CN108733913B - 一种基于dwpso算法的眼科oct设备横向分辨率检测方法 - Google Patents
一种基于dwpso算法的眼科oct设备横向分辨率检测方法 Download PDFInfo
- Publication number
- CN108733913B CN108733913B CN201810471897.4A CN201810471897A CN108733913B CN 108733913 B CN108733913 B CN 108733913B CN 201810471897 A CN201810471897 A CN 201810471897A CN 108733913 B CN108733913 B CN 108733913B
- Authority
- CN
- China
- Prior art keywords
- value
- algorithm
- formula
- dwpso
- ophthalmic oct
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种基于DWPSO算法的眼科OCT设备横向分辨率检测方法,属于医用光学检测领域。本方法首先利用光束空间传输特性,建立眼科OCT设备光束光强分布模型;然后对光束光斑边缘特征提取并进行椭圆拟合,将拟合参数作为参考参数,确定DWPSO算法寻优空间,通过引入动态权重因子调整DWPSO算法粒子更新速度,进而利用DWPSO算法辨识光束光强分布模型光束宽度参数;最后采用最小二乘算法拟合光束宽度并获得光束发散角,进而计算获得眼科OCT设备横向分辨率。本方法利用DWPSO算法对眼科OCT设备光束光强分布模型参数辨识,有效减小光斑干涉条纹对横向分辨率检测精度的影响,具有较高的横向分辨率检测精度。
Description
技术领域
本发明涉及一种眼科OCT(Optical Coherence Tomography)设备横向分辨率检测方法,属于医用光学检测领域,尤其涉及一种基于DWPSO(Dynamic Weight Particle SwarmOptimization)算法的眼科OCT设备横向分辨率检测方法。
背景技术
OCT成像技术已应用于眼部细微病变的医学检测及诊断。眼科OCT设备的横向分辨率是其关键参数之一,直接影响着眼科OCT设备对眼部细微病变的成像质量及对眼部病变的诊断结果。
现有的眼科OCT设备的横向分辨率检测方法主要有:分辨率板法、点扩散函数法和光束聚焦特性法。分辨率板法受靶板图案线宽的限制,使得眼科OCT设备的横向分辨率检测精度较低;点扩散函数法虽然能实现眼科OCT设备的横向分辨率的精确量化,但受到基底材料中点扩散函数微粒的大小、混杂程度及加工工艺的影响,难以制备符合要求的点扩散函数模体,直接影响横向分辨率的检测精度,且需要针对不同的眼科OCT设备制备不同的点扩散函数模体,制约了其在眼科OCT设备横向分辨率检测中的应用;光束聚焦特性法利用瑞利宽度或光束数值孔径实现眼科OCT设备横向分辨率的检测,虽能够克服上述方法的缺陷,然而瑞利宽度对单点测量精度要求较高,导致实施难度较大,采用数值孔径虽能通过多点拟合避免瑞利宽度对单点测量精度要求过高的缺陷,能够实现眼科OCT设备横向分辨率的微米级检测,但横向分辨率检测结果对眼科OCT设备光束光斑中存在的干涉条纹较为敏感,导致横向分辨率检测结果一致性较差,难以提高检测精度。
发明内容
本发明以提高眼科OCT设备横向分辨率的检测精度为目的,首先利用光束空间传输特性,建立眼科OCT设备光束光强分布模型;然后对光束光斑边缘特征提取并进行椭圆拟合,将拟合参数作为参考参数,确定DWPSO算法寻优空间,通过引入动态权重因子调整DWPSO算法粒子更新速度,进而利用DWPSO算法辨识光束光强分布模型光束宽度参数;最后采用最小二乘算法拟合光束宽度并获得光束发散角,进而计算获得眼科OCT设备横向分辨率。
本发明采用的技术方案为一种基于DWPSO算法的眼科OCT设备横向分辨率检测方法,该方法具体包括以下步骤:
