CN111932502A - 一种角膜图像点云选取方法、系统、智能终端及存储介质 - Google Patents

一种角膜图像点云选取方法、系统、智能终端及存储介质 Download PDF

Info

Publication number
CN111932502A
CN111932502A CN202010669481.0A CN202010669481A CN111932502A CN 111932502 A CN111932502 A CN 111932502A CN 202010669481 A CN202010669481 A CN 202010669481A CN 111932502 A CN111932502 A CN 111932502A
Authority
CN
China
Prior art keywords
cornea
image
ring
placido
bright
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
CN202010669481.0A
Other languages
English (en)
Other versions
CN111932502B (zh
Inventor
周永进
戴后蛟
张家宁
林佳纯
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN202010669481.0A priority Critical patent/CN111932502B/zh
Publication of CN111932502A publication Critical patent/CN111932502A/zh
Application granted granted Critical
Publication of CN111932502B publication Critical patent/CN111932502B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • 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)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明公开了一种角膜图像点云选取方法、系统、智能终端及存储介质，所述方法包括：获取角膜Placido图像，并对所述角膜Placido图像进行图像增强处理，以对所述角膜Placido图像的图像纹理增强；基于增强处理后的所述角膜Placido图像，识别增强处理后的所述角膜Placido图像中的亮环中心点；基于所述亮环中心点，确定所述增强处理后的所述角膜Placido图像中的亮环与暗环，并根据所述亮环与所述暗环选取点云。本发明在不增加亮环识别难度的同时进一步提高了Placido图像点云密度，能够进一步提高角膜地形图的准确度。

Description

一种角膜图像点云选取方法、系统、智能终端及存储介质
技术领域
本发明涉及样本选取技术领域，尤其涉及一种角膜图像点云选取方法、系统、终端及存储介质。
背景技术
角膜是眼球壁外层前部的透明部分，主要由无血管的结缔组织构成。角膜前表面像球面一样弯曲，具有折光作用，是人眼屈光度的重要组成部分,其屈光度约占人眼总屈光度的2/3。因此，角膜的屈光状态是人眼视力的一个重要指标。分析角膜的表面形态并获得其屈光状态的分布情况具有重大意义。
角膜地形图能够精确显示出人眼角膜的形态信息(包括曲率半径、屈光度、高度等)，在眼科常规检查、指导屈光手术及指导接触镜的验配等方面发挥着不可替代的作用。Placido盘由一系列等距同心圆环组成，基于Placido盘的角膜地形图仪是目前市场占有率最高、最为常用的角膜地形图测量仪器。通过Placido盘得到的角膜Placido图像所选取得到的样本点也被称为“点云”。而现有技术中，在对点云进行选取时，难以实现的点云增强，难以实现在不增加亮环识别难度的同时进一步提高Placido图像的点云密度，影响角膜地形图的准确度。
因此，现有技术还有待改进和提高。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种角膜图像点云选取方法、系统、终端及存储介质，旨在解决现有技术中在对点云进行选取时，难以实现的点云增强，难以实现在不增加亮环识别难度的同时进一步提高Placido图像的点云密度，影响角膜地形图的准确度的问题。
为了解决上述技术问题，本发明所采用的技术方案如下：
本发明提供一种角膜图像点云选取方法，其中，所述方法包括：
获取角膜Placido图像，并对所述角膜Placido图像进行图像增强处理，以对所述角膜Placido图像的图像纹理增强；
基于增强处理后的所述角膜Placido图像，识别增强处理后的所述角膜Placido图像中的亮环中心点；
