基于Tamura特征的虹膜結(jié)構(gòu)密度計算方法

高 源，宋 輝，張志佳

(沈陽工業(yè)大學,遼寧 沈陽 110870)

基于Tamura特征的虹膜結(jié)構(gòu)密度計算方法

高 源，宋 輝，張志佳

(沈陽工業(yè)大學,遼寧 沈陽 110870)

虹膜診斷學是一門通過分析眼睛虹膜纖維組織的色彩與結(jié)構(gòu)，來判斷身體組織健康狀況的學科，不同人眼虹膜的纖維結(jié)構(gòu)的密度存在差異，可用于判斷身體組織健康狀況。文中介紹了一種基于Tamura紋理特征中的粗糙度、對比度和方向度的虹膜纖維結(jié)構(gòu)密度計算方法。在使用Tamura算法之前對圖片進行歸一化、直方圖均衡和局部二值化三步預處理，以減小直接應用Tamura算法的背景、光照不均勻的影響，減小結(jié)果誤差。選取3幅典型圖像代表三個等級的虹膜纖維結(jié)構(gòu)密度，進而計算3幅典型圖像的Tamura紋理特征以確定虹膜纖維結(jié)構(gòu)密度與所選取特征間的關系。最后將該算法應用到沈陽工業(yè)大學視覺檢測技術(shù)研究所自建虹膜庫中的60幅圖片樣本中，結(jié)果表明該方法與主觀粗糙度判斷一致，切實有效。

Tamura紋理特征；粗糙度；虹膜纖維結(jié)構(gòu)密度；局部二值化

0 引 言

虹膜診斷學是一門通過分析眼睛虹膜纖維組織的色彩與結(jié)構(gòu)，來判斷身體組織健康狀況的學科[1]。它是用來測量人體當前健康狀況和用于預防疾病的醫(yī)學工具。虹膜纖維結(jié)構(gòu)是遺傳決定的，用來度量人體的體力和精力狀況。它表現(xiàn)在肌肉彈性，器官抗病力、復原力及其他組織的再生能力。虹膜纖維結(jié)構(gòu)越緊密，表示身體組織機能越完善且無病；當虹膜纖維結(jié)構(gòu)有缺陷時，虹膜纖維的排列不均勻而顯得凌亂，有凹陷和閉鎖，有的形成洞穴，有的則彎曲雜亂地混合在一起[1-4]。一般的視覺特征提取算法都是針對于形態(tài)規(guī)則的圖像，但是虹膜纖維結(jié)構(gòu)并不是形態(tài)規(guī)則的圖像。

Tamura等在人類對紋理的視覺感知心理學的研究基礎上，提出了Tamura紋理特征。Tamura紋理特征中提出的特征值對應于心理學角度上紋理特征的屬性，其中的粗糙度、對比度、方向度三個特征值對于圖像檢索很重要[5-9]。

文中選取粗糙度、對比度、方向度作為研究對象，研究適合表示虹膜纖維結(jié)構(gòu)密度的參數(shù)。通過實驗對該方法及適合的參數(shù)進行驗證。實驗過程中發(fā)現(xiàn)背景、圖片采集環(huán)境對圖片有很大影響，使用了一系列預處理方法，減小了背景與圖片采集環(huán)境對實驗的影響。

1 算法原理

紋理特征在模式識別和機器視覺等領域有著舉足輕重的地位。Tamura等在研究了人類對紋理視覺感知的心理學之后，提出了幾個紋理特征。這些紋理特征量對應于人類對紋理視覺感知的六種屬性，分別是粗糙度、對比度、方向度、線性度、規(guī)整度和粗略度。文中主要研究虹膜纖維結(jié)構(gòu)密度的分類問題，主要利用粗糙度、對比度和方向度三個特征量。

1.1 粗糙度

粗糙度[10]是最基本的紋理特征，主要反映紋理粒度。當兩種紋理只是基元大小不同時，基元較大的給人的感覺更粗糙。也就是說同樣大小的圖片中，基元越大，密度越小，反映在虹膜圖片上即是虹膜質(zhì)量越差。因此從理論上說，粗糙度值越大，虹膜質(zhì)量越差，粗糙度值越小，虹膜質(zhì)量越好。文中依據(jù)這個理論對虹膜纖維結(jié)構(gòu)密度進行比較。

粗糙度的計算步驟如下：

第一步，計算圖像中大小為2k×2k區(qū)域中的像素平均灰度值，如式(1)：

(1)