步骤一:利用光束空间传输特性,建立眼科OCT设备光束光强分布模型;
步骤二:根据眼科OCT设备光束光强分布模型,利用经过噪声矫正后的眼科OCT设备光束光斑图像进行灰度边缘特征点提取,进而对特征点进行椭圆拟合,将拟合参数作为参考参数,确定DWPSO算法寻优空间;
步骤三:引入动态权重因子,利用动态权重因子调整DWPSO算法粒子更新速度,进而利用步骤二得到的寻优空间,通过DWPSO算法辨识眼科OCT设备光束光强分布模型光束宽度参数;
步骤四:采用最小二乘算法拟合光束宽度获得眼科OCT设备光束发散角,进而由发散角计算得出眼科OCT设备横向分辨率。
所述步骤一,具体包括:
根据Collins衍射积分公式,眼科OCT设备光束通过样品臂近轴光学ABCD系统的传输后,光束光场满足二维高斯分布E(x1,y1,z)
式中,k=2π/λ为波数;L为沿z轴上的入射面到出射面光程;A、B、C、D为矩阵法描述的复杂光学系统参数;w0为入射面光束束腰宽度。
将E(x1,y1,z)表示为强度形式I(x,y,z)
式中,I0为最大光强;ωx,ωy为高斯光束半宽;(x0,y0)为光束中心坐标;z为主光轴上一点坐标。
所述步骤二,具体包括:
(1)将光斑图像的采集频率设置为相机频率的一半,并对相机图像依次进行热噪声矫正和环境噪声矫正,得到去除热噪声和环境噪声的光斑图像。
(2)获取去噪后图像的最大灰度值Imax及最大灰度值的坐标位置(x0,y0),定义光束宽度边缘灰度Iedge=Imax/e2,遍历图像数组提取灰度值为Iedge的像素点坐标(x,y)。
(3)将N个坐标点带入椭圆方程进行拟合,计算得出椭圆参数,并将椭圆参数作为参考参数。
(3.1)椭圆方程表示为
F(x,y)=ax2+bxy+cy2+dx+ey+f=0,b2-4ac<0 (1)
式中,a,b,c,d,e,f为椭圆系数。
定义α=[a,b,c,d,e,f]T,x=[x2,xy,y2,x,y,1],将式(1)表示为
F=x·a=0 (2)
(3.2)像素点与椭圆的代数距离表示为
式中,D为N×6的矩阵;S为6×6的矩阵;约束条件表示为aTCa=1;C为6×6的矩阵;具体表示为
(3.3)引入拉格朗日乘子λ
L(a)=Δ(a,x)-λ(aTCa-1) (4)
Sa=λCa (5)
(3.4)采用数值稳定椭圆拟合算法对式(5)进行处理。
将式(5)表示为
式中,a1=(a,b,c)T;a2=(d,e,f)T。
对式(6)进行矩阵运算,得
S1a1+S2a2=λC1a1 (7)
将式(8)带入式(7)得
Xc=(be-2cd)/(4ac-b2)Yc=(bd-2ae)/(4ac-b2)
(4)眼科OCT设备光束光强分布模型中包含5个参数,分别为x0,y0,ωx,ωy,I0,将椭圆拟合后得到的椭圆参数作为参考参数,确定DWPSO算法寻优空间对模型进行参数辨识,其中DWPSO算法粒子寻优范围定义如表1。
表1粒子寻优范围
所述步骤三,具体包括以下步骤:
(1)粒子初始化
设定种群大小s、邻居大小n、最大迭代次数kmaxiter、学习因子c1,c2,c3,根据确定的寻优空间对粒子位置和速度初始化,表示如下
位置初始化:xi=rand()*(Xmax-Xmin)+Xmin
速度初始化:vi=rand()*(Xmax-Xmin)+Xmin
其中,Xmax为寻优空间上限;Xmin为寻优空间下限;rand()为(0,1)的随机数。
(2)将适应度函数表示为误差平方和,计算公式如下
式中,f(xi)为像素坐标点带入辨识模型中计算得到的估计值;yi为像素点灰度值。
(3)根据适应度函数计算邻居粒子适应度值,将第1次迭代的适应度值作为每个粒子的个体最优值fpbest,对应位置xpbest,全局最优值fgbest,对应位置xgbest,选出邻居粒子中最优的个体最优值为邻居最优值fnbest,对应的位置为xnbest,选出邻居粒子中最差的个体最优值为邻居最差值fnwost,对应的位置为xnworst。
(4)对粒子位置和速度按照下式进行更新,得到下一次迭代粒子的位置和速度;
