CN110096978A - 基于机器视觉的偏心摄影验光图像处理的方法 - Google Patents

Abstract

本发明属于眼科医学图像处理方法，具体涉及一种基于机器视觉的偏心摄影验光图像处理的方法，本发明先采用基于Harr‑like矩形特征的Adaboost强分类器自学习方法进行瞳孔区域定位，偏心摄影原理使得有近视或远视的瞳孔产生亮度不均匀，而采用wallis匀光算法可以最大限度的均匀瞳孔灰度值，增强瞳孔边缘信息。然后再进行二值化blob分析，去除噪点和干扰区域，仅保留瞳孔所在区域，然后再在瞳孔二值化后的边缘处利用灰度差分法求得精确瞳孔边界，最后进行基于最小二乘法的椭圆拟合，输出瞳孔区域参数。本发明排除干扰信息，精确得到瞳孔区域参数，有助于提高婴幼儿及配合度差的人群验光的精确性。

Description

基于机器视觉的偏心摄影验光图像处理的方法

技术领域

本发明属于眼科医学图像处理方法，具体涉及一种基于机器视觉的偏心摄影验光图像处理的方法。

背景技术

检影验光是屈光不正检查的金标准，精确度可达0.25D。但对儿童来说，检影验光有其应用的局限性。手持式视力筛查仪是近些年来专门针对婴幼儿视力蹄查而设计生产的仪器。其特点是：可在与被检者保持一定距离的情况下进行检测，不需要被检者具有很高的配合性。这使其不但同以往检查方法一样适用于配合力强的人群，也同样适用于婴幼儿及配合度差的人群的视力筛查。

它利用红外光源投射到视网膜，通过视网膜反射回来的光在不同的屈光状态下呈现不同的图案，摄像机记录图案并通过计算得出球镜、柱镜和轴位等数据。它一次测量可以获得双眼的屈光状态、瞳孔直径、瞳距以及眼位等信息，方便医生快速筛查并全面了解患者的视力发育状况。

偏心摄影验光原理，采用近红外发光二极管组成光源阵列，光线以特定角度射向一定距离外的被检瞳孔进入视网膜，被视网膜反射，期间光线经由眼球屈光系统两次折射(入眼和出眼均被折射)后，从瞳孔区域发出而被相机摄取。因此被检眼的屈光状态和调节状态决定了被检眼瞳孔区光影的形态和亮度。通过对瞳孔光影图像的处理和分析，得到对应的视力检测结果。

图像信息采集装置(相机或摄影机)采集眼睛图像时，由于同时拍摄双眼，因此图像上除了眼睛外，还有很多不需要的干扰信息，影响视力检测结果的准确性。

发明内容

基于机器视觉的偏心摄影验光图像处理的方法。

本发明所采取的技术方案如下：基于机器视觉的偏心摄影验光图像处理的方法，其特征在于包括以下步骤：

(1)采集眼睛图像；

(2)利用积分图法求Harr特征；

(3)利用Adaboost学习算法粗定位人眼区域，若存在瞳孔，则继续以下步骤，若不存在瞳孔，则结束该图像的处理；

(4)对瞳孔区域进行Wallis匀光处理，均匀瞳孔灰度值，增强瞳孔边缘信息；

(5)进行二值化blob分析，去除噪点和干扰区域，仅保留瞳孔所在区域；

(6)在瞳孔二值化后的边缘处利用灰度差分法求得精确瞳孔边界；

(7)对求得的精确瞳孔边界，进行基于最小二乘法的椭圆拟合，得到瞳孔区域参数。

本发明的有益效果如下：本发明先采用基于Harr-like矩形特征的Adaboost强分类器自学习方法进行瞳孔区域定位，偏心摄影原理使得有近视或远视的瞳孔产生亮度不均匀，而采用wallis匀光算法可以最大限度的均匀瞳孔灰度值，增强瞳孔边缘信息。然后再进行二值化blob分析，去除噪点和干扰区域，仅保留瞳孔所在区域，然后再在瞳孔二值化后的边缘处利用灰度差分法求得精确瞳孔边界，最后进行基于最小二乘法的椭圆拟合，输出瞳孔区域参数。本发明排除干扰信息，精确得到瞳孔区域参数，有助于提高婴幼儿及配合度差的人群验光的精确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。

图1为本发明的流程示意图；

图2为Adaboost学习算法将Harr特征进行训练的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

如图1所示，一种基于机器视觉的偏心摄影验光图像处理的方法，包括以下步骤：

(1)采集眼睛图像：用相机连续采集眼睛图像，对每一张图像分别按以下步骤进行图像处理；

(2)利用积分图法求Harr特征，Haar特征值反映了图像的灰度变化情况，Haar特征分为三类：边缘特征、线性特征、中心特征和对角线特征，组合成特征模板。特征模板内有白色和黑色两种矩形，并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。

