CN104408409A - 一种适用于散光镜片环境下的瞳孔定位方法 - Google Patents

Abstract

本发明涉及一种适用于散光镜片环境下的瞳孔定位方法，属于瞳孔定位追踪技术领域。该方法包括以下步骤：1)利用直方图均衡化增强图像对比度；2)通过中值滤波和形态学闭操作对图像进行去噪；3)通过直方图得到图像二值化阀值；4)通过投影选取种子点并进行区域生长填充瞳孔；5)提取瞳孔边缘；6)对瞳孔边缘进行随机霍夫变换得到瞳孔位置和半径，实现对瞳孔的精确定位。该方法克服了现有方法中存在的问题，不仅适用于清晰度较差的散光镜片环境下的瞳孔定位，在非散光镜片环境下同样有着很好的效果，具有较强的鲁棒性。

Description

一种适用于散光镜片环境下的瞳孔定位方法

技术领域

本发明属于瞳孔定位追踪技术领域，涉及一种适用于散光镜片环境下的瞳孔定位方法。

背景技术

眼部疾病患者在接受眼科相关医疗设备检查时，需要正视设备镜头，以方便医生观察眼部各个组织。但是由于各种原因患者不可避免地会发生眼睛的移动，从而对医疗设备的检测结果产生干扰，影响病情的分析和治疗。因此需要医疗设备在检测过程中能及时发现瞳孔位置的较大偏移，并提示病人注意保持正视前方。某些眼部散光患者在接受检查时，经常带有散光镜片，导致相机获取到的图像亮度偏暗，清晰度下降，形状比实际偏小，且还受到散光镜框、眼皮、睫毛、瞳孔反光等噪声的干扰，这些因素给散光镜片环境下瞳孔定位的准确性和有效性带来了难度。

为了使眼科医疗设备能够及时发现瞳孔位置的较大偏移，需要准确快速的获取患者瞳孔的位置信息。目前有关瞳孔定位的研究方法多种多样，现有定位方法在瞳孔边界清晰且与周围区域对比度较强时，有着比较好的的定位效果，如基于最小二乘法的椭圆拟合改进算法，该方法能够在瞳孔边界不完整的情况下拟合出这个瞳孔，但没有说明如何准确获得瞳孔边界，当噪声边界过多或者瞳孔半径较小时，瞳孔拟合误差较大。还有基于边缘提取的瞳孔定位方法，该方法首先通过投影确定瞳孔中心的大体位置，然后以该点为中心，找到一个可以包括全部瞳孔区域的矩形，提取矩形内瞳孔的边缘进行拟合，但当该方法运用在噪声较大，光线较暗的环境中时，计算得到的矩形区域存在较大误差，不能满足散光镜片环境下瞳孔定位的需要。此外，还有基于随机霍夫变换的瞳孔定位方法，该方法虽然避免了传统霍夫变换中一到多映射的庞大计算量，但由于直接对图像进行边缘提取，存在大量和瞳孔区域不相关的边缘，造成无效采样和累积，计算效率和准确性仍较差。

因此，目前急需一种能够克服上述缺陷的适用于散光镜片环境下的瞳孔定位方法。

发明内容

有鉴于此，本发明的目的在于提供一种适用于散光镜片环境下的瞳孔定位方法，该方法首先对图像进行直方图均衡化以增强图像的对比度，通过中值滤波和形态学闭操作完成图像的预处理，进而根据直方图计算出瞳孔主要区域的阈值范围，之后使用投影和区域生长提取出瞳孔区域，采用随机霍夫变换确定瞳孔的中心及半径。

为达到上述目的，本发明提供如下技术方案：

一种适用于散光镜片环境下的瞳孔定位方法，包括以下步骤：步骤一：对瞳孔图像进行预处理操作；步骤二：通过投影选取种子点并进行区域生长填充瞳孔；步骤三：提取瞳孔边缘；步骤四：对瞳孔边缘进行随机霍夫变换得到瞳孔位置和半径，实现对瞳孔的精确定位。

进一步，在步骤一中对瞳孔图像进行预处理具体包括以下步骤：1)利用直方图均衡化增强图像对比度；2)通过中值滤波和形态学闭操作对图像进行去噪；3)通过直方图得到图像二值化阀值。

进一步，在步骤二中，在得到瞳孔的种子点之后，采用漫水填充算法进行瞳孔的分割提取，漫水填充算法通过设置可连通像素的灰度值上下限以及连通方式来达到不同的填充效果，令f(x，y)表示一幅图像，s(x，y)表示种子点的位置，并置种子点的灰度值为0，使用4邻域的漫水填充算法如下，具体步如下：

