CN101911097B - 检测数字图像中的红眼缺陷 - Google Patents

Abstract

一种用于检测含有眼睛的数字图像中的红眼缺陷的方法包括：将该数字图像变换为光强图像；以及将该光强图像分割为分别具有局部光强最大值的分段。分别阈值处理该原始数字图像，以识别较高光强并且尺寸落入预定范围内的区域。在这些区域中，选择具有基本上最高平均光强的区域，并且识别由分割光强图像获得的其最大值位于所选择区域内的那些分段。

Description

检测数字图像中的红眼缺陷

技术领域

本发明的实施例一般地涉及数字图像处理技术领域，更具体地说，涉及用于检测数字图像中的红眼缺陷的方法和设备，这种“红眼”缺陷包括图像中人眼睛或者动物眼睛上闪光导致的赝象，而无论实际上是否是红色的。

背景技术

红眼是，闪光在主体眼睛内发生反射，并且在照片上通常表现为红色的光点的闪光灯摄影中的现象，该光点处于主体眼睛的黑色瞳孔通常所在的位置。眼睛的不自然发红是由于位于视网膜后面、富含血管的脉管膜的内部反射引起的。

不难理解，这种令人不悦的现象部分地是由照相机闪光与照相机镜头之间的小夹角引起的。该夹角随着具有内置闪光能力的照相机的小型化而减小。另外的原因包括主体与照相机较靠近以及环境光水平。

通过使虹膜减小瞳孔的开度，可以减少红眼现象。这通常是在进行闪光摄影之前，即刻利用“预闪光”、闪光或者光照实现的。这导致虹膜闭合。不幸的是，预闪光在闪光摄影之前有令人不悦的0.2至0.6秒的时间。这种延迟容易被察觉，并且容易在人主体的反应时间内。因此，主体可能认为预闪光是实际摄影，而在实际摄影时却可能处于不希望的位置。或者，应当将预闪光告知主体，这样通常导致摄影时捕获的主体不自然。

数字摄影不需要胶片，因为图像是利用数字方法捕获的，并且该图像被存储在存储阵列中，以显示在照相机本身的显示屏幕上。与等待胶片处理不同，这样可以即时虚拟观看和欣赏照片。数字摄影设备包括用于图像处理和压缩以及照相机系统控制的微处理器。可以开发这种微处理器的计算能力，用于执行改善红眼检测和消除的操作。

第6,407,777号美国专利和第2005/0232490号美国专利申请描述了在数字图像中进行红眼检测和校正的现有技术。然而，这些现有方法实际上并不是有效率的。

发明内容

根据本发明的一个实施例，披露了一种在含有眼睛的数字图像中检测红眼缺陷的方法；将该数字图像变换为光强图像，至少一部分光强图像被分割为分别具有局部光强最大值的分段，对该数字图像的相应部分进行阈值处理，以识别较高光强的区域，从步骤(c)的至少一些区域中，选择基本上具有最高平均光强的区域，以及从步骤(b)中选择与在步骤(d)根据预定判据选择的区域交叉的分段。

附图说明

通过参考下面的描述和附图，可以最好地理解本发明，下面的描述和附图用于说明本发明实施例。附图中：

图1是根据本发明实施例工作的数字照相机的方框图；

图2是在根据本发明的红眼检测和校正实施例的图1所示照相机中，软件执行的各步骤的流程图；以及

图3至7示出根据图2所示方法，处理的图像数据(为了清楚起见，图6(a)至6(d)和7是本说明书描述的相关图像的负片或者倒像形式)。

具体实施方式

利用闪光灯采集的图像可能包括红眼缺陷。通常，通过对该图像应用传统的眼睛缺陷检测器，检测这些红眼缺陷。然而，利用例如大于ISO 800的高ISO额定值采集的图像可能包括代表噪声的许多小团红色像素，并且在这种情况下，该眼睛缺陷检测器可能将这些噪斑识别为较小的红眼缺陷。

