饮酒者虹膜图像识别的MDLNN与BFO混合方法

沙特国王大学学报一种混合方法用于饮酒者Puneeth Guddhur Jayadeva，Sreepathi Bellaryb，a印度卡纳塔克邦巴拉里VTU Rao Bahadur Y Mahabaleswarappa工程学院计算机科学与工程系b印度卡纳塔克邦巴拉里VTU Rao Bahadur Y Mahabaleswarappa工程学院信息科学与工程系阿提奇莱因福奥文章历史记录：收到2020年2020年12月13日修订2021年1月4日接受2021年1月12日在线提供保留字：细菌觅食优化（BFO）改进的深度学习神经网络（MDLNN）高斯带通滤波器与离散小波变换的自适应直方图均衡（AHE）Otsu保序与形态运算A B S T R A C T在现代文化中，酒精消费的增加已经引起了许多问题，其对人类健康的潜在不利影响是众所周知的现实。虹膜图像有助于有效地诊断饮酒流行的方法可能会占用大量的时间来执行该过程，并且还可能产生较低的准确性。本文提出了一种利用MDLNN对饮酒者进行分类和虹膜损伤程度识别的有效方法。最初，Log Gabor（LG），HOG功能，GLAC功能，LGXP，以及精明的边缘检测（CED），功能提取的饮酒者的图像。接下来，利用BFO选择提取的特征。接下来，在MDLNN的帮助下，图像被分类为更多，中等或较少醉酒最后利用AHE算法对醉酒者的虹膜图像进行对比度增强然后，利用HGBFDWT增强图像的前景。此后，利用OTMO基于掩码值执行分割。最后，根据醉酒者的原始虹膜图像与分割后的虹膜图像的损伤程度之间的欧氏距离，确定虹膜损伤的比例（百分比）。在实验评估中，所提出的工作比现行方法获得更好的准确性版权所有©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY许可下的文章（http://creativecommons.org/licenses/by/4.0/）。1. 介绍印度每年报告的高速公路事故死亡人数高达1.34万人，其中70%是因为酒后驾车（Sandeep等人， 2017年）。人们问得最多的问题是，公路沿线酒类销售的不断增加是否是不合时宜地夺走宝贵生命的原因饮酒对健康有暂时和长期的影响青少年饮酒会降低儿童的智力和体能，也会影响决策和协作，这可能会带来问题（Pisutaporn等人，2018年）。同时，由于饮酒的影响，瞳孔放大后形成的虹膜图案会发生畸变，影响虹膜识别的性能。学生评估提出了一个*通讯作者。电子邮件地址：tk. gmail.com（P. Guddhur Jayadev），sreepathib@gmail.com（S.Bellary）。沙特国王大学负责同行审查视觉功能和到眼睛的植物性路线的客观估计（Pinheiro等， 2015年）。IR系统（Patil等人，2016）是以生物特征为中心的技术，用于利用个 人 的 虹 膜 指 纹 进 行 识 别 和 验 证 （ Tomeo-Reyes 和 Repluran ，2014）。之间一系列生物测定模态虹膜可能是最有效的、可测量的、标准化的、准确的以及不可模仿的。（Arora等人，2012年）。生物识别是指出于安全原因而研究人类行为特征或生理的科学，并且该词已经采用希腊词“bios”的意思是“生命”以及“度量”的意思是“测量”（Alemán-Soler等人，2016年）。每个人的虹膜都是独一无二的，并且不会随着时间的推移而改变（Kaur和Juneja，2014）。因此，在现代世界中，对自动可靠认证过程的需求日益增长人类虹膜拥有丰富的纹理信息，这些信息是通过不同的属性确定的，比如脊、穴和沟。纹理内容中的随机性连同其个体性和稳定性使得合理地利用虹膜图案作为用于个人识别的极其可靠的技术（Chen等人， 2014年）。一些外部组件也会影响光学质量，例如在较低照明条件下的瞳孔扩张，导致视网膜图像质量的恶化https://doi.org/10.1016/j.jksuci.2021.01.0041319-1578/©2021作者。由Elsevier B.V.代表沙特国王大学出版。这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comP. Guddhur Jayadev和S. 贝拉里沙特国王大学学报5274例如，2013年）。