虹膜图像中的闭眼检测方法

基于小波变换的图像边缘检测算法

基于小波变换的图像边缘检测算法仿真实现学生姓名：XX 指导教师：xxx 专业班级：电子信息学号：00000000000 学院：计算机与信息工程学院二〇一五年五月二十日

摘要数字图像边缘检测是图像分割、目标区域识别和区域形态提取等图像分析领域中十分重要的基础，是图像识别中提取图像特征一个重要方法。目前在边缘检测领域已经提出许多算法，但是提出的相关理论和算法仍然存在很多不足之处，在某些情况下仍然无法很有效地检测出目标物的边缘。由于小波变换在时域和频域都具有很好的局部化特征，并且具有多尺度特征，因此，利用多尺度小波进行边缘检测既能得到良好的抑制噪声的能力，又能够保持边缘的完备。本文就是利用此方法在MATLAB环境下来对数字图像进行边缘的检测。关键词：小波变换；多尺度；边缘检测

Abstract The boundary detection of digital image is not only the important foundation in the field of image segmentation and target area identification and area shape extraction, but also an important method which extract image feature in image recognition. Right now, there are a lot of algorithms in the field of edge detection, but these algorithms also have a lot of shotucuts, sometimes, they are not very effective to check the boundary of the digital image. Wavelet transform has a good localization characteristic in the time domain and frequency domain and multi-scale features, So, the boundary detection of digital image by using multi-scale wavelet can not only get a good ability to suppress noise, but also to maintain the completeness of the edge. This article is to use this method in the environment of MATLAB to detect the boundary of the digital image. Keywords: wavelet transform; multi-scale; boundary detection.

虹膜图像预处理

虹膜图像预处理在实际获取的图像中，虹膜只占一部分区域。图像中还包括瞳孔、眼睑、睫毛及眼睛和人脸的其它部分。所以，在对虹膜纹理特征进行提取之前，要把虹膜区域从图像中分割出来。其分割准确与否直接影响到后面的特征提取及匹配精度，即如果分割不准确，则虹膜识别效果就差，很可能造成误判，使识别算法失效。针对Canny[2]算法优良的边缘检测性能及虹膜边界的特点，本文采用了该算法，与Hough变换相结合，用于定位虹膜内外边界、分割上下眼睑，采用阀值法剔除睫毛。 2.1 虹膜内外边界的定位虹膜的内边界即内边缘与瞳孔相交接的部分，外边界即外边缘与巩膜相交接的部分，均近似为圆形，因此定位虹膜内外边界就是要确定这两个拟合圆的圆心和半径。 2.1.1 Canny算子和Hough变换的基本原理 (1)Canny边缘检测算子边缘是图像的基本特征，保留了原始图像中相当重要的信息，而又使得总的数据减小了很多。准确提取边缘既能减少图像处理的信息量，又可重点描述物体的形态特征。传统的边缘检测算子如Roberts、Sobel、Prewitt、Kirsch和Laplacian 等算子都是局域窗口梯度算子，由于它们对噪声敏感，所以在处理实际图像中效果并不理想。1986年，Canny提出边缘检测算子应满足以下3个判断准则：信噪比准则；定位精度准则；单边缘响应准则，并由此推导出了最佳边缘检测算子--Canny算子。该算子具有定位精度高、单一边缘和检测效果好等优点。它主要分以下四步： ○1平滑图像 Canny边缘检测算子是高斯函数的一阶导数，是对信噪比与定位精度之乘积的最优化逼近算子。选择合适的高斯低通滤波器来平滑原始的虹膜图像，既可以取得更加柔和的平滑效果，又不至于破坏图像中的边沿，同时还可以消除原始图像的高频噪声。Canny算法首先用二维高斯函数的一阶导数，对图像进行平滑，设二维高斯函数为：

