本發(fā)明涉及一種用于評價虹膜圖像清晰度的方法，該方法基于roi(regionofinterest,感興趣區(qū)域)選取和tenengrad函數(shù)(一種常用的圖像清晰度評價函數(shù)，是一種基于梯度的函數(shù))，屬于生物特征識別技術領域。

背景技術：

生物特征識別利用人類自身的生理或行為特征進行個人身份識別。目前應用較多的生物識別有人臉、虹膜、指紋、聲音、靜脈等生理特征以及簽名動作、步態(tài)等行為特征。這些特征因人而異、攜帶方便并且具有相當?shù)姆€(wěn)定性。生物特征識別憑借這些獨特優(yōu)勢，已經(jīng)在信息安全、金融交易、社會安全、醫(yī)療衛(wèi)生等領域獲得了廣泛應用。

與其他生物特征相比，虹膜具有很高的穩(wěn)定性、獨特性和防侵犯性等優(yōu)點，已經(jīng)得到了科學界和工業(yè)界的高度關注，并在安防、礦業(yè)、金融等領域得到了應用。在虹膜的識別系統(tǒng)中，一般包括虹膜的預處理、虹膜的特征提取和虹膜的特征匹配。其中虹膜的預處理是整個虹膜識別系統(tǒng)的關鍵，它為后續(xù)的特征提取和編碼過程提供有效信息。在虹膜圖像的預處理里面虹膜圖像的質量評價是一個十分重要的環(huán)節(jié)，一個好的評價算法可以剔除質量較差的圖像，避免不必要的后續(xù)處理，從而提高識別系統(tǒng)的工作效率和可靠性。

目前虹膜圖像質量評價方法可以歸結為三類：基于頻譜分析的方法、基于灰度特征的方法和基于小波的方法。最早的國外具有代表性的虹膜圖像質量評價方法有：daugman通過計算虹膜圖像二維傅立葉頻譜中高頻能量段來評價虹膜圖像的清晰度；wildes通過計算虹膜內(nèi)外邊界的灰度梯度來評價虹膜圖像的清晰度。近年來國內(nèi)對虹膜質量評價方法的研究也取得了不少成果：李連貴等提出利用虹膜的內(nèi)外邊界的灰度差值作為圖像質量評估的指標(李連貴,廖曙錚,何家峰,葉虎年.一種序列虹膜型圖像的質量評價方法[j].測控技術.2001.5：29-30)；清華大學陳戟等提出基于小波包分解的虹膜圖像質量評價方法(陳戟,胡廣書,徐進.基于小波包分解的虹膜圖像質量評價算法[j].清華大學學報(自然科學版).2003,43(3):377-380)，以小波包分解的高頻子帶能量作為圖像清晰度的評價指標等。但是，這些算法普遍復雜度較高，運算量較大，耗時較多。

技術實現(xiàn)要素：

針對現(xiàn)有虹膜圖像質量評價算法存在的復雜度高、運算量大、耗時多等問題，本發(fā)明提出了一種基于roi選取和tenengrad函數(shù)的虹膜圖像清晰度快速評價算法，該算法能快速的進行虹膜圖像清晰度評價，具有復雜度低，耗時少，評價效果良好等優(yōu)點。

本發(fā)明的虹膜圖像清晰度快速評價方法，基于roi選取和tenengrad函數(shù)，包括如下步驟：

(1)選取roi(感興趣區(qū)域)：首先設置自適應閾值th1和th2，th1為瞳孔灰度閾值，th2為光斑灰度閾值，th2>th1，然后根據(jù)閾值尋找光斑亮點區(qū)域，求取光斑亮點區(qū)域質心點，并將該點作為選取roi的基準點，最后根據(jù)基準點選取虹膜圖像清晰度評價的有效roi；

(2)選取清晰度評價函數(shù)：選用tenengrad函數(shù)對圖像roi進行清晰度評價。

所述步驟(1)中th1和th2為：

其中i表示輸入待評價的虹膜圖像；imin(i)表示第i行的像素最小值；m和n分別表示虹膜圖像像素的總行數(shù)和總列數(shù)；th1表示imin(i)的均值；k表示虹膜圖像中灰度級的數(shù)量，(虹膜圖像為8比特灰度圖像，因此k＝0,1,2,......，255)；nj表示灰度為j的像素個數(shù)；s(k)為像素灰度級k的累積分布函數(shù)，表示虹膜圖像中像素灰度值從0到k的所有像素的總數(shù)目；t為s(k)閾值，當像素數(shù)目累積達到t，即當s(k)＞t時，此時的灰度值k為光斑閾值th2。