这些属性中的每一个都可以影响视觉性能;然而，各种类型的物质（例如酒精）的消耗可以损害视觉性能（Castro等人，2014; Zhao等人，2014年）。通常，IR中的协变量是图像质量（明确地，噪声、模糊）、照明（镜面反射）、偏角、遮挡以及分辨率（Jenadeleh等人，2020年）。虹膜生物识别研究主要忽略了与注册图像 和 待 识 别 或 建 立 的 图 像 之 间 的 瞳 孔 扩 张 变 化 有 关 的 问 题（Seetharaman和Ragupathy，2012）。不同的机器学习技术，例如，支持向量机（SVM）、k-最近邻、随机森林、朴素贝叶斯等，最近已经被用于不同领域中的许多应用，如功能技术中的情绪分类或创伤性损伤中的碰撞严重性预测（Evin例如，2018），也是有效分类，饮酒者。但虹膜损伤程度的识别仍需以准确性度量为中心进行发展，因此，本文提出了一种新的方法，用于对饮酒者进行分类并识别虹膜损伤程度。本文的安排如下：第二节给出了相关的工作，第三节给出了系统的架构，第四节对所提出的工作进行了细致的阐述第5介绍了结果以及对拟议工作的讨论，最后，在第6节中，对整个工作进行了总结。2. 相关工作Hedenir Monteiro Pinheiro等人（Pinheiro等人，2015b）提出了一种利用计算机视觉识别具有虹膜视频的酒精使用者的技术。一个简单的瞳孔反射分析和非侵入性技术被用来发现酒精的使用。在照明系统期间给予扩张和瞳孔收缩的刺激，其中一组4个红外LED向人眼提供不可见光，使相机能够进行图像捕获。然后，以SVM和k-最近邻为中心进行模式识别实验结果表明，在以模式识别算法为核心的正确识别中，测试方法Zhenlong Li等人（Li等人，2015）提出了一种以多变量时间序列（MTS）分类为中心的酒后驾驶识别方法。最初，驾驶性能测量是通过驾驶模拟器研究实现的。对于酒后驾驶的识别，横向位置和转向角度被使用。其次，利用MTS分析，提取特征。MTS使用分段线性表示法表示。有一个自底向上的算法用于区分MTS。第三，应用SVM分类系统，根据提取的特征将驾驶员状态分为正常和醉酒2种类型。结果表明，以MTS分类为中心的酒后驾驶检测是可行的和有效的。Gabriel Hermosilla等人（Hermosilla等人，2018年）建议使用红外人脸图像进行面部识别（FR）以及醉酒者分类。该程序有两个步骤，FR和分类。基于强FR算法的测试图像在FR步骤中被识别，即Weber局部描述符和局部二进制模式。在分类中采用线性判别Fisher最小化特征的大小，并通过高斯混合模型对特征进行分类，通过将艺术条件概念扩展到醉酒空间分类器，为每个人创建一个分类空间。结果表明，该系统具有较高的性能。Wen-Fong Wang等人（Wang等人，2018）推荐了一种以心电图为中心的基于SVM的分类方法（ECG）和光电体积描记（PPG）监测，以了解酒精摄入量。首先，对信号进行预处理、分割和提取，以不同的算法为中心来生成心电图（ECG）和光电容积描记（PPG）的训练和检查数据。以酒精摄入量数据、心电图和PPG为核心，建立了基于支持向量机算法的准确快速的酒精摄入量识别方案以测试数据和训练数据为中心训练得到的优化SVM分类器用于验证训练后的SVM的识别性能。结果表明，程序的性能优于艺术条件的方法。Audrey Robinel 和 Didier Puzenat （ Robinel 和 Puzenat ，2014）提出了通过基于智能系统的行为分析来检测酒精摄入量。该测试使用受试者的血液酒精含量（BAC）评估该系统以智能系统为中心对受试者进行模糊分析，而不是利用外部工具来找出受试者的BAC值然后，系统监视用户在正常工作中的操作，并将其标记为特定的BAC值。然后利用接收到的数据对于单用户群，系统具有较强的性能，而对于多用户群，系统性能较差。Georgia Koukiou等人（Koukiou和Anastassopoulos，2015）建议使用基于热红外图像的神经网络（NN）来找出醉酒者。最初，一张接一张的脸被测试，每次都是基于不同的神经网络，以找到可以用来区分醉酒者和清醒者的某些区域。在第二阶段，整个面部的单个神经结构得到了良好的训练。神经结构的性能进行了评估，在类似的面孔作为未知的面孔。在清醒者和醉酒者的前额上训练时，神经网络对陌生人表现出强烈的偏见。小的神经结构表现出改善的泛化性能。表1基于酒精消费者分类的不同方法。3. 系统架构过度饮酒是第三大与生活方式相关的死亡原因。