基于虹膜学的典型疾病特征提取及识别方法研究

摘要

本文首先进行虹膜图像预处理，主要是结合虹膜图像的特点，进行虹膜图像增强、虹膜图像灰度归一化以及典型疾病特征区域大小归一化。 特征提取是本研究的重点，本文在比较各种纹理分析方法的基础上，采用空间/频率域联合分析法的方法提取虹膜图像特征。利用Gabor滤波器定位局部纹理的能力，使用多通道Gabor滤波器提取虹膜图像不同频率、不同方向的纹理特征用于虹膜图像上典型疾病特征区域识别。 根据多通道Gabor滤波器提取的纹理能量特征，分别采用了Fisher线性分类器，自组织特征映射(SOFM)以及学习矢量量化(LVQ)的方法进行虹膜图像典型疾病特征区域识别，取得了满意的效果。

目录

文摘

英文文摘

第1章绪论

1.1课题背景

1.2计算机自动虹膜诊病系统的可行性

1.3虹膜诊断技术发展现状

1.4国内外基于虹膜的计算机自动诊断技术现状

1.5基于虹膜的计算机自动诊断系统

1.5.1计算机自动虹膜诊病系统框架

1.5.2多分辨率虹膜图像处理

1.5.3智能化虹膜诊病机制

1.5.4虹膜诊病知识与诊断标准数据库

1.5.5专家指导机制

1.6本文研究的主要内容

第2章虹膜图像的预处理

2.1彩色图像转换到灰度图像

2.2虹膜图像的增强

2.2.1图像增强技术

2.2.2虹膜图像增强

2.3虹膜图像归一化

2.3.1样本大小归一化

2.3.2虹膜图像灰度归一化

2.4本章小结

第3章虹膜图像特征提取

3.1图像纹理及纹理分析的方法

3.1.1图像纹理

3.1.2常用图像纹理分析的方法

3.2多通道Gabor滤波器

3.3 Gabor滤波器的优化设计

3.3.1优化Gabor滤波器参数的选择

3.3.2试验结果

3.4纹理能量特征提取

3.5本章小结

第4章虹膜图像上典型疾病特征识别

4.1虹膜图像上典型疾病特征

4.2纹理能量特征数据分析

4.3虹膜图像典型疾病特征识别

4.3.1 Fisher线性分类器

4.3.2自组织特征映射(SOFM)

4.3.3学习向量量化(LVQ)

4.4试验结果

4.4.1 Fisher线性分类器识别

4.4.2 SOFM识别

4.4.3 LVQ识别

4.5试验结果分析

4.6本章小结

结论

参考文献

哈尔滨工业大学硕士学位论文原创性声明

哈尔滨工业大学硕士学位论文使用授权书

致谢