虹膜识别技术

前言随着社会的发展，身份识别的重要性正日益显现，而传统的身份识别方式由于其固有的局限性已远远不能满足要求，钥匙、卡片和身份证等容易丢失和仿造，密码则容易遗忘，更为严重的是这些传统识别方式无法区分真正的拥有者和取得身份标识物的冒充者，一旦他人获得了这些身份标识物，就可以拥有相同的权力。在需求的驱动下，基于人脸、指纹、虹膜、手形、笔迹等生物特征的识别技术应运而生。虹膜识别技术是近几年兴起的生物认证技术。虹膜的形成由遗传基因决定，人体基因表达决定了虹膜的形态、生理特性、颜色和总的外观，是最可靠的人体生物终身身份标识。虹膜识别就是通过这种人体生物特征来识别人的身份。在包括指纹在内的所有生物特征识别技术中，虹膜识别是当前应用最为精确的一种。虹膜识别技术以其高精确度、非接触式采集、易于使用等优点得到了迅速发展，被广泛认为是二十一世纪最具有发展前途的生物认证技术，未来的安防、国防、电子商务等多种领域的应用，也必然的会以虹膜识别技术为重点。这种趋势，现在已经在全球各地的各种应用中逐渐开始显现出来，市场应用前景非常广阔。 1.什么是虹膜人眼的外观由巩膜、虹膜、瞳孔三部分构成，巩膜即眼球外围的白色部分，眼睛中心为瞳孔部分，虹膜位于巩膜和瞳孔之间，包含了最丰富的纹理信息。外观上看，虹膜由许多腺窝、皱褶、色素斑等构成，是人体中最独特的结构之一。虹膜作为身份标识具有许多先天优势： 1) 唯一性，由于虹膜图像存在着许多随机分布的细节特征，造就了虹膜模式的唯一性。英国剑桥大学John Daugman教授提出的虹膜相位特征证实了虹膜图像有244个独立的自由度，即平均每平方毫米的信息量是3.2比特。实际上用模式识别方法提取图像特征是有损压缩过程，可以预测虹膜纹理的信息容量远大于此。并且虹膜细节特征主要是由胚胎发育环境的随机因素决定的，即使克隆人、双胞胎、同一人左右眼的虹膜图像之间也具有显著差异。虹膜的唯一性为高精度的身份识别奠定了基础。英国国家物理实验室的测试结果表明：虹膜识别是各种生物特征识别方法中错误率最低的。 2) 稳定性，虹膜从婴儿胚胎期的第3个月起开始发育，到第8个月虹膜的主要纹理结构已经成形。除非经历危及眼睛的外科手术，此后几乎终生不变。由于角膜的保护作用，发育完全的虹膜不易受到外界的伤害。 3) 非接触，虹膜是一个外部可见的内部器官，不必紧贴采集装置就能获取合格的虹膜图像，识别方式相对于指纹、手形等需要接触感知的生物特征更加干净卫生，不会污损成像装置，影响其他人的识别。 4) 便于信号处理，在眼睛图像中和虹膜邻近的区域是瞳孔和巩膜，它们和虹膜区域存在着明显的灰度阶变，并且区域边界都接近圆形，所以虹膜区域易于拟合分割和归一化。虹膜结构有利于实现一种具有平移、缩放和旋转不变性的模式表达方式。 5) 防伪性好，虹膜的半径小，在可见光下中国人的虹膜图像呈现深褐色，看不到纹理信息，具有清晰虹膜纹理的图像获取需要专用的虹膜图像采集装置和用户的配合，所以在一般情况下很难盗取他人的虹膜图像。此外眼睛具有很多光学和生理特性可用于活体虹膜检测。 2. 虹膜识别过程虹膜识别通过对比虹膜图像特征之间的相似性来确定人们的身份，其核心是使用模式识别、图像处理等方法对人眼睛的虹膜特征进行描述和匹配，从而实现自动的个人身份认证。虹膜识别技术的过程一般来说分为：虹膜图像获取、图像预处理、特征提取和特征匹配四个步骤。

影像预处理

遥感影像预处理预处理是遥感应用的第一步，也是非常重要的一步。目前的技术也非常成熟，大多数的商业化软件都具备这方面的功能。预处理的大致流程在各个行业中有点差异，而且注重点也各有不同。本小节包括以下内容： ? ? ●数据预处理一般流程介绍 ? ? ●预处理常见名词解释 ? ? ●ENVI中的数据预处理 1、数据预处理一般流程数据预处理的过程包括几何精校正、配准、图像镶嵌与裁剪、去云及阴影处理和光谱归一化几个环节，具体流程图如图所示。图1数据预处理一般流程

各个行业应用会有所不同，比如在精细农业方面，在大气校正方面要求会高点，因为它需要反演；在测绘方面，对几何校正的精度要求会很高。 2、数据预处理的各个流程介绍（一）几何精校正与影像配准引起影像几何变形一般分为两大类：系统性和非系统性。系统性一般有传感器本身引起的，有规律可循和可预测性，可以用传感器模型来校正；非系统性几何变形是不规律的，它可以是传感器平台本身的高度、姿态等不稳定，也可以是地球曲率及空气折射的变化以及地形的变化等。在做几何校正前，先要知道几个概念：地理编码：把图像矫正到一种统一标准的坐标系。地理参照：借助一组控制点，对一幅图像进行地理坐标的校正。图像配准：同一区域里一幅图像（基准图像）对另一幅图像校准影像几何精校正，一般步骤如下，（1）GCP（地面控制点）的选取这是几何校正中最重要的一步。可以从地形图（DRG）为参考进行控制选点，也可以野外GPS测量获得，或者从校正好的影像中获取。选取得控制点有以下特征：

1、GCP在图像上有明显的、清晰的点位标志，如道路交叉点、河流交叉点等； 2、地面控制点上的地物不随时间而变化。 GCP均匀分布在整幅影像内，且要有一定的数量保证，不同纠正模型对控制点个数的需求不相同。卫星提供的辅助数据可建立严密的物理模型，该模型只需9个控制点即可；对于有理多项式模型，一般每景要求不少于30个控制点，困难地区适当增加点位；几何多项式模型将根据地形情况确定，它要求控制点个数多于上述几种模型，通常每景要求在30-50个左右，尤其对于山区应适当增加控制点。（2）建立几何校正模型地面点确定之后，要在图像与图像或地图上分别读出各个控制点在图像上的像元坐标（x，y）及其参考图像或地图上的坐标（X，Y），这叫需要选择一个合理的坐标变换函数式（即数据校正模型），然后用公式计算每个地面控制点的均方根误差（RMS）根据公式计算出每个控制点几何校正的精度，计算出累积的总体均方差误差，也叫残余误差，一般控制在一个像元之内，即RMS<1。（3）图像重采样

