CN109146851A - 一种诊断前庭系统疾病的眼震信号特征提取和追踪算法 - Google Patents

Abstract

本发明公开了一种诊断前庭系统疾病的眼震信号特征提取和追踪算法，具体涉及视频图像处理方法和目标定位跟踪方法，识别准确且满足临床要求；本发明的步骤为：一、重构开闭运算去除光斑；二、顶帽底帽变化增强瞳孔区域；三、瞳孔中心定位；四、瞳孔中心跟踪；五、闭眼检测及跟踪波形去除干扰；本发明提出的重构开运算和图像增强方法能够有效的对眼震图像进行预处理，准确地提取出眼震图像的瞳孔；提出的瞳孔中心坐标计算方法不但识别精度高，而且还提高了图像计算速度，满足临床实时要求；此外，本发明对眼震图像进行闭眼检测和去除眼震信号干扰，可以消除较大的偏差，为后续的眼震信号分析和研究提供可靠的依据。

Description

一种诊断前庭系统疾病的眼震信号特征提取和追踪算法

技术领域

本发明涉及视频图像处理方法和目标定位跟踪方法，具体涉及一种诊断前庭系统疾病的眼震信号特征提取和追踪算法及系统。

背景技术

前庭系统是人体感知体位变化和环境变化的重要器官，对人体自身的平衡感和空间感起关键作用，是平衡系统的重要组成部分。当人体体位发生变化时，前庭可以检测体位的变化信息并将其传递给眼睛，产生与头部转动相反的眼动以维持视网膜成像的稳定。当前庭系统功能异常、出现疾病或者受到过度的外界刺激时，前庭系统会发出错误的体位信息传递给眼睛，而当前庭所感知的人体体位与视觉观察的不一致时，人就会产生眼球震颤、眩晕等症状。

前庭系统位于头颅的颞骨岩部内，无法直接观测。在临床检查中，由于眼动系统与前庭系统之间有着紧密的偶联关系，所以观察眼球震颤的情况是诊断前庭疾病的主要方法，可通过追踪瞳孔中心获取眼球的运动速度、方向、幅度等信息以诊断眩晕疾病。因此，算法的准确性和稳定性直接影响临床诊断结果。

目前应用较为广泛的差分算法、边缘检测算法以及结合卡尔曼滤波器等算法由于易受噪声影响且复杂度较高，无法用于临床诊断。本发明首先利用串行滤波器以及图像增强处理对眼震图像进行预处理，去除睫毛和光斑，消除图像的噪声并提高瞳孔区域的对比度。然后通过在瞳孔质心周围进行搜索，确定瞳孔的中心和边缘。最后，去除闭眼数据并对跟踪瞳孔中心可以得到眼球震颤信号的波形图，通过计算眼球震动最剧烈的10秒内的平均慢相角速度(SPV)就可以初步诊断前庭系统的疾病。

发明内容

针对上述存在的技术问题，本发明的目的是：提出了一种诊断前庭系统疾病的眼震信号特征提取和追踪算法，解决了快速跟踪瞳孔中心的问题，识别准确且满足临床要求。

本发明的技术解决方案是这样实现的：一种诊断前庭系统疾病的眼震信号特征提取和追踪算法，包括如下步骤：

步骤一：重构开闭运算去除光斑；

步骤二：顶帽底帽变化增强瞳孔区域；

步骤三：瞳孔中心定位；

步骤四：瞳孔中心跟踪；

步骤五：闭眼检测及跟踪波形去除干扰。

其中，所述的步骤一为：

根据光斑噪声的灰度值通常都比瞳孔区域高很多的这一现象，可以通过下面的公式判断是不是光斑像素：

f(x，y)≥T；

其中f(x,y)是图像坐标(x,y)像素的灰度值，T为阈值，认为图像中像点的灰度值大于T的区域就是光斑点，重构开运算是先对原图像进行开运算，将比结构元素尺寸小的亮点消掉，然后将原始图像作模板，膨胀开运算后的图像，从而恢复在开运算中未被消掉的那些较亮的目标及其边缘；重构闭运算是先对图像作闭运算，将比结构元素尺寸小的暗点消掉，然后将重构开运算得到的图像为模板，腐蚀闭运算后的图像，从而恢复在闭运算中未被消掉的那些较暗的目标及其边缘。