所述t的大小為圖像像素總數(shù)目的99.9％。

所述步驟(1)中確定基準點的過程是：

當圖像中某點像素灰度值大于閾值th2，且其(此處表示取整)鄰域內(nèi)像素灰度值小于th1的像素數(shù)目大于t時，t∈z,則該點確定為光斑亮點，找到所有光斑亮點確定光斑區(qū)域之后，求取光斑區(qū)域質心p,該p點作為選取roi的基準點；m和n分別表示虹膜圖像像素的總行數(shù)和總列數(shù)，z表示整數(shù)集。

所述步驟(1)中根據(jù)基準點選取虹膜圖像清晰度評價的有效roi的過程是：

基于選定的基準點p(xp,yp)選取這一子區(qū)域為虹膜圖像清晰度評價的roi，其中xp和yp分別表示圖像中的xp行和yp列，m和n分別表示虹膜圖像像素的總行數(shù)和總列數(shù)。

所述步驟(2)中tenengrad函數(shù)對圖像roi進行清晰度評價的公式如下：

其中：f(i)為清晰度評價函數(shù)值，圖像越清晰，該函數(shù)值越大；i(x,y)為虹膜圖像在點(x,y)的灰度值，m和n分別表示虹膜圖像像素的總行數(shù)和總列數(shù)。

本發(fā)明根據(jù)光斑亮點區(qū)域的基準點選取虹膜圖像roi，然后使用tenengrad函數(shù)對roi進行清晰度評價，能夠在保證良好評價效果的前提下快速的對虹膜圖像進行清晰度評價，運算復雜度低，耗時少。

附圖說明

圖1是虹膜圖像示意圖。

圖2是像素灰度值累積分布函數(shù)曲線示意圖。

圖3是光斑點的搜索區(qū)域示意圖。

圖4是虹膜圖像roi示意圖。

圖5是不同清晰程度的虹膜序列圖像。(a)為清晰圖像，(b)為輕度模糊圖像，(c)為重度模糊圖像。

圖6是清晰度評價效果示意圖。

具體實施方式

以下詳細闡述本發(fā)明基于roi選取和tenengrad函數(shù)的虹膜圖像清晰度快速評價方法的具體過程。

(1)選取roi

在虹膜圖像采集過程中，采集設備(一般采用對稱的紅外光源)會在虹膜圖像中形成光斑亮點，為保障虹膜圖像采集的質量，光斑亮點一般位于瞳孔區(qū)域。利用這一特點，根據(jù)光斑亮點的灰度特征，首先設置自適應閾值th1和th2(th2>th1),然后根據(jù)閾值尋找光斑亮點區(qū)域，求取光斑亮點區(qū)域質心點，并將該點作為選取roi的基準點，最后根據(jù)基準點選取圖像清晰度評價的有效roi。

步驟(1)的具體過程如下：

①設置自適應閾值：瞳孔中光斑亮點的灰度值很大，會明顯大于周圍瞳孔像素灰度值，且光斑亮點數(shù)量相對較少，而瞳孔區(qū)域像素灰度值較小且分布集中。利用這一特性，根據(jù)瞳孔中光斑亮點區(qū)域的灰度特征，設置自適應閾值th1和th2(th2>th1)，其分別為瞳孔灰度閾值和光斑灰度閾值；

其中i表示輸入待評價的虹膜圖像，如圖1所示；imin(i)表示第i行的像素最小值；m和n分別表示虹膜圖像i的像素總行數(shù)和總列數(shù)；th1表示imin(i)的均值；k表示虹膜圖像中灰度級的數(shù)量，虹膜圖像為8比特灰度圖像，因此k＝0,1,2,......，255；nj表示灰度為j的像素個數(shù)；s(k)為像素灰度級k的累積分布函數(shù)，如圖2所示，表示虹膜圖像中像素灰度值從0到k的所有像素的總數(shù)目；t為s(k)閾值，其大小為圖像像素總數(shù)目的99.9％，即t＝99.9％×m×n。