本发明实施例提供了在高ISO闪光图像中检测红眼的方法和设备。对于本发明的一个实施例，采集数字图像。在该图像的至少一部分上，检测到一个或者多个较大的候选红眼缺陷区域。对该图像的至少一部分应用人脸检测，以消除非人脸区域，并且在不包括被消除的非人脸区域的该图像的至少一部分上，识别到一个或者多个较小候选红眼缺陷区域。本发明的实施例可以应用于进行图像处理的大量系统。

图1是数字图像采集器件20的方框图，在本实施例中，它是便携式数字照相机，并且它包括处理器120。应当明白，该数字照相机中执行的许多处理都可以由被统称为处理器120的微处理器、中央处理单元、控制器、数字信号处理器和/或者专用集成电路运行的软件执行和控制。通常，诸如按钮和显示器的外围部件的全部用户界面和控制都由微控制器122控制。作为对122上的用户输入，诸如半按下快门按钮(预捕像模式32)的响应，处理器120启动并控制该数字摄影过程。利用光传感器40，监视环境曝光量，以自动确定是否使用闪光灯。利用也将图像聚焦在捕像部件60上的聚焦部件50，确定到主体的距离。在本说明书中，术语“图像”指图像数据，而且并未暗示，它在任何处理阶段都是实际可视的图像。

如果使用闪光灯，则在完全按下快门按钮时，处理器120使闪光灯70产生基本上符合捕像部件60记录图像的摄影闪光。捕像部件60利用数字方法以彩色记录该图像。该捕像部件优选包括CCD(电荷耦合器件)或者CMOS，以有助于进行数字记录。或者作为对光传感器40的响应，或者作为对照相机用户的手动输入72的响应，可以选择性地产生闪光。捕像部件60记录的高分辨率图像被存储于图像存储器80内，图像存储器80可以包括诸如动态随机存取存储器或者非易失性存储器的计算机内存。该照相机装备了诸如LCD的显示器100，用于预览和后览图像。

对于在预捕像模式32下，通过半按下快门按钮，产生的预览图像，显示器100可以支持用户合成该图像，并利用它确定聚焦和曝光。临时存储器82用于存储一个或者多个预览图像，并且它可以是图像存储器80的一部分，或者是独立部件。该预览图像优选由捕像部件60产生。因为速度和存储效率的原因，预览图像的像素分辨率优选地低于完全按下快门按钮时拍摄的主图像的像素分辨率，并且利用可以作为通用处理器120的一部分的软件124或者专用硬件或者它们的组合分抽样原始捕像，可以产生该预览图像。依赖该硬件子系统的设置，预采集图像处理可以先满足某些预定测试判据，然后，存储预览图像。这种测试判据可以是时间顺序的，诸如在预捕像模式32期间，始终每隔0.5秒，利用新捕获的预览图像替换先前保存的预览图像，直到完全按下快门按钮捕获到高分辨率主图像。更复杂的判据可以包括分析预览图像内容，例如，测试图像的变化，然后，判定该新预览图像是否应当替换先前保存的图像。其它判据可以基于诸如锐利度的图像分析，或者诸如是否进行闪光的曝光条件和/或者到该主体的距离的元数据分析。

如果不满足测试判据，则照相机继续捕获下一幅预览图像，而不保存当前预览图像。该处理继续执行，直到完全按下快门按钮采集并保存了最终高分辨率的主图像。

如果保存多幅预览图像，则将新预览图像放置在时间顺序先进先出(FIFO)堆栈上，直到用户拍摄到最终图片。存储多幅预览图像的原因是，例如，在红眼校正处理中，或者在本实施例的中景(mid-shot)模式处理中，该最后预览图像或者任何单幅预览图像可能不是用于与最终高分辨率图像进行比较的最佳基准图像。通过存储多幅图像，可以获得较佳的基准图像，并且在之后讨论的配准阶段，可以使该预览图像与最终捕获图像更接近的配准。

