CN110516579A - 手持眼底相机拍照方法和装置、设备及存储介质 - Google Patents

手持眼底相机拍照方法和装置、设备及存储介质 Download PDF

Info

Publication number
CN110516579A
CN110516579A CN201910772120.6A CN201910772120A CN110516579A CN 110516579 A CN110516579 A CN 110516579A CN 201910772120 A CN201910772120 A CN 201910772120A CN 110516579 A CN110516579 A CN 110516579A
Authority
CN
China
Prior art keywords
infrared image
optic disk
image
infrared
correlation
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.)
Granted
Application number
CN201910772120.6A
Other languages
English (en)
Other versions
CN110516579B (zh
Inventor
姜泓羊
于雷
张冬冬
代黎明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing To Real Internet Technology Co Ltd
Original Assignee
Beijing To Real Internet Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing To Real Internet Technology Co Ltd filed Critical Beijing To Real Internet Technology Co Ltd
Priority to CN201910772120.6A priority Critical patent/CN110516579B/zh
Publication of CN110516579A publication Critical patent/CN110516579A/zh
Application granted granted Critical
Publication of CN110516579B publication Critical patent/CN110516579B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/14—Arrangements specially adapted for eye photography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/143—Sensing or illuminating at different wavelengths
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/19—Sensors therefor
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N17/00—Diagnosis, testing or measuring for television systems or their details
    • H04N17/002—Diagnosis, testing or measuring for television systems or their details for television cameras
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/62—Control of parameters via user interfaces
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/64—Computer-aided capture of images, e.g. transfer from script file into camera, check of taken image quality, advice or proposal for image composition or decision on when to take image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Ophthalmology & Optometry (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Human Computer Interaction (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本申请公开了一种手持眼底相机拍照方法，其方法包括如下步骤：对当前待拍摄的眼别进行近红外图像实时预览，获取相应的近红外图像；对近红外图像进行眼底结构判断，在判断出近红外图像为眼底影像时，对近红外图像中的视盘进行识别定位，获取视盘位置；基于获取到的视盘位置，对近红外图像进行质量评估，得到图像质量评估结果；在图像质量评估结果满足自动拍照条件时，生成自动拍照信号，依据自动拍照信号触发自动拍照；其中，自动拍照条件包括近红外图像的曝光度和光照均匀度在预设范围内，且近红外图像的清晰度值满足预设清晰度指标。通过对近红外图像进行识别、判断，达到预设的标准后发送自动拍照信号，提高了实时性及所拍摄的眼底图像的质量。

Description

手持眼底相机拍照方法和装置、设备及存储介质
技术领域
