基于分水岭算法在人脸图像中定位眼部虹膜的中心位置

基于分水岭算法在人脸图像中定位眼部虹膜的中心位置虞凌飞（温州大学物理与电子信息工程学院，11电科班）摘要:使用分水岭分割算法与区域合并相结合的方法，有效地对虹膜图像进行分割并减少过度分割现象。首先对原图像做平滑处理，使用 sobel 梯度算子得到原图像的梯度图，然后使用分水岭算法对梯度图进行区域分割，最后将分割图像的过度分割部分进行区域合并。实验证明这种方法可以应用于分割带有噪声的图像，也能够减少过度分割现象。仿真结果表明，把这种方法用于虹膜区域分割中，可以得到精确的、封闭的虹膜边缘。关键词:图像分割，分水岭算法，虹膜区域分割，区域合并。Based on Watershed Algorithm to Locate Facial Image of the Iris in the Eye Center PositionYu Lingfei(Physics and Electronic Information Engineering of Wenzhou University,11 Dianke Class)Abstract: The method of combining watershed algorithm and regions merging technology is used in this paper, segment iris image accurately,and reduce over- segmentation phenomena efficiently. First, smooth the image and choose the sobel gradient operator to make the gradient image,then use watershed algorithm on the gradient image to segment the original image. Last,do regions merging to reduce over- segmentation.It has been proved that this method may be used in image with noise,And can reduce over- segmentation. Emulational result shows that accurate and close iris edge can be obtained by this method.key word: image segmentation，watershed algorithm，iris region segmentation，regions merging一 引言图像分割是一种解析的图像描述方法，是把图像分割成为互相连通的、有一致属性的象素的集合。它在很多计算机视觉和图像处理的应用中占有重要的地位。分水岭算法是一种非常快速的算法，它生成的分割结果通常比较稳定，但是应用分水岭分割算法有两个主要缺点：对噪声敏感、合并过度分割的区域时需要大量的计算。对图像进行平滑处理和在分割后对图像进行区域合并可以很大限度地弥补这个缺点。虹膜定位，亦即虹膜内外边缘的定位。由于虹膜具有较好的环状特性，所以可以用圆心及半径可变的圆作为模板，来定位虹膜边缘。本文对虹膜边缘的定位采用两步法，即先利用灰度投影量进行粗定位，然后利用圆形模板进行精定位。这样可以提高虹膜边缘定位的速度，避免一些盲目性的搜索。二 分水岭算法分水岭算法，基本思想是把图像看作是测地学上的拓扑地貌。计算分水岭的算法有很多种，其中具有代表性的一种算法是基于浸没模拟(Immersion Simulation)的过程。 图1这是一种自下而上形成区域的方法。该算法把灰度图像看成是地形学上的地貌。假设在每个区域最小值的位置上打一个洞，并且让水以均匀的速率从洞中涌出，从低到高淹没整个地形。当处在不同的汇聚盆地中的水将要聚合在一起时，建造一道大坝来阻隔它们。在浸没过程中，水位每升高一个高度，盆地将得到延伸，并且可能有新的盆地被注水，浸没过程结束后，所有的区域将被水淹没，并被大坝所包围，这些大坝就是流域的分水岭，也就是我们使用分水岭算法提取出来的连续的边界线。图 1 表示了这些概念。关于分水岭算法的严格数学描述参见文献。一般地，分水岭算法最初分割的区域，有些区域本身是一个目标区域，也有些是一个目标区域的一部分，因此为了获得最终的目标区域，需要对最初分割得到的区域进行区域合并。分水岭分割算法对噪声比较敏感，如果原始图像中有噪声，那么经过分水岭算法分割后的图像，将产生过度分割情况，所以将需要更多的区域合并工作 三 分水岭算法在虹膜图像区域分割中的应用虹膜图像分割技术是虹膜识别技术中的关键部分，可以使用上面的算法来得到虹膜的精确的封闭的区域。