . 32 结束语 . 36 致 谢 . 38 参考文献 . 39 Index Introduction. 6 Chapter 1 two-val
7、ue conversion . 8 1.1 image segmentation . 8 1.2 two-value edge selection . 9 Chapter 2 noice reduce . 11 2.1 Guass lowpass filter . 11 2.2 median filter . 13 Chapter 3 edge detection. 15 3.1 Laplacian . 17 3.2 Sobel. 19 3.3 Prewitt. 19 3.4 Canny . 22 Chapter 4 Hough tranformation . 23 4.1 Hough tra
8、nsformation theory . 23 4.2 random hough transformation . 24 4.3 the implementation of hough transformation . 26 Chapter 5 other iris location. 29 5.1 Daugman. 29 5.2 geometry character . 29 5.3 positive figure . 30 Tag . 34 Acknowledgement . 36 References . 37 引 言 虹膜识别技术是 20世纪 90 年代发展起来的一项基于生物特征的身份
9、鉴别技术。该技术以人眼虹膜的纹理作为区分不同人的独一无二的特征 ， 通过图像采集、特征提取、模式匹配等技术手段 ， 判别两幅虹膜图像样本是否出自同一虹膜 ， 从而实现身份鉴别。虹膜识别技术由图像采集、虹膜定位、特征提取、虹膜编码、匹配与判决等几个环节组成。 由图像采集 阶段获得的图像通常包含整个人眼区域 ， 虹膜定位的作用就是从图像中确定虹膜所在的区域。通过观察 ， 人们发现虹膜内外边界均可近似为圆形 ， 因此 ， 虹膜定位问题可以转化为在图像中确定圆形边界位置的问题。对此 ， 不同的研究者采取了不同的方法。 笔者采用边缘检测加 Hough 变换的方法。 首先通过边缘检测技术将虹膜灰度图像转化
10、为二值的边界图 ， 然后 ， 在图像直角坐标系中定义一个圆心和半径均可变化的圆。将参数适当离散化后 ， 枚举出图像中所有可能的圆 ， 统计每个圆经过的边界点的数目 ， 并认为经过边界点数目最多的圆就是与边 界最吻合的圆。此方法虽然简单 ， 但在实现时仍有一些实际问题需要考虑 : (1) 如何确定在图像二值化的时候的阈值？在外边界与内边界的提取时，与之分别怎么确定。 (2) 如何削弱其他非虹膜边界的影响 ? 在虹膜图像中 ， 近似为圆弧的边界有很多 ， 除虹膜边界外主要的还有上下眼皮边界 ， 必须保证不将这些边界误认为虹膜边界。采用何种降噪策略才能够很好的进行二值化后降噪，优化边缘提取时的效果？
11、 (3) 图像中同时存在两个圆形边界时如何将其都检测出来 ?图像中只有一个圆形边界时 ， 可以认为经过 Hough 变换得到的几何模型 参数域中的最大值点对应着此边界 ， 而虹膜定位要求同时确定虹膜的内、外边界的位置。由于边缘检测得到的边界往往具有一定的厚度 ， 因此 ， 不能简单的以最大值点和次大值点作为虹膜内外边界的几何参数 ， 因为这两点很可能对应同一个边界。 (4) 当参数空间很大时 ， 如何提高算法效率 ? 当几何模型的参数数目或者参数的取值范围较大时 ， 枚举出所有的 (离散化的 ) 参数值在计算上会导致难以接受的时间和空间开销。 针对上述问题 ， 本文提出了相应的解决办法。首先
12、， 提出了相应的二值化策略，将图像转换为二值图像，然后采用相应的降噪手段 ，去除图像中的噪声干扰点，最后通过 Laplacian 滤波获取图像边缘，在此通过加大特点方向权重，来获取较好的边界图像。最后通过 Hough 变换来得到最优的圆。文章中各章节将对各个环节的策略进行详细的讨论。 对于其他的定位方法，本文中也做出了简要介绍，用于与笔者所做的算法做对比。 第一章 阈值二值化 1.1 图像分割 要对虹膜进行定位，首先要对取到的图像进行处理。第一步就是进行图像分割。 所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不 相交的区域，使得这些特征在同一区域内，表现出 一致