1)以种子点为中心将它的邻域像素的灰度值逐个与自身比较，如果灰度差值在设定的范围内，则将邻域像素点与种子点合并；

2)以新合并的点为中心，返回步骤1)，比较邻域像素灰度值；

3)如果没有新合并的像素点，则结束整个填充过程。

进一步，在步骤四中，对瞳孔边缘进行随机霍夫变换得到瞳孔位置和半径，实现对瞳孔的精确定位，具体步骤如下：

1)提取图像边缘点坐标d_i＝(x_i，y_i)放入集合D中，初始化参数空间集合P＝null(存放计算出的圆)，参数对应的累加值为s，累加值上限s_max，循环次数k＝0，最大循环次数k_max，最小圆周长点数c_min，最大圆周长点数c_max；

2)从边缘集合D中随机等可能的获得三个边界像素点d₁＝(x₁，y₁)，d₂＝(x₂，y₂)，d₃＝(x₃，y₃)；

3)判断这三点是否共线，若共线则跳至步骤7)，否则计算圆的参数p(x，y，r)，(x，y)是中心坐标，r是半径；

4)在参数空间集合P中寻找p_c，使||p-p_c||＜δ(δ是容许的误差范围)，若没有满足条件的p_c，则跳转到步骤6)，否则继续执行下一步；

5)将参数p_c的累计值s加1，若小于累加值上限s_max，则继续，否则跳转到步骤8)；

6)将p插入到P中，令p的累加值等于1，转到步骤7)；

7)k＝k+1，若k>k_max则结束，否则跳转至步骤2)；

8)计算圆参数p_c所代表的圆的周长c是否大于c_max小于c_min，若满足则继续下一步，否则认为是虚假圆，跳转至步骤2)；

9)此时认为步骤8)得到的圆p_c是真实的，将图像已中检测到的圆的数目为n加1，若n>n_max，则结束程序，否则将参数p_c所对应的圆上的点从图像边缘集合D中去掉，重置P＝null，k＝0，跳转到步骤2)。

本发明的有益效果在于：本发明提出了一种新的瞳孔定位方法，克服了现有方法中存在的问题；该方法不仅适用于清晰度较差的散光镜片环境下的瞳孔定位，在非散光镜片环境下同样有着很好的效果，具有较强的鲁棒性。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明所述方法的流程示意图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

图1为本发明所述方法的流程示意图，如图所示，本发明所述的适用于散光镜片环境下的瞳孔定位方法包括以下步骤：步骤一：对瞳孔图像进行预处理操作；步骤二：通过投影选取种子点并进行区域生长填充瞳孔；步骤三：提取瞳孔边缘；步骤四：对瞳孔边缘进行随机霍夫变换得到瞳孔位置和半径，实现对瞳孔的精确定位。

下面通过实施例对各步骤进行具体说明：

一、瞳孔区域检测

患者佩戴散光镜片时采集到的图像亮度偏暗，对比度下降，加之采集过程中由于受到前端光学镜头、照明光源及后端感光器件等硬件条件的限制，造成图像较为粗糙，为了减少噪声对后续步骤的影响，提高测量结果的准确性和精度，对原始图像进行预处理至关重要，预处理过程具体如下：

利用直方图均衡化增强图像对比度：

针对散光镜片环境下图像亮度偏暗，对比度下降的问题，在本方案中，首先对图像进行直方图均衡化以增强图像对比度和亮度。其主要思想是对原始图像中的像素灰度做出某种映射变换，使变换后的图像灰度的概率密度呈现均匀分布。均衡化后的图像灰度动态范围增加，本质上是扩大了量化间隔，减少了量化级别，使得原本灰度值不同的像素在均衡化后变为同一灰度值，造成某些区域内灰度值相同，各区域之间有明显的边界，有利于边界提取。同时还使得图像亮暗分明，整体上提升了瞳孔图像的对比度。

去除噪声：

由于摄像头采集过程中受到了一定程度的脉冲干扰，图像在经过直方图均值化后的显现出了较大的椒盐噪声，故需要对图像进行降噪处理。在本实施例中，首先通过中值滤波进行降噪，中值滤波在处理椒盐噪声上能提供绝佳的降噪效能，其本质是将一个像素的值用该像素邻域中灰度值的中间值来取代。中值滤波可以克服线性滤波器带来的图像细节模糊，对滤除脉冲干扰及图像扫描噪声效果较好。

在图像中值滤波之后，再借助灰度图像形态学运算中的闭操作进一步降噪，闭操作在基本不改变图像形状的前提下，可以消弱较小的暗特征，但对亮的细节和背景相对影响较小，从而排除眉毛、睫毛、眼角等阴暗处对后续区域生长操作的影响。