本公开涉及医疗器械技术领域，尤其涉及一种手持眼底相机拍照方法和装置、设备及存储介质。
背景技术
目前，国内外医疗器械公司研发了各种样式的免散瞳彩色手持眼底相机，其相机体型较小、便于携带、拍照操作简单易行，但图像成像质量相比台式眼底相机仍具有一定差距。影响成像质量低的因素主要包括四个方面：拍摄环境、被拍摄者、拍摄技师以及相机本身。需要技师根据实时显示的近红外影像来选择拍照时机，手动按下拍照按钮，最终完成拍照。而这一过程中由于人的不确定因素，会增加拍摄出低质量眼底图像的可能性。
发明内容
有鉴于此，本公开提出了一种手持眼底相机拍照方法，包括如下步骤：
对当前待拍摄的眼别进行近红外图像实时预览，获取相应的近红外图像；
对所述近红外图像进行眼底结构判断，在判断出所述近红外图像为眼底影像时，对所述近红外图像中的视盘进行识别定位，获取视盘位置；
基于获取到的所述视盘位置，对所述近红外图像进行质量评估，得到图像质量评估结果；
在所述图像质量评估结果满足自动拍照条件时，生成自动拍照信号，依据所述自动拍照信号触发自动拍照；
其中，所述自动拍照条件包括所述近红外图像的曝光度和光照均匀度在预设范围内，且所述近红外图像的清晰度值满足预设清晰度指标。
在一种可能实现的方式中，所述对所述近红外图像进行眼底结构判断包括：
采用图像识别网络模型对所述近红外图像进行识别判断；
其中，所述图像识别网络模型的网络结构包括依次连接的输入层、卷积层、池化层、全连接层和判别层；
所述卷积层中的卷积核小于或等于3×3；
所述图像识别网络模型的网络深度小于或等于6层。
在一种可能实现的方式中，在判断出所述近红外图像为眼底影像时，对所述近红外图像中的视盘进行识别定位，获取视盘位置，包括：
采用预设个数的视盘模板，在所述近红外图像上进行滑动遍历，得到各所述视盘模板与所述近红外图像的相关性；
其中，不同的所述视盘模板中的视盘尺寸不同，且所述预设个数≥1；
对得到的各所述相关性与预设的相关性阈值进行比较，在各所述相关性中存在大于所述相关性阈值的第一相关性时，将所述第一相关性所对应的区域定位为所述视盘区域，并计算所述第一相关性所对应的区域的几何中心坐标作为所述视盘位置；
其中，在所述第一相关性的个数为多个时，选取多个所述第一相关性中取值最大的第一相关性所对应的区域定位为所述视盘区域。
在一种可能实现的方式中，在所述近红外图像上进行滑动遍历，得到各所述视盘模板与所述近红外图像的相关性，包括：
通过相关性公式：
计算得到当前滑动遍历的视盘模板与所述近红外图像的相关性R(x,y)；
其中，(x0，y0)表征所述视盘模板内各个像素点的坐标，T(x0，y0)表征所述视盘模板在(x0，y0)像素点上的强度值；(x,y)表征所述近红外图像内各个像素点的坐标；I(x+x0，y+y0)表征所述近红外图像在(x+x0，y+y0)像素点上的强度值；
所述视盘模板包括小尺寸视盘模板、中尺寸视盘模板、大尺寸视盘模板；
其中，所述小尺寸视盘模板包括60个像素点为直径的视盘圆，所述中尺寸视盘模板包括70个像素点为直径的视盘圆，所述大尺寸视盘模板包括80个像素点为直径的视盘圆。
在一种可能实现的方式中，在基于获取到的所述视盘位置对所述近红外图像进行质量评估之前，还包括：
获取预先设置的视盘最佳区域范围；
在识别定位出的所述视盘位置位于所述视盘最佳区域范围之内时，确定所述近红外图像符合最佳眼位标准；
在所述近红外图像符合所述最佳眼位标准时，执行基于获取到的所述视盘位置对所述近红外图像进行质量评估的步骤。
在一种可能实现的方式中，所述基于获取到的所述视盘位置，对所述近红外图像进行质量评估，得到图像质量评估结果，包括：
以识别定位出的所述视盘位置的几何中心为交叉点，将所述近红外图像划分为两个以上的区域；
分别计算各区域的像素值统计量，生成特征向量；
根据所述特征向量，采用构建的对所述近红外图像的曝光度和光照均匀度进行判断，得到曝光度和光照均匀度判断结果
其中，所述线性判别模型为：
y＝AX+b；
其中，X为特征向量；A与b为线性判别的参数，通过对所述线性判别模型进行训练得到；y表征对所述近红外图像的曝光度和光照均匀度的判别；
对所述近红外图像进行清晰度计算，获取所述近红外图像的清晰度值，并依据预设的清晰度阈值对所述清晰度值进行判断，得到清晰度判断结果；
其中，所述图像质量评估结果包括所述曝光度和光照均匀判断结果，以及清晰度判断结果。
在一种可能实现的方式中，所述对所述近红外图像进行清晰度计算，获取所述近红外图像的清晰度值，包括：
读取Brenner梯度函数：
利用所述Brenner梯度函数，计算得到所述近红外图像的清晰度值；
其中，f(x,y)表示所述近红外图像f在(x,y)像素点上的灰度值，D(f)为计算出的所述清晰度值；
其中，所述清晰度阈值的取值确定方式包括以下任意一种：
将所述清晰度阈值设置为固定值；
选取预设时间段内的最大清晰度值作为所述清晰度阈值；
获取所述预设时间段内的最大清晰度值，并在所述最大清晰度值处于预设清晰度范围内时，选取所述最大清晰度值作为所述清晰度阈值，在所述最大清晰度值小于所述清晰度范围中的最小清晰度时，选取所述最小清晰度作为所述清晰度阈值，在所述最大清晰度值大于所述清晰度范围中的最大清晰度时，选取所述最大清晰度作为所述清晰度阈值。
根据本公开的另一方面，还提供了一种手持眼底相机拍照装置，包括近红外图像预览模块，眼底结构判断模块，图像质量评估模块和信号生成模块；
所述近红外图像预览模块，被配置为对当前待拍摄的眼别进行近红外图像实时预览，获取相应的近红外图像；
所述眼底结构判断模块，被配置为对所述近红外图像进行眼底结构判断，在判断出所述近红外图像为眼底影像时，对所述近红外图像中的视盘进行识别定位，获取视盘位置；
所述图像质量评估模块，被配置为基于获取到的所述视盘位置，对所述近红外图像进行质量评估，得到图像质量评估结果；
所述信号生成模块，被配置为在所述图像质量评估结果满足自动拍照条件时，生成自动拍照信号，依据所述自动拍照信号触发自动拍照；
其中，所述自动拍照条件包括所述近红外图像的曝光度和光照均匀度在预设范围内，且所述近红外图像的清晰度值满足预设清晰度指标。