v(k+1)=ω·v(k)+c1·r1·[xpbest(k)-x(k)]+c2·r2·[xnbest(k)-x(k)]-c3·r3·[xnworst-x(k)] (12)
x(k+1)=x(k)+v(k+1) (13)
式中,k为第k次迭代;x(k)为第k次迭代时的粒子位置;v(k)为第k次迭代时的粒子速度;ω为权重因子;r1,r2,r3为相互独立的(0,1)区间的随机数。
式(12)中动态权重因子ω表示为
式中,s为粒子个数;fgbest为全局最优解的适应值;fpbest为当前每个粒子的局部最优适应值;α为平移系数;β为缩放系数;arccot(·)的取值范围为(0,2π)。α和β的取值依据寻优效果确定。
(5)根据步骤三中的步骤(3)计算适应度值,更新粒子个体最优值、全局最优值、邻居最优值和邻居最差值,如果本次迭代适应度值与上一次迭代适应度值满足下式err<10-6或者迭代次数达到最大迭代次数则停止迭代,否则转到步骤三中的步骤(4)。
式中,FFCurrentCount为当前迭代的适应度值;FFPreviousCount为上一次迭代的适应度值。
所述步骤四具体包括以下步骤:
(1)获得步骤三辨识之后的光束宽度值ωx和ωy,将不同zi点对应的宽度值表示为
ωxi=θx·zi+εx (15)
ωyi=θy·zi+εy (16)
式中,θx和θy分别为光束在X方向和Y方向的发散角;ωxi和ωyi为不同zi点X方向和Y方向的光束宽度;εx和εy为拟合直线截距。
(2)由于OCT设备光束为近轴光束,拟合直线斜率近似为tanθ≈sinθ≈θ,θ为光束发散角。进而,根据式(23)-(24)计算出X方向和Y方向数值孔径。
NAx=n·sinθx (17)
NAy=n·sinθy (18)
式中,n为介质折射率。
(3)利用得到的X方向和Y方向的光束数值孔径,根据下式得到眼科OCT设备横向分辨率δxy。
式中,ω0为束腰宽度;λ0为光束中心波长;NA为光束的数值孔径。
本发明的优点:采用DWPSO算法辨识光束光强分布模型参数,通过引入动态权重因子,提高了DWPSO算法搜索能力,有效降低了干涉条纹对眼科OCT设备横向分辨率检测精度的影响,具有较高的横向分辨率检测精度,且易于实施。
附图说明
图1是本发明所述的一种基于DWPSO算法的眼科OCT设备横向分辨率检测方法流程图;
图2是具体实施方式得到的眼科OCT设备光束发散角拟合结果;
(a)去噪前近焦点发散角拟合结果 (b)去噪前远焦点发散角拟合结果
(c)去噪后近焦点发散角拟合结果 (d)去噪后远焦点发散角拟合结果
图3是具体实施方式利用1/e2法计算的眼科OCT设备光束发散角拟合结果;
(a)去噪前近焦点发散角拟合结果 (b)去噪前远焦点发散角拟合结果
(c)去噪后近焦点发散角拟合结果 (d)去噪后远焦点发散角拟合结果
具体实施方式
下面结合实例及附图对本发明作进一步的描述,需要说明的是,实施例并不限定本发明要求保护的范围。
实施例
利用面阵相机、电动平移台等硬件设备,对眼科OCT设备横向分辨率进行检测,所用硬件如表2。
表2设备硬件列表
本实施例中被检测的眼科OCT设备为TOPCON 3DOCT-1000,中心波长为870nm,在光束聚焦点的反方向采集15个点,每个点进行多次相同环境条件下的重复测量,选择2个不同的焦点位置进行检测,分别为5.5cm,8.5cm。
本发明基于DWPSO算法的眼科OCT设备横向分辨率检测方法,具体按照以下步骤实施:
步骤一:将眼科OCT设备光束通过样品臂近轴光学系统的传输后的强度形式表示为
步骤二:确定DWPSO算法寻优空间
(1)将光斑图像的采集频率设置为相机频率的一半,并对相机图像依次进行热噪声矫正和环境噪声矫正,得到去除热噪声和环境噪声的光斑图像。
(2)选择焦点位置为5.5cm处,起始点为0mm,调整平移台,确保光斑在相机感光面中心,移动相机到28mm处,调整平移台过程中,确保光斑始终位于相机感光面中心;再次移动平移台到0mm位置,获取当前位置去噪后图像的最大灰度值Imax及最大灰度值的坐标位置(x0,y0),定义光束宽度边缘灰度Iedge=Imax/e2,遍历图像数组提取灰度值为Iedge的像素点坐标(x,y)。