所述的步骤二为：

设f是需要增强的输入图像，利用顶帽变换对f进行处理得到的图像h，利用底帽变换对f进行处理得到的图像b，则图像增强处理过程为：

s＝f+h-b；

其中，s为处理得到的增强图像。

所述的步骤三为：

1)通过图像去噪、图像增强处理得到眼睛二值化图像f(x_i，y_i)，并计算其质心位置(x_z，y_z)；

2)初始化圆心搜索域D_x，y和半径范围D_r，将质心作为搜索域的中心位置，建立构造圆形覆盖域D_k(x_p，y_q，r_k)，其中

3)计算每一个由给定r_k构造的覆盖域D_k(x_p，y_q，r_k)与二值化图像的重叠像素值S_k(x_p，y_q)，其中即扫描每个覆盖域内像素点，若某像素的灰度值为1，S_k＝S_k+1，计算S_k的最大值并记录该像素对应的圆心的坐标；

4)在D_r内缩小半径值，则对应每一个给定半径值均能求出最大重叠像素值S_max，当时，认为当时记录的坐标值为瞳孔中心，其中T为设定阈值，通过多次试验选定其计算方式为P为二值化图像的面积。

所述的步骤四为：

1)根据经验值设定圆心搜索域D_x，y和半径范围D_r；

2)利用前八帧图像确定瞳孔半径初始值为r_mean，设定瞳孔模板面积初始值Area＝π×r_mean×r_mean；

3)在下一帧图像中，判断其二值化图像面积Area_k与Area的关系，更新圆心搜索域D_x，y和半径范围D_r，在搜索域D_x，y和半径范围D_r约束下定位出瞳孔的位置；

4)更新Area，Area＝Area_k。

所述的步骤五为：

当检测出闭眼发生时，本发明对闭眼时的瞳孔中心估计是采用最佳线性逼近预测方法，本发明采用三点预测的方法：

即利用出现闭眼情况时的前3帧获取的瞳孔中心位置信息来估计当前闭眼帧的瞳孔中心坐标；去除眼震信号可以认为是一个滤波的过程，本发明采用低通滤波消除干扰，以滤出由跟踪引起的小扰动误差和由受试者引起的干扰波，算法如下：

其中，N是低通滤波的邻域数量。

由于上述技术方案的运用，本发明与现有技术相比具有下列优点：

本发明提出的重构开运算和图像增强方法能够有效的对眼震图像进行预处理，不但可以达到消除光斑和睫毛噪声的效果，还可以准确地提取出眼震图像的瞳孔，瞳孔区域清晰，瞳孔边缘也不会受到滤波的干扰，吻合度很好。提出的瞳孔中心坐标计算方法不但识别精度高，而且还提高了图像计算速度，满足临床实时要求。此外，本发明对眼震图像进行闭眼检测和去除眼震信号干扰，不但可以消除较大的偏差，还适用于半睁眼图像进行检测，为后续的眼震信号分析和研究提供可靠的依据。