根据本公开的另一方面，提供了一种手持眼底相机设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现前面任一所述的方法。
根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前面任一所述的方法。
本公开实施例的手持眼底相机拍照方法通过获取所选择的眼别的近红外图像，对近红外图像进行识别、判断，达到预设的标准后发送自动拍照信号，最终实现手持眼底相机的自动拍照，降低了拍摄时延，拍摄技师只需要将手持眼底相机对准被拍摄者的眼睛，相机便可以基于红外预览图像自动找到最佳拍摄时机并进行拍摄，拍摄出一张符合临床要求的眼底图像，减少了拍摄技师的体力消耗，提高了实时性以及所拍摄的眼底图像的质量。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出本申请实施例的手持眼底相机拍照方法的流程图；
图2示出本申请另一具体实施例的手持眼底相机拍照方法的流程图；
图3示出本申请实施例的手持眼底相机拍照方法的图像识别网络模型的示意图；
图4a示出本申请实施例的手持眼底相机拍照方法的左眼最佳视盘位置的示意图；
图4b示出本申请实施例的手持眼底相机拍照方法的右眼最佳视盘位置的示意图；
图5示出本申请实施例的手持眼底相机拍照方法的眼底图像分区示意图；
图6示出本申请实施例的手持眼底相机拍照装置的框图；
图7示出本申请实施例的手持眼底相机设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
参见图1，作为本公开的手持眼底相机拍照方法的一具体实施例，其包括如下步骤：
步骤S100，对当前待拍摄的眼别进行近红外图像实时预览，获取相应的近红外图像。即，在进行眼别的眼底图像拍摄时，首先通过将手持眼底相机的镜头对准待拍摄的眼别，以获取待拍摄眼别的近红外图像。在获取到待拍摄眼别的近红外图像后，即可通过步骤S200，对近红外图像进行眼底结构判断，在判断出近红外图像为眼底影像时，对近红外图像中的视盘进行识别定位，获取视盘位置；进而再通过步骤S300，基于获取到的视盘位置，对近红外图像进行质量评估，得到图像质量评估结果。此处，需要指出的是，在对近红外图像进行质量评估时，可以通过对近红外图像的曝光度、光照均匀度和清晰度中的至少一项参数进行评估。
相应的，在通过步骤S300，对近红外图像进行质量评估，得到对应的质量评估结果后，即可执行步骤S400，在图像质量评估结果满足自动拍照条件时，生成自动拍照信号，依据自动拍照信号触发自动拍照。此处，需要说明的是，在本公开实施例的手持眼底相机拍照方法中，所设定的自动拍照条件包括近红外图像的曝光度和光照均匀度在预设范围内，且近红外图像的清晰度值满足预设清晰度指标。通过将自动拍照条线设置为近红外图像的曝光度和光照均匀度在预设范围内，且近红外图像的清晰度值满足预设清晰度指标，保证了自动拍照得到的眼底图像的质量，使得自动拍照得到的眼底图像能够应用于临床诊断。
由此，本公开的手持眼底相机拍照方法通过获取所选择的眼别的近红外图像，对近红外图像进行识别、判断，达到预设的标准后发送自动拍照信号，最终实现手持眼底相机的自动拍照，降低了拍摄时延，拍摄技师只需要将手持眼底相机对准被拍摄者的眼睛，相机便可以基于红外预览图像自动找到最佳拍摄时机，拍摄出一张符合临床要求的眼底图像，减少了拍摄技师的体力消耗，提高了实时性以及所拍摄的眼底图像的质量。
其中，需要说明的是，待拍摄的眼别可以为左眼，也可以为右眼。本领域技术人员可以理解的是，左眼和右眼具有一定的区别，如：左眼的视盘位置与右眼的视盘位置在眼底图像中有所不同。因此，为了进一步提高自动拍照得到的眼底图像的准确度，在一种可能的实现方式中，参见图1，本公开实施例的手持眼底相机自动拍照方法还可以包括步骤S001，选择左眼或者右眼作为待拍摄的眼别。
即，在采用手持眼底相机进行眼底图像的自动拍照时，首先通过选择左眼或右眼(如：通过触发手持眼底相机显示屏幕上所显示的左眼按钮或右眼按钮)，以确定当前待拍摄的眼别(如：左眼或右眼)，从而在后续对获取到的近红外图像进行视盘识别定位时，能够基于不同的视盘最佳位置区域进行识别定位。
也就是说，在本公开实施例的手持眼底相机拍照方法中，对于不同的眼别对应设置有不同的视盘最佳位置区域，从而在进行手持眼底相机自动拍照时，用手持眼底相机对准已选择的眼别后，执行步骤S100，对当前待拍摄的眼别进行近红外图像实时预览，获取相应的近红外图像。进而，再通过采用与当前拍摄的眼别相对应的视盘最佳位置区域，对所获取到的近红外图像进行视盘识别定位，使得视盘识别更有针对性，从而也就更进一步地提高了视盘识别定位结果的精确度，最终提高了眼底图像拍摄结果的准确度。
另外，在本公开实施例的手持眼底相机拍照方法中，通过上述任一种方式获取近红外图像后，即可执行步骤S200，对近红外图像进行眼底结构判断，并在判断出近红外图像为眼底影像时，对近红外图像中的视盘进行识别定个位，以获取视盘位置。
其中，在一种可能实现的方式中，参见图2，在对近红外图像进行眼底结构判断之前，可以通过步骤S002，对获取的近红外图像进行图像预处理，然后再对预处理后的近红外图像进行眼底结构判断。
此处，需要指出的是，对获取到的近红外图像进行的预处理可以是对获取到的近红外图像进行裁剪和降采样操作，从而缩小近红外图像的尺寸，以提高计算速度。
进一步的，参阅图2，在本公开实施例的手持眼底相机拍照方法中，步骤S210，对近红外图像进行眼底结构判断以确认近红外图像是否为眼底图像时，可以采用人工智能技术(即，神经网络模型)来实现。
也就是说，通过自主搭建一个具有图像识别功能的神经网络模型(即，图像识别网络模型)，采用所搭建的图像识别网络模型对近红外图像进行识别判断，以判断当前获取到的近红外图像是否为眼底图像。