酒精滥用包括一系列有害的饮酒行为，从酗酒到酒精依赖，在严重的情况下会给人们带来健康问题，也会带来更大规模的社会问题，比如与酒精相关的犯罪以及饮酒，是死亡以及疾病和伤害问题的第七大主要风险。处理人眼图像（特别是视网膜眼底图像）时的一个主要挑战是识别虹膜的受损程度。本文提出了一种有效的方法来分类饮酒者和虹膜损伤程度的识别最初，将饮酒者的输入图像作为数据集。然后，作为酒精消费者的图像的LG，HOG，GLAC，LGXP和CED特征被提取。然后，使用BFO算法从提取的特征中选择必要的特征。接下来，将所选要素作为输入，MDLNN算法，将个体分类为更多，中等或较少醉酒。虹膜损伤程度的识别进行了采取醉酒人然后，将AHE算法应用然后对虹膜图像进行高斯带通滤波器（GBF）和小波变换在绿色通道的混合滤波，并进行伽马校正，以增强图像的前景。然后，以Mask为中心进行Otsu阈值分割和基于形态学运算的分割P. Guddhur Jayadev和S. 贝拉里沙特国王大学学报5275ð Þ表1不同的方法基于酒精消费者分类。AuthorName使用的关键技术已完成的工作限制Mr.Priya等人（Priya等人，2018年）Jan Kubicek等人（Kubicek等人， 2019年度）Virender Kumar Mehlaet al.（Mehla等人， 2020年）Georgia Koukiou和VassilisAnastassopoulos（Koukiou和Anastassopoulos，2018）经验模态分解（EMD）方法。K-Means聚类驱动方法和改进的蚁群算法。傅立叶分解法（FDM）。局部差分模式（LDPs）技术该方法将非线性、非平稳特征分解为各种平稳特征，取得了较好的预测效果。与选定的替代方法相比，该方案似乎是最稳定的，即使在嘈杂的环境中。该系统给出了一种有效的解决方案，可用于实时酒精中毒检测，系统考虑的特征较少，计算复杂度较低。该装置可集成到非侵入式工业检测系统中，作为警方对醉酒人员身份识别的第一步不适用于其他生理和病理阶段（如脑、乳腺疾病）。在该系统中，中毒阶段的分类是非常困难的，该系统在所述特征中的灵敏度值它不适合神经系统异常。该系统效率较低，计算量大。Agustin Sancen-Plaza等人（Sancen-Plaza等人，2020年（2020年）。）局部二进制模式与在热图像中使用LBP相比，没有使用生物发热模型，系统性能优越。该系统只集中了一个特征，值面具由受损虹膜的所有级别组成。基于Mask值，虹膜被分割为微动脉瘤、血管瘤、软渗出物和硬渗出物。最后，以醉酒人的原始虹膜图像与虹膜图像分割后的损伤程度之间的欧氏距离为中心，计算出虹膜损伤的百分比。所提出的虹膜损伤程度识别系统如图所示. 1.一、4. 拟议方法4.1. 特征提取最初，饮酒者的图像被认为是输入。接着，提取输入图像的生命特征。FE在图像的识别中起着至关重要的作用。那个...用于检测虹膜受损程度的方法包括以下方法。● LG● HOG特征● GLAC功能● LGXP● CED特征4.1.1. Log Gabor（E1）LG特征是输入图像的重要特征在频域上，由于对数函数的奇异性，LG滤波器被描述为这个过滤器的优点是它比LG更适合原始图像的统计数据Fig. 1. 系统架构。P. Guddhur Jayadev和S. 贝拉里沙特国王大学学报5276ðÞcf0aHð Þð Þð Þþ2×ð Þ日志四、一个2005年hiHv联系我们dð ÞRR@x@y滤波器与其他小波滤波器一起它可以分为两部分PC00P C00（0 Pv C0p0Pv C0v0ð5Þ分成 q;h=R^R^，as，qhvpvv1否则二、q2003其中，C0p0表示中心像素Pv表示像素R^nq;h^ne日志Qcf012h-h或2eð1Þ基于XOR算子的LXP算子其中，αq;hα表示极坐标，cf0表示中心频率，hor表示取向角，αq和αh表示除角带宽频率之外的尺度。4.1.2. 方向梯度直方图（HOG）（E2 st）：这用于检测人类视觉中的物体。它计算图像局部部分中梯度方向的出现次数。它将图像分解为更小的方形单元格，测量每个单元格中的定向梯度直方图，利用逐块模式对结果进行归一化，并且还返回每个单元格的描述符。当从图像中测量HOG特征向量时，图像被分成可能重叠的块，每个块被分成单元，然后，针对每个单元分析HOG。