(3)将m个边缘灰度值对应的坐标点(x,y)带入椭圆方程进行拟合,椭圆参数表示为6×1的列向量α=[a,b,c,d,e,f]T,灰度值坐标点表示为m×6的矩阵x=[x2,xy,y2,x,y,1],并表示椭圆方程为F=x·a=0;根据式(1)到式(9),并计算式(10)中的特征向量,根据b2-4ac<0选择合适的特征向量作为a1,然后根据式(6)计算a2,得出椭圆参数a,b,c,d,e,f,进而得到椭圆的中心坐标(xc,yc)及长短轴A,B。
(4)按照表1确定DWPSO算法寻优空间。
步骤三:利用DWPSO算法对步骤一中光束光强分布模型参数辨识。
(1)初始化粒子,DWPSO算法中,设最大迭代次数为100次,粒子总数为20,邻居数为5,根据确定的寻优空间对粒子位置和速度初始化,表示为
位置初始化:xi=rand()*(Xmax-Xmin)+Xmin
速度初始化:vi=rand()*(Xmax-Xmin)+Xmin
式中,Xmax为寻优空间上限;Xmin为寻优空间下限;rand()为(0,1)的随机数。
(2)确定适应度函数,采用误差平方和的作为DWPSO算法的适应度函数,如式(11)。
(3)根据适应度函数计算邻居粒子适应度值,将第1次迭代的适应度值作为每个粒子的个体最优值fpbest,对应位置xpbest,全局最优值fgbest,对应位置xgbest,选出邻居粒子中最优的个体最优值为邻居最优值fnbest,对应的位置为xnbest,选出邻居粒子中最差的个体最优值为邻居最差值fnwost,对应的位置为xnworst。
(4)根据式(12)和式(13)对粒子位置和速度按照下式进行更新,得到下一次迭代粒子的位置和速度,其中,c1,c2,c3为学习因子,分别设置为c1=c2=1.46,c3=0.01;ω为权重因子,表示为式(14);其中α和β的值分别设置为α=10和β=8;r1,r2,r3为相互独立的(0,1)区间的随机数;粒子位置超过设置的寻优空间时,将粒子速度置为0。
(5)根据步骤(3)计算适应度值,更新粒子个体最优值、全局最优值、邻居最优值和邻居最差值,如果本次迭代适应度值与上一次迭代适应度值满足err<10-9或者迭代次数达到100次则停止迭代,否则转到步骤(4)。
步骤四:采用最小二乘算法拟合光束宽度获得眼科OCT设备光束发散角,进而由发散角计算得出眼科OCT设备横向分辨率。
1)获得步骤三对第1个位置z1的光束光强分布模型辨识之后的光束宽度值ωx和ωy,重复步骤二和步骤三,在z1位置采集10帧图像;然后在2mm位置采集10帧图像,以2mm为间隔直到计算得出全部15个点对应的宽度值;对每一个位置的10个光束宽度平均后作为当前位置的光束宽度,根据式(15)和式(16)将不同位置zi的光束宽度表示为
ωxi=θx·zi+εx
ωyi=θy·zi+εy
式中,θx和θy分别为通过拟合获得的光束在X方向和Y方向的发散角;ωxi和ωyi为15个点在X方向和Y方向辨识得出的光束宽度;εx和εy为拟合直线截距,i=1,2……,15。
(2)由于OCT设备光束为近轴光束,拟合直线斜率近似为tanθ≈sinθ≈θ,θ为光束发散角。进而,根据式(17)和(18)计算出X方向和Y方向数值孔径,其中折射率取1。
(3)利用步骤(2)得到的X方向和Y方向的光束数值孔径,代入式(19)计算得出眼科OCT设备横向分辨率δxy在X方向和Y方向的值。
(4)调整眼科OCT设备焦点位置为8.5cm,重复步骤一到步骤四,进一步测试焦点位置为8.5cm处的横向分辨率。
通过本发明的方法计算的横向分辨率结果如表3所示,置信区间为95%。
表3本发明方法计算结果
最小二乘拟合结果如图2,拟合直线斜率为发散角,根据发散角及光束中心波长可得出系统横向分辨率,去噪前和去噪后均得出了较为得到了较为准确的横向分辨率。由表3可以看出,X方向跟Y方向的数值孔径保持了很好的一致性,同时每个点的宽度值结果不确定度较小,进一步表明本发明方法对干涉条纹的影响具有较好的抑制效果。