其中，在一种可能的实现方式中，所搭建的图像识别网络模型的网络结构可以包括依次连接的输入层、卷积层、池化层、全连接层和判别层。此处，应当指出的是，在本实施例中，所搭建的图像识别网络模型中，卷积层中的卷积核小于或等于3×3；且图像识别网络模型的网络深度小于或等于6层。
举例来说，参见图3，图像识别网络模型的网络结构包括依次连接的输入层、卷积层、池化层、卷积层、池化层、全连接层和判别层。其中，卷积层中的卷积核可以为3×3。此处，本领域技术人员可以理解的是，输入层用于输入所获取到的近红外图像。该近红外图像可以为预处理(即，裁剪和降采样处理)后的近红外图像。同时，还需要说明的是，此处所提及的网络深度指的是网络结构中除输入层之外的其他网络层所构成的网络层层数。
由此，本公开实施例的手持眼底相机拍照方法，通过采用自主搭建的图像识别网络模型对所采集到的近红外图像进行是否为眼底结构的判断，提高了判断结果的精确度。并且，所自主搭建的图像识别网络模型为轻量级的网络模型，这也就使得在对图像识别网络模型进行训练和检测时不需要耗费较大的计算资源，从而节省了能耗。
其中，通过图像识别网络模型对近红外图像进行眼底结构判断后，在未判断出是眼底影像时，表明此时所采集到的近红外图像不是眼底图像，因此需要重新获取近红外图像。在判断出近红外图像为眼底影像时，即可执行步骤S220，对近红外图像中的视盘进行识别定位，获取视盘位置。
此处，应当指出的是，在对近红外图像中的视盘进行识别定位时，可以采用多尺度模板匹配的方式来实现。即，通过采用多尺度模板，计算各尺度模板分别与近红外图像的相关性，进而再通过计算得到的相关性进行视盘的识别和定位。
具体的，采用多尺度模板匹配方式进行视盘的识别定位时，可以通过以下方式来实现。
即，采用预设个数的视盘模板，在近红外图像上进行滑动遍历，得到各视盘模板与近红外图像的相关性。其中，本领域技术人员可以理解，不同的视盘模板中的视盘尺寸不同，且预设个数≥1。
然后对得到的各相关性与预设的相关性阈值进行比较，在各相关性中存在大于相关性阈值的第一相关性时，将第一相关性所对应的区域定位为视盘区域，并计算第一相关性所对应的区域的几何中心坐标作为视盘位置。
其中，由于所采用的视盘模板可以为多个，并且每一个视盘模板在近红外图像上进行滑动遍历时，所得到的相关性中大于相关性阈值的个数可能为多个(即，第一相关性的个数为多个)，因此在第一相关性的个数为多个时，可以选取多个第一相关性中取值最大的第一相关性所对应的区域为视盘区域。
举例来说，所采用的视盘模板个数可以为3个，分别为：小尺寸视盘模板、中尺寸视盘模板和大尺寸视盘模板。其中，需要说明的是，小尺寸视盘模板包括60个像素点为直径的视盘圆，中尺寸视盘模板包括70个像素点为直径的视盘圆，大尺寸视盘模板包括80个像素点为直径的视盘圆。
接着，分别用上述三种尺寸的视盘模板均在近红外图像上滑动遍历，得到各视盘模板与近红外图像的相关性。其中，相关性的获取可以通过以下公式得到。
即，利用相关性公式：
计算得到当前滑动遍历的视盘模板与所述近红外图像的相关性R(x,y)；
其中，(x0，y0)表征所述视盘模板内各个像素点的坐标，T(x0，y0)表征所述视盘模板在(x0，y0)像素点上的强度值；(x,y)表征所述近红外图像内各个像素点的坐标；I(x+x0，y+y0)表征所述近红外图像在(x+x0，y+y0)像素点上的强度值。
举例来说，小尺寸视盘模板区域中的一个像素点坐标为(m,n)，近红外图像中一个像素点的坐标为(c,d)，用小尺寸视盘模板遍历近红外图像，在小尺寸视盘模板中像素点(m,n)遍历到近红外图像中坐标为(c,d)处的像素点时，则可以利用相关性公式计算得到小尺寸视盘模板与近红外图像中坐标为(c,d)的像素点的相关性R(c,d)。
应当指出的是，中尺寸视盘模板、大尺寸视盘模板与近红外图像的相关性计算方式与小尺寸视盘模板与近红外图像的相关性计算方式相同或相似，此处不再赘述。
得到了三种尺寸的视盘模板与近红外图像的相关性后，将相关性的取值与预设的相关性阈值进行比较，若相关性的取值中有一个大于预设的相关性阈值时，则判定大于相关性阈值的这一相关性(即，第一相关性)对应的区域为视盘区域，若有多个大于相关性阈值的相关性(即，存在多个第一相关性)时，则选择其中取值最大的相关性所对应的区域为视盘区域。
由此，本公开实施例的手持相机拍照方法，通过采用多尺度模板匹配方法，计算各尺度视盘模板与近红外图像的相关性，再将计算得到的相关性值与预设的相关性阈值比较，可以准确、快速识别出视盘，并定位视盘的位置。
其中，应当指出的是，相关性阈值的取值可以通过对多张清晰且具有视盘的眼底图像进行统计、计算得到。同时，相关性的阈值可以设置为一个具体数值，也可以设置为一个取值范围，此处不进行具体限定。
进一步的，根据前面描述，由于拍摄的眼别不同，所对应的视盘位置有所不同。即，左眼的视盘和右眼的视盘在眼底图像中有所不同。因此，在通过上述任一方式获取到视盘位置后，为了能够进一步提高眼底图像拍摄的准确度，在本公开实施例的手持眼底相机拍照方法中，参见图2，还可以包括步骤S003，判断当前获取到的近红外图像中的眼位是否标准。
也就是说，在近红外预览模式下，左眼和右眼的眼底影像的标准眼位有所不同，其视盘影像的位置根据左右眼的不同有其各自的最佳区域范围。本公开预先设定近红外眼底图像上左右眼的视盘最佳区域范围，当识别到的视盘影像坐标落入最佳区域范围内，则符合最佳眼位标准，反之则不符合，当不符合时，重新获取近红外图像。
举例来说，得到视盘位置后，获取预先设置的视盘最佳区域范围，左眼和右眼的最佳区域范围分别如图4a和图4b所示，识别视盘位置是否在最佳区域范围内。
视盘位置若不在最佳区域范围内，重新获取近红外图像，在识别定位出的视盘位置位于视盘最佳区域范围之内时，确定近红外图像符合最佳眼位标准，若不符合最佳眼位标准，则重新获取近红外图像。
本实施例的手持眼底相机拍照方法，通过判断近红外图像是否符合最佳眼位标准以及视盘是否落入最佳区域范围，以使最终所拍摄到的眼底图像更加准确。
在近红外图像符合最佳眼位标准时，即可执行基于获取到的视盘位置对近红外图像进行质量评估的步骤，参阅图1，即执行步骤S300，基于获取到的视盘位置，对近红外图像进行质量评估，得到图像质量评估结果。
