朱立軍, 鄧天嬌

1(沈陽(yáng)化工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院, 沈陽(yáng) 110142)

2(遼寧省化工過(guò)程工業(yè)智能化技術(shù)重點(diǎn)實(shí)驗(yàn)室, 沈陽(yáng) 110142)

卷縮輪[1]是位于虹膜腸環(huán)周邊的一個(gè)環(huán)狀曲線,將虹膜區(qū)域分割為瞳孔區(qū)和睫狀體區(qū)兩部分. 根據(jù)卷縮輪的膨脹或收縮, 可以判斷人體的腸道功能是否出現(xiàn)異常[2,3]. 因此, 準(zhǔn)確地檢測(cè)出ANW的邊緣是進(jìn)一步進(jìn)行病理分析測(cè)的及檢前提. 另外, 在基于虹膜的計(jì)算機(jī)輔助診斷[4]系統(tǒng)中, 由于ANW的位置是實(shí)現(xiàn)虹膜圖譜覆蓋的主要依據(jù), 所以卷縮輪邊緣的準(zhǔn)確檢測(cè)也是判斷計(jì)算機(jī)輔助診斷系統(tǒng)性能優(yōu)劣的前提.

目前虹膜卷縮輪的提取方法主要包括: 石勇濤等[5]利用圖像紋理元的灰度模式及統(tǒng)計(jì)特征完成虹膜圖像的卷縮輪分割, 黃靜等[6]利用紋理基元統(tǒng)計(jì)出紋理變化規(guī)律, 通過(guò)定義邊界模式與非邊界模式, 統(tǒng)計(jì)每種模式出現(xiàn)的頻數(shù), 最后通過(guò)頻數(shù)的變化規(guī)律找到包含卷縮輪的窗口提取卷縮輪. 苑瑋琦等[7]提出梯度極值法和辛國(guó)棟等[8]提出的最大灰度梯度法, 兩種方法都是通過(guò)在圖像中搜索最大灰度梯度來(lái)確定卷縮輪邊界,利用水平和垂直方向梯度之和來(lái)提取卷縮輪. 馬琳等[9]和辛國(guó)棟等[10]通過(guò)利用Snake方法提取虹膜卷縮輪,通過(guò)蛇點(diǎn)之間區(qū)域的平滑程度來(lái)確定內(nèi)部函數(shù), 根據(jù)區(qū)域邊緣點(diǎn)的密度來(lái)確定外部能量函數(shù)來(lái)得到卷縮輪.但是上述提取方法在對(duì)卷縮輪圖像進(jìn)行提取的過(guò)程中易受光斑、眼瞼、坑洞等因素的影響, 且提取虹膜卷縮輪需要手動(dòng)定位初始位置, 對(duì)于卷縮輪在虹膜中位置分布過(guò)大或過(guò)小的圖像和卷縮輪內(nèi)部紋理不清晰的圖片不能很好的進(jìn)行定位, 導(dǎo)致卷縮輪的提取效果有時(shí)并不理想.

為了解決上述方法中卷縮輪檢測(cè)結(jié)果抗干擾性差、內(nèi)部紋理不清晰、檢測(cè)精度不理想等問(wèn)題, 本文提出一種基于遺傳算法的虹膜卷縮輪提取方法, 通過(guò)特有的適應(yīng)度選取和比較交叉選擇機(jī)制提高優(yōu)秀父本的選取, 進(jìn)而提取出較理想的卷縮輪輪廓. 該算法無(wú)需利用窗口中心作為卷縮輪的輪廓點(diǎn), 不容易受到附近坑洞或色素斑紋理的干擾, 對(duì)卷縮輪內(nèi)部紋理不清晰的圖像可以準(zhǔn)確進(jìn)行定位, 無(wú)需手動(dòng)定位初始點(diǎn), 所得到的卷縮輪邊緣效果較好, 所提取出的卷縮輪結(jié)果較接近于實(shí)際的卷縮輪.