积分图是只遍历一次图像就可以求出图像中所有区域像素和的快速算法，大大的提高了Harr特征的计算效率。其主要思想是将图像从起点开始到各个点所形成的矩形区域像素之和作为一个数组的元素保存在内存中，当要计算某个区域的像素和时可以直接索引数组的元素，不用重新计算这个区域的像素和，从而加快了计算。积分图的构造方式是位置(i,j)处的值ii(i,j)是原图像(i,j)左上角方向所有像素的和：ii(i,j)＝∑_k≤i,l≤jf(k,l)。

积分图构建算法：

1)用s(i,j)表示行方向的累加和，初始化s(i,-1)＝0；

2)用ii(i,j)表示一个积分图像，初始化ii(-1,j)＝0；

3)逐行扫描图像，递归计算每个像素(i,j)行方向的累加和s(i,j)和积分图像ii(i,j)的值：

s(i,j)＝s(i,-1)+f(i,j)；

ii(i,j)＝ii(-1,j)+s(i,j)

4)扫描图像一遍，当到达图像右下角像素时，积分图像ii就构造好了。积分图构造好之后，图像中任何矩阵区域的像素累加和都可以通过简单运算得到。

(3)利用Adaboost学习算法粗定位人眼区域：Adaboost学习算法的基本思想为分开训练模型，每一轮训练一个新的模型，在每一轮的结束，错分的样本会被标定并且增加其在下一轮新的训练集中的权重，然后进行下一轮学习得到一个新的模型。其主要思想是基于后来的模型可以对前面模型的错误进行补偿，通过不断的迭代增加新模型来实现集成，每一次学到一个模型，确保它的分类精度大于0.5，可以错分，但不能漏掉。

如图2所示，利用Adaboost学习算法将Harr特征进行训练，生成多级弱分类器，然后级联成一个强分类器，也可以根据需要再将强分类器级联构造成更强的分类器，用于检测瞳孔区域。

若存在瞳孔，则继续以下步骤，若不存在瞳孔，则结束该图像的处理，开始处理分析下一个图像。

(4)对瞳孔区域进行Wallis匀光处理，均匀瞳孔灰度值，增强瞳孔边缘信息：一副灰度图像的灰度均值反映了它的亮度，方差则反映了它的灰度动态变化范围，由于环境光和被摄人的不同，每帧图像的瞳孔亮度和方差也不一样，而且如果被摄人眼存在近视或远视情况，同一只瞳孔内的亮度也不一样，灰度值的不均匀会对后续的瞳孔分割造成影响，因此可以通过匀光算法最大限度的减少光照不均匀。Wallis滤波器将图像的灰度均值及方差映射到一个定值，并且使不同图像的灰度方差和灰度均值都近似相等。主要用于变换不同的图像之间或图像内部的不同位置上的灰度均值和标准偏差使之具有近似相等的数值，增强光照不均匀图像中灰暗区域的亮度及对比度。具体算法公式如下：

式中：g(x,y)为原始影像在(x,y)处的灰度值，f(x,y)为经过Wallis变换后结果影像在(x,y)处的灰度值，m_g为原始影像的局部灰度均值，s_g为原始影像的局部灰度标准偏差，m_f为变换后影像局部灰度均值的目标值，s_f为变换后影像的局部灰度标准偏差的目标值，c∈[0,1]为影像方差的扩展常数，b∈[0,1]为影像的亮度系数，当b趋向于1时，影像均值被强制到m_f，当b趋向于0时，影像均值被强制到m_g。当调节系数c和b都取1时，上式也可表示为如下线性变换式：

当m_g等于m_f，s_g等于s_f时，即待校正影像与标准影像的均值和方差一致，采用上述线性变换式不会引起影像灰度的改变，并且能使校正影像与标准影像的亮度和方差基本一致。

(5)进行二值化blob分析，去除噪点和干扰区域，仅保留瞳孔所在区域；在瞳孔二值化后的边缘处利用灰度差分法求得精确通孔边界。

(6)在第5步处理后得到的瞳孔所在区域的每一个边缘点(该边缘点为粗略边缘)，利用灰度差分法求得精确瞳孔边界。

(7)利用步骤(6)求得的瞳孔精确边界，进行基于最小二乘法的椭圆拟合，得到瞳孔区域参数。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (1)

1.基于机器视觉的偏心摄影验光图像处理的方法，其特征在于包括以下步骤：

(1)采集眼睛图像；

(2)利用积分图法求Harr特征；

(3)利用Adaboost学习算法粗定位人眼区域，若存在瞳孔，则继续以下步骤，若不存在瞳孔，则结束该图像的处理；

(4)对瞳孔区域进行Wallis匀光处理，均匀瞳孔灰度值，增强瞳孔边缘信息；

(5)进行二值化blob分析，去除噪点和干扰区域，仅保留瞳孔所在区域；

(6)在瞳孔二值化后的边缘处利用灰度差分法求得精确瞳孔边界；

(7)对求得的精确瞳孔边界，进行基于最小二乘法的椭圆拟合，得到瞳孔区域参数。