由于图像噪声强度和边界的不确定性,图像分割算法的抗噪性和准确性是一项具有挑战性的任务,提出两种改进的模糊聚类算法用于图像分割。本文算法共分两步:第一步利用各像素邻域信息自适应地对中心像素进行噪声可能性检测,噪声与图像细节参数用以构建新的加权图像,结合新图像给出两种新颖的模糊聚类算法;第二步对分割结果中可能存在的错分点进行检测并对其进行后处理,从而提高分割准确度和视觉效果。在不同的噪声水平下,利用人工合成图像、Berkeley图像及其他图像对本文算法进行分割实验,结果表明,相比于其他模糊聚类算法,本文算法在分割准确率和ARI(Adjusted Rand Index)上具有优势,而且分割结果图像轮廓清晰,视觉效果更好。

在虹膜识别系统中,采集得到的图像,除了虹膜信息外,一般还会存在睫毛、眼睑及光源的像点等干扰。这会对虹膜的边界定位和特征提取产生影响,并最终导致识别率降低。通过对眼睑、睫毛、光斑噪声检测的研究,根据噪声的特点,提出一种新的快速定位眼睑的方法,并对双阈值检测睫毛的方法进行改进。试验结果表明,该方法能有效去除虹膜区域噪声干扰,提高识别率。