该照相机还可以捕获一幅或者多幅低分辨率的后览图像，并将它们存储在临时存储器82中。除了捕获了该高分辨率主图像后捕获其之外，后览图像是基本上与预览图像相同的低分辨率图像。

红眼检测与校正滤波器90可以集成到照相机20上，或者是诸如台式计算机、彩色打印机或者图片亭(photo kiosk)的外部处理装置10的一部分。在该实施例中，滤波器90从存储器80接收所捕获的高分辨率数字图像，然后，分析它，92，以检测红眼。根据该实施例在下面描述的本发明原理，执行分析92。如果发现红眼，则该滤波器修改该图像，94，以利用众所周知的技术消除该图像中的红眼。被修改的图像或者显示在图像显示器100上，或者存储在可以作为内部或者移动存储器的诸如CF卡、SD卡等等的持久存储器112上，或者通过被连接的或者是无线的图像输出装置110下载到另一个装置上。红眼滤波器90或者可以在每次使用闪光灯时自动投入运行，或者通过输入端30根据用户要求投入运行。尽管所示的是分立单元，但是如果滤波器90是照相机的一部分，则可以在处理器120上利用适当软件予以实现。

图2是根据本发明的红眼检测与校正实施例的图1所示照相机和/或者外部处理装置上的软件执行的各步骤的流程图。

1.眼睛检测

该实施例的第一步骤200是，运行眼睛检测算法，以识别图像上怀疑含有眼睛的区域。第PCT/EP2006/008342号(Ref：FN128)PCT专利申请以及2006年11月10日提交的第60/865,375号、2006年11月13日提交的第60/865,622号和2007年5月2日提交的第60/915,669号(Ref：FN181/FN208)美国专利申请描述了这种算法的例子，2007年5月2日提交的第60/915,669号美国专利申请的输出是检测矩形，在理想情况下，该检测矩形应当含有眼睛，但是可能是误判(非眼睛区域)。此外，即使在检测矩形含有眼睛的情况下，在大多数情况下，它也是非缺陷眼睛，不应当由后续校正算法修改。因此，该检测矩形应当被滤波，以在进行校正之前，摒弃非眼睛区域和正常眼睛区域。

检测任务的主要困难是，就色彩(包括从鲜红到橘红色、黄色、白色以及它们的组合的所有可能色彩)和大小而言，有种类繁多的红眼。此外，在许多情况下，这种缺陷在色彩和光强方面是很不均匀的。因此，目的是找到所有这些缺陷眼睛的不变量，即，基本上适用于所有情况的属性。该属性是，该缺陷比其邻者亮，并且通常被较暗的环包围。

因此，仅在光强图像(intensity image)上检测缺陷(在该实施例中，利用红色分量和绿色分量的平均值计算它)，然后，在判定进行校正或者不是缺陷区域的后一阶段，利用色彩信息。

2.检测缺陷

因此，下一个步骤202包括，利用步骤200的眼睛检测算法，计算图3a所示的检测矩形的光强图像。

为了检测该光强图像中的缺陷，本方法利用了它比其最近的邻者亮的事实。然而，尝试仅仅由阈值处理光强图像来分离缺陷几乎没有成功的机会。这是因为，首先，可能缺陷的亮度范围非常大，因此，不可能设置适用于所有情况的先验阈值。此外，利用自适应阈值，即，根据局部光强信息确定每种情况的阈值，通常效果也不好。可以对其做如下解释：在许多情况下，缺陷与其外围(虹膜、眼睑)之间的边界没有在该缺陷周围清楚界定。图3a示出经常发生的这种情况的例子-特别是与缺陷与虹膜之间的光强过渡相比，缺陷与上眼睑之间的光强过渡不非常显著。这在图3b中可以看出，图3b是沿图3a所示垂直线的光强轮廓，两点P1、P2分别标示缺陷与上眼睑和虹膜之间的过渡光强。为了仅通过阈值处理在空间上分离缺陷，根据图3b中的P1点，必须采用大阈值-大于160-这不允许包括在属于缺陷的所有像素的检测区域内。图3c是利用在空间上隔离缺陷的最小阈值限定缺陷的降低光强图像，在图3c上可以看出，存在因为采用了太大的阈值，而在检测区域内未捕获到的亮环。