其中，根据前面所述，对近红外图像进行质量评估时，可以包括对近红外图像的曝光度和光照均匀度，以及清晰度中的至少一项进行评估。由此，在进行近红外图像的质量评估时，所得到的图像质量评估结果可以包括对近红外图像的曝光度和光照均匀判断结果，以及清晰度判断结果中的至少一种。
如：在图像质量评估结果包括曝光度和光照均匀判断结果以及清晰度判断结果时，参阅图2，对近红外图像进行质量评估时，可包括如下步骤：
步骤S310，判断近红外图像的光照是否均匀且适中。即，对近红外图像的曝光度和光照均匀进行判别。其中，在进行近红外图像的曝光度和光照均匀判别时，可以通过以下方式实现：
首先，以识别定位出的视盘的几何中心为交叉点，将近红外图像划分为两个以上的区域；分别计算各区域的像素值统计量，生成特征向量。
其次，根据特征向量，采用构建的线性判别模型：
y＝AX+b
对近红外图像的曝光度和光照均匀度进行判断，得到曝光度和光照均匀度判断结果。
其中，X为特征向量；A与b为线性判别的参数，可以通过对线性判别模型进行训练得到；y表征对近红外图像的曝光度和光照均匀度的判别。
通过采用构建的线性判别模型可以准确判定出符合曝光度和光照均匀度标准的图像，若不符合曝光度和光照均匀度标准，则重新获取近红外图像。
举例来说，本公开实施例的手持眼底相机拍照方法中，在进行近红外图像的曝光度和光照均匀判别时，可以以视盘的几何中心为交叉点，将眼底图像划分为四个区域，如图5所示，分别计算四个区域的像素值统计量，生成特征向量，并构建图像曝光度和光照均匀度的线性判别模型，该模型能够实时地判断一张近红外眼底图像的曝光度和光照均匀度是否在合理范围内，从而降低拍摄延迟，提高拍摄的图像的质量。
若符合曝光度和光照均匀度标准，则执行步骤S320，判断图像是否清晰。其中，对近红外图像是否清晰进行判断时，可以对近红外图像进行清晰度计算，获取近红外图像的清晰度值来实现。
在一种可能的实现方式中，对近红外图像的清晰度的计算可以包括以下步骤：
读取Brenner梯度函数：
利用Brenner梯度函数，计算得到近红外图像的清晰度值。
需要说明的是，f(x,y)表示近红外图像f在(x,y)像素点上的灰度值，D(f)为计算出的清晰度值。
按照上述方式对近红外图像进行清晰度计算，获取近红外图像的清晰度值之后，即可依据预设的清晰度阈值与清晰度值的大小比较进行近红外图像清晰度的判断，从而得到清晰度判断结果。
其中，还需要指出的是，清晰度阈值的取值确定方式可以包括以下任意一种：
将清晰度阈值设置为固定值。如：清晰度阈值可以根据经验设置为某一固定的数值。
选取预设时间段内的最大清晰度值作为清晰度阈值。如：预设时间段可以为从手持眼底相机的镜头对准眼睛采集近红外图像的那一刻开始，至稳定保持两秒钟这一期间。在这期间内实时计算近红外图像的清晰度，并选取最大清晰度值作为清晰度阈值。
获取预设时间段内的最大清晰度值，并在最大清晰度值处于预设清晰度范围内时，选取最大清晰度值作为清晰度阈值，在最大清晰度值小于清晰度范围中的最小清晰度时，选取最小清晰度作为清晰度阈值，在最大清晰度值大于清晰度范围中的最大清晰度时，选取最大清晰度作为清晰度阈值。
如：可以依据经验值设定清晰度阈值的取值范围上限为A1，下限为A2，预设时间段(即，时间窗)为从手持眼底相机的镜头对准眼睛采集近红外图像的那一刻开始，至稳定保持两秒钟这一期间。需要指出的是，时间窗的长短可以调节，不限于两秒钟。选取该时间窗内的最大清晰度值Amax，在Amax在A1—A2之间时，则直接将最大清晰度值Amax作为清晰度阈值。在Amax小于A1时，则将A1作为清晰度阈值。在Amax大于A2时，则将A2作为清晰度阈值。
在确定清晰度阈值的取值之后，即可对采用前面方式计算所得到的清晰度与清晰度阈值进行比较。在清晰度大于或等于清晰度阈值时，则表明当前获取到的近红外图像清晰度达标。在清晰度小于清晰度阈值时，则表明当前获取到的近红外图像清晰度不达标。
由于，通过上述方式得到清晰度判别结果后，若近红外图像的清晰度不满足自动拍照的清晰度指标(即，近红外图像的清晰度不达标)时，则重新获取近红外图像，当图像清晰度满足自动拍照的清晰度指标(即，近红外图像的清晰度达标)时，则图像质量符合拍照标准，执行步骤S400，触发自动拍照，从而实现手持眼底相机自动拍照的目的。
本公开采用基于经验值的取值范围，在指定时间窗内动态设定的方法设定满足自动拍照的清晰度指标，可以提高最终拍摄的图像的清晰度。
需要说明的是，尽管以上述各个步骤作为示例介绍了手持眼底相机拍照方法如上，但本领域技术人员能够理解，本公开应不限于此。事实上，用户完全可根据个人喜好和/或实际应用场景灵活设定手持眼底相机拍照方法，只要所需功能即可。
这样，通过设计图像识别网络模型，使用多尺度模板匹配等方法，手持眼底相机可以自动识别眼底图像，以及判断图像的清晰度等标准，满足标准后发射自动拍照信号完成自动拍照，根据本公开上述实施例的能够减少拍摄技师的体力消耗，增加拍摄的实时性，增加了拍摄的图像的准确性，提高了图像的质量。
根据本公开的另一方面，还提供了一种手持眼底相机拍照装置。由于本公开实施例的手持眼底相机拍照装置的工作原理与本公开实施例的手持眼底相机拍照方法的原理相同或相似，因此重复之处不再赘述。参见图6，本公开实施例的手持眼底相机拍照装置100包括近红外图像预览模块110，眼底结构判断模块120，图像质量评估模块130和信号生成模块140。
近红外图像预览模块110被配置为对当前待拍摄的眼别进行近红外图像实时预览，获取相应的近红外图像。
眼底结构判断模块120被配置为对近红外图像进行眼底结构判断，在判断出近红外图像为眼底影像时，对近红外图像中的视盘进行识别定位，获取视盘位置。
图像质量评估模块130被配置为基于获取到的视盘位置，对近红外图像进行质量评估，得到图像质量评估结果。
信号生成模块140被配置为在图像质量评估结果满足自动拍照条件时，生成自动拍照信号，依据自动拍照信号触发自动拍照。