几种常用边缘检测算法的比较

几种常用边缘检测算法的比较摘要:边缘是图像最基本的特征，边缘检测是图像分析与识别的重要环节。基于微分算子的边缘检测是目前较为常用的边缘检测方法。通过对Roberts，Sobel，Prewitt，Canny 和Log 及一种改进Sobel等几个微分算子的算法分析以及MATLAB 仿真实验对比，结果表明，Roberts，Sobel 和Prewitt 算子的算法简单，但检测精度不高，Canny 和Log 算子的算法复杂，但检测精度较高，基于Sobel的改进方法具有较好的可调性，可针对不同的图像得到较好的效果，但是边缘较粗糙。在应用中应根据实际情况选择不同的算子。 0 引言边缘检测是图像分析与识别的第一步，边缘检测在计算机视觉、图像分析等应用中起着重要作用，图像的其他特征都是由边缘和区域这些基本特征推导出来的，边缘检测的效果会直接影响图像的分割和识别性能。边缘检测法的种类很多，如微分算子法、样板匹配法、小波检测法、神经网络法等等，每一类检测法又有不同的具体方法。目前，微分算子法中有Roberts，Sobel，Prewitt，Canny，Laplacian，Log 以及二阶方向导数等算子检测法，本文仅将讨论微分算子法中的几个常用算子法及一个改进Sobel算法。 1 边缘检测

在图像中，边缘是图像局部强度变化最明显的地方，它主要存在于目标与目标、目标与背景、区域与区域( 包括不同色彩) 之间。边缘表明一个特征区域的终结和另一特征区域的开始。边缘所分开区域的内部特征或属性是一致的，而不同的区域内部特征或属性是不同的。边缘检测正是利用物体和背景在某种图像特征上的差异来实现检测，这些差异包括灰度、颜色或纹理特征，边缘检测实际上就是检测图像特征发生变化的位置。边缘的类型很多，常见的有以下三种: 第一种是阶梯形边缘，其灰度从低跳跃到高; 第二种是屋顶形边缘，其灰度从低逐渐到高然后慢慢减小; 第三种是线性边缘，其灰度呈脉冲跳跃变化。如图1 所示。 (a) 阶梯形边缘(b) 屋顶形边缘 (b) 线性边缘图像中的边缘是由许多边缘元组成，边缘元可以看作是一个短的直线段，每一个边缘元都由一个位置和一个角度确定。边缘元对应着图像上灰度曲面N 阶导数的不连续性。如果灰度曲面在一个点的N 阶导数是一个Delta 函数，那么就

图像边缘检测算法体验步骤

图像边缘检测算法体验步骤图像边缘检测算法体验步骤（Photoshop，Matlab）1. 确定你的电脑上已经安装了Photoshop和Matlab2. 使用手机或其他任何方式，获得一张彩色图像（任何格式），建议图像颜色丰富，分辨率比较高，具有比较明显的图像边界（卡通图像，风景图像，桌面图像）3. 将图像保存到一个能够找到的目录中，例如img文件夹（路径上没有汉字）4. 启动Photoshop，打开img文件夹中的图像5. 在工具箱中选择“矩形选择”工具，到图面上选择一个区域（如果分辨率比较高，建议不要太大，否则计算过程比较长）6. 点击下拉菜单【文件】-【新建】，新建一个与矩形选择框同样尺寸的Photoshop图像，不要求保存该图像7. 将该彩色图像转换为亮度图像，即点击下拉菜单【图像】-【模式】-【灰度】，如提示是否合并，选择“Yes”8. 将该单色的亮度图像另存为Windows的BMP文件，点击下拉菜单【文件】-【存储为】，在“存储为”窗口中，为该文件起一个名字，例如test1（保存为test1.bmp）9. 启动Matlab，将当期路径（Current Directory）定位到图像文件夹，例如这里的img文件夹10. 使用imread命令读入该图像，在命令行输入：>> f = imread(test1.bmp);11. 在Matlab中显示该图像，在命令行输入：>> figure, imshow(f)12. 然后，分别使用Matlab图像工具箱中的Edge函数，分别使用Sobel算法，高斯-拉普拉斯（Log）算法和Canny算法得到的边缘图像：在命令行输入：>> g_sobel = edge(f, sobel, 0.05); >> g_log = edge(f, log, 0.003, 2.25); >> g_canny = edge(f, canny, [0.04 0.10], 1.5);13 得到边缘图像计算结果后，显示这些边缘图像： >> figure, imshow(g_sobel) >> figure, imshow(g_log) >> figure, imshow(g_canny)14 可以用不同的图像做对比，后续课程解释算法后，可以变换不同的阈值，得到不同的边缘图像