因此，为了能够将该缺陷与外围分离，设想了一种更复杂的技术。它基于这样的观点，即，在大多数情况下，该过渡是谷形的，与缺陷/外围过渡出现的光强无关。

2.1均值漂移(Mean-shift)眼睛分割

因此，在步骤204，图3a的光强图像被平均位移分割。均值漂移方法(D.Comaniciu，P.Meer：Mean Shi ft：A RobustApproach toward Feature Space Analysis，IEEE Trans.Pattern Analysis Machine Intell.，Vol.24，No.5，603-619，2002)已经用于大量不同的任务，最重要的任务是分簇(clustering)(分割)。对于N维的分布，该算法的基本想法是，识别该分布的模式(由局部最大值限定的模式)。作为图解说明，图4示出1D分布的模式识别的例子，短垂直线识别从一种模式到下一个模式的过渡。该方法是底部上行(bottom-up)方法，在该方法中，从最小值的点开始，并且建立演化到局部最大值的模式。为了识别该模式，执行下面的简单过程：

●对于该分布上的每个点，启动新模式。然后，寻找具有最大梯度的邻者，并将它添加到当前模式。

●如果最大梯度是正的，则从新添加邻者开始，以相同的模式，继续该过程。

●如果最大梯度是负的(即，当前点是局部最大值的)，则该过程停止。

●如果在该过程中，由最大梯度特征化的邻者已经被检验到(即，它先前已经被指定了模式)，则属于该当前模式的所有点被指定胜出的邻者的模式。

●当该分布上的所有点都被指定了模式时，该过程停止。

该过程通常应用于分布(概率密度函数，即，直方图)。在步骤204，它可以直接应用于光强图像，将它看作一个面(等同于二维分布)。如果该光强图像太大，则在提取局部模式之前，可以应用小核局部均化(最多5×5)，以减小可能导致过分割的微小差异(检测太多的模式)。均值漂移光强分割的结果示于图5中，其中图5a是均值漂移分割提取的局部最大值的光强图像的准三维网孔，图5b示出分割获得的区域，图5c示出被看作图像的图5b所示区域上的局部最大值。可以看出两点。首先，正如所希望的那样，因为在该缺陷区域内存在几个局部最大值-请参见图3b，眼睛缺陷区域被划分为多个分段，它们被称为缺陷子分段。在这种情况下，属于眼睛缺陷的有5个缺陷子分段(在图5b中，被标记为1至5)。然而，该缺陷与其外围分离-即使在某些像素中二者之间的边界非常模糊，仍可以将眼睑与该缺陷分离。

2.2拼合该缺陷子分段

接着，在步骤206，将包括眼睛缺陷的缺陷子分段拼合为单个分段。

能够将所有缺陷子分段拼合为一个分段的观点在于，通常，这些子分段的局部最大值取高值，并且被一起分组到很高光强区域。因此，通过利用非常高的阈值进行阈值处理，以及在一种实现中，通过识别处于均值漂移分割光强、其最大值位于该区域内的所有分段，提取该高光强区域。识别各分段的另一个判据是，是否例如大于75％的一部分分段区位于该区域内。

