[发明专利]一种基于BP网络和小波变换的虹膜图像质量分类方法

权利要求书

1.一种基于BP网络和小波变换的虹膜图像质量分类方法，其特征在于，包括：

步骤(1)：构建用于虹膜图像质量分类的BP神经网络模型；所述BP神经网络模型的输出节点个数为2，表示两种输出结果：虹膜图像可用和虹膜图像不可用；

步骤(2)：选定若干虹膜图像样本，对其进行小波变换，提取小波变换系数的特征值；

步骤(3)：将提取的小波变换系数的特征值输入BP神经网络模型进行训练；

步骤(4)：利用训练后的BP神经网络模型对虹膜图像质量进行分类；

输入虹膜图像样本提取的小波系数特征值至训练的BP神经网络模型；若BP神经网络模型的输出结果与可用虹膜的期望值相同，则判断当前输入虹膜质量可用；否则，若输出结果与不可用虹膜的期望值相同，则判断当前输入虹膜质量不可用；

所述BP神经网络的模型表达式为：

net＝newff(PR,[S₁ S₂,...,S_N],{TF₁,TF₂,...,TF_N},BTF,BLF,PF) (1)

其中，net:建构得到的神经网络；newff：建构函数；PR：p×2的矩阵以定义输入向量的最小值和最大值，p为输入节点的个数；S_i：第i层神经元个数；TF_i：第i层的传递函数，默认函数为tansig函数；BTF：训练函数，默认函数为trainlm函数；BLF：权值/阀值学习函数，默认函数为learngdm函数；PF：性能函数，默认函数为mse函数；

所述步骤(2)中的对选定的若干虹膜图像样本进行小波变换的具体过程为：

假设Ω表示全体虹膜图像，Ω_samp为选定的若干虹膜图像样本，则令I_k表示Ω_samp中的第k幅图像，则I_k∈Ω_samp，对I_k进行小波变换，

[c_k，s_k]＝wavedec(I_k，N，wname) (2)

其中，wavedec表示小波分解运算符，c_k表示对图像I_k进行小波变换后得到的小波系数，s_k对图像I_k进行小波变换后各层小波系数的长度，N表示变换层数，wname表示变换采用的小波基函数的名称；

所述步骤(2)中提取小波变换的变换系统的特征值的具体过程为：

图像I_k经过小波分解后，得到一系列不同分辨率的子图像c_k：

其中，c_k0表示最低频子图像的系数，表示训练样本中第k幅虹膜图像经小波变换得到的第i层子图像系数，表示水平高通-垂直低通系数，表示水平低通-垂直高通系数，表示水平高通-垂直高通系数；

对c_k0,的数据按照绝对值从大到小进行排序：

c_{k0_asc}＝descend(|c_k0|) (4)

其中，c_{k0_asc}表示对c_k0的绝对值|c_k0|进行排序后的数据，表示对的绝对值进行排序后的数据，表示对的绝对值进行排序后的数据，表示对的绝对值进行排序后的数据；descend表示从大到小排序函数；

所述步骤(3)中训练BP神经网络模型的过程为：

步骤(3.1)：初始化BP神经网络模型参数，所述BP神经网络模型参数包括输入层节点个数、输出层节点个数、隐含层节点个数、BP神经网络权值、初始化输入层阈值和输出层阈值；

步骤(3.2)：计算输入层和输出层；

步骤(3.3)：计算可用虹膜输出端和不可用虹膜输出端的误差；

步骤(3.4)：更新BP神经模型的权值；

步骤(3.5)：更新BP神经模型的输入层和输出层的阈值；

所述步骤(3.1)初始化BP神经网络模型参数的过程为：

步骤(3.1.1)：输入层节点个数初始化为

p＝p_c+p_HG+p_GH+p_HH (8)

其中，p_c、p_HG、p_GH、p_HH分别为c_{k0_asc_mc}、c_{k0_asc_mHG}、c_{k0_asc_mGH}和c_{k0_asc_mHH}所包含的系数的个数；c_{k0_asc_mc}、c_{k0_asc_mHG}、c_{k0_asc_mGH}和c_{k0_asc_mHH}就是BP神经网络的输入，c_{k0_asc_mc}表示c_{k0_asc}中前mc％大的归一化系数，c_{k0_asc_mHG}表示中前mHG％大的归一化系数，c_{k0_asc_mGH}表示中前mGH％大的归一化系数，c_{k0_asc_mHH}表示中前mHH％大的归一化系数；mc％、mHG％、mGH％和mHH％表示百分比；

步骤(3.1.2)：隐含层节点个数为p_Hide；

步骤(3.1.3)：输出层节点个数为2；

步骤(3.1.4)：初始化BP神经网络权值W_i,j＝1,W_jk＝1,W_i,j表示连接第i个输入节点与第j个隐含层节点的权值，W_jk表示连接第j个输入节点与第k个输出层节点的权值，1≤i≤p,1≤j≤p_Hide,1≤k≤2；

步骤(3.1.5)：初始化输入层阈值TH_in和输出层阈值TH_out；

所述步骤(3.2)中计算输入层的过程为

这里H_j表示隐含层第j个节点的权值，x_i为提取的第i个输入节点小波变换系数的特征值；

所述步骤(3.2)中计算输出层的计算过程如下：

其中，O_k表示第k个输出节点的输出；

所述步骤(3.3)中计算可用虹膜输出端和不可用虹膜输出端的误差的过程如下：

Δ_yes＝T_yes-O₁ (12)

Δ_no＝T_no-O₂ (13)

其中，T_yes和T_no分别表示可用虹膜图像质量的期望输出、不可用虹膜图像质量的期望输出，Δ_yes表示可用虹膜图像质量的期望输出与可用虹膜图像质量实际输出的误差，Δ_no表示不可用虹膜图像质量的期望输出与不可用虹膜图像质量实际输出的误差；

所述步骤(3.4)中更新BP神经模型的权值的过程如下

W_jk＝W_jk+H_je_k,k＝1,2 (15)

其中，e_k表示第k个输出节点的误差，且e_k∈[Δ_yes,Δ_no]；

所述步骤(3.5)中更新BP神经模型的输入层和输出层的阈值的过程如下：

TH′_out＝TH_out+e_k (17)

其中，TH′_in表示更新后的BP神经模型的输入层阈值；TH′_out表示更新后的BP神经模型的输出层阈值。