图像处理基本方法

图像处理的基本步骤针对不同的目的，图像处理的方法不经相同。大体包括图像预处理和图像识别两大模块。一、图像预处理：结合识别复杂环境下的成熟黄瓜进行阐述，具体步骤如下： · 图像预处理阶段的流程图对以上的图像流程进行详细的补充说明: 图像预处理的概念: 将每一个文字图像分检出来交给识别模块识别，这一过程称为图像预处理。图像装换和图像分割以及区域形态学处理都是属于图像处理的基本内容之一。图像转换：方法：对原图像进行灰度化处理生成灰度矩阵——降低运算速度（有具体的公式和方程），中值滤波去噪声——去除色彩和光照的影响等等。图像分割：传统方法：基于阈值分割、基于梯度分割、基于边缘检测分割和基于区域图像割等方法。脉冲耦合神经网络（ＰＣＮＮ）是针对复杂环境下图像采集图像采集中注意采集的方法、工具进行介绍。目的是怎样获取有代表性的样本。（包括天气、相机的位置等）对采集的图像进行特征分析目标的颜色和周围环境的颜色是否存在干涉的问题、平整度影响相机的拍摄效果、形状图像转换图像分割区域形态学处理

的有效分割方法，分割的时候如果将一个数字图像输入ＰＣＮＮ，则能基于空间邻近性和亮度相似性将图像像素分组，在基于窗口的图像处理应用中具有很好的性能。区域形态学处理：对ＰＣＮＮ分割结果后还存在噪声的情况下，对剩余的噪声进行分析，归类属于哪一种噪声。是孤立噪声还是黏连噪声。采用区域面积统计法可以消除孤立噪声。对于黏连噪声，可以采用先腐蚀切断黏连部分，再膨胀复原目标对象，在进行面积阙值去噪，通过前景空洞填充目标，最后通过形态学运算，二值图像形成众多独立的区域，进行各连通区域标识，利于区域几何特征的提取。二、图像识别：针对预处理图像提取目标特征建立LS SVM分类器得到结果图像识别流程图提取目标特征：目标特征就是的研究对象的典型特点，可以包括几何特征和纹理特征。对于几何特征采用的方法：采用LS-SVM支持向量机对几何特征参数进行处理，通过分析各个参数的分布区间来将目标和周围背景区分开，找出其中具有能区分功能的决定性的几何特征参数。纹理特征方法：纹理特征中的几个参数可以作为最小二乘支持向量机的辅助特征参数，提高模型的精准度。最小二乘支持向量机介绍：首先选择非线性映射将样本从原空间映射到特征空间，以解决原空间中线性不可分问题，在此高维空间中把最优决策问题转化为等式约束条件，构造最优决策函数，并引入拉格朗日乘子求解最优化问题，对各个变量求偏微分。 LS SVM分类器：对于p种特征选择q个图像连通区域，作为训练样本。依

数字图像处理中的边缘检测技术

课程设计报告设计题目：数字图像处理中的边缘检测技术学院：专业：班级：学号：学生姓名：电子邮件：时间：年月成绩：指导教师：

数字图像处理中的边缘检测技术课程设计报告I 目录 1 前言:查阅相关文献资料，了解和掌握基本原理、方法和研究现状，以及实际应用的背景意义 (1) 1.1理论背景 (1) 1.2图像边缘检测技术研究的目的和意义 (1) 1.3国内外研究现状分析 (2) 1.4常用边缘检测方法的基本原理 (3) 2 小波变换和小波包的边缘检测、基于数学形态学的边缘检测法算法原理 (7) 2.1 小波边缘检测的原理 (7) 2.2 数学形态学的边缘检测方法的原理 (7) 3 算法实现部分：程序设计的流程图及其描述 (9) 3.1 小波变换的多尺度边缘检测程序设计算法流程图 (9) 3.2 数学形态学的边缘检测方法程序设计算法描述 (10) 4实验部分：对所给的原始图像进行对比实验，给出相应的实验数据和处理结果 (11) 5分析及结论：对实验结果进行分析比较，最后得出相应的结论 (15) 参考文献 (17) 附录：代码 (18)

