CN111462156A - 获取角膜顶点的图像处理方法 - Google Patents
获取角膜顶点的图像处理方法 Download PDFInfo
- Publication number
- CN111462156A CN111462156A CN202010235092.7A CN202010235092A CN111462156A CN 111462156 A CN111462156 A CN 111462156A CN 202010235092 A CN202010235092 A CN 202010235092A CN 111462156 A CN111462156 A CN 111462156A
- Authority
- CN
- China
- Prior art keywords
- gray
- image
- value
- vertex
- corneal vertex
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 210000004087 cornea Anatomy 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 4
- 230000005484 gravity Effects 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 238000010187 selection method Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000001747 pupil Anatomy 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000001179 pupillary effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Eye Examination Apparatus (AREA)
Abstract
一种获取角膜顶点的图像处理方法,采用高速连续采集n帧图像,合成一帧最小噪声的图像,通过图像二值化和blob分析获得潜在角膜反光区域,从而缩小需要进一步处理的区域,对潜在光斑区域进行灰度拉伸,双阈值二值化和blob分析,获得角膜顶点区域的灰度重心和光斑边界坐标,再以灰度顶点为中心,每隔一定角度向外拉射线获得射线上的灰度序列,然后通过对条射线组的灰度数据进行基于非线性最小二乘法的高斯拟合,可获得角膜顶点的亚像素坐标值,最后根据射线上灰度值在边界处的跳变,求得亚像素级坐标边界,该边界即为光斑的边缘,通过该方法获得的角膜顶点和光斑边界信息可结合其他装置获取的瞳孔中心位置等相关信息,求得眼睛Kappa角Alpha角等相关信息,为后续进一步眼屈光参数获得提供了可靠的基础数据。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种获取角膜顶点的图像处理方法。
背景技术
Kappa角是视轴与瞳孔轴之间的夹角,正常人一般为5°左右的正Kappa角,由于视轴是理论上的一条线,在临床上不能被直接测量。因此,各种仪器在测量Kappa角时均采用注视点在角膜上的映光点与瞳孔中心在角膜平面的距离来表示,即视线与瞳孔轴在角膜平面的角距。Kappa角的测量方法很多,较早期的测量方法主要有角膜映光法、视野计、同视机等,但这些方法的测量精度均很低。目前市场上使用的Kappa角测量方法主要有Orbsan II、Pantacam、Topolyzer、iTrace、OPD ScanIII、Galilei等,各种仪器中Kappa角的计算方法大致相同,都是以角膜注释映光点作为角膜顶点,再通过虹膜图像找到瞳孔中心,然后比较二者之间的偏差值。目前定位角膜映光点方法主要有Placido盘和Scheimpflug成像技术。Placido盘是采用投影环状光圈到角膜上,然后以角膜所反射的圆环的中心作为角膜顶点。这种方法的测量精度受限于圆环的直径尺寸,圆环直径越大,精度越低,并且无法真正投影到角膜顶点,当角膜顶点及其周围属于不规则形状时,圆环的中心和真实角膜顶点的偏差就会较大。而Scheimpflug成像技术是利用裂隙光垂直照射眼睛,侧面获取眼前节切面图像,从而得到角膜高度信息来确定角膜顶点,但由于该方法需要使用强光照射人眼,使得人眼很难固视定点,从而造成一定的检测误差。
发明内容
为了解决现有技术存在的问题,本发明提供了一种获取角膜顶点的图像处理方法,利用均匀圆形平行光照射眼睛,获取角膜映光图像,然后根据映光图像的特点,提取角膜顶点。