1 基于遺傳算法的虹膜卷縮輪提取

1.1 虹膜預(yù)處理

由于人眼獨(dú)特的結(jié)構(gòu)特點(diǎn), 虹膜提取易受到光照,采集角度, 環(huán)境等因素的影響, 為了糾正由此造成的彈性變形問(wèn)題, 消除平移和旋轉(zhuǎn)等對(duì)虹膜特征提取造成的影響, 需要對(duì)采集到的圖像進(jìn)行預(yù)處理操作, 包括虹膜定位和歸一化. 具體提取過(guò)程如圖1所示.

圖1 圖像預(yù)處理過(guò)程

本文首先采用文獻(xiàn)[11]中的方法對(duì)虹膜進(jìn)行內(nèi)外邊界的定位. 再利用文獻(xiàn)[12]中的虹膜歸一化方法將環(huán)狀虹膜進(jìn)行歸一化處理, 歸一化的目的是為了使處理的問(wèn)題簡(jiǎn)單化, 將環(huán)狀的虹膜歸一化成W×H的矩形, 其中角度方向的采樣數(shù)W=540, 半徑方向的采樣數(shù)H=150. 歸一化后矩形圖像的左上角坐標(biāo)為(0, 0),右下角坐標(biāo)(539, 149).

將得到的矩形圖片進(jìn)行圖像的灰度變換, 把原圖像的灰度值變換到新圖像中. 原圖像中灰度值低于最低亮度值的像素點(diǎn), 該點(diǎn)在新圖像中灰度值被賦值為最低亮度值, 同理, 原圖像中灰度值高于最高亮度值的像素點(diǎn), 該點(diǎn)變換到新圖像時(shí)其灰度值也被賦值為最高亮度值, 將灰度圖像中的亮度值映射到新圖像中, 使得圖像中的部分?jǐn)?shù)據(jù)飽和至最低和最高亮度, 增加輸出圖像的對(duì)比度值. 對(duì)圖像進(jìn)行開(kāi)運(yùn)算去除孤立的小點(diǎn)、毛刺, 并對(duì)圖像進(jìn)行減法運(yùn)算來(lái)降低噪聲的影響,求得特征處理后圖像e.

接下來(lái)對(duì)圖像e采用式(1)求得梯度圖像A(i,j),式(1)中特征處理后圖像e的水平和豎直方向的梯度分別為Ix,Iy.平方根函數(shù)為sqrt.

梯度圖像A(i, j)的均值X, 計(jì)算如式(2)所示, 式中M為圖像的列數(shù),N為圖像的行數(shù).

依據(jù)式(3)對(duì)梯度圖像A(i,j)進(jìn)行二值化處理. 二值化的目的是為了使圖片結(jié)果更清晰, 可以直接通過(guò)點(diǎn)密度的方式進(jìn)行遺傳算法的適應(yīng)度選取.

1.2 基于遺傳算法的虹膜卷縮輪提取

遺傳算法(Genetic Algorithm, GA)[13]是模擬達(dá)爾文的遺傳選擇和自然淘汰的生物進(jìn)化過(guò)程的一種計(jì)算模型. 遺傳算法把問(wèn)題的參數(shù)用基因代表, 把問(wèn)題的解用染色體代表, 從而得到一個(gè)由具有不同染色體的個(gè)體組成的群體. 具體提取過(guò)程如圖2所示.

圖2 遺傳算法提取過(guò)程

本文在預(yù)處理得到的圖片基礎(chǔ)上, 通過(guò)使用遺傳算法來(lái)進(jìn)行卷縮輪的提取. 具體步驟如下: 首先利用隨機(jī)算法來(lái)生成初始總?cè)? 采取以區(qū)域內(nèi)點(diǎn)密度之比作為適應(yīng)度挑選出優(yōu)秀個(gè)體進(jìn)行比較, 將相鄰兩個(gè)體間同一位置基因進(jìn)行比較, 將點(diǎn)適應(yīng)度高的基因作為優(yōu)質(zhì)基因保持不變, 并在該點(diǎn)附近一定步長(zhǎng)選取基因代替另一個(gè)體原有點(diǎn)適應(yīng)度低的基因. 將得到的個(gè)體隨機(jī)選擇一定數(shù)量的變異點(diǎn)進(jìn)行變異, 將新生成的個(gè)體作為新一代父本, 將上述步驟進(jìn)行一定次數(shù)的循環(huán), 直至找到符合要求的個(gè)體.