1前言查阅相关文献资料，了解和掌握基本原理、方法和研究现状，以及实际应用的背景意义 1.1 理论背景图像处理就是对图像信息加工以满足人的视觉心理或应用需求的方法。图像处理方法有光学方法和电子学方法。从20世纪60年代起随着电子计算机和计算技术的不断提高和普及，数字图像处理进入了高速发展时期，而数字图像处理就是利用数字计算机或其它的硬件设备对图像信息转换而得到的电信号进行某些数学处理以提高图像的实用性。图像处理在遥感技术，医学领域，安全领域，工业生产中有着广泛的应用，其中在医学应用中的超声、核磁共振和CT等技术，安全领域的模式识别技术，工业中的无损检测技术尤其引人注目。计算机进行图像处理一般有两个目的：(1)产生更适合人观察和识别的图像。 (2)希望能由计算机自动识别和理解图像。数字图像的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析领域的重要基础，图像处理和分析的第一步往往就是边缘检测。物体的边缘是以图像的局部特征不连续的形式出现的，也就是指图像局部亮度变化最显著的部分，例如灰度值的突变、颜色的突变、纹理结构的突变等，同时物体的边缘也是不同区域的分界处。图像边缘有方向和幅度两个特性，通常沿边缘的走向灰度变化平缓，垂直于边缘走向的像素灰度变化剧烈。根据灰度变化的特点，图像边缘可分为阶跃型、房顶型和凸缘型。 1.2 图像边缘检测技术研究的目的和意义数字图像处理是伴随着计算机发展起来的一门新兴学科，随着计算机硬件、软件的高度发展，数字图像处理也在生活中的各个领域得到了广泛的应用。边缘检测技术是图像处理和计算机视觉等领域最基本的技术，如何快速、精确的提取图像边缘信息一直是国内外研究的热点，然而边缘检测也是图像处理中的一个难题。首先要研究图像边缘检测，就要先研究图像去噪和图像锐化。前者是为了得到飞更真实的图像，排除外界的干扰，后者则是为我们的边缘检测提供图像特征更加明显的图片，即加大图像特征。两者虽然在图像处理中都有重要地位，但本次研究主要是针对图像边缘检测的研究，我们最终所要达到的目的是为了处理速

实验三图像分割与边缘检测

数字图像处理实验报告学生姓名王真颖学生学号L0902150101 指导教师梁毅雄专业班级计算机科学与技术1501 完成日期2017年11月06日

计算机科学与技术系信息科学与工程学院

目录实验一.................................................................................................. 错误!未定义书签。一、实验目的.................................................................................................... 错误!未定义书签。二、实验基本原理 ........................................................................................... 错误!未定义书签。三、实验内容与要求....................................................................................... 错误!未定义书签。四、实验结果与分析....................................................................................... 错误!未定义书签。实验总结............................................................................................... 错误!未定义书签。参考资料.. (3) 实验一图像分割与边缘检测一．实验目的 1. 理解图像分割的基本概念； 2. 理解图像边缘提取的基本概念； 3. 掌握进行边缘提取的基本方法；

虹膜设备简介

嵌入式虹膜识别器产品特征 ?生物识别误识别率：单眼识别100万分之一以下,双眼识别10亿分之一以下 ?高速识别和注册：0.1秒识别时间，3秒注册时间 ?在不同人群中易用性保持业界最高性能 ?虹膜图像捕捉范围扩展4倍以上,更方便使用 ?舒适的镜面定位向导 ?智能的语音向导和光学引导提示 ?高互换兼容性 ?高环境适应性 ?高性能高速数字信号处理器DSP处理引擎 ?嵌入式平台架构，高稳定性和可靠性 ?在线软件版本更新,维护升级简单 ?网络化管理模式 ?高度竞争力的性价比产品介绍 1.语音和灯光引导在探测范围内（距虹膜识别器40cm内），语音与灯光提示自动运行，引导用户至合适的位置。 2.镜面定位向导只需注视镜面中的双眼,左右任意一只眼睛或双眼与注册虹膜特征数据吻合，即可完成识别。虹膜注册时，建议双眼注册并不要带眼镜或有其他遮挡物。虹膜识别时，带着眼镜（近视镜、太阳镜、隐型眼镜）也可以正常的进行识别。 3.识别时间约0.1秒采用了我公司高性能高速DSP处理引擎和先进算法，提高了识别速度。比同类产品快约3-10倍。人性化的非接触方式在声光提示引导下对准识别镜、虹膜识别器即可捕捉虹膜数据，并进行识别。合适的捕捉距离为25cm～35cm,无需接触产品。轻松、健康。识别镜可上下调整通过角度调节把手调整角度到用户眼睛合适的位置，使虹膜识别更加顺利。识别器最大管理10,000个用户通过虹膜识别器管理软件，最多可管理10,000个用户的虹膜数据。

恶意破坏防护程序当设备前盖打开或将设备从墙壁取下时，蜂鸣器鸣响并报警输出。在经过一定时间后，该虹膜识别器内的虹膜数据全部删除，防止数据外泄及篡改。记录100，000件访问日志虹膜识别器能够记录最多100,000件的日志。日志项目：用户ID、时间,虹膜识别器编号,识别成功/失败事件。事件时间检索，提高使用效率根据指定的时间,用户ID或其他条件，检索筛选记录内容。嵌入式网络平台架构虹膜识别器可脱机单独工作,也可通过管理软件实现大规模网络化布署管理. 维护升级简单支持在线软件版本更新,方便虹膜识别器软体的维护和升级互换兼容性高虹膜识别器稳定的互换兼容性,使用任何一台虹膜识别器注册的虹膜特征数据,都能在其它虹膜识别器上稳定识别环境适应性高虹膜识别器在各种实际应用环境下具有稳定识别的适应能力产品应用