本发明采用的技术解决方案是:一种获取角膜顶点的图像处理方法,包括以下步骤:
(1)高速连续采集n帧图像序列,n≥3,将第n帧和第1帧图像进行减运算,计算图像是否有位移,采用连续采集方式确保图像没有位移;
(2)图像去噪:将坐标(x,y)处的所有图像序列进行排序,找出中间值作为该点处的灰度值,如果采集的帧数n为偶数,则选择中间两个值的平均值作为该点处灰度值。通过移动坐标点(x,y),遍历整个图像,即可合成噪声最小的一帧图像;
(3)二值化求亮斑区域:二值化的关键问题是阈值Th的选取问题,该图像主要是由背景和亮斑区域构成,可采用直方图波峰波谷来确定阈值,也可采用整副图像的均值和方差的关系动态确定阈值,如下式所示:
Th=w1*mean+w2*std;
其中mean和std分别代表整幅图像的均值和方差,w1和w2为系数,通过二值化可以大致分割出亮斑所在区域;
(4)Blob形状分析:经二值化处理后的图像,会有一些杂点,因此通过面积大小去除不可能的区域,从而提取潜在的亮斑区域;
(5)灰度拉伸:对潜在亮斑区域的灰度值进行归一化,即灰度拉伸,使得整体亮斑区域的平均灰度值达到预定的值;
(6)双阈值二值化:当平行光斑照射到角膜上时,由于角膜是凸面,根据反射定律,角膜顶点的反射光线会最强,因此会在图像上呈现一个最亮的圆斑,然后根据角膜曲率变化,灰度值渐渐降低,直到光斑边界,因此选择双阈值二值化,高阈值提取角膜最亮点,即顶点,低阈值提取平行光斑投影的形状,由于前一步已经做了灰度拉伸,使得亮斑区域平均灰度值达到理想值,因此阈值的选择方法可依据图像特征设置成固定值或在固定值的基础上增加适当的变量;
(7)Blob分析,再次进行blob处理,用以获得角膜顶点的灰度重心和光斑边界的具体位置;
(8)顶点拉射线获得对应灰度数据:以步骤(7)中求得的角膜顶点的灰度重心为中心,向外360°方向以一定角度间隔拉射线到光斑边界,要超出光斑边界适当像素长度,然后获得各条射线上对应的灰度值,角度间隔越小,代表采样精度越高,同时处理速度也越慢;
(9)数据分析获得亚像素级角膜顶点及光斑边界;
(10)输出亚像素级的角膜顶点和光斑边界坐标。
所述的步骤(1)具体为:
∑|f1(x,y)-fn(x,y)|<Tmax
或∑(f1(x,y)-fn(x,y))2<Tmax
其中f1(x,y),fn(x,y)分别表示第1帧和第n帧图像中坐标为(x,y)处的像素值,绝对值和平方都是为了保证像素差为正值,Tmax为根据精度要求设置的阈值,该值越小,表示两幅图像的差别越小,如果该条件满足,表示图像序列没有位移,可以进行下一步,否则表示图像间有位移,该组图像不合格,需要重新进行第一步采集图像序列。
所述的步骤(9)数据分析获得亚像素级角膜顶点及光斑边界具体为:
a、光斑边界和未被照射的角膜理论上会有理想的阶梯边缘,即跳变,但由于光源、相机、噪声、漫反射等各种原因,使得理论上的阶跃边缘变成现实中的渐变阶跃,但通过拟合法对边缘过渡建立数学模型,然后对模型进行数学分析选取合适的灰度阈值,最后就可以获得亚像素的边缘位置;
b、从角膜顶点到光斑最外边界点,其灰度分布大致上会服从高斯分布,因此对该部分灰度序列用最小二乘法进行高斯函数拟合,求得的高斯函数的期望值即为精确的角膜顶点亚像素坐标,但如果拟合误差过大,说明该亮点不是角膜顶点。
所述的步骤(3)二值化求亮斑区域中,系数w1>0,w2>0。
所述的步骤(6)双阈值二值化中,所述的变量为最大灰度值、最小灰度值、方差。
所述的步骤a中建立数学模型为经典的双曲正切函数。
本发明的有益效果是:本发明提供了一种获取角膜顶点的图像处理方法,包括以下步骤:高速连续采集n帧图像,合成一帧最小噪声的图像,通过图像二值化和blob分析获得潜在角膜反光区域(即光斑),从而缩小需要进一步处理的区域,然后对潜在光斑区域进行灰度拉伸,双阈值二值化和blob分析,获得角膜顶点区域的灰度重心和光斑边界坐标,再以灰度顶点为中心,每隔一定角度向外拉射线获得射线上的灰度序列,然后通过对条射线组的灰度数据进行基于非线性最小二乘法的高斯拟合,可获得角膜顶点的亚像素坐标值,最后根据射线上灰度值在边界处的跳变,求得亚像素级坐标边界,该边界即为光斑的边缘,通过该方法获得的角膜顶点和光斑边界信息可结合其他装置获取的瞳孔中心位置等相关信息,求得眼睛Kappa角Alpha角等相关信息,为后续进一步眼屈光参数获得提供了可靠的基础数据。
附图说明
图1是角膜顶点获取的图像处理算法流程图。
图2是步骤(8)顶点拉射线图像和获得对应灰度数据的图。
图3是步骤(9)通过拟合法对边缘过渡建立双曲正切函数学模型。
具体实施方式
下面结合具体实施例对本发明做进一步说明,本发明实施例是为了使本领域的技术人员能够更好地理解本发明,但并不对本发明进行任何限制。