基于所述亮环中心点，确定所述增强处理后的所述角膜Placido图像中的亮环与暗环，并根据所述亮环与所述暗环选取点云。
在一种实施方式中，所述获取角膜Placido图像，包括：
采用角膜地形图仪采集角膜图像数据，并基于所述角膜图像数据得到所述角膜Placido图像，所述角膜地形图仪具有若干个Placido环。
在一种实施方式中，所述对所述角膜Placido图像进行图像增强处理，以对所述角膜Placido图像的图像纹理增强，包括：
基于所述角膜Placido图像，确定所述角膜Placido图像上各个像素点的纹理方向场信息；
基于所述纹理方向场信息，确定所述角膜Placido图像的纹理主要方向，以对所述角膜Placido图像纹理进行增强。
在一种实施方式中，所述基于增强处理后的所述角膜Placido图像，识别增强处理后的所述角膜Placido图像中的亮环中心点，包括：
获取所述角膜Placido图像的尺寸数据，确定所述角膜Placido图像的的中心圆环区域；
获取所述中心圆环区域中的闭合圆环，并确定所述中心圆环区域中最小圆环；
对所述最小圆环环的像素点坐标进行最小二乘椭圆拟合，得到椭圆中心点，并将所述椭圆中心点作为所述亮环中心点。
在一种实施方式中，所述基于所述亮环中心点，确定所述增强处理后的所述角膜Placido图像中的亮环与暗环，包括：
将所述增强处理后的角膜Placido图像极坐标化，得到所述增强处理后的角膜Placido图像中的角膜子午线，所述角膜子午线为从所述亮环中心向外引申出的直线；
获取所述角膜子午线的灰度曲线，并获取所述灰度曲线上灰度值满足预设值的像素点，并将所述灰度值满足预设值的像素点的位置作为亮环的候选区域；
滤除所述候选区域中的非亮环区域，得到所述亮环以及所述暗环，所述暗环即为所述增强处理后的角膜Placido图像中除去亮环后的剩余区域。
在一种实施方式中，所述滤除所述候选位置中的非亮环区域，得到所述亮环以及所述暗环，包括：
获取所述候选区域内的预设个数的灰度值满足预设值的像素点，并获取相邻两个灰度值满足预设值的像素点的距离；
当所述距离大于预设值时，舍弃所述距离对应的像素点以外的像素点，以滤除所述候选位置中的非亮环区域，得到所述亮环以及所述暗环。
在一种实施方式中，所述根据所述亮环与所述暗环选取点云，包括：
选取多条相邻的亮环与暗环，并基于选取出的亮环与暗环进行点云选取。
第二方面，本发明还提供一种角膜Placido图像点云选取系统，其中，所述系统包括：
图像增强单元，用于获取角膜Placido图像，并对所述角膜Placido图像进行图像增强处理，以对所述角膜Placido图像的图像纹理增强；
亮环中心点确定单元，用于基于增强处理后的所述角膜Placido图像，识别增强处理后的所述角膜Placido图像中的亮环中心点；
点云选取单元，用于基于所述亮环中心点，确定所述增强处理后的所述角膜Placido图像中的亮环与暗环，并根据所述亮环与所述暗环选取点云。
第三方面，本发明还提供一种智能终端，其中，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如上述方案中任意一项所述的方法。
第四方面，本发明还提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述方案中任意一项所述的方法。
有益效果：与现有技术相比，本发明提供了一种角膜图像点云选取方法，首先获取角膜Placido图像，并对所述角膜Placido图像进行图像增强处理，以对所述角膜Placido图像的图像纹理增强；然后基于增强处理后的所述角膜Placido图像，识别增强处理后的所述角膜Placido图像中的亮环中心点；最后基于所述亮环中心点，确定所述增强处理后的所述角膜Placido图像中的亮环与暗环，并根据所述亮环与所述暗环选取点云。本发明在不增加亮环识别难度的同时进一步提高了Placido图像点云密度，能够进一步提高角膜地形图的准确度。
附图说明
图1为本发明提供的角膜图像点云选取方法的实施例流程图。
图2为本发明提供的角膜图像点云选取方法中获取的角膜Placido图像。
图3为本发明提供的角膜图像点云选取方法中得到增强处理后的角膜Placido图像。
图4为本发明提供的角膜图像点云选取方法中亮环中心点识别示意图。
图5为本发明提供的角膜图像点云选取方法中当θ＝45度时的角膜半子午线示意图。
图6为图5中的角膜半子午线的灰度曲线。
图7为本发明提供的角膜图像点云选取方法中滤除非亮环区域后的角膜半子午线灰度曲线。
图8为显示在增强处理后的角膜Placido图像上的45°角膜半子午线上亮环边缘点、中线点及暗环中线点检测结果。
图9为显示在原始角膜Placido图像上的45°角膜半子午线上亮环边缘点、中线点及暗环中线点检测结果。
图10为常规处理方式得到的点云图。
图11为采用本发明的角膜图像点云选取方法得到的点云图。
