虹膜肠环图像分类方法研究

摘要：为了评估人体健康状况，在虹膜识别时，需要对虹膜进行分类。在分类的过程中，卷缩轮的位置、其内部纹理以及外部纹理特征的分类都具有非常重要的信息，基于此类问题，文章提出了一种卷缩轮定位和多特征融合的虹膜分类方法。首先，根据虹膜卷缩轮内部纹理的特征，设计改进的高斯算子，提取目标纹理的特征区域，检测卷缩轮的位置；其次，根据分类标准对虹膜区域进行划分，通过统计划分好的3个区域内卷缩轮边界点的数量，建立虹膜图像分类模型。实验表明，对图库虹膜图像的分类正确率达98.7%，可以有效地实现分类。

关键词：虹膜卷缩轮；虹膜位置分类；统计方法；边界点数

中图分类号：TP391.41        文献标识码：A

文章编号：1009-3044（2023）26-0004-03

开放科学（资源服务）标识码（OSID）

0 引言

虹膜作为重要的生物特征之一，在虹膜诊断中，虹膜卷缩轮在虹膜中的位置分布可以表示肠环的诊断信息[1]。卷缩虹膜图像的种类复杂，有效的虹膜图像分类在虹膜识别和虹膜诊断中都有着重要的意义，由于虹膜卷缩轮在虹膜中的位置分布不固定，且卷缩轮外部的纹理分布也因人而异，不同的纹理分布代表着不同的虹膜亚健康状态，因此，从卷缩轮的位置分布进行研究，进行了虹膜肠环的位置分类方法。基于卷缩轮位置分布的分类：根据卷缩轮的位置分布特点对整个虹膜区域进行划分，将虹膜图像分为窄小类、适中类和宽大类，通过统计卷缩轮边界点最多的分布区域来确定虹膜图像的类别。卷缩轮外部纹理是否平滑可以判断该虹膜是否为健康类虹膜，卷缩轮外部不同的纹理类型也代表了虹膜不同的亚健康状态[2]。在虹膜识别过程中，有效的虹膜图像分类也可以极大地提高虹膜图像匹配的效率[3]。近年来，关于虹膜识别和纹理检测的研究已经提出了很多方法[4-13]，目前关于虹膜图像分类的方法主要有：基于卷缩轮内部纹理的分类、基于人眼种类的分类和基于虹膜图像质量的分类。但是基于虹膜位置的分类方法尚未有人涉及。本文针对虹膜卷缩轮的不同位置，从而说明肠环类型判断人体健康与否，提出了通过统计边界点最大值来进行虹膜分类的方法，可以很好地实现分类。

1 虹膜肠环图像分类

1.1 图像预处理

虹膜区域为人眼图像中瞳孔与巩膜之间的环状区域，由于采集的人眼图像中不仅包含需要的信息，还包含眼睑、睫毛、巩膜和瞳孔等干扰信息，因此需要对虹膜区域进行定位和提取，尽可能去掉干扰，便于后续检测。同时，为方便对虹膜区域内的纹理进行处理，需要对定位到的虹膜区域进行归一化展开，将其转化为大小一致的矩形，转化之后，卷缩轮内部纹理、裂缝和坑洞等纹理在归一化图像中呈现垂直状，这样纹理处理起来会简单得多。为了方便对虹膜区域进行处理，首先要对人眼图像进行预处理，预处理包括虹膜定位和虹膜归一化。本文采用基于人眼图像灰度分布特征的虹膜定位算法[14]对虹膜进行定位和归一化处理， 将虹膜区域定位后并展开成720×200的矩形图像，如图1所示。

1.2 卷缩轮检测方法

本文使用的卷缩轮检测算法原理如下，其原理为：通过对卷缩轮内部纹理进行特征分析，设计相应的检测算子提取其终点坐标，通过曲线拟合，实现卷缩轮的初定位，最后通过边缘梯度算子在初定位区域实现卷缩轮的最终定位。

