[0038] 图2为本发明LDGF示意图；
[0039]图3为本发明GDGF(卷缩轮内）示意图；
[0040]图4为本发明GDGF(卷缩轮外)示意图；
[0041 ]图5为本发明提取ANW过程及与现有技术提取ANW结果的比较；
[0042] 图6为不同大小的r对卷缩轮边缘轮廓提取效果的影响(单位:像素）；
[0043] 图7为本发明与现有技术提取卷缩轮结果的比较。
【具体实施方式】
[0044] 如图所示，基于二阶段蚁群算法提取卷缩轮的方法，按如下步骤实施：
[0045] A、第一阶段：
[0046] (1)从虹膜图像中提取出虹膜并规范化成矩形，然后求矩形图像的梯度图像并二 值化;设置蚁群算法参数；
[0047 ] (2)在二值化梯度矩形图像范围内放置人工蚂蚁，完成初定位；
[0048] (3)每只人工蚂蚁依次执行步骤(4)~步骤(5);
[0049] (4)蚂蚁选择下一步的位置；
[0050] (5)对人工蚂蚁经过的位置进行信息素更新；
[0051] (6)如果没满足规定的迭代次数则跳到步骤(3)，否则执行步骤(7);
[0052] (7)求出迭代后图像每列中累积信息素最大的像素点的行坐标，计算这些行坐标 均值；
[0053] B、第二阶段：
[0054] (1)在二值化梯度图像范围内放置人工蚂蚁；
[0055] (2)每只人工蚂蚁依次执行步骤(3)~步骤(4);
[0056] (3)蚂蚁根据公式(3)选择下一步的位置；
[0057] (4)对人工蚂蚁经过的位置进行信息素更新；
[0058] (5)如果没满足规定的迭代次数则跳到步骤(2)，否则执行步骤(6);
[0059] (6)求出遍历后图像每列中信息素最大的点，把这些点依次从左到右连接起来得 到的曲线就是卷缩轮；
[0060] (7)对图像反规范化，在虹膜图像上就得到一条封闭的卷缩轮曲线。
[0061] 本发明所述第一阶段步骤(2)中，在二值化梯度矩形图像第1列，行[△，150_Δ]范 围内依次放置150-2 △只人工蚂蚁，完成初定位；△为偏移量。
[0062] 本发明所述第一阶段步骤(4)中，根据下列公式选择下一步的位置：
[0064] 其中，allowedi= {0，1，+11-1}表示蚂蚁i下一步在五邻域内允许选择的位置;其 中Tk表示位置i五邻域中k处的信息素浓度;参数％表示位置i的五邻域方向的局部方向引导 因子。
[0065] 本发明所述第一阶段步骤(5)中，根据下列公式对人工蚂蚁经过的位置进行信息 素更新：
[0066]
'其中，P表示蒸发系数，Α τ表示释放的信息素 常量，Θ为调整系数。
[0067]本发明所述第二阶段步骤(3)中，依据下列公式选择下一步的位置：
[0069] 其中，allowedi= {0，1，'"n-l}表示蚂蚁i下一步在五邻域内允许选择的位置(蚂 蚁已经访问过的位置不允许再选择）。其中ik表示位置i五邻域中k处的信息素浓度;参数取 表示位置i的五邻域方向的局部方向引导因子。
[0070] 本发明所述第二阶段步骤(4)中，依据下列公式，对人工蚂蚁经过的位置进行信息 素更新
[0071] 丨其中，P表示蒸发系数，Α τ表示释放的信 息素常量，Θ为调整系数。
[0072] 本发明提出一种基于二阶段蚁群算法的ANW提取方法。第一阶段是使用较多的蚂 蚁经过少数几次迭代来确定下一阶段人工蚂蚁大致的初始位置。第二阶段是使用较少的蚂 蚁经过较多次迭代提取到最终的卷缩轮轮廓。
[0073] 本发明提出一种新颖的基于二阶段蚁群算法的ANW提取方法。该算法需要进行二 次迭代。第一阶段迭代的目的是确定下一阶段人工蚂蚁的初始位置。第二迭代的目的是完 成最终的卷缩轮轮廓的提取。在每次迭代过程中，与传统蚁群算法信息素更新策略不同的 是:路径上的信息素增量不是依赖该路径的长度;而是把卷缩轮内部和外部点密度的比值 作为信息素更新的依据。首先把虹膜规范化为矩形，矩形上部分对应虹膜的卷缩轮内部，下 部分对应卷缩轮的外部，然后对规范化后的卷缩轮图像求梯度并进行二值化，这样就完成 了虹膜图像的预处理。然后人工蚂蚁根据转移概率从左到右经过整个虹膜区，这样，经过的 路径就把虹膜在卷缩轮附近划分成上下两部分，因为卷缩轮内部区域纹理比外部复杂，相 应的内部点密度比外部的点密度大，根据上下两部分点密度比值的大小对路径进行信息素 更新。如果路径越接近卷缩轮，则上下两部分的比值就越大，那么该路径的信息素浓度增加 的也越多；反之，路径越远离卷缩轮，则上下两部分的比值就越小，那么该路径的信息素浓 度增加的越少;这样经过反复迭代，卷缩轮边缘的信息素浓度就越来越大，最后依据信息素 浓度的大小就可以提取出卷缩轮的轮廓。本发明按如下步骤实施：
