大多数经典算法是根据瞳孔的灰度值较低，容易找到一个阈值来对图像二值化，进而找到虹膜的内边界，但在强烈光照下瞳孔会产生亮斑，影响阈值的选择。最经典的是Dangman提出的微积分方法[4],[14]。而Hough变换是一种基于参数投票机制的算法，它通过判断图像空间中的每一个边界点是否满足参数空间构成的可能轨迹，以一种累加投票的方式求得边界参数，并根据参数方程将满足参数空间的边缘点连接起来拟合完整的轮廓，但由此也产生了计算量大的缺点。最经典也是最早的是wildes提出的基于Hough变换的虹膜图像分割算法[1,3]。基于这些算法也产生很多改进和修正的虹膜定位方法。
本文采用基于投票机制的虹膜边界定位算法。Hough变换在计算机视觉广泛被应用于轮廓跟踪及图形拟合领域，理论上来说，可以用于检测任意具有已知形状的目标。1997年MIT人工智能研究室的Wildes博士在文献[1]中提出了基于Hough变换的虹膜图像分割算法。先二值边缘化灰度图，再利用边缘点对边界参数的投票机制，得到较为准确的边界轮廓参数方程。
首先，对原虹膜图像用一个边缘检测算子检测其边缘，而经常使用的边缘检测算子有一阶微分算子（Roberts算子、Prewritt算子、Sobel算子）、二阶微分算子（Laplacian算子）、Kirsch算子、Frei-Chen综合正交算子、Canny算子等[15]。这里采用经典的Canny算子，其使用两个二值化阈值在确定的范围内判断待一个点是否属于边界，若该点梯度大于较大阈值，则视为是强边缘点；若其值位于两者之间，且在强边缘点的邻域圆内，可视为弱边缘点；否则，将该点视作干扰产生的边缘点。 基于亚裔人种的虹膜图像的特征提取方法(4):http://www.youerw.com/shuxue/lunwen_22126.html