3.1 预处理在拍摄虹膜图像时，由于灯光等因素，有时会在瞳孔部分形成一些亮点，对提取虹膜边界产生不利的影响，为了去除或者降低噪声的干扰，在分割图像之前对虹膜图像进行平滑处理，采用高斯平滑对图像进行处理：如果原始图像分辨率足够高，我们可以在最开始对图像进行处理的时候使用一次小波变换，得到低分辨率的眼睛图像，然后在低分辨率的眼睛图像上进行图像分割操作，这样可以减少分水岭算法的计算量，提高计算速度。但是要注意小波分解的次数不能太多，如果分辨率太低，虹膜外边缘的梯度就不够明显，在后面的分割图像中，就不能得到完整的边缘了。 a 眼睛图像 b 一次小波分解后的眼睛图像图23.2 图像分割在使用分水岭算法之前，我们使用 sobel 梯度算子得到原图像的梯度图像。对于某一点(i,j)的梯度值 g(i,j)，具体求法如下 dx(i,j)=(f (i+1,j- 1)+2*f (i+1,j)+f (i+1,j+1)- (f (i- 1,j-1)+2*f (i- 1,j)+f (i- 1,j+1) (1)dy(i,j)=(f (i- 1,j+1)+2*f (i,j+1)+f (i+1,j+1)- (f (i- 1,j-1)+2*f (i,j- 1)+f (i+1,j- 1) (2)g(i,j)=|dx(i,j)|+|dy(i,j)| （3）对于阈值 T的选取我们采用这样的方法T(gmax- gmin)/15 (4）梯度图公式为：这里公式（4）中的分子“15”是在实验中得到的经验值，根据图片来源不同，应做适当的调整以得到最好的效果，本文实验所使用的眼睛图像来自北京中科院自动化研究所的图片库。经计算得到眼睛图像的梯度图如图 3（a）。由于人的眼皮有褶皱，导致了在求得的梯度图中，除了有虹膜边缘轮廓、眼皮边缘轮廓外，还存在一些小的梯度线，而这些线是我们不需要的，所以在进行区域分割前再对梯度图像进行一次滤波，去除一些没用的点和线。滤波后的梯度图如图 3（b）所示。 a 梯度图像 b 滤波后的梯度图 c分水岭分割图像 d 区域合并后图像图3得到梯度图后，我们在梯度图基础上使用分水岭算法对原图像进行区域分割，得到的分割图像如图 3（c）。显然，分割过程产生了过度分割的现象，为了去掉一些过度分割的现象，我们要对某些过度分割的区域进行区域合并。很多情况下，区域合并过程被简单地描述为基于曲线图表的聚类问题。合并时，采用了Jong- Bae Kim 提出的有关区域合并的方法，描述如下图4 分割区域示意图 这里 Ri 表示分水岭分割图像的一个分割区域，num(Ri)是分割区域 I 的象素数，为了合并区域，我们使用下面的公式这里 mvi 是分割区域 I 的相似性值，N 是分割区域的数量，分别是区域的第一、第二、第三中心矩，如果临近区域的 d 值满足一个特定的值，那么两个相邻的区域将被合并，这个特殊的值要在实验中获得。最后可以得到区域合并后的眼睛图像，如图 3(d)，得到了虹膜的内外边缘。图 3（d）中图像大致被分割成为 6 个区域，为了分割出虹膜图像，可以先计算出每个区域灰度平均值，根据眼睛图像的特点，瞳孔区域的颜色最深，次之的就是虹膜区域，所以六个区域中灰度平均值最小的是瞳孔，平均灰度值第二小的就是虹膜区域。根据眼睛图像的这个特点，可以提取出虹膜区域。四. 结语本文基于人眼图像的具体特征，利用分水岭算法，结合高斯平滑、小波变换、区域合并，对人眼图像进行区域分割，提取出虹膜部分的图像，从而为虹膜的特征分析和特征匹配奠定了良好的基础。参考文献1Li Ma, Tieniu Tan, Yunhong Wang。Local intensityvariation analysis foriris recognition。Pattern Recognition 37 (2004) 1287- 1298。2Najman L,Schmitt M.Geodesic saliency of water- shed contours andhierarchical segmentationJ . IEEE Transaction on Pattern Analysis andAnalysis and Machine Intelligence, 1998,18(12):1163- 1173。3美Rafael C. Gonzalez Richard E. Woods 数字图像处理 电子工业出版社 2003 年 3 月第一版。4John Daugman. The importance of being random: statistical principles ofiris recognition. Pattern Recognition 36 (2003) 279- 291。