一种虹膜图像质量评价的方法

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (26): 197-199.

一种虹膜图像质量评价的方法

卢光明^1,2,戚佳音²,廖庆敏¹

1.清华大学深圳研究生院,广东深圳 518055
2.哈尔滨工业大学计算机科学与技术学院,哈尔滨 150001

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-09-11 发布日期:2007-09-11
通讯作者: 卢光明

Iris image quality assessment method

LU Guang-ming^1,2,QI Jia-yin²,LIAO Qing-min¹

1.Graduate School at Shenzhen,Tsinghua University,Shenzhen,Guangdong 518055,China
2.School of Computer Science and Technology,Harbin Institute of Technology,Harbin 150001,China

Received:1900-01-01 Revised:1900-01-01 Online:2007-09-11 Published:2007-09-11
Contact: 卢光明

摘要/Abstract

摘要： 虹膜图像质量是影响虹膜识别系统精度的关键。从序列图像中挑选出符合要求的虹膜图像能有效地降低识别系统的拒识率和误识率。这里按照产生虹膜图像奇异的不同情形：失焦、运动模糊、眼睑遮挡及睫毛遮挡,充分利用虹膜自身的纹理分布特点,在算法中引入了评价区域局部化、小波包分解和能量加权等思想,分别设计相应算法加以评判。实验结果表明该评价方案快速有效,其评价结果和人眼主观评价相吻合。

关键词: 虹膜识别, 质量评价, 小波包

Abstract: The quality of iris image is the key point to affect the accuracy of iris recognition system.Selecting good iris images from a sequence frames can efficiently depress the false rejection rate and false acceptance rate of the recognition system.Four main causes from various factor-oriented noises often degrade iris image quality：defocus,motion blur,eyelid occlusion,and eyelash occlusion.Considering the texture distribution characteristics on iris images,an image quality assessment method is proposed corresponding to different situations based on the ideas of evaluation area localizing,wavelet packet transform,and weighted energy.The experiment results show that the presented method is efficient and real-time in assessing the quality of iris images,and the evaluation results are coincident to the judgment of human eyes.

Key words: iris recognition, image quality assessment, wavelet packet transform

卢光明^1,2,戚佳音²,廖庆敏¹. 一种虹膜图像质量评价的方法[J]. 计算机工程与应用, 2007, 43(26): 197-199.

LU Guang-ming^1,2,QI Jia-yin²,LIAO Qing-min¹. Iris image quality assessment method[J]. Computer Engineering and Applications, 2007, 43(26): 197-199.

[1]	曹玉东，刘海燕，贾旭，李晓会. 基于深度学习的图像质量评价方法综述[J]. 计算机工程与应用, 2021, 57(23): 27-36.
[2]	孙菁阳，陈凤东，韩越越，吴煜雯，甘雨，刘国栋. 图像超分辨率重建算法综述[J]. 计算机工程与应用, 2021, 57(17): 1-9.
[3]	陈金鑫，沈文忠. 基于EL-YOLO的虹膜图像人眼定位及分类算法[J]. 计算机工程与应用, 2021, 57(17): 217-223.
[4]	周锐烨，沈文忠. PI-Unet：异质虹膜精确分割神经网络模型的研究[J]. 计算机工程与应用, 2021, 57(15): 223-229.
[5]	杨宇，曾国辉，黄勃. 基于双树复小波包和改进SVM的轴承故障诊断[J]. 计算机工程与应用, 2020, 56(17): 231-235.
[6]	程晓梅，沈远彤. 双目标的CNN无参考图像质量评价方法[J]. 计算机工程与应用, 2019, 55(9): 26-32.
[7]	晁静静，沈文忠，宋天舒. 基于HOG和SVM的双眼虹膜图像的人眼定位算法[J]. 计算机工程与应用, 2019, 55(9): 184-189.
[8]	张凯兵，朱丹妮，王珍，闫亚娣. 超分辨图像质量评价综述[J]. 计算机工程与应用, 2019, 55(4): 31-40.
[9]	王灿，李凤莲，胡风云，张雪英，贾文辉. 面向特征融合的脑卒中脑电信号分类方法[J]. 计算机工程与应用, 2019, 55(24): 154-158.
[10]	杨霞，朱晓冬，刘元宁，冯家凯，刘帅. 分块小波特征结合BP神经网络的虹膜识别方法[J]. 计算机工程与应用, 2019, 55(18): 132-139.
[11]	陈景霞，郑茹，贾小云，张鹏伟. 共空间模式结合小波包分解的脑电情感分类[J]. 计算机工程与应用, 2019, 55(1): 149-153.
[12]	许莹莹1，李朝锋1，2. 空域和频域联合特征挖掘的无参视频质量评价[J]. 计算机工程与应用, 2018, 54(9): 165-171.
[13]	王虎，李晶，赵恒淼，臧燕，李春堂. 稀疏低秩模型及相位谱补偿的语音增强算法[J]. 计算机工程与应用, 2018, 54(5): 150-155.
[14]	孙贤明，樊晓光，禚真福，丛伟，陈少华. 综合时频域及核判别分析的两级特征提取新方法[J]. 计算机工程与应用, 2018, 54(3): 115-119.
[15]	刘文培1，李凤莲1，张雪英1，田玉楚1，2. 面向人脸识别的WPD-HOG金字塔特征提取方法[J]. 计算机工程与应用, 2018, 54(22): 150-155.