图像预处理方法

预处理就是在图像分析中，对输入图像进行特征抽取等前所进行的处理。输入图像由于图像采集环境的不同，如光照明暗程度以及设备性能的优劣等，往往存在有噪声，对比度不够等缺点。另外，距离远近，焦距大小等又使得人脸在整幅图像中间的大小和位置不确定。为了保证人脸图像中人脸大小，位置以及人脸图像质量的一致性，必须对图像进行预处理。图像预处理的主要目的是消除图像中无关的信息，滤除干扰、噪声，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取的可靠性. 人脸图像的预处理主要包括人脸扶正，人脸图像的增强，以及归一化等工作。人脸扶正是为了得到人脸位置端正的人脸图像；图像增强是为了改善人脸图像的质量，不仅在视觉上更加清晰图像，而且使图像更利于计算机的处理与识别。归一化工作的目标是取得尺寸一致，灰度取值范围相同的标准化人脸图像[4]。几何规范化由于图像在提取过程中易受到光照、表情、姿态等扰动的影响,因此在识别之前需要对图像做归一化的预处理[4],通常以眼睛坐标为基准点,通过平移、旋转、缩放等几何仿射变换对人脸图像进行归一化。因为人脸虽然是柔性的三维曲面,同一人脸因表情变化会有差异,但相对而言人的两眼之间的距离变化不会很大,因此双眼的位置及眼距,就成为人脸图像归一化的依据。定位眼睛到预定坐标,将图像缩放至固定大小。通过平移、旋转、缩放等几何仿射变换,可以对人脸图像做几何规范化处理,仿射变换的表达式为: ]100][1,,[]1,,[3231 22 211211 a a a a a a v u y x = (2-1) 其中(u,v)表示输入图像中像素的坐标(x,y)表示输出图像中像素的坐标。将上式展开可得 322212312111u a x a v a u a y a v a ++=++= (2-2)

图像边缘检测方法的研究与实现刘法200832800066

青岛大学专业课程设计院系: 自动化学院专业: 电子信息工程班级: 08级电子信息工程3班学生姓名: 刘法指导教师: 王汉萍庄晓东日期: 2011年12月23日

题目：图像边缘检测方法的研究与实现一、边缘检测以及相关概念 1．1边缘，边缘检测的介绍边缘(edge)是指图像局部强度变化最显著的部分．边缘主要存在于目标与目标、目标与背景、区域与区域(包括不同色彩)之间，是图像分割、纹理特征和形状特征等图像分析的重要基础．图像分析和理解的第一步常常是边缘检测(edge detection)．边缘检测是指使用数学方法提取图像像元中具有亮度值（灰度）空间方向梯度大的边、线特征的过程。在讨论边缘算子之前，首先给出一些术语的定义：边缘点：图像中具有坐标] ,[j i且处在强度显著变化的位置上的点．边缘段：对应于边缘点坐标] i及其方位，边缘的方位可能是梯度角． ,[j 边缘检测器：从图像中抽取边缘(边缘点和边缘段)集合的算法．轮廓：边缘列表，或是一条表示边缘列表的拟合曲线．边缘连接：从无序边缘表形成有序边缘表的过程．习惯上边缘的表示采用顺时针方向序．边缘跟踪：一个用来确定轮廊的图像（指滤波后的图像）搜索过程．边缘点的坐标可以是边缘位置像素点的行、列整数标号，也可以在子像素分辨率水平上表示．边缘坐标可以在原始图像坐标系上表示，但大多数情况下是在边缘检测滤波器的输出图像的坐标系上表示，因为滤波过程可能导致图像坐标平移或缩放．边缘段可以用像素点尺寸大小的小线段定义，或用具有方位属性的一个点定义．请注意，在实际中，边缘点和边缘段都被称为边缘．边缘连接和边缘跟踪之间的区别在于：边缘连接是把边缘检测器产生的无序边缘集作为输入，输出一个有序边缘集；边缘跟踪则是将一幅图像作为输入，输出一个有序边缘集．另外，边缘检测使用局部信息来决定边缘，而边缘跟踪使用整个图像信息来决定一个像素点是不是边缘． 1．2 边缘检测算子边缘检测是图像特征提取的重要技术之一, 边缘常常意味着一个区域的终结和另一个区域的开始. 图像的边缘包含了物体形状的重要信息,它不仅在分析图像时大幅度地减少了要处理的信息量,而且还保护了目标的边界结构. 因此,边缘检测可以看做是处理许多复杂问题的关键. 边缘检测的实质是采用某种算法来提取出图像中对对象与背景间的交界线。图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此可以用局部图像微分技术来获取边缘检测算子。经典的边缘检测方法是对原始图像中的像素的某个邻域来构造边缘检测算子。以下是对几种经典的边缘检测算子进行理论分析，并对各自的性能特点做出比较和评价。边缘检测的原理是：由于微分算子具有突出灰度变化的作用，对图像进行微分运算，在图像边缘处其灰度变化较大，故该处微分计算值教高，可将这些微分值作为相应点的边缘强度，通过阈值判别来提取边缘点，即如果微分值大于阈值，则为边缘点。