为了进一步说明本发明方法的横向分辨率检测精度,将本发明方法与1/e2法进行对比,1/e2法计算结果如表4所示,置信区间为95%。
表4 1/e2法计算结果
采用最小二乘拟合的实验结果如图3,拟合直线斜率为发散角,根据发散角及光束中心波长可得出系统横向分辨率。与本发明方法的横向分辨率检测结果比较可以明显看出,利用1/e2法得到的光束宽度值,在每个位置均具有较大的不确定度,并且X方向和Y方向计算得出的横向分辨率差距较大。而本发明所述方法能够更精确的检测出眼科OCT设备横向分辨率,且检测结果具有较高的一致性。
Claims (4)
1.一种基于DWPSO算法的眼科OCT设备横向分辨率检测方法,其特征在于:该方法具体包括以下步骤:
步骤一:利用光束空间传输特性,建立眼科OCT设备光束光强分布模型;
步骤二:根据眼科OCT设备光束光强分布模型,利用经过噪声矫正后的眼科OCT设备光束光斑图像进行灰度边缘特征点提取,进而对特征点进行椭圆拟合,将拟合参数作为参考参数,确定DWPSO算法寻优空间;
步骤三:引入动态权重因子,利用动态权重因子调整DWPSO算法粒子更新速度,进而利用步骤二得到的寻优空间,通过DWPSO算法辨识眼科OCT设备光束光强分布模型光束宽度参数;
步骤四:采用最小二乘算法拟合光束宽度获得眼科OCT设备光束发散角,进而由发散角计算得出眼科OCT设备横向分辨率;
所述步骤三具体包括以下步骤:
(1)粒子初始化
设定种群大小s、邻居大小n、最大迭代次数kmaxiter、学习因子c1,c2,c3,根据确定的寻优空间对粒子位置和速度初始化,表示如下
位置初始化:pi=rand()*(Pmax-Pmin)+Pmin
速度初始化:vi=rand()*(Pmax-Pmin)+Pmin
其中,Pmax为寻优空间上限;Pmin为寻优空间下限;rand()为(0,1)的随机数;
(2)将适应度函数表示为误差平方和,计算公式如下
式中,T(pi)为像素坐标点带入辨识模型中计算得到的估计值;qi为像素点灰度值;
(3)根据适应度函数计算邻居粒子适应度值,将第1次迭代的适应度值作为每个粒子的个体最优值Tibest,对应位置pibest,全局最优值Tgbest,对应位置pgbest,选出邻居粒子中最优的个体最优值为邻居最优值Tnbest,对应的位置为pnbest,选出邻居粒子中最差的个体最优值为邻居最差值Tnwost,对应的位置为pnworst;
(4)对粒子位置和速度按照下式进行更新,得到下一次迭代粒子的位置和速度
v(k+1)=ω·v(k)+c1·r1·[pibest(k)-p(k)]+c2·r2·[pnbest(k)-p(k)]-c3·r3·[pnworst-p(k)] (12)
p(k+1)=p(k)+v(k+1) (13)
式中,k为第k次迭代;p(k)为第k次迭代时的粒子位置;v(k)为第k次迭代时的粒子速度;ω为权重因子;r1,r2,r3为相互独立的(0,1)区间的随机数;
式(12)中动态权重因子ω表示为
式中,s为粒子个数;Tgbest为全局最优解的适应值;Tibest为当前每个粒子的局部最优适应值;α为平移系数;β为缩放系数;arccot(·)的取值范围为(0,2π);α和β的取值依据寻优效果确定;
(5)根据步骤三中的步骤(3)计算适应度值,更新粒子个体最优值、全局最优值、邻居最优值和邻居最差值,如果本次迭代适应度值与上一次迭代适应度值满足下式err<10-9或者迭代次数达到最大迭代次数则停止迭代,否则转到步骤三中的步骤(4)
式中,FFCurrentCount为当前迭代的适应度值;FFPreviousCount为上一次迭代的适应度值。
3.根据权利要求1所述的一种基于DWPSO算法的眼科OCT设备横向分辨率检测方法,其特征在于:所述步骤二,具体包括:
(1)将光斑图像的采集频率设置为相机频率的一半,并对相机图像依次进行热噪声矫正和环境噪声矫正,得到去除热噪声和环境噪声的光斑图像;
(2)获取去噪后图像的最大灰度值Imax及最大灰度值的坐标位置(x0,y0),定义光束宽度边缘灰度Iedge=Imax/e2,遍历图像数组提取灰度值为Iedge的像素点坐标(x,y);