其中，自动拍照条件包括所述近红外图像的曝光度和光照均匀度在预设范围内，且所述近红外图像的清晰度值满足预设清晰度指标。
更进一步地，根据本公开的另一方面，还提供了一种手持眼底相机设备200。参阅图7，本公开实施例手持眼底相机设备200包括处理器210以及用于存储处理器210可执行指令的存储器220。其中，处理器210被配置为执行可执行指令时实现前面任一所述的手持眼底相机拍照方法。
此处，应当指出的是，处理器210的个数可以为一个或多个。同时，在本公开实施例的手持眼底相机设备200中，还可以包括输入装置230和输出装置240。其中，处理器210、存储器220、输入装置230和输出装置240之间可以通过总线连接，也可以通过其他方式连接，此处不进行具体限定。
存储器220作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序和各种模块，如：本公开实施例的手持眼底相机拍照方法所对应的程序或模块。处理器210通过运行存储在存储器220中的软件程序或模块，从而执行手持眼底相机设备200的各种功能应用及数据处理。
输入装置230可用于接收输入的数字或信号。其中，信号可以为产生与设备/终端/服务器的用户设置以及功能控制有关的键信号。输出装置240可以包括显示屏等显示设备。
根据本公开的另一方面，还提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，计算机程序指令被处理器210执行时实现前面任一所述的手持眼底相机拍照方法。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种手持眼底相机拍照方法，其特征在于，包括如下步骤：
对当前待拍摄的眼别进行近红外图像实时预览，获取相应的近红外图像；
对所述近红外图像进行眼底结构判断，在判断出所述近红外图像为眼底影像时，对所述近红外图像中的视盘进行识别定位，获取视盘位置；
基于获取到的所述视盘位置，对所述近红外图像进行质量评估，得到图像质量评估结果；
在所述图像质量评估结果满足自动拍照条件时，生成自动拍照信号，依据所述自动拍照信号触发自动拍照；
其中，所述自动拍照条件包括所述近红外图像的曝光度和光照均匀度在预设范围内，且所述近红外图像的清晰度值满足预设清晰度指标。
2.根据权利要求1所述的方法，其特征在于，所述对所述近红外图像进行眼底结构判断包括：
采用图像识别网络模型对所述近红外图像进行识别判断；
其中，所述图像识别网络模型的网络结构包括依次连接的输入层、卷积层、池化层、全连接层和判别层；
所述卷积层中的卷积核小于或等于3×3；
所述图像识别网络模型的网络深度小于或等于6层。
3.根据权利要求1所述的方法，其特征在于，在判断出所述近红外图像为眼底影像时，对所述近红外图像中的视盘进行识别定位，获取视盘位置，包括：
采用预设个数的视盘模板，在所述近红外图像上进行滑动遍历，得到各所述视盘模板与所述近红外图像的相关性；
其中，不同的所述视盘模板中的视盘尺寸不同，且所述预设个数≥1；
对得到的各所述相关性与预设的相关性阈值进行比较，在各所述相关性中存在大于所述相关性阈值的第一相关性时，将所述第一相关性所对应的区域定位为所述视盘区域，并计算所述第一相关性所对应的区域的几何中心坐标作为所述视盘位置；
其中，在所述第一相关性的个数为多个时，选取多个所述第一相关性中取值最大的第一相关性所对应的区域定位为所述视盘区域。
4.根据权利要求3所述的方法，其特征在于，在所述近红外图像上进行滑动遍历，得到各所述视盘模板与所述近红外图像的相关性，包括：
通过相关性公式：
计算得到当前滑动遍历的视盘模板与所述近红外图像的相关性R(x，y)；
其中，(x0，y0)表征所述视盘模板内各个像素点的坐标，T(x0，y0)表征所述视盘模板在(x0，y0)像素点上的强度值；(x，y)表征所述近红外图像内各个像素点的坐标；I(x+x0，y+y0)表征所述近红外图像在(x+x0，y+y0)像素点上的强度值；
所述视盘模板包括小尺寸视盘模板、中尺寸视盘模板、大尺寸视盘模板；
其中，所述小尺寸视盘模板包括60个像素点为直径的视盘圆，所述中尺寸视盘模板包括70个像素点为直径的视盘圆，所述大尺寸视盘模板包括80个像素点为直径的视盘圆。
5.根据权利要求1所述的方法，其特征在于，在基于获取到的所述视盘位置对所述近红外图像进行质量评估之前，还包括：
获取预先设置的视盘最佳区域范围；
在识别定位出的所述视盘位置位于所述视盘最佳区域范围之内时，确定所述近红外图像符合最佳眼位标准；
在所述近红外图像符合所述最佳眼位标准时，执行基于获取到的所述视盘位置对所述近红外图像进行质量评估的步骤。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述基于获取到的所述视盘位置，对所述近红外图像进行质量评估，得到图像质量评估结果，包括：
以识别定位出的所述视盘位置的几何中心为交叉点，将所述近红外图像划分为两个以上的区域；
分别计算各区域的像素值统计量，生成特征向量；
根据所述特征向量，采用构建的对所述近红外图像的曝光度和光照均匀度进行判断，得到曝光度和光照均匀度判断结果
其中，所述线性判别模型为：
y＝AX+b；
其中，X为特征向量；A与b为线性判别的参数，通过对所述线性判别模型进行训练得到；y表征对所述近红外图像的曝光度和光照均匀度的判别；
对所述近红外图像进行清晰度计算，获取所述近红外图像的清晰度值，并依据预设的清晰度阈值对所述清晰度值进行判断，得到清晰度判断结果；
其中，所述图像质量评估结果包括所述曝光度和光照均匀判断结果，以及清晰度判断结果。
7.根据权利要求6所述的方法，其特征在于，所述对所述近红外图像进行清晰度计算，获取所述近红外图像的清晰度值，包括：
读取Brenner梯度函数：
利用所述Brenner梯度函数，计算得到所述近红外图像的清晰度值；
其中，f(x，y)表示所述近红外图像f在(x，y)像素点上的灰度值，D(f)为计算出的所述清晰度值；
其中，所述清晰度阈值的取值确定方式包括以下任意一种：
