4．1．2小波变换在虹膜图像分析中的应用4．1．3虹膜的小波.pdfVIP

浙江大学博上学位论文 含的原图像信息相对较少。 假设我们从一幅1024*1024的数字图像先后生成另外10幅图像，其中每一 幅图像的尺寸是前一幅图像的一半。我们将得到512*512,256*256,……直到 1*1的各幅图像。如果我们再对每一幅图像进行边缘检测，我们将发现在原始 图像中有小的边缘，512*512和256*256的图像中会有较大的边缘，16*16或更 小的图像中只有很大的边缘。Haar变换是这一方法的开端，它通过边缘的检测 对不同尺度的图像进行查找。二维离散小波变换对图像的多尺度分解将图像分 解成一个简单的多层次框架，即图像的多分辨率表示。该框架的每一个分量具 有独特的频率特性和空间取向特性，这些特性为图像的分析和处理提供了良好 的基础。 4.1.2小波变换在虹膜图像分析中的应用 小波变换被大量应用于虹膜识别研究领域，如下面列举的几种方法都是基 于小波分析方法来做虹膜特征抽取:Daugman[Daugman1993-2003]采用的是多 尺度正交小波抽取虹膜的纹理结构信息，来生成一个256字节的iriscode.[Lim 2001]使用2-DHaar小波变换将一幅虹膜图像分解成4级，并将第四级的高频信 息量化形成一个 87位的编码王蕴红等[Wang2002]则采用Gabor滤波和 Daubichies小波变换等纹理分析方法提取特征。马力等 [Ma2002]采用传统的虹 膜纹理分析方法来获取虹膜纹理细节，即用Gabor滤波的方法在不同的尺度和 方向提取了虹膜的全局纹理特征。[Shen2003]对Daugman算法进行了一些改进口 薛白等[Xue2004]将Symlets小波用于虹膜图像编码，使算法的运行速度与 Daugman算法相比得到了较大的提高。 以上这些算法采用的算法不尽相同，但具有一个共同点，即都是基于小波 变换的分析方法来抽取虹膜的纹理特征。 4.1.3虹膜的小波变换特征及其实验结果 虽然变化分数维反映了虹膜样本全局到局部的自相似特性，但是仅仅依赖 变化分数维特征还不够。上一小节所述的方法都使用小波来对虹膜进行分析， 并取得了较好的结果。鉴于此，我们尝试使用小波变换来求得虹膜图像在频率 域的特征表现以对变化分数维进行有益的补充。 考虑到虹膜采样过程中，被采样者的虹膜图像存在光照等因素影响，而图 像转化到频率域以后，有些方面的影响就比较容易处理。傅立叶变换就是将图 像从空域转化到频域的经典数学工具。小波变换在傅立叶变换的基础上，经过 短时傅立叶变换、窗口傅立叶变换 (Gabor)等演变而来，以同时能反映全局特 浙江大学博士学位论文 征和局部特征见长，素有 “数学显微镜”之誉。众多研究者的工作表明小波分 解作为一种多分辨率分析工具，非常适合于研究信号或图像的分形特性(Wornell 1992]0 虹膜作为一种具有统计自相似性的分形图像，引进小波变换来更好地反映 它固有的特征是很自然的。小波对图像的分解过程示意如图4-1: I=AI+D1 =人2+D2+Dl =A3+D3+D2+DI 图41 虹膜图像的小波分解示意图 理论上来说，小波分解可以进行任意多层。但是在实际应用中，要综合考 虑到算法的代价和性能优化的最佳平衡。如果我们进行二次小波分解，将得到 近似分量A2、细节分量D2和D1。每个细节分量有3个方向的分量组成，加 上近似分量一共是7个分量。如果分别对这7个分量求它们的特征值，则至少 有37个特征值。对于每个支持向量机28个训练样本的规模，这将是很高的一 个维数。所以在我们的实验中，只采用了一级小波分解对虹膜图像进行分析。 由于小波变换是将图像转化到频率域，能够反映频率细节信息，同时有水 平、垂直、对角线方向信息的反映，所以本节尝试使用小波变换来反映虹膜的 细节特征，对变化分数维特征进行补充。我们进行一次小波分解，就可以得到 原图像I、小波变换近似分量A和细节分量D,D又可以分解为水平分量CH. 垂直分量CV、对角线分量CD。对这5个变量分别求它们的标准偏差 (standard deviation)，中值绝对值偏差 m〔edianabsolutedeviation)，平均绝对值偏差(mean absolutedeviation)。这样对于一幅虹膜图像的一级小波变换，我们一共有