(3)将N个坐标点带入椭圆方程进行拟合,计算得出椭圆参数,并将椭圆参数作为参考参数;
(3.1)椭圆方程表示为
F(x,y)=ax2+bxy+cy2+dx+ey+f=0,b2-4ac<0 (1)
式中,a,b,c,d,e,f为椭圆系数;
定义α=[a,b,c,d,e,f]T,x=[x2,xy,y2,x,y,1],将式(1)表示为
F=x·a=0 (2)
(3.2)像素点与椭圆的代数距离表示为
式中,D为N×6的矩阵;S为6×6的矩阵;约束条件表示为aTCa=1;C为6×6的矩阵;具体表示为
(3.3)引入拉格朗日乘子λ
L(a)=Δ(a,x)-λ(aTCa-1) (4)
Sa=λCa (5)
(3.4)采用数值稳定椭圆拟合算法对式(5)进行处理,表示为
式中,a1=(a,b,c)T;a2=(d,e,f)T;
对式(6)进行矩阵运算,得
S1a1+S2a2=λC1a1 (7)
将式(8)带入式(7)得
Xc=(be-2cd)/(4ac-b2)Yc=(bd-2ae)/(4ac-b2)
(4)眼科OCT设备光束光强分布模型中包含5个参数,分别为x0,y0,ωx,ωy,I0,将椭圆拟合后得到的椭圆参数作为参考参数,确定DWPSO算法寻优空间对模型进行参数辨识,其中DWPSO算法粒子寻优范围定义如表1;
表1粒子寻优范围
4.根据权利要求1所述的一种基于DWPSO算法的眼科OCT设备横向分辨率检测方法,其特征在于:所述步骤四具体包括以下步骤:
(1)获得步骤三辨识之后的光束宽度值ωx和ωy,将不同zi点对应的宽度值表示为
ωxi=θx·zi+εx (15)
ωyi=θy·zi+εy (16)
式中,θx和θy分别为光束在X方向和Y方向的发散角;ωxi和ωyi为不同zi点X方向和Y方向的光束宽度;εx和εy为拟合直线截距;
(2)由于OCT设备光束为近轴光束,拟合直线斜率近似为tanθ≈sinθ≈θ,θ为光束发散角;进而,根据式(17)-(18)计算出X方向和Y方向数值孔径;
NAx=n·sinθx (17)
NAy=n·sinθy (18)
式中,n为介质折射率;
(3)利用得到的X方向和Y方向的光束数值孔径,由下式得到眼科OCT设备横向分辨率δxy;
式中,ω0为束腰宽度;λ0为光束中心波长;NA为光束的数值孔径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810471897.4A CN108733913B (zh) | 2018-05-17 | 2018-05-17 | 一种基于dwpso算法的眼科oct设备横向分辨率检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810471897.4A CN108733913B (zh) | 2018-05-17 | 2018-05-17 | 一种基于dwpso算法的眼科oct设备横向分辨率检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108733913A CN108733913A (zh) | 2018-11-02 |
CN108733913B true CN108733913B (zh) | 2022-03-29 |
Family
ID=63938324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810471897.4A Active CN108733913B (zh) | 2018-05-17 | 2018-05-17 | 一种基于dwpso算法的眼科oct设备横向分辨率检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108733913B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113686546B (zh) * | 2020-05-19 | 2022-07-12 | 复旦大学 | 一种离轴成像系统点扩散函数的测量方法和建模方法 |