具体流程如下：

1） 预处理

读入虹膜图像，对虹膜图像进行预处理。

2） 检测卷缩轮内部纹理

① 利用根据卷缩轮内部纹理特征定义的高斯检测算子，对归一化图像进行检测，提取所有符合高斯型特征的纹理。

② 通过定义符合卷缩轮内部纹理特征的因子，对上一步检测后的纹理进行筛选，得到卷缩轮内部全部纹理。

3） 卷缩轮初定位

根据上一步操作后，计算卷缩轮内部纹理的终点坐标，并在预处理后的图像上进行曲线拟合，得到卷缩轮边界的初始定位，该步骤将得到卷缩轮部分附近区域。

4） 卷缩轮最终定位

利用边缘梯度算子对预处理图像中的初定位区域进行处理，提取卷缩轮边界的轮廓点，并进行连接， 实现卷缩轮边界的最终定位。

其具体流程如图2所示。

根据上文所述的方法得到最后的卷缩轮定位图如图3所示。

1.3 虹膜图像分类方法

通过对图库中大量虹膜图像的卷缩轮进行观察和测量，按照虹膜卷缩轮的位置分布将虹膜图像分为了三类：窄小类、适中类和宽大类，如图4所示，其中窄小类虹膜图像的卷缩轮主要分布在从虹膜内边缘开始到1/4虹膜区域，适中类虹膜图像的卷缩轮主要分布在从虹膜内边缘开始的1/4虹膜位置到1/2虹膜位置的区域，宽大类虹膜图像的卷缩轮主要分布在从虹膜内边缘开始的1/2虹膜位置到虹膜外边缘的区域。

根据虹膜图像中卷缩轮的位置分布，将虹膜归一化图像沿圆周方向划分了3个区域：0～1/4[M]、1/4[M]～1/2[M]、1/2[M]～1[M]（[M]为虹膜归一化后径向方向的长度），根据统计定位到的卷缩轮边界所在的区域分布[F]，如式（1）所示，来对虹膜图像进行分类。

[F（x1，x2，x3）=x1=num（i∈（0～14M））x2=num（i∈（14M～12M））x3=num（i∈（12M～M））]  （1）

式中：[xi]表示卷缩轮边界点在第[i]个区域的分布数量。若一幅虹膜图像中得到的向量[F]中[max（F）=x1]，表示该图像的卷缩轮边界点在归一化虹膜图像中0～1/4[M]区域分布最多，则该图像为窄小类虹膜图像，如图4（a）所示；若虹膜图像中[max（F）=x2]，表示该图像的卷缩轮边界点在归一化虹膜图像中1/4[M]～1/2[M]区域分布最多，则该图像为适中类虹膜图像，如图4（b）所示；若虹膜图像中[max（F）=x3]，表示该图像的卷缩轮边界点在归一化虹膜图像中1/2[M]～1[M]区域分布最多，则该图像为宽大类虹膜图像，如图4（c）所示。

1.4 算法流程

分类算法流程如下：

1） 预处理

读入虹膜图像，对虹膜图像按照1.1的方法进行预处理。

2） 卷缩轮定位

利用1.2的卷缩轮检测方法确定卷缩轮边界。

3） 图像分类

分别在虹膜划分好的3个区域内对卷缩轮边界点的数量进行统计，返回3个区域中包含卷缩轮边界点最多的区域，即得到该图像所对应的虹膜图像类别。

基于卷缩轮位置分布的虹膜图像分类流程图如图5所示。

1.5 实验结果分析

根据文中所述方法进行卷缩轮位置分布分类结果如表1所示，通过对图库中900张虹膜图像进行分类，其中窄小类虹膜图像分类正确率为98.2%，适中类虹膜图像分类正确率为99.1%，宽大类虹膜图像分类正确率为96.4%，整体的分类正确率为98.7%。