(1):控制相机高速连续采集n帧图像序列,n≥3,将第n帧和第1帧图像进行减运算,计算图像是否有位移,因为用该方法计算角膜顶点,需要图像尽量清晰,没有由于眼睛运到造成的拖尾现象,因此采用连续采集方式确保图像没有位移。例如:
∑|f1(x,y)-fn(x,y)|<Tmax
或∑(f1(x,y)-fn(x,y))2<Tmax
其中f1(x,y),fn(x,y)分别表示第1帧和第n帧图像中坐标为(x,y)处的像素值,绝对值和平方都是为了保证像素差为正值。Tmax为根据精度要求设置的阈值,该值越小,表示两幅图像的差别越小。如果该条件满足,表示图像序列没有位移,可以进行下一步,否则表示图像间有位移,该组图像不合格,需要重新进行第一步采集图像序列。
(2)图像去噪,将坐标(x,y)处的所有图像序列进行排序,找出中间值作为该点处的灰度值,如果采集的帧数n为偶数,则选择中间两个值的平均值作为该点处灰度值。通过移动坐标点(x,y),遍历整个图像,即可合成噪声最小的一帧图像。
(3)二值化求亮斑区域。二值化的关键问题是阈值Th的选取问题,该图像主要是由背景和亮斑区域构成,可采用直方图波峰波谷来确定阈值,也可采用整副图像的均值和方差的关系动态确定阈值,如下式所示:
Th=w1*mean+w2*std;
其中mean和std分别代表整幅图像的均值和方差,w1和w2为系数,这里建议w1>0,w2>0,具体值根据系统在可能的各种环境光下所采集回的图像进行统计分析,得到经验值。通过二值化可以大致分割出亮斑所在区域,由于拍摄环境的不同或环境光的改变,会造成背景的灰度改变,因此,此类方法有时不能很精确的获得亮斑轮廓,精细轮廓会在后面进一步求得。
(4)Blob形状分析。经二值化处理后的图像,会有一些杂点,因此通过面积大小去除不可能的区域,从而提取潜在的亮斑区域。
(5)灰度拉伸,由于拍摄地点、外界环境光、拍摄角度等会有变换,即使轻微的光照变化,也有可能会对图像的灰度值产生较大的影响,因此需要对潜在亮斑区域的灰度值进行归一化,即灰度拉伸。使得整体亮斑区域的平均灰度值达到预定的值,为后续进一步的二值化打好基础。
(6)双阈值二值化,当平行光斑照射到角膜上时,由于角膜是凸面,根据反射定律,角膜顶点的反射光线会最强,因此会在图像上呈现一个最亮的圆斑,然后根据角膜曲率变化,灰度值渐渐降低,直到光斑边界。因此选择双阈值二值化,高阈值提取角膜最亮点(即顶点),低阈值提取平行光斑投影的形状。由于前一步已经做了灰度拉伸,使得亮斑区域平均灰度值达到理想值,因此阈值的选择方法可依据图像特征设置成固定值或在固定值的基础上增加适当的变量(例如最大灰度值、最小灰度值、方差等,类似第三步中确定阈值的方法)。该处二值化的精度高于第三步中的。
(7)Blob分析,此处再次进行blob处理,用以获得角膜顶点的灰度重心,和光斑边界的具体位置。
(8)顶点拉射线获得对应灰度数据。
以第七步中求得的角膜顶点的灰度重心为中心,向外360°方向以一定角度间隔拉射线到光斑边界(如图2a所示),要超出光斑边界适当像素长度,然后获得各条射线上对应的灰度值,如下图2b所示。角度间隔越小,代表采样精度越高,同时处理速度也越慢。图2b中横坐标代表射线上的点到顶点的距离,纵坐标代表像素灰度值。可以看到曲线的末端有跳变,并趋于平缓,该跳变代表光斑经角膜反射后的边界。
(9)数据分析
根据成像原理及第8步中获取的数据特点,可知角膜顶点的图像灰度值最高,然后逐渐降低,直到光斑边界。
A)光斑边界和未被照射的角膜理论上会有理想的阶梯边缘(即跳变),但由于光源、相机、噪声、漫反射等各种原因,使得理论上的阶跃边缘变成现实中的渐变阶跃,但通过拟合法对边缘过渡建立数学模型,然后对模型进行数学分析选取合适的灰度阈值,最后就可以获得亚像素的边缘位置。拟合函数的模型可以选择经典的双曲正切函数,如图3所示,其中红色圆点即为亚像素级别的边界位置。
B)从角膜顶点到光斑最外边界点,其灰度分布大致上会服从高斯分布,因此对该部分灰度序列用最小二乘法进行高斯函数拟合,求得的高斯函数的期望值即为精确的角膜顶点亚像素坐标,但如果拟合误差过大,说明该亮点不是角膜顶点。
高斯函数属于非线性函数模型,所以不能像线性最小二乘法那样用求多元函数极值的办法来得到参数估计值,而需要采用非线性最小二乘法求得参数估计值。非线性最小二乘法是以误差的平方和最小为准则来估计非线性静态模型参数的一种参数估计方法。
(10)输出第九步所求得的亚像素级的角膜顶点和光斑边界坐标。
各位技术人员须知:虽然本发明已按照上述具体实施方式做了描述,但是本发明的发明思想并不仅限于此发明,任何运用本发明思想的改装,都将纳入本专利专利权保护范围内。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种获取角膜顶点的图像处理方法,其特征在于,包括以下步骤:
(1)高速连续采集n帧图像序列,n≥3,将第n帧和第1帧图像进行减运算,计算图像是否有位移,采用连续采集方式确保图像没有位移;
(2)图像去噪:将坐标(x,y)处的所有图像序列进行排序,找出中间值作为该点处的灰度值,如果采集的帧数n为偶数,则选择中间两个值的平均值作为该点处灰度值。通过移动坐标点(x,y),遍历整个图像,即可合成噪声最小的一帧图像;
(3)二值化求亮斑区域:将噪声最小的一帧图二值化处理获得阈值Th,如下式所示:
Th=w1*mean+w2*std;
其中mean和std分别代表整幅图像的均值和方差,w1和w2为系数,通过二值化可以大致分割出亮斑所在区域;
(4)Blob形状分析:将大致分割出亮斑所在区域通过面积大小去除不可能的区域,提取潜在的亮斑区域;
(5)灰度拉伸:对潜在亮斑区域的灰度值进行归一化,即灰度拉伸,使得整体亮斑区域的平均灰度值达到预定的值;
(6)双阈值二值化:选择双阈值二值化,高阈值提取角膜最亮点,即顶点,低阈值提取平行光斑投影的形状,阈值的选择方法可依据图像特征设置成固定值或在固定值的基础上增加适当的变量;
(7)Blob分析,再次进行blob处理,用以获得角膜顶点的灰度重心和光斑边界的具体位置;
(8)顶点拉射线获得对应灰度数据:以步骤(7)中求得的角膜顶点的灰度重心为中心,向外360°方向以一定角度间隔拉射线到光斑边界,要超出光斑边界适当像素长度,然后获得各条射线上对应的灰度值;
(9)数据分析获得亚像素级角膜顶点及光斑边界;
(10)输出亚像素级的角膜顶点和光斑边界坐标。
2.根据权利要求1所述的获取角膜顶点的图像处理方法,其特征在于,所述的步骤(1)具体为:
∑|f1(x,y)-fn(x,y)|<Tmax
或∑(f1(x,y)-fn(x,y))2<Tmax
其中f1(x,y),fn(x,y)分别表示第1帧和第n帧图像中坐标为(x,y)处的像素值,Tmax值越小,表示两幅图像的差别越小,如果该条件满足,表示图像序列没有位移,可以进行下一步,否则表示图像间有位移,该组图像不合格,需要重新进行第一步采集图像序列。
3.根据权利要求1所述的获取角膜顶点的图像处理方法,其特征在于,所述的步骤(9)数据分析获得亚像素级角膜顶点及光斑边界具体为:
a、通过拟合法对边缘过渡建立数学模型,然后对模型进行数学分析选取合适的灰度阈值,最后就可以获得亚像素的边缘位置;
b、对角膜顶点到光斑最外边界点部分灰度序列用最小二乘法进行高斯函数拟合,求得的高斯函数的期望值即为精确的角膜顶点亚像素坐标。
4.根据权利要求1所述的获取角膜顶点的图像处理方法,其特征在于,所述的步骤(3)二值化求亮斑区域中,系数w1>0,w2>0。
5.根据权利要求1所述的获取角膜顶点的图像处理方法,其特征在于,所述的步骤(6)双阈值二值化中,所述的变量为最大灰度值、最小灰度值、方差。
6.根据权利要求3所述的获取角膜顶点的图像处理方法,其特征在于,所述的步骤a中建立数学模型为经典的双曲正切函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010235092.7A CN111462156B (zh) | 2020-03-30 | 2020-03-30 | 获取角膜顶点的图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010235092.7A CN111462156B (zh) | 2020-03-30 | 2020-03-30 | 获取角膜顶点的图像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111462156A true CN111462156A (zh) | 2020-07-28 |
CN111462156B CN111462156B (zh) | 2023-03-31 |
Family
ID=71682352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010235092.7A Active CN111462156B (zh) | 2020-03-30 | 2020-03-30 | 获取角膜顶点的图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462156B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308014A (zh) * | 2020-11-18 | 2021-02-02 | 成都集思鸣智科技有限公司 | 双眼瞳孔与角膜反光点高速精确搜索定位方法 |