式中：k=0,1,…,5；f(i,j)是位于點(i,j)處的像素灰度值。

第二步，圖中的每個像素，計算其在水平互不重疊的2k×2k像素區(qū)域間的平均灰度差，同理計算其在垂直方向上的平均灰度差，如式(2)：

(2)

第三步，第二步中的每個像素都會產(chǎn)生多組E值，根據(jù)式(3)取其最大值，并將使E值達到最大(無論方向)的k值帶入Sbest(x,y)=2k，得到每個像素的最佳尺寸Sbest：

Ek=Emax=max(E1h,E1v,…,Ekh,Ekv)

(3)

第四步，計算整幅圖像所有像素的Sbest，并計算Sbest平均值，即這幅圖像的粗糙度，如式(4)：

(4)

1.2 對比度

圖像的對比度一般指圖像中區(qū)域最亮和最暗之間亮度的層級，兩者差異越大，表示對比度越大，差異越小，表示對比度越小。最簡單的能夠表征像素灰度值變化的范圍和分布的情況的參量就是方差和標準差，但是在圖像的灰度直方圖中灰度值的分布明顯地偏向于某一側(cè)時，方差和標準差這兩個參量就不能很好地表示灰度值的分布了。

Tamura紋理特征中的對比度即是通過對像素灰度直方圖分布情況統(tǒng)計而得到的。該值給出了整幅圖像或某個區(qū)域中對比度的全局度量。因為文中的光照等環(huán)境因素和虹膜本身顏色不同，所以對比度也有所不同，但是理論上不能表示出虹膜紋理密度特征。文中使用的是預處理之后的二值化圖片，因此對這個值不做計算。

1.3 方向度

有些圖像具有很明顯的方向性，也就是圖像中的像素在某一個方向上會呈現(xiàn)出直線或近似于直線的狀態(tài)。虹膜圖像也有方向性，其實這個方向性就是眼部收縮肌肉的紋理方向。通過觀察可以看到，虹膜纖維組織也呈一定的方向性。

方向度的計算分兩步：

第一步，計算圖像中每個像素的梯度向量，這個向量的模和方向如式(5)、(6)：

(5)

θ=tan-1(ΔV/ΔH)+π/2

(6)

式中：ΔH表示梯度向量水平變化量；ΔV表示梯度向量垂直變化量。

它們的計算是通過圖像中像素點周圍3×3像素大小的矩陣與式(7)的矩陣卷積得到的：

(7)

(8)

虹膜纖維結(jié)構(gòu)部分由于是肌肉組織，因此會有方向性，但是理論上方向度只能表現(xiàn)出方向性，而不能表現(xiàn)出密度特性。

2 算法流程

2.1 歸一化處理

實驗的研究對象是虹膜纖維結(jié)構(gòu)部分，因此眼球的其他部分都是背景噪聲。在計算Tamura紋理特征時，首先應該對原始虹膜圖像進行一定的處理，將虹膜纖維結(jié)構(gòu)部分提取出來。

在虹膜圖像預處理中，首先使用粗定位和精定位兩步定位法[11]，用這種方法可以提取出虹膜內(nèi)外圓周的圓心和半徑，之后再利用這些參數(shù)將虹膜區(qū)域從眼睛圖片中分離出來。首先進行瞳孔粗定位，瞳孔粗定位的參數(shù)主要采用二值化的方法，由于瞳孔和虹膜的外邊緣近似于同心圓，所以這個參數(shù)也可作為提取虹膜外邊緣的基礎。第二步進行精定位，精定位主要定位虹膜的外邊緣，利用的是虹膜邊緣灰度變化特性，采取分區(qū)方法，這樣會準確定位。定位完成后，將提取后的虹膜圖像采用極坐標的方式歸一化，使虹膜圖片變成統(tǒng)一的矩形圖片[12]。歸一化的目的是將原始圖像中不同的虹膜調(diào)整到相同的尺寸和對應位置。原圖大小為800×600，歸一化圖片的大小為512×96。