虹膜识别设备镜头自动调焦控制方案

虹膜识别镜头自动调焦控制方案要求 1、虹膜设备应用前景：传统指纹识别技术自身缺陷如指纹物理性损伤、易仿制、接触式感染等其在实际应用中与用户需求的种种不相适应已越来越多地突显出来。虹膜的形成由遗传基因决定，人体基因表达决定了虹膜的形态、生理、颜色和总的外观。世界许多国家的机场在出入境管理、公司考勤、互联网身份认证、考场考生信息核对，公安局或监狱公民信息安全管理等程序中已采用了虹膜识别技术,相对于虹膜识别具有更安全、稳定可靠、非接触等优点。目前近距离虹膜识别设备，采用静态识别，如下图虹膜考勤设备，镜头无自动调焦功能，当人眼不在标准取样距离范围内时，成像不清晰，系统无法识别虹膜，下图装置镜头处装支架视筒做距离定位，需人为俯身眼睛靠近视筒采集虹膜数据进行系统识别，给该设备的使用带来不便。 2、控制要求：初步设想： 1、采用自动调焦镜头但成本较高。 2、做一套目标物体距离感应系统，当人站在设备前3-4米处跟据感应系统反馈信号用北京优爱宝UIrobot驱动器控制步进电机前轴加齿轮带动镜头手动调焦圈进行自动调焦直到镜头能够清晰采集虹膜图样如下图镜头调焦圈电机齿轮

一种基于图像处理的自动调焦系统一种基于图像处理的自动调焦方法，应用该方法设计一种虹膜图像自动采集系统。该系统利用虹膜区域的平均对比度作为是否对焦准确的判据，并以此为反馈控制执行机构进行实时对焦。实验证明该系统自动调焦精确，采集到的虹膜图像清晰，符合使用要求；并且调焦机构简单，整个系统控制易于实现。在摄影摄像技术中，调焦是保证感光介质所记录的影像取得清晰效果的关键步骤。调焦机构就是用来调节摄像镜头和感光介质之间的距离，使得像平面落在感光介质的表面。目前，常用的自动照相机、摄像机和数码相机中多采用自动调焦，即根据被摄目标的距离，由集成电路指使镜头前后移动到相应的位置上，从而使被摄目标自动清晰成像。自动调焦技术从20世纪70年代后期发展起来，到现在已经日臻成熟并取得了广泛应用，从而使摄像、摄影设备的自动化功能更加完善。 1 自动调焦的几种主要方式从基本原理来说，自动调焦可以分成两大类：一类是基于镜头与被摄目标之间距离测量的测距方法，另一类是基于调焦屏上成像清晰的聚焦检测方法。

图像预处理流程

图像预处理流程：图2.2图像预处理流程图 2.2系统功能的实现方法系统功能的实现主要依靠图像处理技术，按照上面的流程一一实现，每一部分的具体步骤如下： 1原始图像：由数码相机或其它扫描装置拍摄到的图像； 2预处理：对采集到的图像进行灰度化、图像增强，滤波、二值化等处理以克服图像干扰； 3字轮定位：用图像剪切的方法获取仪表字轮； 4字符分割：利用字符轮廓凹凸检测定位分割方法得到单个的字符； 5字符识别：利用模板匹配的方法与数据库中的字符进行匹配从而确认出字符，得到最后的仪表示数。

2.3.1 MATLA B简介 MATLAB是美国MathWorks公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括MATLAB和Simulink两大部分。 MATLAB是矩阵实验室（Matrix Laboratory）的简称，和Mathematica、Maple并称为三大数学软件。它在数学类科技应用软件中在数值计算方面首屈一指。MATLAB可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等，主要应用于工程计算、控制设计、信号处理与通讯、图像处理、信号检测、金融建模设计与分析等领域。 MATLAB的基本数据单位是矩阵，它的指令表达式与数学、工程中常用的形式十分相似，故用MATLAB来解算问题要比用C，FORTRAN等语言完相同的事情简捷得多，并且mathwork也吸收了像Maple等软件的优点,使MATLAB成为一个强大的数学软件。在新的版本中也加入了对C，FORTRAN，C++ ，JAVA的支持。可以直接调用,用户也可以将自己编写的实用程序导入到MATLAB函数库中方便自己以后调用，此外许多的MATLAB 爱好者都编写了一些经典的程序，用户可以直接进行下载就可以用。 2.3.2 MATLAB的优势和特点 1、MATLAB的优势 (1)友好的工作平台和编程环境 MATLAB由一系列工具组成。这些工具方便用户使用MATLAB的函数和文件，其中许多工具采用的是图形用户界面。包括MATLAB桌面和命令窗口、历史命令窗口、编辑器和调试器、路径搜索和用于用户浏览帮助、工作空间、文件的浏览器。随着MATLAB的商业化以及软件本身的不断升级，MATLAB的用户界面也越来越精致，更加接近Windows的标准界面，人机交互性更强，操作更简单。而且新版本的MATLAB提供了完整的联机查询、帮助系统，极大的方便了用户的使用。简单的编程环境提供了比较完备的调试系统，程序不必经过编译就可以直接运行，而且能够及时地报告出现的错误及进行出错原因分析。