该算法包括如下步骤：

1.按照下面的过程，自动计算高阈值。

a.识别图3a所示光强图像内的最高光强像素。

b.取以该像素为中心的较小矩形。该矩形的尺寸取决于眼睛检测矩形的尺寸：例如，对于H＜100，为10×10，对于100＜H＜200，为20×20，对于H＞200，为30×30，其中H是眼睛检测矩形的高度。在图3(a)所示的例子中，眼睛检测矩形的尺寸H为20×20。

c.计算该较小矩形内的各像素的平均光强。

d.对上述平均光强和固定量的和指定阈值。利用试探法，确定该固定量，并且本实施例中采用的值是25。

2.利用上面确定的阈值，对该光强图像进行阈值处理-结果示于图6a中。

3.识别该阈值处理图像的所有连接部分-图6b。这包括将该阈值处理图像内的所有连接像素链接为各组600a…f(没有标出最小的组)。

4.消除其尺寸不合适(例如，它们小于眼睛检测矩形面积的0.1％，或者大于该面积的4％)或者接触该检测矩形的边界的连接部分(即，图6b中没有示出的组)-图6c。

5.根据其平均光强，排列剩余部分，并且仅保留最上面的两个。

6.如果这两个部分的平均光强的差值显著大(例如，它们之间的差值超过最高平均光强的10％)，则选择具有最高平均光强的部分，否则，选择具有最高平均饱和度的部分-图6d。

7.识别均值漂移分割图像中，其最大值位于选择部分内(或者它满足与该选择部分相关的任意其它判据)的所有分段-图6e。

8.拼合所有分段并摒弃该光强图像中的所有其它像素-图6f。

在图5f中可以看出，由此过程确定的区域不仅含有明亮缺陷，而且含有属于不应当被校正的外围的某些部分(以下将其整体称为“扩展”缺陷)。因此，在步骤208，这些部分被去除。

2.3提取最终缺陷

为了将实际缺陷与扩展缺陷分割开，步骤208对相应于该扩展缺陷的部分光强图像应用直方图阈值处理技术。均值漂移分割步骤204确保该扩展缺陷不包含除缺陷以外的其它明亮部分，并且这对于在直方图上确定阈值是重要的。该技术在于：计算对应于该扩展缺陷的部分光强图像的光强直方图。由于该扩展缺陷的尺寸通常较小，所以该直方图很可能是噪声(即，含有许多“尖峰”-请参见图7a)。因此，在计算该阈值之前，通过利用n像素宽的均化核进行卷积，使它平滑。利用试探法选择该核的宽度n，并且在本实施例中，n＝31。通常，经过平滑之后，该直方图是双峰的-请参见图7a所示的平滑线。确定第一显著最大值，然后，取紧跟的显著最小值作为搜索阈值，图7a中的垂直线示出该搜索阈值。请注意，选择的最小值不是两种模式之间的绝对最小值，但是它是局部最小值：它(在该实施例中)有3个具有较高值的邻者在其左侧以及有3个具有较高值的邻者在其右侧。而且，第一局部最小值是跟随在第一最大值后的。去除该扩展缺陷中、其光强小于该阈值的所有像素。图7b示出了该结果，它是通过利用上面计算的阈值对图6f所示的图像进行阈值处理而获得的。所残留的可能是必须进行校正的实际缺陷。然而，如上所述，对检测区域是实际缺陷的似然性的判定必须在进行校正之前进行。

3.滤波

在上面的小节中，描述了用于识别眼睛检测矩形中的缺陷区域的最佳候选对象的过程。然而，该检测矩形或者可能是误判(即，眼睛检测器错误检测到非眼睛区域)，或者可能含有非缺陷眼睛。在这两种情况下，都不应当进行校正。因此，在步骤210，图7b所示光强图像被滤波，以判定由上述方法确定的缺陷区域是否的确是眼睛缺陷。对非缺陷眼睛检测到的最可能的缺陷候选对象是该眼睛的白色部分(巩膜)，因为它是该检测矩形中的最亮区域。校正它会导致非常严重的误判，因此，它不得通过滤波阶段。