1.2.1 種群的選擇和個(gè)體適應(yīng)度函數(shù)的確定

種群的選擇包括初始種群的選擇和父本的選擇,初始種群的選擇利用隨機(jī)算法來(lái)生成初始總?cè)? 父本的選擇由適應(yīng)度函數(shù)[14]挑選出一定數(shù)量的優(yōu)秀個(gè)體并通過(guò)選擇算子(輪盤(pán)賭選擇[15])選擇最優(yōu)個(gè)體作為新種群. 適應(yīng)度值越大, 被選擇成為優(yōu)秀個(gè)體的幾率就越大,通過(guò)個(gè)體適應(yīng)度的大小可以確定該個(gè)體被選中的幾率進(jìn)而使結(jié)果趨近最優(yōu)解. 常規(guī)適應(yīng)度函數(shù)會(huì)直接通過(guò)采用待求函數(shù)進(jìn)行選取, 本文則采取以區(qū)域內(nèi)點(diǎn)密度之比作為適應(yīng)度的方法, 結(jié)合卷縮輪的實(shí)際情況, 個(gè)體適應(yīng)度函數(shù)定義如下:

其中, 個(gè)體適應(yīng)度即上下區(qū)域的點(diǎn)密度之比用ratio表示, 如式(4)所示. 個(gè)體適應(yīng)度的值越大, 則該個(gè)體被選擇成為優(yōu)秀個(gè)體的幾率就越大. 上部分點(diǎn)密度為a, 如式(5)所示. 下部分點(diǎn)密度為b, 如式(6)所示. 其中, 每條染色體的基因個(gè)數(shù)為jiyin, 如式(7)所示, 其中, 染色體上相鄰基因點(diǎn)間的間隔為len, 本文len=5.H為總半徑方向的采樣數(shù), 經(jīng)過(guò)多次實(shí)驗(yàn)結(jié)果對(duì)比得到當(dāng)實(shí)際半徑方向的采樣數(shù)H1取總半徑H的上2/3時(shí)所得結(jié)果準(zhǔn)確率最高. 直線y上部分符合條件點(diǎn)個(gè)數(shù)為upwhite,直線y上部分整體點(diǎn)數(shù)用up表示, 直線y下部分符合條件點(diǎn)個(gè)數(shù)為downwhite, 直線y下部分整體點(diǎn)數(shù)用down表示.

已知相鄰兩基因點(diǎn)橫坐標(biāo)及縱坐標(biāo), 通過(guò)兩點(diǎn)式求得直線y, 如式(8)所示. 其中, 染色體前一個(gè)基因的橫坐標(biāo)是x1, 如式(9)所示. 染色體后一個(gè)基因的橫坐標(biāo)是x2, 如式(10)所示. 基因的個(gè)數(shù)為j. 自變量和因變量分別為x和y, 第i條染色體上第j個(gè)基因的縱坐標(biāo)為q(i,j), 第i條染色體上第j+1個(gè)基因的縱坐標(biāo)為q(i,j+1). 通過(guò)直線y可得到相鄰兩基因點(diǎn)間橫坐標(biāo)和縱坐標(biāo)的值.

1.2.2 選擇算子的選取

選擇操作是指利用選擇算子從種群中選擇優(yōu)秀個(gè)體, 在交叉變異后遺傳給下一代的一種選擇機(jī)制, 也是遺傳過(guò)程中使結(jié)果趨向最優(yōu)解的重要一環(huán). 本文通過(guò)使用輪盤(pán)賭選擇來(lái)進(jìn)行父本的選擇, 對(duì)于種群X有X={x1,x2, …,xn},xi∈X的原有目標(biāo)函數(shù)值為ratio(xi), 因?yàn)樗玫娜旧w適應(yīng)度相差不多, 因此用原有目標(biāo)函數(shù)值減去最小目標(biāo)函數(shù)值來(lái)提高選擇精度, 如式(12)所示. 新目標(biāo)函數(shù)值用ratio1(xi)表示, 最小目標(biāo)函數(shù)值用minratio(xi)表示. 將所得新目標(biāo)函數(shù)值ratio1(xi)和總新目標(biāo)函數(shù)值比較, 得到p(xi)為選擇xi染色體的概率, 如式(11)所示. 再選取一個(gè)小于1的隨機(jī)數(shù), 從隨機(jī)點(diǎn)出發(fā), 按順時(shí)針?lè)较蛞来卫奂? 當(dāng)累加值剛好大于或等于隨機(jī)數(shù)時(shí)輸出, 則此個(gè)體為此次賭盤(pán)的贏家,以這種方式選擇所有下一代的個(gè)體.