CN111508606B (zh) * | 2020-05-28 | 2022-08-23 | 首都医科大学附属北京同仁医院 | 一种青光眼诊断系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1694644A (zh) * | 2002-06-28 | 2005-11-09 | Oti眼技术股份有限公司 | 可调的深度分辨率及多功能光学映射装置 |
EP1887312A1 (en) * | 2006-07-28 | 2008-02-13 | Heliotis AG | Imaging optical coherence tomography with dynamic coherent Focus |
WO2013103881A1 (en) * | 2012-01-04 | 2013-07-11 | The Johns Hopkins University | Lateral distortion corrected optical coherence tomography system |
CN103698301A (zh) * | 2014-01-03 | 2014-04-02 | 北京航空航天大学 | 改进型sd-oct系统 |
CN104434028A (zh) * | 2014-11-15 | 2015-03-25 | 中国科学院光电技术研究所 | 角膜弹性成像与眼前节结构成像相结合的系统与方法 |
CN104490362A (zh) * | 2014-12-19 | 2015-04-08 | 上海电力学院 | 基于光子纳米喷射的高横向分辨光学相干层析系统 |
CN104636821A (zh) * | 2015-01-19 | 2015-05-20 | 上海电力学院 | 基于动态惯性权重粒子群的火电机组负荷优化分配方法 |
-
2018
- 2018-05-17 CN CN201810471897.4A patent/CN108733913B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1694644A (zh) * | 2002-06-28 | 2005-11-09 | Oti眼技术股份有限公司 | 可调的深度分辨率及多功能光学映射装置 |
EP1887312A1 (en) * | 2006-07-28 | 2008-02-13 | Heliotis AG | Imaging optical coherence tomography with dynamic coherent Focus |
WO2013103881A1 (en) * | 2012-01-04 | 2013-07-11 | The Johns Hopkins University | Lateral distortion corrected optical coherence tomography system |
CN103698301A (zh) * | 2014-01-03 | 2014-04-02 | 北京航空航天大学 | 改进型sd-oct系统 |
CN104434028A (zh) * | 2014-11-15 | 2015-03-25 | 中国科学院光电技术研究所 | 角膜弹性成像与眼前节结构成像相结合的系统与方法 |
CN104490362A (zh) * | 2014-12-19 | 2015-04-08 | 上海电力学院 | 基于光子纳米喷射的高横向分辨光学相干层析系统 |
CN104636821A (zh) * | 2015-01-19 | 2015-05-20 | 上海电力学院 | 基于动态惯性权重粒子群的火电机组负荷优化分配方法 |
Non-Patent Citations (2)
Title |
---|