13、性或相似性，而在不同区域间表现出明显的不同 。 简单的讲，就是在一幅图像中，把目标从背景中分离出来，以便于进一步处理。阈值法是一种传统的图像分割方法，阈值的选取是图像阈值分割方法中的关键技术。 图像阈值化分割是一种最常用，同时也是最简单的图像分割方法，它特别适用于目标和背景占据不同灰度级范围的图像 。它可以大大简化分析和处理步骤，因此在很多情况下，是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。 简单说来，对灰度图像的取阈值分割就是先确定一个处于图 像灰度取值范围之中的灰度阈值，然后将图像中各个像素的灰度值都与这个阈值相比较，并根据比较结果将对应的像素（分割）划为两类：像素的灰度
14、值大于阈值的为一类，像素的灰度值小于阈值的为另一类（灰度值等于阈值的像素可归于这两类之一）。这两类像素一般分属图像中的两类区域，所以对像素跟去阈值分类达到了区域分割的目的。 在实际的操作中，通常采用将大于阈值的灰度值设为 255，小于阈值的设为 0，即用黑白两种颜色体现阈值分割的结果。 由此可见，阈值化分割算法主要有两个步骤： （ 1） 确定需要的分割阈值； （ 2） 将分割阈值与像素值比较 以划分像素。 其中确定阈值是分割的关键，如果能确定一个合适的阈值就可方便地将图像分割开来。而在阈值确定后，将阈值与像素值比较和划分像素可对各像素并行地进行，分割的结果直接给出图像区域。 在利用取阈值方法来
15、分割灰度图像时一般都对图像有一定的假设。换句话说，是基于一定的图像模型的 假设 。最常用的模型可描述如下：假设图像由具有单峰灰度分布的目标和背景组成，处于目标或背景内部相邻像素间的灰度值是高度相关的，但处于目标和背景交界处两边的像素在灰度值上有很大的差别。如果一副图像满足这些条件，它的灰度直方图基本上可看作是由 分别对应目标和背景的两个单峰直方图混合构成的。进一步如果这两个分布大小（数量）接近且均值相距足够远，而且两部分的均方差也足够小，则直方图应为较明显的双峰。类似地，如果图像中有多个单峰灰度分布的目标，则直方图有可能表现为较明显的多峰。对这类图像常可用取阈值方法来较好的分割。 如果只用一个
16、阈值分割称为单阈值分割方法，如果用多个阈值分割称为多阈值分割方法。单阈值分割可看作是多阈值分割的特例，许多单阈值分割方法可推广以进行多阈值分割。反之，有时也可将多阈值分割问题转化为一系列单阈值分割来解决。不管用何种方法选取阈值 ，一幅原始图像 f(x， y)取单阈值 T 分割后的图像可定义为： Tyxf Tyxfyxg ),(,0 ),(,1),(图像阈值化的目的是要按照灰度级，对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域 布局有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。 1.2 虹膜定位的阈值选取 虹
17、膜定位中，图像的二值化，是极其重要的，关系到边缘检测中的得出的边缘的准确度，而在我们实践中的策略选择上，也对外边缘和内边缘分别用了不同的策略进行操作 ，下面我们叙述关于阈值选取的实践策略： （ 1）外边界阈值选择 在外边界的阈值选择上，我们综合了一般虹膜图片的特点，判断了统计了像素点的分布情况，如下图中一副虹膜图片： 图 1.2.1 原始眼部图片 图片 中，眼皮、巩膜区域的的灰度值较大，大概分布在 200255 之间，而虹膜和瞳孔的灰度值较小，分布在约 50100 左右，相应的瞳孔的灰度值又小于虹膜的灰度值，因为在外边界定位的阈值选取是要凸现外边界内和外边界外两个区域，而从瞳孔到外围的灰度是顺次增大的，所以选取的灰度值应该高于虹膜灰度，而低于巩膜的 灰度。经过统计得出，只要我们取所有点的灰度平均值作为阈值，就可以得到很好的效果。 为图像点数nn yxf yx ,),(P ix e l图 像所有点),( 利用此阈值进行二值化，得到的图像与下图所示，可以看到，该图像清晰的刻画了虹膜的外边界轮廓，可以用于进行边缘提取。 图 1.2.2 均值二值化结果 上面介绍的是用于外边界的阈值二值化的阈值选取策略，但是仅仅这个阈值，只能对于外边界的提取有效果，而对于内边界的提取却没有任何效果，所以