图12是本发明实施例提供的角膜图像点云选取系统的原理框图。
图13是本发明实施例提供的智能终端的功能原理图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
角膜是眼球壁外层前部的透明部分，主要由无血管的结缔组织构成。角膜前表面像球面一样弯曲，具有折光作用，是人眼屈光度的重要组成部分,其屈光度约占人眼总屈光度的2/3。因此，角膜的屈光状态是人眼视力的一个重要指标。分析角膜的表面形态并获得其屈光状态的分布情况具有重大意义。
角膜地形图能够精确显示出人眼角膜的形态信息(包括曲率半径、屈光度、高度等)，在眼科常规检查、指导屈光手术及指导接触镜的验配等方面发挥着不可替代的作用。Placido盘由一系列等距同心圆环组成，基于Placido盘的角膜地形图仪是目前市场占有率最高、最为常用的角膜地形图测量仪器。该类角膜地形图仪的原理可以概述为：首先需对投射于角膜表面的同心圆环影像进行摄影得到Placido图像，然后经分析识别出Placido图像中的亮环，并在亮环上选取一定的样本点用于角膜参数计算，最后进行插值处理以获得整个角膜的地形信息。选取得到的样本点也被称为“点云”。由此可知，Placido图像中的亮环数量越多，则用于参数计算的点云密度越大，插值后得到的角膜地形图也就越准确。然而，亮环密度越大，进行亮环识别的难度也就越高，故目前基于Placido盘的角膜地形图仪的Placido圆环数量常在16～32环不等。因此现有技术中，在对点云进行选取时，难以实现的点云增强，难以实现在不增加亮环识别难度的同时进一步提高Placido图像的点云密度，影响角膜地形图的准确度。
为了解决现有技术中的问题，本实施例提供一种角膜图像点云选取方法，具体如图1中所示，本实施例中所提供的角膜图像点云选取方法具体包括如下步骤：
步骤S100、获取角膜Placido图像，并对所述角膜Placido图像进行图像增强处理，以对所述角膜Placido图像的图像纹理增强。
具体实施时，本实施例在获取所述角膜Placido图像时，采用角膜地形图仪采集角膜图像数据，并基于所述角膜图像数据得到所述角膜Placido图像，所述角膜地形图仪具有若干个Placido环。在一种实施方式中，本实施例中的角膜Placido图像可由含32个Placido环的角膜地形图仪采集，其采用的高速摄像机型号为：台湾敏通MINTRON高清工业相机(MTV-1881EX-3)，具体参数包括：影像传感器：1/3英寸，CCD总像素：795(水平)X 596(垂直)(CCIR制式)/811(水平)X 508(垂直)(EIA制式)，扫描系統：625线，50场/秒(CCIR制式)/525线，60场/秒(EIA制式)，最低照度：0.02Lux(F1.2,5600°K)，信噪比：优于48dB，自动光圈：视频驱动，电源：直流12伏±1伏。具体如图2中所示，图2为所述角膜Placido图像。值得说明的是，本实施例在采集所述角膜Placido图像时并不限于Placido环数、形状等参数。
在一种实施方式中，本实施例在获取到所述角膜Placido图像后，对所述角膜Placido图像进行图像增强。图像增强是有目的地强调角膜Placido图像的整体或局部特性，扩大角膜Placido图像中不同物体特征之间的差别，抑制不感兴趣的特征，满足后续分析的需要。本实施例中首先基于所述角膜Placido图像，确定所述角膜Placido图像上各个像素点的纹理方向场信息；然后基于所述纹理方向场信息，确定所述角膜Placido图像的纹理主要方向，以对所述角膜Placido图像纹理进行增强。具体地，本实施例对所述角膜Placido图像I上某个坐标为(i，j)的点的沿水平方向和竖直方向的梯度数值Gx(i，j)、Gy(i，j)定义分别为：Gx(i，j)＝I(i，j)-
I(i-1，j)
Gy(i，j)＝I(i，j)-I(i，j-1)
该点处的纹理大小Rij及方向αij定义为：
Figure BDA0002581747650000071
Figure BDA0002581747650000072
那么，在N×N邻域内，所述角膜Placido图像的纹理主要方向θ为：
Figure BDA0002581747650000073
根据计算得到的区域主方向，借由高通滤波器，增强图像的纹理特征并进行二值化，从而得到增强处理后的角膜Placido图像，具体如图3中所示，图3中为增强处理后的角膜Placido图像。
步骤s200、基于增强处理后的所述角膜Placido图像，识别增强处理后的所述角膜Placido图像中的亮环中心点。
具有实施时，当获取到增强处理后的所述角膜Placido图像，识别出所述增强处理后的所述角膜Placido图像中的亮环中心点。亮环中心点识别目的在于找出亮环中心点的坐标，在一种实现方式中，本实施例首先获取所述角膜Placido图像的尺寸数据，确定所述角膜Placido图像的的中心圆环区域。然后获取所述中心圆环区域中的闭合圆环，并确定所述中心圆环区域中最小圆环。最后所述最小圆环环的像素点坐标进行最小二乘椭圆拟合，得到椭圆中心点，并将所述椭圆中心点作为所述亮环中心点。