将所述清晰度阈值设置为固定值；
选取预设时间段内的最大清晰度值作为所述清晰度阈值；
获取所述预设时间段内的最大清晰度值，并在所述最大清晰度值处于预设清晰度范围内时，选取所述最大清晰度值作为所述清晰度阈值，在所述最大清晰度值小于所述清晰度范围中的最小清晰度时，选取所述最小清晰度作为所述清晰度阈值，在所述最大清晰度值大于所述清晰度范围中的最大清晰度时，选取所述最大清晰度作为所述清晰度阈值。
8.一种手持眼底相机拍照装置，其特征在于，包括近红外图像预览模块，眼底结构判断模块，图像质量评估模块和信号生成模块；
所述近红外图像预览模块，被配置为对当前待拍摄的眼别进行近红外图像实时预览，获取相应的近红外图像；
所述眼底结构判断模块，被配置为对所述近红外图像进行眼底结构判断，在判断出所述近红外图像为眼底影像时，对所述近红外图像中的视盘进行识别定位，获取视盘位置；
所述图像质量评估模块，被配置为基于获取到的所述视盘位置，对所述近红外图像进行质量评估，得到图像质量评估结果；
所述信号生成模块，被配置为在所述图像质量评估结果满足自动拍照条件时，生成自动拍照信号，依据所述自动拍照信号触发自动拍照；
其中，所述自动拍照条件包括所述近红外图像的曝光度和光照均匀度在预设范围内，且所述近红外图像的清晰度值满足预设清晰度指标。
9.一种手持眼底相机设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现权利要求1至7中任意一项所述的方法。
10.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
CN201910772120.6A 2019-08-21 2019-08-21 手持眼底相机拍照方法和装置、设备及存储介质 Active CN110516579B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910772120.6A CN110516579B (zh) 2019-08-21 2019-08-21 手持眼底相机拍照方法和装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910772120.6A CN110516579B (zh) 2019-08-21 2019-08-21 手持眼底相机拍照方法和装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN110516579A true CN110516579A (zh) 2019-11-29
CN110516579B CN110516579B (zh) 2021-09-07

Family

ID=68625778

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910772120.6A Active CN110516579B (zh) 2019-08-21 2019-08-21 手持眼底相机拍照方法和装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN110516579B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381821A (zh) * 2020-12-08 2021-02-19 北京青燕祥云科技有限公司 一种智能手持式眼底相机以及图像分析方法
CN113259599A (zh) * 2021-05-08 2021-08-13 珠海六点智能科技有限公司 一种眼底图像自动曝光拍照方法、眼底相机及电子设备
CN115471552A (zh) * 2022-09-15 2022-12-13 江苏至真健康科技有限公司 一种用于便携式免散瞳眼底照相机的拍摄定位方法及系统
CN117893529A (zh) * 2024-03-14 2024-04-16 江苏富翰医疗产业发展有限公司 一种眼底智能拍摄方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496007A (zh) * 2011-12-02 2012-06-13 陈中山 人体身份识别仪
CN102860814A (zh) * 2012-08-24 2013-01-09 深圳市斯尔顿科技有限公司 一种oct合成眼底图视盘中心定位方法及设备
US20150104087A1 (en) * 2013-10-10 2015-04-16 University Of Rochester Automated Fundus Image Field Detection and Quality Assessment
CN106073698A (zh) * 2016-06-14 2016-11-09 江苏大学 一种基于安卓的眼底成像方法
CN107862678A (zh) * 2017-10-19 2018-03-30 宁波大学 一种眼底图像无参考质量评价方法
WO2018215855A1 (en) * 2017-05-23 2018-11-29 Indian Institute Of Science Automated fundus image processing techniques for glaucoma prescreening
CN109547677A (zh) * 2018-12-06 2019-03-29 代黎明 眼底图像拍摄方法和系统及设备
US10325176B2 (en) * 2014-08-25 2019-06-18 Agency For Science, Technology And Research Methods and systems for assessing retinal images, and obtaining information from retinal images