Matlab做图像边缘检测的多种方法

Matlab做图像边缘检测的多种方法 1、用Prewitt算子检测图像的边缘 I = imread('bacteria.BMP'); BW1 = edge(I,'prewitt',0.04); % 0.04为梯度阈值 figure(1); imshow(I); figure(2); imshow(BW1); 2、用不同σ值的LoG算子检测图像的边缘 I = imread('bacteria.BMP'); BW1 = edge(I,'log',0.003); % σ=2 imshow(BW1);title('σ=2') BW1 = edge(I,'log',0.003,3); % σ=3 figure, imshow(BW1);title('σ=3') 3、用Canny算子检测图像的边缘 I = imread('bacteria.BMP'); imshow(I); BW1 = edge(I,'canny',0.2); figure,imshow(BW1); 4、图像的阈值分割 I=imread('blood1.tif'); imhist(I); % 观察灰度直方图，灰度140处有谷，确定阈值T=140 I1=im2bw(I,140/255); % im2bw函数需要将灰度值转换到[0,1]范围内 figure,imshow(I1); 5、用水线阈值法分割图像 afm = imread('afmsurf.tif');figure, imshow(afm); se = strel('disk', 15); Itop = imtophat(afm, se); % 高帽变换 Ibot = imbothat(afm, se); % 低帽变换 figure, imshow(Itop, []); % 高帽变换，体现原始图像的灰度峰值 figure, imshow(Ibot, []); % 低帽变换，体现原始图像的灰度谷值 Ienhance = imsubtract(imadd(Itop, afm), Ibot);% 高帽图像与低帽图像相减，增强图像figure, imshow(Ienhance); Iec = imcomplement(Ienhance); % 进一步增强图像

图像边缘检测技术综述

第 42 卷增刊 1 中南大学学报(自然科学版) V ol.42 Suppl. 1 2011 年 9 月 Journal of Central South University (Science and Technology) Sep. 2011 图像边缘检测技术综述王敏杰 1 ，杨唐文 1, 3 ，韩建达 2 ，秦勇 3 (1. 北京交通大学信息科学研究所，北京，100044； 2. 中国科学院沈阳自动化研究所机器人学国家重点实验室，辽宁沈阳，110016； 3. 北京交通大学轨道交通控制与安全国家重点实验室，北京，100044) 摘要：边缘检测是图像处理与分析中最基础的内容之一。首先介绍了几种经典的边缘检测方法，并对其性能进行比较分析；然后，综述了近几年来出现的一些新的边缘检测方法；最后，对边缘检测技术的发展趋势进行了展望。关键词：数字图像；边缘检测；综述中图分类号：TP391.4 文献标志码：A 文章编号：1672?7207(2011)S1?0811?06 Review on image edge detection technologies W ANG Min-jie 1 , Y ANG Tang-wen 1,3 , HAN Jian-da 2 ,QIN Y ong 3 (1.Institute of Information Science，Beijing Jiaotong University, Beijing 100044, China? 2.State Key Laboratory of Robotics, Shenyang Institute of Automation, Chinese Academic of Science,Shenyang 110016, China? 3.State Key Laboratory of Rail Traffic Control and Safety, Beijing Jiaotong University, Beijing 100044, China) Abstract: Edge detection is one of the most fundamental topics in the research area of image processing and analysis. First, several classical edge detection methods were introduced, and the performance of these methods was compared? then, several edge detection methods developed in the latest years were reviewed? finally, the trend of the research of the image edge detection in the future was discussed. Key words:digital image?edge detection?review 图像是人们从客观世界获取信息的重要来源 [1?2] 。图像信息最主要来自其边缘和轮廓。所谓边缘是指其周围像素灰度急剧变化的那些象素的集合，它是图像最基本的特征。边缘存在于目标、背景和区域之间 [3?4] ，它是图像分割所依赖的最重要的依据。边缘检测 [5?8] 是图像处理和计算机视觉中的基本问题，图像边缘检测是图像处理中的一个重要内容和步骤，是图像分割、目标识别等众多图像处理的必要基础 [9?10] 。因此，研究图像边缘检测算法具有极其重要的意义。边缘检测是计算机视觉和图像处理领域的一项基本内容。准确、高效地提取出边缘信息一直是该领域研究的重点内容 [11] 。最初的经典算法可分为边缘算子法、曲面拟合法、模板匹配法、门限化法等。近年来，随着数学理论和人工智能的发展，又出现了一些新的边缘检测的算法 [12?13] ，如基于数学形态学的边缘检测 [14] 、小波变换和小波包变换的边缘检测法 [15] 、基于模糊理论的边缘检测法 [16?17] 、基于神经网络的边缘检测法 [18] 、基于分形几何的边缘检测算法 [19] 、基于遗传算法的边缘检测法 [20?21] 、漫射边缘的检测方法 [22] 、多尺度边缘检测技术 [23] 、亚像素边缘的定位技术 [24] 、收稿日期：2011?04?15；修回日期：2011?06?15 基金项目：轨道交通控制与安全国家重点实验室开放基金资助项目(RCS2010K02)；机器人学国家重点实验室开放基金资助项目(RLO200801)；北京交通大学基本科研业务费资助项目(2011JBM019) 通信作者：王敏杰(1988－)，女，黑龙江五常人，硕士研究生，从事图像处理和计算机视觉研究；电话： 010-51468132； E-mail: wangminjie1118@https://www.360docs.net/doc/0e14563198.html,