附图说明

下面结合附图对本发明技术方案作进一步说明：

附图1为本发明的流程图；

附图2为眼震原始图像；

附图3为经过重构开运算后的图像；

附图4为经过底帽顶帽变化后的图像；

附图5为拟合瞳孔边缘图像；

附图6为瞳孔中心跟踪波形图；

附图7为滤波后的瞳孔中心跟踪波形图。

具体实施方式

下面结合附图来说明本发明。

本发明的流程图如图1所示，共分为五个步骤：

执行步骤一：眼震原始图像如图2所示，对眼震图像进行重构开运算以去除光斑，处理后的图像如图3所示。

执行步骤二：从图3中仍然看出有部分睫毛存在，所以继续对图像进行底帽顶帽变化以增强瞳孔区域，处理后的图像如图4所示。

执行步骤三：采用瞳孔中心搜索的方式拟合瞳孔边缘，处理后的图像如图5所示。

执行步骤四：输入多帧眼震图像，重复步骤一至步骤三，得到多帧图像的瞳孔中心，并记录瞳孔中心坐标，对瞳孔中心进行跟踪，跟踪波形图如图6所示。

执行步骤五：对眼震图像进行闭眼检测，去除闭眼数据。此外，并对跟踪波形图进行滤波以去除干扰，滤波后的波形如图7所示。

其中，每个步骤的具体执行过程如下：

步骤一：重构开闭运算去除光斑。

根据光斑噪声的灰度值通常都比瞳孔区域高很多的这一现象，可以通过下面的公式判断是不是光斑像素。

f(x，y)≥T

其中f(x,y)是图像坐标(x,y)像素的灰度值，T为阈值。认为图像中像点的灰度值大于T的区域就是光斑点。

设f(x,y)是输入图像，b(i,j)是结构函数，f和b均是图像像点(x,y)的灰度值函数。用f(x,y)和b(i,j)这两个灰度值函数来定义灰度图像形态学中的灰度腐蚀和灰度膨胀这两个基本运算。

灰度腐蚀定义为：

灰度膨胀定义为：

其中，D_f和D_d分别是f和b的定义域。

开运算是先腐蚀原图像，然后膨胀其结果。开运算消除了尺寸比较小的亮细节，从而将小于结构元素的突刺和细长搭接消除掉而起到分离作用。闭运算是先膨胀原图像，然后腐蚀其结果。闭运算消除了尺寸比较小的暗细节，从而将小于结构元素的裂缝、孔洞填充上，并连通小的间断点。

重构是一种涉及两幅图像和一个结构元素的形态学变换。其中一幅图像为变换的起始位置，定义为标记；另一幅图像是变换的约束条件，定义为掩模；结构元素的选择是根据实际应用情况，用于定义变换连接性。重构是一个迭代过程，通过多次膨胀标记图像来不断逼近掩模图像，从而实现对掩模图像的某部分或全部内容的修复。若g是掩模，f为标记，标记f必须是g的一个子集，即

则从f重构g可以表示成R_g(f)，重构的迭代过程是将h₁的初始值设为标记图像f，选择结构元素为B＝ones(3)，重复

直到h_k+1＝h_k。

重构开运算是先对原图像进行开运算，将比结构元素尺寸小的亮点消掉，然后将原始图像作模板，膨胀开运算后的图像，从而恢复在开运算中未被消掉的那些较亮的目标及其边缘。重构闭运算是先对图像作闭运算，将比结构元素尺寸小的暗点消掉，然后将重构开运算得到的图像为模板，腐蚀闭运算后的图像，从而恢复在闭运算中未被消掉的那些较暗的目标及其边缘。

步骤二：顶帽底帽变化增强瞳孔区域。

在眼震图像中，仍然需要增强瞳孔、瞳孔与虹膜以及瞳孔与眼睑的界限等这些感兴趣的区域，从而增加瞳孔部分的对比度。本发明运用了数学形态学中的顶帽和底帽变换组合运算来增强瞳孔部分的图像，该方法简单、运算速度快且能满足瞳孔检测要求。顶帽变换、底帽变换都是提取图像中灰度值山峰特征的变换，能够在图像光照不均匀的情况下，根据图像中目标物体的灰度分布特征来检测目标区域。顶帽变换是在原图像中减去开运算后图像的运算，底帽变换是在原图像中减去闭运算后图像的运算。在实际应用中，可以利用顶帽、底帽变换结合的综合运算来增强图像中的目标区域，提高目标与背景的对比度。