[0074] 3.1虹膜图像预处理
[0075] 对虹膜图像进行预处理的过程如图1所示。首先在虹膜图像中定位虹膜内外边界， 提取出环状的虹膜。然后将环状的虹膜规范化成M*N的矩形 [19]，其中Μ为角度方向的采样 数;Ν为半径方向的采样数。规范化的目的是为了使处理的问题简单化，规范化后矩形图像 的左上角坐标为（1，1)，右下角坐标(Μ，Ν)。
[0076] 由于光斑会对卷缩轮的提取产生一定的影响，为了去掉光斑，我们采用全局阈值 方法得到图像的分割阈值，如果虹膜像素灰度高于该阈值，则该像素灰度被该阈值替代;如 果低于该阈值，则该像素灰度不变。通过这种方式，光斑的影响被大大降低了。
[0077] 求矩形图像的梯度图像I(i，j)，并依据公式(1)对I(i，j)进行二值化处理，
[0079] a为二值图像B(i，j)的均值，如公式(2)所示。
[0081]由于图像二值化后会存在大量噪声，这些噪声的特点是独立且面积小，如果不除 掉会直接影响卷缩轮的提取效果，所以针对这种噪声的特点，我们采用序列滑动窗口的方 法除噪，分别取3*3,4*4,5*5三个矩形窗口从左到右，从上到下先后滑过二值图像，在滑动 过程中，如果当前窗口四周所有元素的值都是0，而中间1*1，2*2，3*3窗口内存在值为255的 元素，那么这些元素就被认为是噪声，把它们的值赋成0进行除噪。采用这样方法除噪后，图 像中不存在孤立的、面积小于3*3的噪声点。
[0082]这样经过预处理后，由于卷缩轮内部（图像上部分）纹理较外部复杂，所以卷缩轮 内部的白点密度较大;而卷缩轮外部（图像下部分）白点密度相对较小。本发明提出的算法 就是依据这种图像进行卷缩轮的提取。
[0083] 3.2转移概率定义
[0084]由于我们规定人工蚂蚁是从矩形图像的左边往右边行走，所以蚂蚁的下一步位置 只能是它八邻域位置中的上、下，右上，右，右下等五邻域中的一个，其转移概率公式定义如 下：
[0086] 其中，allowedi= {0，1，'"n-l}表示蚂蚁i下一步在五邻域内允许选择的位置(蚂 蚁已经访问过的位置不允许再选择）。其中Tk表示位置i五邻域中k处的信息素浓度。
[0087] 参数nk表示位置i的五邻域方向的局部方向引导因子（local direction guide factor，LDGF)，计算方法如图2所示，a，b，c，d，e，i分别表示六个边长为r个像素的正方形的 中心，蚂蚁的当前位置为i，六个正方形分别用六，8，(：，〇3，1来表示。分别计算这五个正方形 A，B，C，D，E的白点密度与正方形I的白点密度之差的绝对值，绝对值越大，说明该正方形与 正方形I的密度差距越大，则该方向存在边缘的可能性就越大，于是，蚂蚁下一步从位置i向 该正方形中心方向移动的可能性就越大;反之如果该正方形与正方形I的密度差距越小，说 明该方向存在边缘的可能性越小，于是蚂蚁下一步从位置i向该正方形中心方向移动的可 能性就越小。根据差值的绝对值按由小到大排序，相应的五邻域各方向的局部方向引导因 子％的值依次为0.5，0.6，0.7，0.8，0.9等值。例如：正方形I的五邻域正方形中，如果正方形 B与正方形I的白点密度差的绝对值最大，则i_>b方向的％值就是0.9;如果正方形B与正方 形I的白点密度差的绝对值最小，则i_>b方向的％值就是0.5。
[0088] 注意到当人工蚂蚁处于矩形左端[1，r/2 ]列以内的时候，正方形A、I、E内左侧就会 缺乏元素；同理，当人工蚂蚁处于矩形右端[M-r/2+l，M]列时，正方形A、I、E内右侧就会缺乏 元素。所以，为了保证卷缩轮的提取效果，当正方形A、I、E内缺乏元素的时候，需要对它们进 行补充。例如如果正方形A、I、E内左侧缺X列元素，则补充的方法是:把矩形图像右端第M-X+ 1列~第Μ列共X列元素依次放到矩形图像的左端;如果正方形A、I、E内右侧缺X列元素，则补 充的方法是:把矩形图像左端X列元素依次放到矩形图像的右端。
[0089] 参数％表示全局方向因子（global direction guide factor, GDGF)。当位置i的 蚂蚁所在正方形I的点密度高于整个虹膜平均值的时候，说明该蚂蚁处在卷缩轮内部的可 能性较大，为了向卷缩轮边缘靠近，蚂蚁下一步向五邻域下方走的可能性最大，而向上方走 的可能性最小。各方向的全局方向引导因子外的值分配如图3所示。而当位置i处的蚂蚁所 在正方形I的点密度低于整个虹膜平均值的时候，说明该蚂蚁处在卷缩轮外部的可能性较 大，