种子点选取：

为了得到区域生长的种子点，对经过去噪处理的图像进行阈值化处理，阈值的范围选择根据直方图计算得到，计算方法如下：

由于瞳孔灰度范围比较低，且经过前面去除噪声的操作，图像亮度整体增加，一些和瞳孔区域灰度相近的像素，如散光镜边框、眉毛、眼角等亮度均明显提升，故推断第一个峰值即是瞳孔区域灰度值的主要范围。假设瞳孔灰度值分布满足一维正太分布，设x代表瞳孔区域的灰度值，正太分布的公式为

$p\left(x\right)=\frac{1}{\sqrt{2\mathrm{\π}}}{e}^{\frac{{(x-\mathrm{\μ})}^2}{2{\mathrm{\σ}}^2}}---\left(1\right)$

瞳孔灰度值的期望和方差分别为由正太分布的性质可知95％的瞳孔灰度值落在(μ-2σ，u+2σ)区间之内。取阈值T₁＝μ-2σ，T₂＝μ+2σ作为瞳孔灰度值得范围，对图像进行阈值化处理，即得到瞳孔的大体区域。

为了避免图像阈值化后可能出现镜框、眉毛、睫毛等分散的噪声对种子点选取的干扰，需要对图像分别进行水平和垂直投影，得到水平投影直方图和垂直投影直方图。选取垂直投影直方图最大值处的位置作为种子点的x轴坐标值，选取水平投影直方图最大值处的位置作为种子点的y轴坐标值。通过垂直投影排除掉了瞳孔区域右边噪声的干扰，且垂直投影和水平投影使种子点的位置更靠近瞳孔区域中心。得到种子点的最终位置，其位置在瞳孔区域内，故排除了噪声的干扰。

通过区域生长填充瞳孔：

在得到瞳孔的种子点之后，采用漫水填充算法进行瞳孔的分割提取。漫水填充算法通过设置可连通像素的灰度值上下限以及连通方式来达到不同的填充效果，常被用来标记或分离图像中的一部分。算法的具体步如下：

令f(x，y)表示一幅图像，s(x，y)表示种子点的位置，并置种子点的灰度值为0，使用4邻域的漫水填充算法如下：

1)以种子点为中心将它的邻域像素的灰度值逐个与自身比较，如果灰度差值在设定的范围内，则将邻域像素点与种子点合并。

2)以新合并的点为中心，返回步骤1)，比较邻域像素灰度值。

3)如果没有新合并的像素点，则结束整个填充过程。

填充出的瞳孔有时候受光斑影响，填充出的瞳孔中间存在白色孔洞，再用半径为10的圆形结构元素对其进行闭操作，直到白色亮点已经消失。至此，瞳孔整体区域已经提取完毕。

瞳孔中心的定位：

在得到瞳孔区域的二值图像之后，需要进一步计算瞳孔的中心位置(将瞳孔作为圆形计算)。由于很多情况下提取到的瞳孔区域并不标准，例如，瞳孔区域边角受到光斑的影响，导致区域生长得到的瞳孔没有闭合；又或者瞳孔区域受到了灰度值较低的眼角阴影的影响，区域生长时将眼角阴影也作为了瞳孔区域的一部分包括了进来。由于存在上述的情况的干扰，使得瞳孔区域不再成标准的圆形，因而不能轻易得到圆的位置和半径，且散光镜片环境下瞳孔形状有时较小，这些因素都给瞳孔定位的准确性带来了一定难度。为此，在本发明中采用随机霍夫变换得到瞳孔位置和半径，实现对瞳孔的精确定位。算法具体流程如下：

1)提取图像边缘点坐标d_i＝(x_i，y_i)放入集合D中，初始化参数空间集合P＝null(存放计算出的圆)，参数对应的累加值为s，累加值上限s_max，循环次数k＝0，最大循环次数k_max，最小圆周长点数c_min，最大圆周长点数c_max。

2)从边缘集合D中随机等可能的获得三个边界像素点d₁＝(x₁，y₁)，d₂＝(x₂，y₂)，d₃＝(x₃，y₃)。

3)判断这三点是否共线，若共线则跳至步骤7)，否则计算圆的参数p(x，y，r)，(x，y)是中心坐标，r是半径。

4)在参数空间集合P中寻找p_c，使||p-p_c||＜δ(δ是容许的误差范围)。若没有满足条件的p_c，则跳转到6)，否则继续执行下一步。

5)将参数p_c的累计值s加1，若小于累加值上限s_max，则继续，否则跳转到步骤8)。

6)将p插入到P中，令p的累加值等于1，转到步骤7)。

7)k＝k+1，若k>k_max则结束，否则跳转至步骤2)。

8)计算圆参数p_c所代表的圆的周长c是否大于c_max小于c_min，若满足则继续下一步，否则认为是虚假圆，跳转至步骤2)。

9)此时认为步骤8)得到的圆p_c是真实的，将图像已中检测到的圆的数目为n加1，若n>n_max，则结束程序，否则将参数p_c所对应的圆上的点从图像边缘集合D中去掉，重置P＝null，k＝0，跳转到步骤2)。

