21、虹膜分割融合与光场及光度立体数据深度估计

虹膜分割融合与光场及光度立体数据深度估计

1. 共识虹膜分割融合

在虹膜分割领域，有不同的分割方法及相关结果。S∗−˜k和S∗−RI是两种不同的分割结果。S∗−˜k在Masek和Ma提取方法下实现了更好的识别率，但总体上它的结果未超过S∗−RI。这可能是因为S∗−RI更接近全局最优解。不过，当使用Daugman特征提取算法时，S∗−˜k未能改进VIT方法的结果，这或许是特征提取方法的特性与数据库条件对所使用的相似度度量产生了负面影响，有待未来研究。

尽管S∗−˜k在多数情况下（如Daugman中的VIT和CHT）未接近全局最优解，但元启发式算法能在希尔伯特空间（ψ）中找到接近理论共识解的分割，至少改进了一种初始分割（CHT、VIT、WHT）。

共识分割融合具有诸多优势：
- 提高识别效率：从识别效果来看，这种融合方式对提高识别效率有积极作用。
- 简化融合过程：与传统逐像素分析的融合方法不同，它在超像素层面进行分析，简化了融合过程。
- 保留空间关系：能够保留像素结构之间的空间关系。

共识虹膜分割融合基于加权中值分区问题，利用虹膜图像的超像素表示，克服了逐像素图像分析计算量大以及像素结构空间关系丢失的缺点。实验结果表明，该方法在UBIRIS v1数据库的退化条件下具有鲁棒性，多数情况下提高了识别结果。

2. 光场与光度立体数据的深度估计

2.1 引言

光场相机和光度立体是两种先进的计算成像方法。光场相机从不同角度捕捉场景，能实现场景的强绝对深度估计，但在重建精细表面细节方面存在不足。光度立体利用多个照明方向重建物体表面，可估计物体的精细局部细节，即使物体表面没有明