设f是需要增强的输入图像，利用顶帽变换对f进行处理得到的图像h，利用底帽变换对f进行处理得到的图像b，则图像增强处理过程为：

s＝f+h-b

其中，s为处理得到的增强图像。

步骤三：瞳孔中心定位。

瞳孔中心坐标计算流程图如图所示。

1)通过图像去噪、图像增强处理得到眼睛二值化图像f(x_i，y_i)，并计算其质心位置(x_z，y_z)。

2)初始化圆心搜索域D_xy和半径范围D_r，将质心作为搜索域的中心位置，建立构造圆形覆盖域D_k(x_p，y_q，r_k)，其中

3)计算每一个由给定r_k构造的覆盖域D_k(x_p，y_q，r_k)与二值化图像的重叠像素值S_k(x_p，y_q)，其中即扫描每个覆盖域内像素点，若某像素的灰度值为1，S_k＝S_k+1，计算S_k的最大值并记录该像素对应的圆心的坐标。

4)在D_r内缩小半径值，则对应每一个给定半径值均能求出最大重叠像素值S_max，当时，认为当时记录的坐标值为瞳孔中心，其中T为设定阈值，通过多次试验选定其计算方式为P为二值化图像的面积。

步骤四：瞳孔中心跟踪。

1)根据经验值设定圆心搜索域D_x，y和半径范围D_r。

2)利用前八帧图像确定瞳孔半径初始值为r_mean，设定瞳孔模板面积初始值Area＝π×r_mean×r_mean。

3)在下一帧图像中，判断其二值化图像面积Area_k与Area的关系，更新圆心搜索域D_x，y和半径范围D_r，在搜索域D_x，y和半径范围D_r约束下定位出瞳孔的位置。

4)更新Area，Area＝Area_k。

瞳孔的大小随着眼动的位置不同而有相应的变化，本文利用当前二值化图像面积Area_k与瞳孔模板面积Area的关系来不断更新搜索域D_x，y和半径范围D_r从而得到瞳孔中心可能出现的位置来减少搜索计算量。

步骤五：闭眼检测及跟踪波形去除干扰。

在处理连续眼震图像的时候，存在由于眨眼引起的睫毛、眼睑部分或者完全遮掩了瞳孔的情况，瞳孔定位程序无法检测到瞳孔，可能会定位到其他阴暗位置，比如眼角、眼缝，干扰正确的眼震数据。如果未对眼睛是否处于闭眼状态进行分析而直接进行瞳孔中心定位，不仅会带来不必要的数值计算，而且可能还会产生定位误差，从而对眼震信号的后续处理产生严重影响，因此必须要对闭眼进行检测并处理。本发明采用阈值法对眼睛进行闭眼检测。

阈值法是当眼睛快闭合或闭合起来时，原来瞳孔灰度值低的部分基本都变成了灰度值高的皮肤的部分，这样属于瞳孔灰度值的像素点自然就减少了，那么若属于瞳孔灰度值的像素点的总数低于设定的最小阈值，就认为发生的闭眼现象。

当检测出闭眼发生时，本发明对闭眼时的瞳孔中心估计是采用最佳线性逼近预测方法。本发明采用三点预测的方法：

即利用出现闭眼情况时的前3帧获取的瞳孔中心位置信息来估计当前闭眼帧的瞳孔中心坐标，这样将前面图像处理的结果充分利用，从而减少处理的数据量，缩短了处理时间。

此外，在眼震信号中会存在一些噪声干扰，一方面是因为眼震视频的采集过程中难免会出现受试者眨眼或主观眼动等情况，另一方面是在眼震视频跟踪瞳孔中心时也会产生一些小的误差，这样会存在一部分严重偏离准确眼震数据的异常值干扰，从而影响眼震参数计算结果的准确性。只有剔除异常数据，去除干扰数据波形才能正确识别眼震快慢相，为相关参数提取以及后续的眼震信号分析和研究提供可靠的依据。

去除眼震信号可以认为是一个滤波的过程，本发明采用低通滤波消除干扰，以滤出由跟踪引起的小扰动误差和由受试者引起的干扰波。算法如下：

其中，N是低通滤波的邻域数量。

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并加以实施，并不能以此限制本发明的保护范围，凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围内。

Claims (6)