本實施例使用的虹膜圖像大小為480×640，即m＝480，n＝640，圖像像素總數(shù)目為307200，設置t為306900)，當像素數(shù)目累積達到t，即當s(k)＞t時，此時的灰度值k為光斑閾值th2。

②確定基準點

當圖像中某點像素灰度值大于閾值th2，且其(此處表示取整)鄰域內(nèi)像素灰度值小于th1的像素個數(shù)大于t時，t∈z,z表示整數(shù)集。

上述條件是為了減少虹膜等區(qū)域的個別噪聲干擾點的影響，本實施例中使用的虹膜圖像大小為480×640，即m＝480，n＝640，選擇9×9鄰域，設置t＝18)，則該點確定為光斑亮點找到所有光斑亮點確定光斑區(qū)域之后，求取光斑區(qū)域質心p,該p點作為選取roi的基準點。

具體做法如下：經(jīng)過對大量虹膜圖像進行分析，可知瞳孔區(qū)域一般靠近圖像的中心部分，偏離程度不會太大，因此光斑點的尋找可在虹膜圖像的小區(qū)域內(nèi)進行，不必遍歷整幅圖像。

設光斑點搜索區(qū)域為d,i為虹膜圖像，m和n分別為虹膜圖像像素的總行數(shù)和總列數(shù)，由此確定的光斑搜索區(qū)域如圖3所示。遍歷過程具體表示如下：

其中s為計數(shù)值，初始值為0；本實施例中使用的虹膜圖像大小為480×640，a∈(-4:4)，b∈(-4:4))。

確定光斑區(qū)域之后，將光斑區(qū)域質心p點作為選取roi的基準點，即：

其中(x,y)為虹膜圖像光斑亮點像素坐標，sp為光斑亮點像素數(shù)目，pxs和pys分別表示光斑亮點的橫坐標和縱坐標的累加值，xp和yp分別表示基準點p的橫坐標和縱坐標。

③選取圖像清晰度評價的有效roi

根據(jù)人眼特征，虹膜平均直徑大概為12mm。在縱橫比為3:4的圖像中，虹膜直徑跨越像素數(shù)范圍為因此根據(jù)圖像像素總行數(shù)m和總列數(shù)n，基于選定的基準點p(xp,yp)選取這一子區(qū)域為虹膜圖像清晰度評價的roi,其中xp、yp分別表示圖像中的xp行、yp列。該區(qū)域可有效減少眼瞼和睫毛的干擾，同時包括虹膜的大部分區(qū)域。

本實施例中使用的虹膜圖像大小為480×640,即m＝480，n＝640，選取roi為[xp-20:xp+80，yp-100:yp+100])，如圖4所示。

(2)選取清晰度評價函數(shù)

對不同評價函數(shù)的清晰度評價效果進行對比后，選用評價效果較好，速度較快的tenengrad函數(shù)對圖像roi進行清晰度評價。

tenengrad函數(shù)采用計算縱橫相鄰點灰度差的平方作為評價函數(shù)值，其公式表示如下：

其中i(x,y)為虹膜圖像在點(x,y)的灰度值，f(i)為清晰度評價函數(shù)值，清晰圖像的函數(shù)值比模糊圖像的函數(shù)值大，且圖像清晰度和模糊度差別越大，該函數(shù)值相差也越大。

為更好的觀察評價效果，本發(fā)明方法進行了實驗驗證。對中科院casia-irisv3-lamp庫中411個不同人眼的清晰圖像分別使用5×5、標準差為4和10×10、標準差為10的高斯模板進行退化操作(模擬圖像的離焦模糊)，生成不同模糊程度圖像，如圖5所示，圖5(a)為清晰圖像，圖5(b)為輕度模糊圖像，圖5(c)為重度模糊圖像。組成清晰圖像與不同模糊程度的序列圖像共411組，1233幅圖像，使用本發(fā)明方法對其進行清晰度評價，總耗時8.33秒，其清晰度評價效果如圖6所示。