支持滤波步骤210的原理是，实际缺陷具有下面的属性：

●它是圆的；

●它比该检测矩形的其余部分更饱和；

●它比该检测矩形的其余部分更黄或者更红(或者它们二者)；

●其轮廓比其内部更暗。

因此，为了判定眼睛缺陷候选区域是否是实际缺陷，考虑下面的参数：

●该区域的圆度(利用传统的圆形系数，即，周长的平方与面积的比值计算的)。

●该区域和该检测矩形的平均饱和度值；

●该区域和该检测矩形的平均值a(表示平均红色度)。

●该区域和该检测矩形的b平均值(表示平均红色度)。a和b是Lab色空间内表示色彩的坐标。

●该区域轮廓的平均光强与该区域的平均光强的比值(该测度是唯一对扩展缺陷计算的，而非对最终缺陷计算的测度)。

根据这些测度，步骤210包括许多滤波阶段，以评定是否满足属于缺陷的一般条件。滤波阶段考虑到很少有缺陷满足上面列举的全部四个特征。因此，上述条件的每个条件都可以以牺牲其它条件为代价在某种程度上被放宽(即，对其它特征施加更严格的条件)。例如，如果该区域非常圆并且非常黄，等等，则候选区域的平均饱和度稍许小于检测矩形的平均饱和度是可以接受的。

4.校正

如果该候选缺陷区域已经通过全部滤波器，并且被宣布有缺陷，则它必须进行校正，这应该包括降低该缺陷的光强。然而，有许多其它问题要解决，即，该缺陷可能含有闪亮的问题，以及降低该缺陷内各像素的光强可能在该区域的边界产生令人不愉快的赝象。

4.1闪亮检测

因此，在步骤212，应用闪亮检测滤波器。通常，闪亮是比该缺陷的其余地方更亮而饱和度较低的区域。因此，闪亮检测滤波器执行下面的步骤：

●检测该检测到的缺陷区域上最亮的n％个点。

●检测该检测到的缺陷区域上的最不饱和的m％个点。根据缺陷面积越大，闪亮占据的面积越小的观点，m和n均可以根据该缺陷区域的大小进行选择。此外，n＞m，即，我们可以检验比最不饱和像素更亮的像素，因为，在某些缺陷中，有一部分缺陷比闪亮要亮(例如，对于介于100个像素和300个像素之间的缺陷，m＝15，n＝30，等等)。

●使这两组点相交。

●识别该相交的连接部分。

●选择较少饱和的像素作为候选闪亮。

●如果选择区域足够圆(根据宽高比和填充系数，估计圆度)，则宣布它是闪亮，因此，从要校正的区域中删除它。

4.2校正缺陷

进行了闪亮校正后，要校正的区域已经准备好。然后，在步骤214，通过利用固定系数，例如5，降低该检测缺陷内各像素的亮度(如此，从120降低到24，从210降低到42，从109降低到22，等等)，进行校正。为了降低缺陷边界处的赝象(位于缺陷边界两侧的像素被如此显著不同地处理而产生的赝象)，在使缺陷区域变暗后，对该缺陷的内部边界和外部边界应用3×3模糊。此外，所应用的另一个校正是在围绕该缺陷的小包围框内进行的红色度校正。其目的是去除眼睛上不包括在该缺陷区域内的微红部分，除非以这种方式对它们进行处理，否则在许多情况下仍保留可见的部分。本发明并不局限于在此描述的(各)实施例，在不脱离本发明范围的情况下，可以对该实施例进行修改和调整。

Claims (18)

1.一种用于检测含有眼睛的数字图像中的红眼缺陷的方法，该方法包括以下步骤：

（a）将该数字图像变换为光强图像，

（b）将该光强图像的至少一部分分割为分别具有局部光强最大值的分段，

（c）对该数字图像的所述光强图像进行阈值处理，以识别具有相对较高光强的区域，

（d）从步骤（c）的至少一些被识别的区域中选择具有最高平均光强的区域，以及

（e）根据预定判据，识别与在步骤（d）选择的区域相交的步骤（b）中的分段，其中所述预定判据至少包括：所述分段的局部光强最大值是否位于所选择的区域内，或者所述分段的一部分是否位于所选择的区域内；