步骤3)中圆的参数p(x，y，r)的计算公式如下：

$\left\{\begin{array}{c}x=\frac{({x_2}^2-{x_1}^2)\×(y_2-y_3)-({x_3}^2-{x_2}^2)\×(y_2-y_1)+(y_1-y_2)\×(y_2-y_3)\×(y_3-y_2)}{2}\\ y=\frac{(x_2-x_1)\×(x_3-x_2)\×(x_1-x_3)-({y_1}^2-{y_2}^2)\×(x_3-x_2)+({y_2}^2-{y_3}^2)\×(x_2-x_1)}{2}\\ r=\sqrt[2]{x^2+y^2}\end{array}\right.$

本实施例的实验证明，本发明提供的方法具有较强的准确性和实用性，而且在非散光镜片环境下和瞳孔受到部分遮挡情况下，同样具有较强的鲁棒性，是一种高效的瞳孔定位方法。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (4)

1.一种适用于散光镜片环境下的瞳孔定位方法，其特征在于：包括以下步骤：

步骤一：对瞳孔图像进行预处理操作；

步骤二：通过投影选取种子点并进行区域生长填充瞳孔；

步骤三：提取瞳孔边缘；

步骤四：对瞳孔边缘进行随机霍夫变换得到瞳孔位置和半径，实现对瞳孔的精确定位。

2.根据权利要求1所述的一种适用于散光镜片环境下的瞳孔定位方法，其特征在于：在步骤一中对瞳孔图像进行预处理具体包括以下步骤：

1)利用直方图均衡化增强图像对比度；

2)通过中值滤波和形态学闭操作对图像进行去噪；

3)通过直方图得到图像二值化阀值。

3.根据权利要求1所述的一种适用于散光镜片环境下的瞳孔定位方法，其特征在于：在步骤二中，在得到瞳孔的种子点之后，采用漫水填充算法进行瞳孔的分割提取，令f(x，y)表示一幅图像，s(x，y)表示种子点的位置，并置种子点的灰度值为0，使用4邻域的漫水填充算法如下，具体步如下：

1)以种子点为中心将它的邻域像素的灰度值逐个与自身比较，如果灰度差值在设定的范围内，则将邻域像素点与种子点合并；

2)以新合并的点为中心，返回步骤1)，比较邻域像素灰度值；

3)如果没有新合并的像素点，则结束整个填充过程。

4.根据权利要求1所述的一种适用于散光镜片环境下的瞳孔定位方法，其特征在于：在步骤四中，对瞳孔边缘进行随机霍夫变换得到瞳孔位置和半径，实现对瞳孔的精确定位，具体步骤如下：

1)提取图像边缘点坐标d_i＝(x_i，y_i)放入集合D中，初始化参数空间集合P＝null(存放计算出的圆)，参数对应的累加值为s，累加值上限s_max，循环次数k＝0，最大循环次数k_max，最小圆周长点数c_min，最大圆周长点数c_max；

2)从边缘集合D中随机等可能的获得三个边界像素点d₁＝(x₁，y₁)，d₂＝(x₂，y₂)，d₃＝(x₃，y₃)；

3)判断这三点是否共线，若共线则跳至步骤7)，否则计算圆的参数p(x，y，r)，(x，y)是中心坐标，r是半径；

4)在参数空间集合P中寻找p_c，使||p-p_c||＜δ(δ是容许的误差范围)，若没有满足条件的p_c，则跳转到步骤6)，否则继续执行下一步；

5)将参数p_c的累计值s加1，若小于累加值上限s_max，则继续，否则跳转到步骤8)；

6)将p插入到P中，令p的累加值等于1，转到步骤7)；

7)k＝k+1，若k>k_max则结束，否则跳转至步骤2)；

8)计算圆参数p_c所代表的圆的周长c是否大于c_max小于c_min，若满足则继续下一步，否则认为是虚假圆，跳转至步骤2)；

9)此时认为步骤8)得到的圆p_c是真实的，将图像已中检测到的圆的数目为n加1，若n>n_max，则结束程序，否则将参数p_c所对应的圆上的点从图像边缘集合D中去掉，重置P＝null，k＝0，跳转到步骤2)。