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496007A (zh) * 2011-12-02 2012-06-13 陈中山 人体身份识别仪
CN102860814A (zh) * 2012-08-24 2013-01-09 深圳市斯尔顿科技有限公司 一种oct合成眼底图视盘中心定位方法及设备
US20150104087A1 (en) * 2013-10-10 2015-04-16 University Of Rochester Automated Fundus Image Field Detection and Quality Assessment
US10325176B2 (en) * 2014-08-25 2019-06-18 Agency For Science, Technology And Research Methods and systems for assessing retinal images, and obtaining information from retinal images
CN106073698A (zh) * 2016-06-14 2016-11-09 江苏大学 一种基于安卓的眼底成像方法
WO2018215855A1 (en) * 2017-05-23 2018-11-29 Indian Institute Of Science Automated fundus image processing techniques for glaucoma prescreening
CN107862678A (zh) * 2017-10-19 2018-03-30 宁波大学 一种眼底图像无参考质量评价方法
CN109547677A (zh) * 2018-12-06 2019-03-29 代黎明 眼底图像拍摄方法和系统及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GAJENDRA JUNG KATUWAL 等: "Automatic fundus image field detection and quality assessment", 《2013 IEEE WESTERN NEW YORK IMAGE PROCESSING WORKSHOP (WNYIPW)》 *
王翠翠: "彩色眼底图像质量自动评估", 《中国优秀硕士学位论文全文数据库(医药卫生科技辑)》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381821A (zh) * 2020-12-08 2021-02-19 北京青燕祥云科技有限公司 一种智能手持式眼底相机以及图像分析方法
CN113259599A (zh) * 2021-05-08 2021-08-13 珠海六点智能科技有限公司 一种眼底图像自动曝光拍照方法、眼底相机及电子设备
CN113259599B (zh) * 2021-05-08 2023-04-07 珠海六点智能科技有限公司 一种眼底图像自动曝光拍照方法、眼底相机及电子设备
CN115471552A (zh) * 2022-09-15 2022-12-13 江苏至真健康科技有限公司 一种用于便携式免散瞳眼底照相机的拍摄定位方法及系统
CN117893529A (zh) * 2024-03-14 2024-04-16 江苏富翰医疗产业发展有限公司 一种眼底智能拍摄方法

Also Published As

Publication number Publication date
CN110516579B (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
CN110516579A (zh) 手持眼底相机拍照方法和装置、设备及存储介质
CN109271914B (zh) 检测视线落点的方法、装置、存储介质和终端设备
JP4196714B2 (ja) デジタルカメラ
JP6523925B2 (ja) 生体情報を用いた認証装置及び認証方法
CN103106401B (zh) 一种具有人机交互机制的移动终端虹膜识别装置
CN108875485A (zh) 一种底图录入方法、装置及系统
AU2012328140B2 (en) System and method for identifying eye conditions
JP2004320286A (ja) デジタルカメラ
CN110168562B (zh) 基于深度的控制方法、基于深度的控制装置和电子装置
CN108875452A (zh) 人脸识别方法、装置、系统和计算机可读介质
JP2004317699A (ja) デジタルカメラ
CN108737717A (zh) 拍摄方法、装置、智能设备及存储介质
CN108881710A (zh) 图像处理方法、装置和系统及存储介质
CN112771612B (zh) 拍摄图像的方法和装置
US20070127781A1 (en) Animal eye biometrics
JP2006319610A (ja) 撮像装置
CN108629293B (zh) 一种具有反馈机制的自适应近红外虹膜图像采集方法
JP2004320285A (ja) デジタルカメラ
CN107395957A (zh) 拍照方法、装置、存储介质及电子设备
CN109359577A (zh) 一种基于机器学习的复杂背景下人数检测系统
CN114531549B (zh) 图像采集方法、电子设备和计算机可读存储介质
CN109451234A (zh) 优化拍照功能的方法、设备及存储介质
CN108521862A (zh) 用于跟踪拍摄的方法和设备
CN116805433B (zh) 一种人体运动轨迹数据分析系统
CN113361513A (zh) 移动端舌象采集方法、装置及设备

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