虹膜原圖如圖1所示，歸一化圖片如圖2所示。

圖1 原圖

圖2 歸一化虹膜圖片

虹膜纖維結(jié)構(gòu)部分選擇非燈光部分。由于瞳孔不是規(guī)則的圓形，定位的時候會包含少許瞳孔部分，因此歸一化虹膜圖的頂端部分會包含少許瞳孔的黑色，會干擾到粗糙度的計算。為了避免此處誤差，虹膜纖維結(jié)構(gòu)部分起點選取自虹膜第N行。此部分能充分代表虹膜纖維結(jié)構(gòu)的紋理特點，包括粗糙度、對比度和方向性。通過對大量圖片的觀察及實驗，虹膜纖維結(jié)構(gòu)部分大小設定為200×50，如圖3所示。

圖3 虹膜纖維結(jié)構(gòu)部分圖片

2.2 直方圖均衡化

由于圖片對比度不是很強，所以根據(jù)Tamura算法原理，對粗糙度結(jié)果干擾很大。因此對圖片進行直方圖均衡化[13]。均衡化之后的圖片如圖4所示。

圖4 直方圖均衡化后的圖片

2.3 局部二值化

直方圖均衡化處理之后的圖片直接使用Ostu方法二值化[14]，會遺漏許多紋理信息。由圖片可知，導致這種情況的原因是圖片光照不夠均勻，因此背景某處的灰度會與紋理某些灰度值差值很小，因此文中選擇局部二值化方法[15]。將圖片分割成大小相同的區(qū)域，對每個區(qū)域使用Ostu方法二值化。改變區(qū)域的大小，觀察二值化后的圖片，確定紋理信息遺失最少的區(qū)域的大小。圖片不同，二值化之后的效果也不同。經(jīng)過多次實驗，文中選擇區(qū)域的大小為60×50。二值化后的圖像如圖5所示。

圖5 二值化后的圖片

3 實 驗

3.1 參數(shù)計算

選取三個密度差異較明顯的虹膜圖片A、B、C，其中密度大小為A>B>C，對其進行預處理，之后分別計算Tamura的粗糙度、方向度的值。選取的圖片原圖灰度化和二值化后分別如圖6(a),(b),(c)所示。

計算粗糙度、方向度值如表1所示。

表1 參數(shù)計算結(jié)果

由實驗結(jié)果可看出，粗糙度的大小可反映出密度大小的線性關系。粗糙度值越小，密度越大。由方向度可看出，與理論分析相同，方向度對圖片的密度并沒有關系。下面會通過對60幅圖片的粗糙度計算，驗證粗糙度可以用來表示密度的理論。

實驗選取沈陽工業(yè)大學視覺檢測技術(shù)研究所自建虹膜庫中的圖像共60幅。文中選取的為對焦清晰、紋理較均勻的圖片。

3.2 驗證結(jié)論并分析

用肉眼對其進行分類，其中18幅分為A類，25幅分為B類，17幅分為C類。分別對其粗糙度進行計算，結(jié)果見表2。

表2 各類圖片粗糙度均值及方差

由數(shù)據(jù)可看出，均值是呈線性的，即密度關系符合肉眼觀察。但是在每一類中都有些誤差數(shù)據(jù)出現(xiàn)。

圖6 灰度化圖片和二值化圖片

A類為最密的虹膜，密度較大，因此數(shù)值集中在10以下。但數(shù)據(jù)中出現(xiàn)17.86，判定此為誤差值，數(shù)據(jù)處理時將其剔除掉。產(chǎn)生誤差的原因為預處理時，此圖片由于部分虹膜顏色與背景過于相似，因此二值化圖像中沒有完整地體現(xiàn)出此圖片的紋理，導致數(shù)值過大。

B類中虹膜密度處于疏和密之間，是常見的虹膜狀態(tài)，范圍取值也較大，因此方差數(shù)值要大一些，其中有些數(shù)值與A類數(shù)值范圍重合，分析原因應是預處理時將背景的不均勻也誤判成虹膜紋理，因此密度增加，數(shù)值變小。總體來說，這類數(shù)據(jù)是較為穩(wěn)定的。

C類是虹膜最疏松的情況，同樣大小的虹膜取樣中，包含虹膜纖維結(jié)構(gòu)條數(shù)最少，因此數(shù)值最大。此類范圍也較大，因此方差較大。數(shù)據(jù)中有1個誤差值，原因是虹膜背景較為雜亂，誤判成虹膜紋理。

4 結(jié)束語

文中提出了一種使用Tamura紋理算法表示虹膜纖維結(jié)構(gòu)紋理密度的方法。該方法通過對三個密度差別較大的圖片進行計算，得出粗糙度與密度有關，初步認定此方法可有效地表示虹膜纖維結(jié)構(gòu)紋理密度。通過對60幅圖片的驗證，確定Tamura算法中粗糙度可以表示虹膜纖維結(jié)構(gòu)紋理密度。

文中的誤差集中于圖片的背景影響，后續(xù)實驗應改進圖片的采集質(zhì)量，增加圖片的清晰度和對比度可有效提高該算法的性能。

[1] 鐘 杰.實用圖解彩虹學[M].臺灣：正光書局，2007.