CN112587083A (zh) * | 2020-12-07 | 2021-04-02 | 东莞市东全智能科技有限公司 | 视觉处理方法、装置及计算机存储介质 |
CN113112432A (zh) * | 2021-05-13 | 2021-07-13 | 广州道一科学技术有限公司 | 自动识别图像条带的方法 |
CN114067104A (zh) * | 2021-11-26 | 2022-02-18 | 重庆远视科技有限公司 | 图像处理方法、屈光信息获取方法及系统 |
CN115526955A (zh) * | 2022-09-05 | 2022-12-27 | 杭州微晓医疗科技有限公司 | 一种用于生成角膜地形图的方法、设备及介质 |
CN116777794A (zh) * | 2023-08-17 | 2023-09-19 | 简阳市人民医院 | 一种角膜异物图像的处理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010282339A (ja) * | 2009-06-03 | 2010-12-16 | Seiko Epson Corp | 目における瞳の位置を補正する画像処理装置、画像処理方法、画像処理プログラム、および、印刷装置 |
CN104050667A (zh) * | 2014-06-11 | 2014-09-17 | 温州眼视光发展有限公司 | 瞳孔跟踪图像处理方法 |
CN109359503A (zh) * | 2018-08-15 | 2019-02-19 | 温州生物材料与工程研究所 | 瞳孔识别图像处理方法 |
CN109684915A (zh) * | 2018-11-12 | 2019-04-26 | 温州医科大学 | 瞳孔跟踪图像处理方法 |
-
2020
- 2020-03-30 CN CN202010235092.7A patent/CN111462156B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010282339A (ja) * | 2009-06-03 | 2010-12-16 | Seiko Epson Corp | 目における瞳の位置を補正する画像処理装置、画像処理方法、画像処理プログラム、および、印刷装置 |
CN104050667A (zh) * | 2014-06-11 | 2014-09-17 | 温州眼视光发展有限公司 | 瞳孔跟踪图像处理方法 |
CN109359503A (zh) * | 2018-08-15 | 2019-02-19 | 温州生物材料与工程研究所 | 瞳孔识别图像处理方法 |
CN109684915A (zh) * | 2018-11-12 | 2019-04-26 | 温州医科大学 | 瞳孔跟踪图像处理方法 |
Non-Patent Citations (2)
Title |
---|
余罗;刘洪英;许帅;蔡金芷;皮喜田;: "一种快速精确的瞳孔和角膜反射光斑中心定位算法的研究" * |
马争;黄;: "曲线拟合的虹膜定位算法研究" * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308014A (zh) * | 2020-11-18 | 2021-02-02 | 成都集思鸣智科技有限公司 | 双眼瞳孔与角膜反光点高速精确搜索定位方法 |
CN112308014B (zh) * | 2020-11-18 | 2024-05-14 | 成都集思鸣智科技有限公司 | 双眼瞳孔与角膜反光点高速精确搜索定位方法 |
CN112587083A (zh) * | 2020-12-07 | 2021-04-02 | 东莞市东全智能科技有限公司 | 视觉处理方法、装置及计算机存储介质 |
CN112587083B (zh) * | 2020-12-07 | 2023-08-15 | 东莞市东全智能科技有限公司 | 视觉处理方法、装置及计算机存储介质 |
CN113112432A (zh) * | 2021-05-13 | 2021-07-13 | 广州道一科学技术有限公司 | 自动识别图像条带的方法 |
CN114067104A (zh) * | 2021-11-26 | 2022-02-18 | 重庆远视科技有限公司 | 图像处理方法、屈光信息获取方法及系统 |