1.2.3 交叉和點(diǎn)適應(yīng)度的選取

交叉[16]是遺傳算法中生成優(yōu)秀個(gè)體的主要手段,交叉機(jī)制的選擇直接影響遺傳算法的質(zhì)量, 只有通過(guò)合理的交叉機(jī)制才能提高算法的搜索能力, 提高結(jié)果的準(zhǔn)確性. 傳統(tǒng)的遺傳算法交叉模式是同代交叉即從父代種群中隨機(jī)選擇一部分個(gè)體進(jìn)行交叉生成新種群,通過(guò)選擇機(jī)制選取一定個(gè)體代替原有個(gè)體. 本文對(duì)傳統(tǒng)遺傳算法交叉模式進(jìn)行了改進(jìn), 即將相鄰兩染色體間同一位置基因的點(diǎn)適應(yīng)度進(jìn)行比較. 返回該點(diǎn)的適應(yīng)度用density表示, 如式(13)所示. 點(diǎn)適應(yīng)度的值越大, 則該基因被選擇成為優(yōu)秀基因的幾率就越大. 其中z為矩形內(nèi)部一點(diǎn)縱坐標(biāo),c為上部分點(diǎn)密度, 如式(14)所示.d為下部分點(diǎn)密度, 如式(15)所示.upwhite為z上部分符合條件的點(diǎn)個(gè)數(shù),up為z上部分整體點(diǎn)個(gè)數(shù),downwhite為z下部分符合條件的點(diǎn)個(gè)數(shù),down為z下部分整體的點(diǎn)個(gè)數(shù).

如果第1條染色體上基因的點(diǎn)適應(yīng)度高于第2條染色體上基因的點(diǎn)適應(yīng)度, 則第1條染色體上該基因不變, 并在第1條染色體該基因附近一定距離選擇兩點(diǎn)進(jìn)行比較, 將點(diǎn)適應(yīng)度高的基因作為優(yōu)質(zhì)基因, 代替第2條染色體上原有點(diǎn)適應(yīng)度低的基因. 點(diǎn)適應(yīng)度選取如下:

具體交叉算法如下:

步驟1. 在種群X={x1,x2, …,xn}中選擇個(gè)體xi和個(gè)體xi+1；

步驟2. 將個(gè)體xi和個(gè)體xi+1中相同位置基因j進(jìn)行比較, 選取點(diǎn)適應(yīng)度高的基因保留, 第i條染色體上第j個(gè)基因的點(diǎn)適應(yīng)度用density(q(i,j))表示, 第i條染色體上第j個(gè)基因的縱坐標(biāo)為q(i, j), 將兩基因點(diǎn)進(jìn)行點(diǎn)適應(yīng)度比較, 將點(diǎn)適應(yīng)度高的基因坐標(biāo)用z1表示,并將點(diǎn)z1賦值給子代q子(i,j), 如式(16)所示:

步驟3. 在子代q子(i,j)附近距離一定步長(zhǎng)的位置選取兩點(diǎn)作為新的基因并進(jìn)行比較(若步長(zhǎng)超出范圍則隨機(jī)生成新基因), 將點(diǎn)適應(yīng)度高的基因作為優(yōu)質(zhì)基因坐標(biāo), 用z2表示, 步長(zhǎng)為d, 并將點(diǎn)z2賦值給子代q子(i+ 1,j), 如式(17)所示:

交叉流程如圖3所示.