1.一种诊断前庭系统疾病的眼震信号特征提取和追踪算法，其特征在于它包括如下步骤：

步骤一：重构开闭运算去除光斑；

步骤二：顶帽底帽变化增强瞳孔区域；

步骤三：瞳孔中心定位；

步骤四：瞳孔中心跟踪；

步骤五：闭眼检测及跟踪波形去除干扰。

2.根据权利要求1所述的一种诊断前庭系统疾病的眼震信号特征提取和追踪算法，其特征在于所述的步骤一为：

根据光斑噪声的灰度值通常都比瞳孔区域高很多的这一现象，可以通过下面的公式判断是不是光斑像素：

f(x，y)≥T；

其中f(x,y)是图像坐标(x,y)像素的灰度值，T为阈值，认为图像中像点的灰度值大于T的区域就是光斑点，重构开运算是先对原图像进行开运算，将比结构元素尺寸小的亮点消掉，然后将原始图像作模板，膨胀开运算后的图像，从而恢复在开运算中未被消掉的那些较亮的目标及其边缘；重构闭运算是先对图像作闭运算，将比结构元素尺寸小的暗点消掉，然后将重构开运算得到的图像为模板，腐蚀闭运算后的图像，从而恢复在闭运算中未被消掉的那些较暗的目标及其边缘。

3.根据权利要求1所述的一种诊断前庭系统疾病的眼震信号特征提取和追踪算法，其特征在于所述的步骤二为：

设f是需要增强的输入图像，利用顶帽变换对f进行处理得到的图像h，利用底帽变换对f进行处理得到的图像b，则图像增强处理过程为：

s＝f+h-b；

其中，s为处理得到的增强图像。

4.根据权利要求1所述的一种诊断前庭系统疾病的眼震信号特征提取和追踪算法，其特征在于所述的步骤三为：

1)通过图像去噪、图像增强处理得到眼睛二值化图像f(x_i，y_i)，并计算其质心位置(x_z，y_z)；

2)初始化圆心搜索域D_x，y和半径范围D_r，将质心作为搜索域的中心位置，建立构造圆形覆盖域D_k(x_p，y_q，r_k)，其中

3)计算每一个由给定r_k构造的覆盖域D_k(x_p，y_q，r_k)与二值化图像的重叠像素值S_k(x_p，y_q)，其中即扫描每个覆盖域内像素点，若某像素的灰度值为1，S_k＝S_k+1，计算S_k的最大值并记录该像素对应的圆心的坐标；

4)在D_r内缩小半径值，则对应每一个给定半径值均能求出最大重叠像素值S_max，当时，认为当时记录的坐标值为瞳孔中心，其中T为设定阈值，通过多次试验选定其计算方式为P为二值化图像的面积。

5.根据权利要求1所述的一种诊断前庭系统疾病的眼震信号特征提取和追踪算法，其特征在于所述的步骤四为：

1)根据经验值设定圆心搜索域D_x，y和半径范围D_r；

2)利用前八帧图像确定瞳孔半径初始值为r_mean，设定瞳孔模板面积初始值Area＝π×r_mean×r_mean；

3)在下一帧图像中，判断其二值化图像面积Area_k与Area的关系，更新圆心搜索域D_x，y和半径范围D_r，在搜索域D_x，y和半径范围D_r约束下定位出瞳孔的位置；

4)更新Area，Area＝Area_k。

6.根据权利要求1所述的一种诊断前庭系统疾病的眼震信号特征提取和追踪算法，其特征在于所述的步骤五为：

当检测出闭眼发生时，本发明对闭眼时的瞳孔中心估计是采用最佳线性逼近预测方法，本发明采用三点预测的方法：

即利用出现闭眼情况时的前3帧获取的瞳孔中心位置信息来估计当前闭眼帧的瞳孔中心坐标；去除眼震信号可以认为是一个滤波的过程，本发明采用低通滤波消除干扰，以滤出由跟踪引起的小扰动误差和由受试者引起的干扰波，算法如下：

其中，N是低通滤波的邻域数量。