CN115526955A (zh) * | 2022-09-05 | 2022-12-27 | 杭州微晓医疗科技有限公司 | 一种用于生成角膜地形图的方法、设备及介质 |
CN115526955B (zh) * | 2022-09-05 | 2023-06-02 | 杭州微晓医疗科技有限公司 | 一种用于生成角膜地形图的方法、设备及介质 |
CN116777794A (zh) * | 2023-08-17 | 2023-09-19 | 简阳市人民医院 | 一种角膜异物图像的处理方法及系统 |
CN116777794B (zh) * | 2023-08-17 | 2023-11-03 | 简阳市人民医院 | 一种角膜异物图像的处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111462156B (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111462156B (zh) | 获取角膜顶点的图像处理方法 | |
Fatima Bokhari et al. | Fundus image segmentation and feature extraction for the detection of glaucoma: A new approach | |
US8048065B2 (en) | Method and apparatus for eye position registering and tracking | |
CN109684915B (zh) | 瞳孔跟踪图像处理方法 | |
US20110103674A1 (en) | Marker detection in x-ray images | |
CN109829942B (zh) | 一种眼底图像视网膜血管管径自动量化方法 | |
CN103778406B (zh) | 对象检测方法及设备 | |
EP2818099B1 (en) | Cycloduction measurement device, cycloduction measurement method, and cycloduction measurement program | |
US7072515B2 (en) | Method and apparatus for automatically tracing line-structure images | |
CN110111386B (zh) | 一种肌肉组织中结构性角度的自动测量方法及系统 | |
CN112634256B (zh) | 圆检测及拟合方法、装置、电子设备和存储介质 | |
JP2014228357A (ja) | ひび割れ検出方法 | |
CN112464829A (zh) | 一种瞳孔定位方法、设备、存储介质及视线追踪系统 | |
CN111932502B (zh) | 一种角膜图像点云选取方法、系统、智能终端及存储介质 | |
CN111968143A (zh) | 基于关联成像的边缘图像提取方法及系统 | |
EP2693397B1 (en) | Method and apparatus for noise reduction in an imaging system | |
CN110969617A (zh) | 视杯视盘图像识别方法、装置、设备及存储介质 | |
CN106841231B (zh) | 一种微小零件的视觉精密测量系统及方法 | |
US10617294B1 (en) | System and method for determining the spherical power of eyes based on measured refractive error | |
Bhuiyan et al. | Drusen quantification for early identification of age related macular degeneration (AMD) using color fundus imaging | |
CN116999017B (zh) | 基于数据分析的辅助眼部护理智能控制系统 | |
CN117137428A (zh) | 眼前节的角膜厚度测量方法、装置、计算机设备及介质 | |
CN117422758A (zh) | 虹膜直径的获取方法、装置、电子设备及存储介质 | |
CN117788361A (zh) | 一种瞳孔定位方法及装置 | |
CN117710490A (zh) | 基于目标颜色特征的形变测量方法 |
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 |