圆形霍夫变换改进

Question

我正在研究虹膜识别算法，该算法将these类型的图像处理为用于识别和验证目的的唯一代码。

过滤后，智能阈值化，然后找到图像中的边缘，下一步显然是将圆圈适合瞳孔和虹膜。我查看过使用的技术是圆形Hough变换。这是我实现的代码。对于这些神秘的变量名称感到抱歉。

print "Populating Accumulator..." 
# Loop over image rows 
for x in range(w): 
    # Loop over image columns 
    for y in range(h): 
     # Only process black pixels 
     if inp[x,y] == 0: 
      # px,py = 0 means pupil, otherwise pupil center 
      if px == 0: 
       ra = r_min 
       rb = r_max 
      else: 
       rr = sqrt((px-x)*(px-x)+(py-y)*(py-y)) 
       ra = int(rr-3) 
       rb = int(rr+3) 
      # a is the width of the image, b is the height 
      for _a in range(a): 
       for _b in range(b): 
        for _r in range(rb-ra): 
         s1 = x - (_a + a_min) 
         s2 = y - (_b + b_min) 
         r1 = _r + ra 
         if (s1 * s1 + s2 * s2 == r1 * r1): 
          new = acc[_a][_b][_r] 
          if new >= maxVotes: 
           maxVotes = new 
print "Done" 

# Average all circles with the most votes 
for _a in range(a): 
    for _b in range(b): 
     for _r in range(r): 
      if acc[_a][_b][_r] >= maxVotes-1: 
       total_a += _a + a_min 
       total_b += _b + b_min 
       total_r += _r + r_min 
       amount += 1 
top_a = total_a/amount 
top_b = total_b/amount 
top_r = total_r/amount 
print top_a,top_b,top_r 

这是用python编写的，并使用Python Imaging Library来完成图像处理。正如你所看到的，这是一个非常天真的寻找圈子的强力方法。它工作，但需要几分钟时间。基本思想是在有黑色像素（来自阈值和边缘检测）的任何地方绘制从rmin到rmax的圆圈，构建一个累加器阵列，其中图像位置被“投票”。无论哪个x，y和r得票最多的都是感兴趣的圈子。我尝试使用虹膜和瞳孔具有相同中心（变量ra和rb）的事实来减少r循环的一些复杂性，但瞳孔检测需要很长时间以至于无关紧要。

现在，很显然我的实施非常天真。它使用三维参数空间（x，y和r），不幸的是它使得它运行得比可接受的慢。我可以做什么样的改进？有什么办法可以将它减少到二维参数空间吗？有没有更有效的方式来访问和设置我不知道的像素？

在附注上，有没有其他技术可以改善我不知道的这种算法的整体运行时间？如方法来近似瞳孔或虹膜的最大半径？

注意：我也尝试过使用OpenCV，但我无法调整参数以保持一致的准确性。

让我知道是否有任何其他信息，你需要。

注：我再次误解了我自己的代码。它在技术上是5维的，但是3维x，y，r循环仅对黑色像素进行操作。

Answer 1

假设你想圆的位置，而不是R.

的量度如果有可能的范围R的一个体面估计然后一个常用技术是运行算法的固定的第一猜测R，调整并重试。