[发明专利]基于二阶段蚁群算法提取卷缩轮的方法

说明书

本发明属虹膜诊断技术领域，尤其涉及一种基于二阶段蚁群算法提取卷缩轮的方法；该方法需要进行二次迭代，第一阶段的任务是使用大量人工蚂蚁进行少数几次迭代确定ANW大致的位置，该位置用来确定下一阶段人工蚂蚁的初始位置；第二阶段使用少量人工蚂蚁进行多次迭代得出最终的卷缩轮提取结果。在每次迭代的过程中，通过引入局部方向引导因子和全局方向引导因子，使得人工蚂蚁能快速向ANW方向靠近；通过使用基于点密度的信息素更新策略，使得ANW边缘附近的信息素浓度能快速增长，最后依据信息素的浓度值，提取出最终的ANW曲线。

技术领域

本发明属虹膜诊断技术领域，尤其涉及一种基于二阶段蚁群算法提取卷缩轮的方法。

背景技术

在虹膜诊断学中，虹膜卷缩轮是重要的诊断标志，它位于肠环的周边，是一个环状的线，它把虹膜分割成位于中心的瞳孔和外围的睫状体两部分。它由血管和神经构成，表现人体神经系统中的内脏自主神经系统(交感神经和副交感神经)，它能显示很多与肠道和内脏神经有关的信息。当卷缩轮的边缘出现异常，例如膨胀或收缩，表明人体的肠道的功能出现异常。所以人体肠道区是否健康可以检测卷缩轮边缘的变化情况就可以知道。因此，准确地检测出卷缩轮的边缘是进一步病理分析和检测的前提。另外，在基于虹膜的计算机诊断系统中，卷缩轮的位置是实现虹膜图谱覆盖的依据。所以，能否提取出虹膜卷缩轮的准确位置也是决定基于虹膜的计算机诊断系统性能优劣的一个重要前提。

由于卷缩轮边缘的纹理较复杂，所以采用传统的方法，如边缘检测算子Canny算子,Prewitt算子,Roberts算子，以及边缘跟踪等并不能很好地提取卷缩轮的边缘。针对这种复杂边缘的提取问题，文献[M.Kass,A.Witkin,D.Terzopoulous,Snakes:activecontour models,in:Proceedings of the First International ConferenceonComputer Vision,IEEE Computer Society Press,London,1987,pp.259-268.]提出一种基于改进Snake模型的卷缩轮提取方法，该模型克服了传统Snake模型存在的收敛速度慢以及迭代效果过分依赖于初始蛇点位置的选择等缺点，该算法对于卷缩轮边缘较清晰的虹膜图像提取的效果较好，可是当卷缩轮边缘轮廓出现模糊或残缺的时候，提取到的卷缩轮与真实的边缘就会存在误差。而实际上，虹膜卷缩轮的边缘轮廓往往不是很清晰且不连续的，所以针对这类卷缩轮，使用该方法提取卷缩轮的效果并不是很理想。