[2] 王 齡.觀虹膜知健康[M].沈陽：遼寧科學技術(shù)出版社，2010.

[3] 從 峰.易虹膜生命健康學[M].北京:北京交通大學出版社，2009.

[4] Csekey A.The advantages of using iridology in health care[M].Canada:Iridologys’ Association of Canada,2008:53-55.

[5] Tamura H,Mori S,Yamawaki T.Texture features corresponding to visual perception[J].IEEE Trans on Systems，Man and Cybernetics，1978，8(6)：460-473.

[6] 郝玉保,王仁禮,馬 軍,等.改進Tamura紋理特征的圖像檢索方法[J].測繪科學，2010,35(4):136-138.

[7] Smith J R,Chang S F.Automated binary texture feature sets for image retrieval[C]//Proc of IEEE international conf on acoustics,speech,& signal processing.[s.l.]:IEEE,1996:233-235.

[8] Haralick R M,Shanmugan K,Dinstein I H.Textural features for image classification[J].IEEE Trans on System,Man and Cybernetics,1973,3(6):610-621.

[9] 王成儒，吳婭輝.旋轉(zhuǎn)不變紋理特征用于兩級圖像檢索[J].光電工程，2005，32(3)：70-72.

[10] Niblack C W，Barber R，Equitz W，et al.The QBIC project:querying images by content using color，texture,and shape[C]//Proc of SPIE.[s.l.]:[s.n.],1993:173-187.

[11] 苑瑋琦，馬軍防，狄文彬,等.基于主動輪廓線的虹膜內(nèi)邊界的定位方法[J].紅外與激光工程，2003，32(6):605-609.

[12] 王蘊紅，朱 勇，譚鐵牛.基于虹膜識別的身份鑒別[J].自動化學報，2002，28(1):1-10.

[13] 岡薩雷斯.數(shù)字圖像處理[M].第2版.北京:電子工業(yè)出版社,2010:72-73.

[14] 吳 冰，秦志遠.自動確定圖像二值化最佳閾值的新方法[J].測繪學院學報,2001,18(4):283-286.

[15] 宋克臣，顏云輝，陳文輝，等.局部二值模式方法研究與展望[J].自動化學報，2013，39(6):730-744.

Calculation Method of Iris Structure Density Based on Tamura Features

GAO Yuan,SONG Hui,ZHANG Zhi-jia

(Shenyang University of Technology，Shenyang 110870,China)

Iris diagnostics is a subject to judge the body health by analyzing color and structure of iris fiber tissue.The densities of different fiber structures of human eyes are different,which can be used to judge body health.A calculation method of iris fiber structure based on roughness,contrast and the direction of Tamura texture features is introduced.The image preprocessing is carried on including normalization,histogram equalization and local binarization before utilization of Tamura algorithm,to reduce the influence of uneven illumination by using Tamura algorithm directly and the result error.Three typical images are selected to represent three levels iris fiber structure density,calculating Tamura texture features of three typical images to determine the relationships between iris fiber structure density and selected characteristics.Finally,the algorithm is applied to 60 image samples in iris library built by visual inspection techniques institute in Shenyang University of Technology,and the results show that the method is consistent with the subjective judgment of roughness,which is practical and effective.

Tamura texture feature;roughness;iris fiber structure density;partial binarization

2014-11-29

2015-03-01

時間：2016-02-

國家自然科學基金資助項目(61271365);遼寧省博士啟動基金項目(20131078)

高 源(1990-)，女，碩士研究生，研究方向為圖像處理；宋 輝，博士，講師，研究方向為圖像處理、視覺檢測技術(shù)、信息安全等；張志佳，博士，副教授，研究方向為圖像處理、視覺檢測技術(shù)等。

http://www.cnki.net/kcms/detail/61.1450.TP.20160218.1619.004.html

TP301.6

A

1673-629X(2016)03-0036-04

10.3969/j.issn.1673-629X.2016.03.009