张晶+赵刚

【摘 要】为了进一步提高虹膜图像的质量，论文对虹膜眼睑噪声的检测与去除进行了研究。由于传统用微分的方法对图像边缘信息检测存在的不足，根据小波变换多尺度、多分辨分析的特点，利用小波模极大值和最小二乘法相结合的方法虹膜眼睑边缘的噪声进行检测与去除，结果表明，虹膜图像边缘特征显著，图像质量得到提高。

【Abstract】In order to further improve the quality of the iris images， the detection and removal of iris lid noise are studied in this paper. Due to the shortcomings of traditional methods of differential detection of edge information of images， according to the characteristics of multi-scale and multi-resolution analysis of wavelet transform， the wavelet transform modulus maxima and least square method are combined to detect and remove the noise of iris and eyelid edge. The results show that the iris image edge characteristics are significant， and the image quality is improved.

【关键词】小波变换；虹膜；噪声

【Keywords】wavelet transform； iris； noise

【中图分类号】TP181 【文献标志码】A 【文章编号】1673-1069（2017）11-0174-02

1 引言

目前，基于虹膜的人体生物特征识别与认证领域得到迅猛发展，虹膜识别技术的研究受到越来越多科技人员的重视。在采集、处理或者传输虹膜的过程中通常都会受到外界噪声的干扰，由于这些噪声的存在，使得提取虹膜图像特征以及识别虹膜效果的难度大大提高。因此，对虹膜图像的去噪就显得尤为重要。由于传统方法在图像去噪方面很难让人满意，小波变换因具有多尺度以及多分辨分析的特点，在图像去噪方面效果较好，所以我们利用小波模极大值检测与最小二乘法相结合的方法进行眼睑噪声检测以及去除，去噪后的图像边缘信息等特征明显，系统识别率提高，在理论上和实际应用中都具有重要意义。

2 虹膜图像眼睑噪声的产生

因考虑到采集者的因素，所以虹膜图像采集过程眼睑、眼睑阴影、睫毛以及光源像点不可避免地会引入噪声 [1，2，3]。如果虹膜比较完整，干扰又较少，那么现存的虹膜识别算法Daugman的方法、Houhg变换的方法等就能准确定位。因此，虹膜图像的去噪，对于提高图像的识别度具有重要意义。

3 算法分析

通常，图像的边缘检测是利用微分的方法来计算梯度，这样提取出来的边缘信息一般都会含有噪声，更严重时可能连真正的边缘信息都没有被检测出来。一直以来，在眼睑的边缘检测方面都存在着很大的困难，特别是眼睑的遮挡问题更具困难。现有的Houhg变换方法和Daugman方法主要是对图像整体特性或者目标轮廓进行检测，因此都能够检测出眼睑的边缘特性，但对于图像局部特性往往会损失，造成眼睑虹膜局部信息的丢失，存在很大的局限性。而小波变换由于具有多尺度特征，可以准确地提取奇异点，将图像的整体特性与局部特性综合起来，利用小波模极大值和最小二乘法分别对图像边缘信息进行检测和眼睑边缘进行检测，做到准确定位边缘图像信息。

3.1 小波模極大值的边缘检测

3.2 最小二乘法方法

由于获取的虹膜图像都不可避免的会受到眼睑的遮挡，加上眼睑边缘特征不明显，所以使得采集眼睑的难度非常的大。所以在利用小波模极大值得到的眼睑边缘候选点集后，再利用最小二乘法进行抛物线拟合确定精确眼睑边缘。上下眼睑边缘的拟合模板分别是：x（t）=axx2+bxt+cx ；y（t）=ayt2+byt+cy（式中，0≤t≤1）。

由于人眼虹膜的区域近似圆环形，所以通常采用内、外圆拟合的方法找到拟合圆。内圆拟合时可以利用最小二乘法原理直接求出拟合参数；由于外圆拟合容易受到图像边缘点噪声的影响，所以可以在外圆的边缘点随机任意选取一些边缘点拟合圆，通过计算外圆边缘点与拟合圆的距离来找到最佳的拟合外圆。

3.3 程序结构与实验结果图

并以此定位出上下眼睑的边界，上下眼睑定位过程如图1所示。

4 结论

本文在已有眼睑检测方法的基础上进行优化精确了眼睑边界参数确定问题，同时具有一定的鲁莽性，研究虹膜图像中的眼睑噪声检测与去除，提高检测的准确率，为虹膜识别系统的实际应用，奠定了良好的基础，而且为以后的设计及开发工作打下了重要的基础。

【参考文献】

【1】Kong W K.Zhang D.Detecting eyelash and reflection for accurate iris segmentation[J].International Journal of Pattern Recognition and Artificial Intelligence，2003，17（6）：1025-1034.

【2】郑煊，王强德，刘萌.基于虹膜图像特征的噪声检测方法[J].光电子技术2009，29（1）：37-41.

【3】来毅，卢朝阳.虹膜图像中噪声检测算法的研究[D].西安：西安电子科技人学，2007.

【4】Donoho DL. Denoising by Soft-thresholding[J]. IEEE Transaction Information Theory，1995，41（3）：613-627.

【5】韩民，田岚，翟广涛，等.基于Hermite插值的小波变换模极大值重构信号快速算法[J]. 系统仿真学报，2005（11）：2616-619.endprint