將個(gè)體xi和個(gè)體xi+1中相同位置基因j進(jìn)行比較, 當(dāng)點(diǎn)q父(i,j)的點(diǎn)適應(yīng)度大于點(diǎn)q父(i+1,j)的點(diǎn)適應(yīng)度時(shí), 將點(diǎn)q父(i,j)賦值給q子(i,j), 并在點(diǎn)q子(i,j)基因附近距離一定步長(zhǎng)(d=2)選取兩點(diǎn), 作為新的基因并進(jìn)行比較. 其中, 當(dāng)點(diǎn)q子(i,j)+d的點(diǎn)適應(yīng)度大于點(diǎn)q子(i,j)-d的點(diǎn)適應(yīng)度時(shí), 如圖3(a)所示. 將個(gè)體xi+1中基因j的值q父(i+1,j)替換為點(diǎn)q子(i,j)+d, 如圖3(b)所示.

圖3 基因交叉流程圖

1.2.4 變異

變異是通過(guò)改變個(gè)體結(jié)構(gòu)和特性而生成新個(gè)體的一種模擬生物進(jìn)化過(guò)程中基因突變的現(xiàn)象. 當(dāng)達(dá)到變異條件時(shí), 個(gè)體將隨機(jī)選擇一定變異點(diǎn)進(jìn)行變異形成新的個(gè)體, 是一種生成新個(gè)體的有效手段. 變異率通常設(shè)置較小值, 本文中變異率為0.01.

2 結(jié)果

實(shí)驗(yàn)所用圖庫(kù)是本研究室自己采集的可見(jiàn)光虹膜圖庫(kù), 共1918張, 分辨率為800×600. 實(shí)驗(yàn)所用計(jì)算機(jī)處理器為Intel core i7, 內(nèi)存為8 GB, 其主頻2.60 GHz,開(kāi)發(fā)工具為Matlab 2018a.

由實(shí)驗(yàn)可得, 步長(zhǎng)越小, 則算法對(duì)ANW輪廓曲線的變化越不敏感；步長(zhǎng)越大, 則算法就會(huì)忽略ANW的一些局部細(xì)節(jié). 經(jīng)過(guò)反復(fù)實(shí)驗(yàn), 最終確定步長(zhǎng)取3個(gè)像素時(shí), 提取的ANW最接近于真實(shí)的ANW. 為了對(duì)本文的提取卷縮輪方法進(jìn)行進(jìn)一步測(cè)試, 選取了圖庫(kù)中一些具有代表性的非理想虹膜圖像提取卷縮輪, 結(jié)果如圖4所示. 由圖可知: 針對(duì)具有不同干擾和不同特點(diǎn)的卷縮輪的虹膜圖像, 本文的算法都可以提取出較理想的卷縮輪輪廓.

圖4 本文算法提取各種非理想虹膜ANW結(jié)果

為了驗(yàn)證算法的有效性, 本文與snake模型、基元模式方法、梯度極值方法進(jìn)行了實(shí)驗(yàn)效果對(duì)比, 結(jié)果如圖5所示. 由圖可知: 在非理想虹膜圖像下, snake模型不能有效的體現(xiàn)卷縮輪的局部細(xì)節(jié), 提取的卷縮輪平滑且需人工進(jìn)行初始位置的確定. 基元模式統(tǒng)計(jì)的方法和梯度極值都容易受到卷縮輪附近光斑或色素斑等因素的影響, 所以提取出的卷縮輪結(jié)果不理想. 本文算法依據(jù)卷縮輪內(nèi)部的紋理密度信息, 通過(guò)遺傳算法可以很好地克服光斑及色素斑等干擾因素的影響, 由圖片可得所提取出的卷縮輪結(jié)果較接近于實(shí)際的卷縮輪.

圖5 不同ANW提取方法對(duì)比

3 結(jié)論

針對(duì)非理想可見(jiàn)光虹膜圖像, 本文提出一種基于遺傳算法的虹膜卷縮輪提取方法, 該算法可以有效地避免光斑等因素的影響, 無(wú)需手動(dòng)定位初始點(diǎn). 實(shí)驗(yàn)結(jié)果表明: 本文提出的方法具有較好的檢測(cè)效果, 與其他提取ANW的算法相比提取出的ANW更接近于實(shí)際的ANW.