这在数学上可以写成，4.1.5. Canny边缘检测特征（E5 st）使用CED算法检测饮酒者图像的边缘这是一种边缘检测（ED）算子，它利用多阶段算法来检测广泛的分类of edges边缘on images图片.CED过程分为5个不同的步骤。步骤1：首先，应用高斯滤波器平滑图像以去除噪声此步骤将稍微平滑图像，以减少ED上明显噪声的影响。步骤2：接下来，找到图像在图像中，边缘可能指向一系列方向，因此，CED算法利用4ED手术-ator返回一个值，该值针对Vg¼qG2G2ð2Þ水平“h d”方向以及垂直“v d”方向。的边缘梯度以及方向可以表示为，其中，Vg表示除梯度方向外的幅度G2和G2表示水平和垂直梯度H fqh2v26hv分别4.1.3. 梯度局部自相关（GLAC）（E3 st）：这是一种提取平移不变图像特征的有效工具。在GLAC中，图像梯度被稀疏地示出，关于它们的幅度以及方向。此功能具有后续步骤，步骤1：令IR表示图像区域，P0v01/4v;dk是I0r0e中的位置向量。步骤2：接下来，每个像素处的图像梯度的幅度（Gm）以及取向角（h）可以很好地表示为：s@I2@I2其中，Hyf表示hypot函数。步骤3：接下来，实施非最大抑制，以处理对ED在获得梯度幅度和方向之后，执行图像的全扫描以消除可能不包括边缘的任何多余像素。为此，验证像素是否在其朝向梯度的邻域上存在步骤4：之后，应用双阈值来确定可能的边缘在应用非最大值抑制之后，剩余的边缘像素给出图像上的真实边缘的更准确的说明。这是通过选择高阈值和低阈值（TV）来完成的。如果边缘像素的梯度值高于TV，它被称为更强的边缘像素。如果边缘像素值低于高TV且高于低TV，则其为@x@yh¼arctan。@IR;@IR4其中@IR、@x和@y表示一阶导数。步骤3：接下来，方向4.1.4. 局部Gabor异或模式（LGXP）（E4 st）采用LGXP特征对Gabor相位变化进行编码，这也是饮酒者眼睛图像的重要特征最初，为图像上的每个像素计算相位值（滤波）。接着，将图像划分为3个3个子图像，并且基于相位值的范围来量化相位值。现在，对于每个子图像，中心像素如果中心像素和相邻像素不同，则将其与二进制值1交换，并且如果它们相同，则将相邻像素替换为二进制值0。最后，所得到的二进制标签被联合连接为中心像素的局部XOR模式（LXP），其被表示为，作为弱边缘像素。如果边缘像素值小于较低的TV，则它将被抑制。根据经验确定"步骤5：最后，通过滞后跟踪边缘：通过抑制整个弱边以及未连接到较强边的边来结束ED。因此，所提取的特征被表示为Eft，其用于进一步处理。4.2. 特征选择这里，在BFO算法的帮助下选择上述提取的特征中的基本特征随后的小节提供了一个详细的说明这种BFO算法。4.2.1. 细菌觅食优化（BFO）它是一种新的智能优化器，它以细菌的社会觅食行为为中心。细菌努力寻找更多的营养物质，以最大限度地提高单位时间内获得的能量。细菌通过传递信号与其他细菌相互作用。每一种细菌只有在考虑了前面两个因素之后才作出觅食决定。单个细菌采取小步骤来获得其营养物质，这个过程被称为趋化性。的-1= 2D通用汽车--ð3ÞP. Guddhur Jayadev和S. 贝拉里沙特国王大学学报5277傅最hzm1;a;vEfstωhzm;a;vTluzBFO执行诸如趋化性、群集、繁殖以及消除和扩散的步骤，这些步骤在下面简要阐述4.2.1.1. 趋化性这种细菌的翻滚和游泳运动。大肠杆菌细胞具有趋化性。当一个细菌遇到一个无毒且富含营养的环境时，它会继续朝那个方向游动，或者它可能会翻滚，或者它可能在这200种模式之间变化假设，hzm;a;v表示第z个细菌，朝着它的方向。此外，每个细菌还释放用于警告细菌严格保持彼此之间的安全距离的驱避剂。4.2.1.3. 生殖。 当最不健康的细菌最终死亡时，在趋化性之后发生繁殖。按照进化规则，按照健康值的顺序对群进行排序每一个健康的个体被无性地分成它保持着恒定的蜂群规模。第z个细菌的健康状态是由，在趋化性中， 一个生殖的，和 vt h消除-dispersalOzPBt1Ozz m av.OZO00. （8）其中，Oz- 目标步Tlu用符号表示每个随机步骤的大小，富¼m¼1傅莹;的情况。好吧操最好傅R游程长度单位（翻滚）。随后，趋化性在数学上表示为，将函数（OF）值与实际OF（要减少）相加，以获得随时间变化的OFBt-细菌总数，. Oz-O00ð7Þ代表个体哪里rDTzDzTEM最佳地选择特征。D- 向量具有随机方向。并且，D向量的元素位于1/2 - 1的色域中;1]4.2.1.2.蜂拥而至一些能动的物种，即S。鼠伤寒杆菌和大肠杆菌在半固体培养基中表现出一种吸引人的群体行为，即形成稳定的时空模式群E. 大肠杆菌具有决策、激活和感知机制。当移动时，每一个细菌释放引诱剂，以信号所有群集的细菌旅行4.2.1.4.消除和分散。该算子是BFO中不可缺少的算子。细菌群体生存的环境可能由于不同的原因而逐渐或突然改变，即，温度的升高可能杀死在具有高含量营养梯度的环境中的细菌。当一个个体被消灭时，另一个细菌被分散到优化区域中的任意位置。根据多峰函数优化的结果，细菌陷入局部最优，难以逃脱。这影响了BFO算法图二. BFO的伪代码.全球最好的细菌基于适应度函数，系统P. Guddhur Jayadev和S. 贝拉里沙特国王大学学报5278pPoHWCOHOWWHV 公司简介V Biasva12收敛速度快、精度均匀。为了模拟此phe-Vf<$H00ωZnl<$Xn<$$>10<$中西在BFO中，某些细菌被任意清除，极小的概率，而新的替换在所考虑的搜索空间上随机初始化。BFO算法具有随后的伪代码，如图11所示。 2，最后，在特征集合H0s0的排序中暴露上述选择的特征，其中H0s0-选定要素步骤3：确定池化特征的激活值。控制过拟合和减小输入图像的维数是PL的主要目标。PL的每个特征图与其先前CL的相关特征图相关联，其被评估为，fvfH0s01/4;H010;H02 0;H030;：H00g其中，H0l0-Number的的选择所提出的系统提取34个特征。之后，系统通过BFO算法最优地选择20个特征，将其作为分类器的输入。4.3. 使用MDLNN在这里，所选择的功能交付给MDLNN分类器作为输入。在传统的深度学习方法中，需要更长的时间来获取输入图像的所有特征以检查分类结果。为了减少时间消耗并提高准确性，所提出的工作利用卷积神经网络（CNN）和深度学习神经网络（DLNN）。在CNN中CNN包括i）输入层，ii）卷积层（CL），iii）池化层（PL），以及iv）全连接层（FCL）。在CL中，输入的图像被分割成不同的小Vp¼fPoVc11V其中：Vf-PLfv- Pooling函数步骤4：然后，将过滤后的组合属性作为输入传递给DLNN这里，输入值与所有输入节点的权重向量相乘然后，将所得乘积值相加，此和值即为隐节点因此，借助于等式（12）更新隐藏层（HL）的偏置和权重，f nFHWp其中：Vf- HL结局Biasva- Bias函数步骤5：评估DNNDvgXXn Vf BRfCfc;Mi地区PL是自由裁量的，FCL用于沉淀-B组C;M组E。jjCfc-Mijj1 4以所述概率为根指定所述标签得分或类别得分值在（Sandeep等人， 2017年）。每一层都可以理解RFFCI2 G2将其先前层的特征提取到其所加入的层次结构中。 MDLNN结构如图所示。 3;MDLNN算法执行后续步骤，步骤1：初始分配非线性激活函数（Znl）以及现有输入节点（Xn）的权重向量步骤2：然后为卷积特征（Vf）找到激活值，其中：Dvg-输出功能Vf- HL输出，Xn- 权重值，Biasva- 偏置函数，Cfc和Mi-基于欧氏距离的径向基函数提供的值。图三. MDLNN的结构P. Guddhur Jayadev和S. 贝拉里沙特国王大学学报5279瓦尔瓦尔XCIY-1PI16dð Þð Þð ÞWIRpLBPFRWRWDDCmkIFenIωS;CmirIP0;BPFrwv0Cmir122S最后，该分类器将该人分类为i）更多，ii）中等，或iii）不太醉。4.4. 对比度增强在对饮酒者进行分类后，对虹膜损伤程度进行了识别。在这个阶段中，属于醉酒的人的虹膜图像的对比度增强与利用的AHE方法。 此外，随后的部分详细描述了这种AHE算法。4.4.1. 自适应直方图均衡现有的直方图均衡（HE）容易造成信息丢失，并且全局HE对于包含低对比度暗或亮区域的图像不能有效地工作。一种改良的HE-因此，AHE可以很好地用于这样的图像，用于获取更好的图像。从而增强所得到的图像对比度。这被称为HGBFDWT算法，将在下面解释，步骤1：GBF被部署为在频域中处理图像，并且在数学上表示为，G00Cf;BPCEIω1½Sf=Sf2n-119其中n2Z表示滤波器阶数，BPw表示带通宽度，Cfr表示滤波器中心，Sf和Sf0表示截止空间频率。第二步：采用小波变换函数（DW）技术将图像像素变换为小波，并用于小波中心编码和压缩。它的数学表达式是，D¼1XG00×Cf;BP100 ×W×Cf;BP100×20×三是成果。AHE仅涉及小区域。AHE以其局部累积分布函数（CDF）为核心，增强了这些小区域的对比度.该算法执行连续步骤，步骤1：根据图像尺寸找到网格大小。步骤2：在所考虑的图像上找到网格点，每个网格点由网格大小像素分隔。步骤3：每个网格区域的HE被评估为，组织学检查结果B= fh1;h2;h3;：hY-1 g×15μ g其中，Hist_B表示具有强度等级Y的图像的每个强度等级的从h1到hY-1的所有频率内容的集合。步骤4：然后，基于对比度扩展的期望限制来识别用于裁剪直方图的裁剪限制，然后，重新分布剪切的像素步骤5：CDF基于新的直方图进行评估，其表示为，我FDd¼0PdIhIjN0IY17<<这里，CfI表示CDF，PI表示发生的概率-其中L表示2的幂，G0B0PFCfr;BPw表示GBF函数。步骤3：然后，DWT可以被公式化为具有低通滤波器和高通滤波器的滤波步骤4：之后，应用伽马校正来控制整体图像亮度，这由随后的幂律表达式提供，Oval¼DwωaIc21其中a表示常数，Ic表示非负实输入值，它是“c“的幂前景增强图像4.6. 虹膜损伤程度的分割这里，虹膜损伤程度被分割为前景增强图像。这里，基于Mask值执行该分割，因为它包含虹膜的所有损伤级别。以Mask值为基础，分割虹膜部分如i）微动脉瘤，ii）血管瘤，iii）硬渗液和软渗液。一小块区域的血液从眼睛后面的静脉或动脉突出，这种情况被称为虹膜微动脉瘤。 出血通常发生在每个强度水平的出现，而hI象征着总的图像像素。步骤6：每个像素相对于最近相邻区域的映射进行映射。MFhiCfI-Cf018瞳孔或虹膜撕裂或损伤。这种眼睛出血是不常见的，但它可能会影响视力。由于视力受到影响，它被认为是血管中的液体泄漏（称为渗出物（EX））的结果渗出物可能是软渗出物（白色区域或边缘不清的浅黄色区域）和硬渗出物（黄色）。d d在视网膜上看到的低点在这里，分割是利用-其中，MFh i表示HE的映射。步骤7：利用像素这些值现在被插值以获取像素当前位置处的映射。而且，像素的新强度水平被映射到输出图像范围上。所得到的对比度增强图像4.5. 前景增强这里，成功地对所考虑的虹膜图像的前景在HGBFDWT方法的帮助下得到增强。在这里，前景中的对象与背景中的对象分离。将Otsu的阈值化（OT）与数学形态学操作（MO）一起使用，这被称为OTMO方法。首先，利用OT方法设置能够区分损伤区域和非损伤区域的TV，然后对二值图像采用MO来获得掩模。这里，掩码算法执行连续的步骤，步骤1：输入图像该方法首先将输入的灰度图像转化为二值图像。OT方法自动执行GL图像的缩小，形成二值图像。该算法仅利用GL直方图的0阶和1阶累积矩ls0s0lXlK它具有用于分割病理的相关信息。随后，部署伽马校正方法，其中，S表示图像中的像素数步骤2：获得最佳电视所考虑的形象。GBF与离散小波变换（DWT）滤波器一起用于绿色通道，因为P. Guddhur Jayadev和S. 贝拉里沙特国王大学学报5280K×ð Þ ð ÞKK然后，利用判别条件给出了一个最优TV，使GL中类的可分性最大化。这种OT方法是基于在“200”中选择最低点 班因此，最佳TV被提供为：rtvoωmaxrtvoω23其中，rtvoω表示最佳TV。并且o在最大值之上的范围可以被限制为：Mωr<$fo;x0x1<$xo1/2-xo]>0;或 0xo1gð24Þ步骤3：创建掩码然后，对分割后的虹膜图像进行数学MO。主要MO，如a）侵蚀和b）膨胀，通常用于确定关闭和打开操作。腐蚀用于消除MRI脑图像边界中的像素，而扩张用于增强和连接图像内的所有颅内组织。如在利用结构元素的二值图像Q的侵蚀中所定义的，W可以表示为，QhW fzj这个方程暗示了W对Q的侵蚀是所有点z的集合，使得Q，平移z，存在于Q中。接下来，部署结构元素W但具有不同大小的二进制图像Q的膨胀被写为：QW¼nzj.W^\Q其中u表示空集对于Q被W的膨胀，所有位移的集合，z使得W^和Q重叠最少一个元素。然后，打开（侵蚀）和关闭（膨胀）被写为，QW ¼ QhW西27街Q ·W ¼ QQWhW28基于上述方程，虹膜被分割为微动脉瘤、微动脉瘤以及关于掩模值的硬EX和软EX。因此，得到的St0sd表示虹膜部分的损伤水平，并且其用于发现虹膜损伤百分比。4.7. 发现虹膜损坏%5.1. 数据集描述为了测试所提出的系统的有效性，输入图像取自公开可用的数据集。所提出的系统利用了325个图像的总数。在这325张图像中，260张图像用于训练目的，65张图像用于测试目的。接下来，为了分割虹膜的损伤程度，系统使用10幅图像。这里， 每个图像具有尺寸的1500 1152，其中，宽度为1500像素，高度为1152像素。对拟议的系统进行了分析，其结果见下表，表2显示了来自数据集的样本6个图像这里，该表包括输入图像、对比度增强图像、前期增强图像、分割图像和虹膜的损伤程度根据上述样本图像，计算虹膜部分中发生的损伤的百分比第一图像具有52.57%的虹膜损伤，第二图像具有12.67%的虹膜损伤，第三图像具有50.29%的虹膜损伤，第四图像具有6.66%的虹膜损伤，第五图像具有5.60%的虹膜损伤，并且第六图像具有43.61%的虹膜损伤。在分类中使用的拟议方法与现有方法进行了对比5.2. MDLNN的性能分析在本节中，所提出的MDLNN分类器估计的基本参数是“真阳性”（V0 t 0 p）、“真阴性”（V 0 t 0 n）、“假阳性”（V 0 f 0 p）和“假阴性”（V 0 f 0 n）值。● 准确度（Accv）准确性是指一个量的测量值与其“真实”值的接近它被揭示如下，分割后，根据醉酒者虹膜原始图像与分割后的虹膜损伤程度之间的欧氏距离，计算出醉酒者虹膜损伤形象这里，虹膜损伤面积计算公式为，访问vV0t0pV0t0nV0t0pV0t0nV0f0qV0f0nð30ÞIrisDamage d%jOirisI-SirisIj ω10029其中，Oiris I表示原始图像，Siris I表示从虹膜图像分割的损伤水平，其是虹膜损伤百分比的结果。● 灵敏度（Senv）灵敏度测量被正确识别的实际阳性的比例被正确识别为患有该病症的酗酒者的百分比）。其表示如下，5. 结果和讨论在这里，性能检查有效分类饮酒者森VV0t0p¼V0t0pV0f0nð31Þ年龄层次。在这里，输入图像是从历史上存在的数据集收集的版本15-MATLAB用于系统实现，机器配置为● 专属性（Spev）特异性（也称为真阴性率）估计正确区分的实际阴性的¼zP. Guddhur Jayadev和S. 贝拉里沙特国王大学学报5281法国国家表2从数据库中获取虹膜受损级别的样本图像样本输入图像分类结果对比增强图像前景增强图像分割图像受损虹膜水平（%）高52.57中等12.70高50.29低6.66低5.6043.61高(e.g.、被正确识别为没有这种情况的健康人的百分比）。其评价如下，V00● 召回（Recv）特殊情况TN00 00ð32ÞVtnVfp召回率是正确预测的积极观察与确切类中的观察的比率。它被描绘成，V0t0p● 精密度（Prcv）精度是正确预测的正观测值占总预测正观测值的程度。它被描述为，记录v¼V0000ð34ÞPrcvV0t0pV0t0pð33Þ● F-测度（f1）P. Guddhur Jayadev和S. 贝拉里沙特国王大学学报5282它是查准率和查全率的加权平均值据估计，P. Guddhur Jayadev和S. 贝拉里沙特国王大学学报5283¼¼¼--f12ω PrcvωRecv新闻中心● 假阳性率（FPR）ð35Þ特异性、回忆、F-测量、FPR、FNR、FRR和MCC。表3列出了获得的值，表3提供了由现有ANFIS、NB、SVM、KNN和ANN分类器以及所提出的MDLNN分类器关于统计参数（例如，准确度、召回率、灵敏度、精确度、特异性、FPR、f-测量、FNR、假阳性率（FPR）是指不正确的阳性预测数除以阴性总数。它被表示为，FRR、NPV和MCC。NB分类器在考虑所提出的MDLNN时提供低级别性能。此外，现有的ANFIS，KNN，SVM和ANN表现出较低的性能，考虑到提出的MDLNN。但建议的MDLNN表现出顶级-FPRV0f0pV0f0pV0t0n● 假阴性率（FNR）ð36Þ与现有方法相比，性能最佳。因此，建议的MDLNN分类器被认为是考虑所有现有的方法表现出优越的性能这可以用下图来说明，图4描绘了与ANFIS、ANN、SVM、KNN和NB假阴性率是指一种已知的阳性情况，其测试结果为阴性。这个比率有时被称为未命中率。其定义如下，V0f0n基于性能指标，如特异性，准确性和灵敏度。这里，所提出的MDLNN分类器达到0.98%的准确率，但现有的ANFIS、ANN、SVM、KNN和NB分类器具有0.65%、0.71%、0.75%、0.69%和0.63%的准确率，FNR¼V00V00ð37Þ这在考虑所提出的MDLNN时更低。随后，委员会注意到，法国国家电视台● 阴性预测值（NPV）NPV是筛查结果为阴性的受试者确实不是醉酒酗酒者的概率。其表示如下，现有的NB分类器提供了0.45%的灵敏度，而所提出的MDLNN分类器达到了0.97%的灵敏度，这在考虑现有方法的基础上更高。同样地，所提出的MDLNN提供 0.98% 的特 异性， 但是现 有的ANFIS 、ANN 、SVM、KNN和NB策略具有0.74%、0.78%、0.82%、0.77%和0.72%的特异性，这在考虑所提出的MDLNN分类器时较少。因此，建议的MDLNN分类器被发现呈现优异的性能，考虑现有的，净现值V0t0nV0t0nV0f0n● 错误拒绝率（FRR）ð38Þ方法论。图5对比了所提出的MDLNN分类器和现有的ANFIS、KNN、SVM、ANN和NB在查全率、f-测量以及精度方面。每个指标的平均值被视为整个系统建议的MDLNN系统具有0.97%的精度，这是大于考虑现有的分类器。同样，所提出的MDLNN分类器它表示为被生物识别系统拒绝的真正用户的百分比。在验证生物识别系统中，用户将获得对其身份的声明，因此系统不得拒绝注册用户，并且必须将错误拒绝的数量保持为尽可能小其含义如下，在考虑现有方法时达到高水平的性能。 从图 5.与现有方法相比，本文提出的MDLNN分类器具有良好的分类效果。图 6对比了所提出的MDLNN分类器和现有的FRRV0f0n1/4V00 V00×100使用ANFIS、ANN、SVM、KNN和NB方法，这些方法基于对NPV、FPR和FNR指标的理解一个理想的方案法国国家电视台● 马修斯相关系数（MCC）MCC本质上是观察到的和预测的二进制分类之间的相关系数;它返回1和+ 1之间的值。系数为+1表示完美的预测，0并不比随机预测好，1表示预测和观察之间完全不一致其表示如下，必须具有极低的FNR和FPR，而实际系统必须在FNR和FPR之间进行权衡具有最佳净现值的系统从图6中，所提出的MDNN分类器具有0.98%的NPV，但是现有的ANFIS、ANN、SVM、NB和KNN具有0.74%、0.78%、0.82%、0.72%和0.77%的NPV，考虑到所提出的MDLNN，这是较低的。接下来，所提出的MDLNN分类器具有0.01%的FPR和0.03%的FNR，与现有的方法相比，这是较低的。从这个讨论中，建议MDLNN分类器被发现表现良好，取得了良好的效果，饮酒者图 7对比提出的MDLNN分类器和现有的-MCCV0t0p×V0t0n-V0f0p×V0f0n<$qV0t0pV0f0pV0t0pVf00nV0t0nV0t0nV0f0nV0f0nð40Þ基于MCC和FRR指标的ANFIS、NB、SVM、KNN和ANN分类器。在这里，建议的MDLNN分类器得分0.95% MCC，但现有的ANFIS，NB，SVN，KNN和ANN分类器具有0.22%，0.17%，0.45%，0.31%和0.35% -MCC值5.3. 比较分析基于MDLNN的饮酒者分别，这是较低的考虑建议的MDLNN。同样，所提出的MDLNN分类器达到0.03%FRR，这是较低的，当与现有的分类器。因此，本文提出的MDLNN在考虑现有方法的基础上具有最优的性能.P. Guddhur Jayadev和S. 贝拉里沙特国王大学学报5284表3拟议MDLNN和现有方法的累积评价度量拟定MDLNNANFIS安SVMKNN朴素贝叶斯精度0.980.650.710.750.690.63特异性0.980.740.780.820.770.72灵敏度0.970.480.570.630.540.45精度0.970.480.570.630.540.47召回0.970.480.570.630.540.45F-measure0.970.480.580.630.540.45NPV0.980.740.780.820.770.72FPR0.010.260.220.190.230.28FNR0.030.520.430.370.460.55FRR0.030.520.440.360.460.56MCC0.950.220.350.450.310.17见图4。提出的MDLNN分类器与现有方法的性能评估。图五、提出的MDLNN分类器与现有分类器的比较分析P. Guddhur Jayadev和S. 贝拉里沙特国王大学学报5285图六、提出