虹膜图像预处理-运动模糊检测

序言

首先看到这个问题，最先想到的就是如何去定义一个运动模糊。想到的答案是这样的，虹膜图像的运动模糊来可以由光斑很好的确认，利用光斑的形状就可以描述是否产生了运动模糊。

---

解决思路

那么现在问题有了思路，我把它转化成更数学，更程序化的方式。第一步就是提取光斑，很多论文中介绍了边缘检测、区域生长等各种方法，这里我就不再赘述。输入是一个二维数组的区域，第一步一定就是特征提取。根据如下图片，大致可以利用如下几个参数来表征特征。1.区域长宽比 2.区域光斑点面积比 3.边界对称性 。根据以上3个特性，利用决策树来进行划分，可以得到90左右的准确率。

虹膜清晰图片示例 虹膜模糊图像示例

存在问题

有一些特别的例子，是满足清晰特性但确运动模糊的。这里没有特别的例子，大家可以脑补下。原因解释如下，存在很多其他的形状同时满足以上3个特性，而且并不是圆形。那么问题就是如何界定这个形状是否一定是圆形而非其他的图形呢？这里有两种解决思路：1.利用圆的定义，每个点到中心的距离都是一个常数。利用这个方法，可以判断点到中心的距离，并利用var（方差）、std（标准差）等参数来表示这个图像是否为圆。2.利用轮廓特征，这一点和定义方式比较类似，都用到了所有的边界点。稍微有点区别的1利用的统计特性而2利用的是结构特性，其中相似点都是利用了边界的圆特征提取出一个值，为什么强调一个值。举个例子，比方说我提取了一阶差分的链码，我得到了一个圆特征，但是我需要去和理想圆对比。也可能是废话，但是我想说的是，我们找的特征要能放到决策树中取训练的，所以如果我想更好的利用边界码来确定，我可以在其中这个部分单独利用神经网络来训练出一个值，然后把决策概率当一个参数来加入决策树（这里可能不是很好的利用神经网络的方式，但是决策树是对坏特征有过滤优势的，这里不担心有坏影响）。

---

冈萨雷斯《数字图像处理》学习

第十二章——目标识别

模式识别方法主要分为两大领域：决策理论方法和结构方法。第一种方法处理的是使用定量描绘子来描述各种模式，如长度、面积、文理。第二类方法处理的是有定性描绘子来表述的各种模式。（区域被称为目标或者模式）
书中举了鸢尾花的例子

这个地方两个参数刚好能将3中分离出来，但是生活中很多时候数据是无法被完全分开的，应记住的关键概念是模式向量中每个分量的描绘子的选择对目标识别的最终性能是有深刻影响的。

基于决策理论方法：

书中介绍了KNN、贝叶斯分类和神经网络分类。这里涉及到的就是机器学习部分的内容。总结一句就是利用提取的统计特征来分类。

结构的方式：

书中介绍了形状数的比较和串匹配方式。这两种方式都比较简单。匹配形状数利用一个形状相似度k来描述匹配关系。其定义为形状数保持一致的最大阶。然后给出了一种相似性度量的比率。

总结

对于这类简单的图形匹配，度量标准相对简单。因为有几何图形都有严格的定义，我们要做的仅仅是去找到一种描述方式来尽可能唯一的标识图像区域即可。如果考虑到复杂图片，如人脸。那么我们就需要从另外的角度去考量我们如何去描述，不同描述能带来不同的分类效果。