其中步骤（c）中的、具有最高平均光强和次最高平均光强的两个区域的平均光强的差值大于预定量，并且在步骤（d）选择的区域是具有最高平均光强的区域，或者

步骤（c）中的、具有最高平均光强和次最高平均光强的两个区域的平均光强的差值小于预定量，并且在步骤（d）选择的区域是具有最高平均饱和度的区域。

2.根据权利要求1所述的方法，进一步包括识别步骤（c）中其尺寸落入预定范围内的区域，并且其中从所述区域中选择具有最高平均光强的所述区域。

3.根据权利要求1所述的方法，其中步骤（e）包括识别步骤（b）中的、其最大值位于在步骤（d）选择的区域内的那些分段。

4.根据权利要求1所述的方法，包括在进行均值漂移分割之前，使该光强图像局部均化。

5.根据权利要求1所述的方法，其中通过均值漂移分割该数字图像的光强图像，执行步骤（a）。

6.根据权利要求1所述的方法，包括在进行均值漂移分割之前，使该光强图像局部均化。

7.根据权利要求1所述的方法，其中步骤（c）釆用通过以下步骤而获取的阈值：识别该光强图像中的最高光强像素；计算以该最高光强像素为中心的较小矩形内的像素的平均光强；以及指定该阈值为该平均光强与固定量的和。

8.根据权利要求1所述的方法，进一步包括以下步骤：

（f）计算对应于步骤（e）中的分段的该一部分光强图像的光强直方图，

（g）使所述直方图平滑，

（h）由该平滑直方图确定阈值，以及

（i）利用步骤（h）的阈值，对该光强直方图进行阈值处理。

9.根据权利要求1所述的方法，其中对怀疑含有眼睛的图像上的一个或者多个部分应用步骤（a）和（b）。

10.一种用于检测数字图像中的红眼缺陷的装置，包括：

将该数字图像变换为光强图像的装置；

将该光强图像的至少一部分分割为分别具有局部光强最大值的分段的装置；

对该数字图像的所述光强图像进行阈值处理，以识别具有较高光强的区域的装置；

从至少一些被识别的区域中选择具有最高平均光强的区域的装置；以及

根据预定判据，识别与已选择区域相交的一个或者多个分段的装置，其中所述预定判据至少包括：所述分段的局部光强最大值是否位于所选择的区域内，或者所述分段的一部分是否位于所选择的区域内；

其中具有最高平均光强和次最高平均光强的两个区域的平均光强的差值小于预定量，并且己选择区域包括具有最高平均饱和度的区域，或者

具有最高平均光强和次最高平均光强的两个区域的平均光强的差值小于预定量，并且己选择区域包括具有最高平均饱和度的区域。

11.根据权利要求10所述的装置，其中识别其尺寸落入预定范围内的、具有较高光强的区域，并且其中从所述区域中选择具有最高平均光强的所述区域。

12.根据权利要求10所述的装置，其中通过识别其最大值位于该选择区域内的那些分段，来识别分段。

13.根据权利要求10所述的装置，其中在进行均值漂移分割之前使该光强图像局部均化。

14.根据权利要求10所述的装置，其中通过均值漂移分割该数字图像的光强图像，将该数字图像变换为该光强图像。

15.根据权利要求10所述的装置，其中在进行均值漂移分割之前使该光强图像局部均化。

16.根据权利要求10所述的装置，其中通过以下步骤将该数字图像的相应部分进行阈值处理：识别该光强图像中的最高光强像素；计算以该最高光强像素为中心的较小矩形内的像素的平均光强；以及指定该阈值为该平均光强与固定量的和。

17.根据权利要求10所述的装置，其中

计算对应于该识别分段的该部分光强图像的光强直方图，

使所述直方图平滑；

由该平滑直方图确定阈值；以及

利用由该平滑直方图获得的阈值，对该光强直方图进行阈值处理。

18.根据权利要求10所述的装置，其中变换和分割怀疑含有眼睛的图像上的一个或者多个部分。

Images