Double weighted particle swarm optimization to non-convex wind penetrated emission/economic dispatch and multiple fuel option systems;Mostafa Kheshti 等;《Renewable Energy》;20180313;1021-1037 * |
高斯光束通过含硬边光阑复杂光学系统的传输;赵光普 等;《激光技术》;20030831;第27卷(第4期);299-301 * |
Also Published As
Publication number | Publication date |
---|---|
CN108733913A (zh) | 2018-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lv et al. | LCCNet: LiDAR and camera self-calibration using cost volume network | |
CN108876744B (zh) | 一种基于区域分割的大尺度点云噪声去噪方法 | |
CN108986070B (zh) | 一种基于高速视频测量的岩石裂缝扩展实验监测方法 | |
CN105066915B (zh) | 模具曲面加工误差和表面粗糙度在机检测装置及检测方法 | |
CN107917676B (zh) | 一种基于条纹图像频谱分析的干涉测量方法 | |
CN107765221B (zh) | 适用于识别相干和非相干声源的反卷积声源成像方法 | |
CN114119553A (zh) | 一种以十字激光为基准的双目视觉异面圆孔检测方法 | |
US20210312609A1 (en) | Real-time traceability method of width of defect based on divide-and-conquer | |
CN108647580B (zh) | 基于改进sift引导isar图像特征点提取匹配方法 | |
CN106709943B (zh) | 一种基于最优传输的点云配准方法 | |
CN108733913B (zh) | 一种基于dwpso算法的眼科oct设备横向分辨率检测方法 | |
CN104990501B (zh) | 一种三维激光扫描装置的系统参数校准方法 | |
CN102840829A (zh) | 基于人工标记的高温物体面内位移场的测量系统及方法 | |
CN107726975A (zh) | 一种基于视觉拼接测量的误差分析方法 | |
CN109990985B (zh) | 一种品字型线列红外探测器调制传递函数测试方法 | |
CN104050660A (zh) | 一种测量工件圆形边缘的方法 | |
CN113175894A (zh) | 一种物体表面三维形貌白光干涉测量装置及方法 | |
Zhang et al. | Accurate profile measurement method for industrial stereo-vision systems | |
CN109696651B (zh) | 一种基于m估计的低快拍数下波达方向估计方法 | |
CN109084734A (zh) | 基于单目显微视觉的微球姿态测量装置及测量方法 | |
CN116579955A (zh) | 一种新能源电芯焊缝反光点去噪和点云补全方法及系统 | |
CN113436249B (zh) | 一种快速稳健的单目相机位姿估计算法 | |
CN116448053A (zh) | 一种基于激光三角测距系统的偏态光斑定位方法 | |
Pierce et al. | A novel laser triangulation technique for high precision distance measurement | |
CN114076579A (zh) | 一种基于偏振成像的三维粗糙度检测装置及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |