基于集成学习的虹膜分割算法OA

针对虹膜图像在分割过程中细节分割不准确、边界分割不圆滑以及易受噪声影响等问题,文中提出了一种基于集成学习的虹膜分割算法。相较于传统集成学习算法,文中算法基于皮尔森系数法选择合适的模型作为基学习器,从而提高了集成学习的性能。选用U^(2)-Net、DeepLabv3+以及PSPNet作为同质个体学习器在CASIA-Iris-Interval数据集上进行训练,并预测得到对应的虹膜分割预测结果。对预测结果进行CLAHE和Gamma校正等图像增强操作得到新的预测结果图,选取加权平均法作为集成算法将基学习器的预测结果进行集成学习,从而得到最终的虹膜分割预测结果。测试结果表明,在3个不同的评估指标下,相较于基学习器,所提算法的准确率提升了1%,平均交并比提升了3.8%,宏平均分数提升了2.4%,视觉效果和客观评价指标均有所提升。