通过统计卷缩轮在虹膜中位置分布实现的分类，可以有效地满足视觉直观的分类需求。对于基于卷缩轮外部纹理进行的虹膜图像分类，提出先根据本文定义的曲线算子定位出目标纹理的特征区域，再对目标纹理进行多特征提取和融合的方法，可以全面地描述和表达纹理特征，很好地实现了图像分类。通过对虹膜图库中大量卷缩轮样本进行观察和测量，由卷缩轮在虹膜中的不同位置分布程度将虹膜图像分为了窄小类、适中类和宽大类。并按照分类标准对虹膜区域进行划分，通过统计划分好的3个区域内卷缩轮边界点的数量，实现虹膜图像的分类，该方法对图库虹膜图像的分类正确率达98.7%，可以有效地实现分类。

2 结论

针对虹膜肠环位置的分布，本文提出了一种统计虹膜卷缩轮边界点最大值的虹膜图像分类方法。首先根据本文定义的高斯算子定位出目标纹理的特征区域，再通过对目标纹理进行位置特征，可以全面地描述和表达纹理特征，很好地实现了分类。得到了以下结论：

1） 结合虹膜纹理的特征分析，建立更适合的曲线算子进行检测，能够增强目标纹理的检测，便于进一步的特征提取。

2） 通过对目标纹理结构特征、局部纹理特征和形态特征的多特征表达方法，可以更全面、细致地描述目标纹理。

3） 本文方法为其他相似图像的分类提供了一种新的思路，但本文方法也存在一定的不足：由于本文图库是在人眼自然张开的状态下采集的，对于虹膜区域采集不完整的图像，部分异常纹理的检测可能会出现误差。

4） 如何将虹膜中除裂缝和坑洞的其他纹理图像进行分类是接下来的主要研究内容。

参考文献：

[1] Bowyer K W，Hollingsworth K P，Flynn P J.A survey of iris biometrics research：2008-2010[M].Handbook of Iris Recognition.London：Springer London，2012：15-54.

[2] 韩萍，王佳佳，薛晓琳，等.疲劳性亚健康状态人群的常见中医证型与虹膜表现的相关性分析[J].天津中医药，2011，28（5）：370-373.

[3] Wildes R P，Asmuth J C，Green G L，et al.A system for automated iris recognition[C]//Proceedings of 1994 IEEE Workshop on Applications of Computer Vision.December 5-7，1994，Sarasota，FL，USA.IEEE，2002：121-128.

[4] 王财勇，孙哲南.虹膜分割算法评价基准[J].计算机研究与发展，2020，57（2）：395-412.

[5] 滕童，沈文忠，毛云丰.基于级联神经网络的多任务虹膜快速定位方法[J].计算机工程与应用，2020，56（12）：118-124.

[6] 崔靖威.基于深度神经网络模型的虹膜定位和识别算法研究[D].长春：吉林大学，2020.

[7] 苑玮琦，朱立军，张波.基于形态学与支持向量机的虹膜坑洞纹理检测[J].仪器仪表学报，2017，38（3）：664-671.

[8] 苑玮琦，张波，刘笑楠.基于灰度差分和脊线检测算子的虹膜裂缝检测[J].仪器仪表学报，2016，37（10）：2290-2299.

[9] 苑玮琦，张波，常乐，等.基于矢量加权线检测算子的虹膜环状线条检测[J].仪器仪表学报，2017，38（6）：1378-1389.

[10] 张波，苑玮琦.基于匹配滤波的虹膜环状线条检测的预处理方法[J].计算机应用研究，2017，34（11）：3468-3471，3476.

[11] 苑玮琦，常乐，张波.基于多尺度颜色替换的角膜老年环分割[J].仪器仪表学报，2017，38（1）：236-244.

[12] 刘笑楠，苑玮琦，张波.基于组合窗口搜索的虹膜块状纹理检测[J].仪器仪表学报，2014，35（8）：1900-1906.

[13] Zhang B，Yuan W Q.Iris cracks detection method based on minimum local gray value and dilating window of regional mean gray value[M].Biometric Recognition.Cham：Springer International Publishing，2015：357-364.

[14] 苑玮琦，徐露，林忠华.一种基于人眼图像灰度分布特征的虹膜定位算法[J].光电子·激光，2006，17（2）：226-230.

【通联编辑：唐一东】