虹膜表面具有丰富的纹理,主要有裂缝、环状线条、坑洞、色素斑和卷缩轮内部纹理构成,这些纹理中所蕴含的特征信息是虹膜身份识别和进行人体健康状况评价的重要依据。而现有的对于虹膜特定形状的检测方法的检测率和误检率较高,且无法提供具体的特征信息,而这些信息所反映的虹膜纹理特征是虹膜识别的特征参数与人体健康状况评价的评价依据。本文以虹膜裂缝与环状线条为检测对象,研究其检测方法以及检测所得纹理的特征描述方法。主要研究工作及贡献如下:(1)针对于在丰富的虹膜纹理中排除非裂缝纹理而正确地检测到裂缝是个比较困难的问题,本文提出了由粗到精的虹膜裂缝的检测方法。该方法能够实现在异常丰富的虹膜纹理的复杂背景下对于虹膜裂缝的检测。首先,根据裂缝与背景相比具有一定灰度差的特征,使用水平方向的线性灰度差分模板在预处理归一化展开后的虹膜图像上搜索裂缝可能存在区域,得到二值图像。该方法在完整地提取到图库中所有的裂缝特征的同时还包括其他一些与其相似的非裂缝特征,其中包括卷缩轮内部纹理、坑洞、色素斑。其次,依据虹膜卷缩轮内部纹理在经过灰度差分的二值图像上的长度、位置上具有自相似性,而裂缝无论长度、位置具备特异性,本文设计了局部密度最大值聚类的方法排除卷缩轮内部纹理。该方法以二值图像的各连通区域的长度与位置为特征空间,作为参与聚类的数据点,属于卷缩轮内部纹理的数据点则比较集中。求出每个数据点的局部密度及距离,得到密度值最大的点作为聚类中心。该方法能够把不同图像上各异的卷缩轮内部纹理聚为一类,从而将其排除。实验结果表明,文中采用的方法对于卷缩轮内部纹理的排除率达到92.21%,能够较好地排除卷缩轮内部纹理,从而可为后续步骤提供良好的基础。最后,采用基于脊线检测算子与能量密度的检测方法排除其他的非裂缝特征。通过对不同特征纹理在原图像上一定的区域内具备不同的极值点的特性,设计满足于针对裂缝脊线特征的线检测算子,该算子会对一定方向的裂缝具有显著的检测性,而其他非裂缝特征经脊线检测后会出现多个对应脊线的特性。该方法首先以前两步方法之后得到的二值图像为中心,映射回原图像上找到对应的附近的图像区域信息,对该区域采用脊线检测算子进行检测。以此小区域内经脊线检测算子检测到的二值图像的白色区域为能量像素,利用文中定义的能量密度判断集中在中线附近的像素点的个数与总体面积的比例来表述各区域的能量密度,能量密度小的区域为裂缝,而能量密度大的区域则为非裂缝特征。实验结果表明,对于裂缝的检测正确率能达到94.09%。文中定义的脊线检测算子与能量密度能够有效地反映裂缝的特性信息,排除非裂缝特征,从而实现裂缝的检测。(2)针对于虹膜环状线条在虹膜图像上信号强度较为微弱,而在丰富的虹膜纹理中正确地检测到环状线条是个比较困难的问题,提出了基于矢量加权线检测算子的虹膜环状线条的检测方法。环状线条的优势信号会出现在RGB空间上三分量上的某一个,但哪个分量是随机的,而现有的环状线条的检测方法都是在灰度图像上进行的检测,在由矢量图像向灰度图像转化的过程中采用传统的固定三分量加权而使得优势信号出现的通道的转化会使得本不强势的信号强度进一步降低。而设计了自适应加权方法,该方法首先设计特征矩阵,通过求得特征矩阵的最大特征值所对应的特征向量来作为由矢量图像转换为单通道图像的加权值,使得优势信号出现的分量的权值最大,此加权值依据不同的图像得到的特征矩阵不同因而自适应地得到,从而得到边缘最为突出的单通道图像。在此基础上进行线检测得到二值图像,再依据环状线条的形状特征设计形状因子找到符合环状线条的区域,实现环状线条的检测。经过在环状线条有效区域提取的ROI图像上进行实验,测试结果表明,该方法的正确率达到91.78%,大大提升了检出率。(3)为了获得虹膜纹理的特征信息,针对裂缝与环状线条的特性,分别选择了长度、宽度、面积等构成特征矩阵用来作为特征参数描述检测所得裂缝与环状线条信息,详细论述了上述参数的计算方法以及虹膜图像裂缝和环状线条的特征向量和特征矩阵。另外,文中还讨论了用于本文算法测试和评价的分类图库的建立问题以及虹膜图像的预处理问题。