具体地，假设角膜Placido图像大小为m×n，进行以下操作用于确定亮环中心点：由于亮环中心点必然在中心圆环区域，故以
Figure BDA0002581747650000081
为圆心，
Figure BDA0002581747650000082
为半径生成一个圆形掩模与原图进行相乘得到中心圆环区域。经细化等形态学处理操作后，检测图(如图4中随时)闭合圆环，取构成最小环的像素点坐标进行最小二乘椭圆拟合，得出的椭圆中心点即为Placido图像的亮环中心点(图4中最中心的圆环)。
步骤S300、基于所述亮环中心点，确定所述增强处理后的所述角膜Placido图像中的亮环与暗环。
本实施例中确定出所述亮环中心点后，将所述增强处理后的角膜Placido图像极坐标化，得到所述增强处理后的角膜Placido图像中的角膜子午线，所述角膜子午线为从所述亮环中心向外引申出的直线。然后获取所述角膜子午线的灰度曲线，并获取所述灰度曲线上灰度值满足预设值的像素点，并将所述灰度值满足预设值的像素点的位置作为亮环的候选区域。最后，滤除所述候选区域中的非亮环区域，得到所述亮环以及所述暗环，所述暗环即为所述增强处理后的角膜Placido图像中除去亮环后的剩余区域。
具体地，本实施例对增强处理后的角膜Placido图像中亮、暗环进行识别，包括但不限于识别亮环的中心线、双边缘线以及暗环的中心线，主要特征在于对亮、暗环进行多层次分解后进行识别，最后将识别结果全部或者部分用于点云选取。在一种实施方式中，本实施例以增强处理后的及角膜Placido图像中心点为原点将增强处理后的角膜Placido图像极坐标化，使Placido环的识别在一维空间中进行。增强处理后的角膜Placido图像中心点坐标为(x0，y0)，ρ为极坐标长度，θ为与水平方向的夹角，则增强处理后的角膜Placido图像上点(x，y)可表示为(θ，ρ)，转换公式为：
Figure BDA0002581747650000091
Figure BDA0002581747650000092
与水平向右方向成θ角，从亮环中心点引申向外的直线被称为θ角膜半子午线。图5为当θ＝45度时的角膜半子午线示意图，该角膜半子午线的灰度曲线如图6所示，灰度曲线上凸起(灰度值满足预设值的像素点，预设值为1)的位置即为亮环的可能所在位置(即候选位置)。
进一步地，本实施例中还需滤除所述候选位置中的非亮环区域。具体地，本实施例获取所述候选区域内的预设个数的灰度值满足预设值的像素点，并获取相邻两个灰度值满足预设值的像素点的距离；当所述距离大于预设值时，舍弃所述距离对应的像素点以外的像素点，以滤除所述候选位置中的非亮环区域，得到所述亮环以及所述暗环。例如，本实施例中选取前32个凸起，相邻两点距离大于5。但当相邻两个凸起的距离大于13时舍弃后面的所有像素点，以滤除可能的非亮环区域。图7为滤除非亮环区域后的角膜半子午线灰度曲线。这时灰度曲线上的凸起即为亮环，凹陷为暗环。凸起的左右端点、中心点即为亮环的边缘点、中线点，凹陷的中心点即为暗环的中线点。检测上述点的位置ρ值，通过：
x＝x0+ρ×cosθ
y＝X0+ρ×sinθ
即可求出这些点在增强处理后的角膜Placido图像上的笛卡尔坐标(x，y)。图8、图9分别为显示在增强处理后的角膜Placido图像、原始角膜Placido图像上的45°角膜半子午线上亮环边缘点、中线点及暗环中线点检测结果。
本实施例可每隔一定角度选取不同的角膜半子午线，重复上述检测步骤，直至全图检测完成。比如，若每隔5度选取角膜半子午线进行检测，则共有72条角膜半子午线。在现有技术找那个，相邻的亮暗两环仅能提供一条亮环中心线用于点云选取，而本方法在同等条件下及同等区域内可以提供多条亮环线和暗环向用于点云选取。在此条件下，图10为常规处理方式得到的点云图，图11为本发明方案得到的点云图。从图11和图10的对比可以看出本发明方案得到的点云密度要远大于常规处理方式得到的点云密度。本发明在不增加亮环识别难度的同时进一步提高了Placido图像点云密度，能够进一步提高角膜地形图的准确度。
基于上述实施例，本发明还提供一种角膜Placido图像点云选取系统，如图12中所示，所述角膜Placido图像点云选取系统包括：图像增强单元10、亮环中心点确定单元20以及点云选取单元30。在本实施例中，所述图像增强单元10，用于获取角膜Placido图像，并对所述角膜Placido图像进行图像增强处理，以对所述角膜Placido图像的图像纹理增强。所述亮环中心点确定单元20，用于基于增强处理后的所述角膜Placido图像，识别增强处理后的所述角膜Placido图像中的亮环中心点。所述点云选取单元30，用于基于所述亮环中心点，确定所述增强处理后的所述角膜Placido图像中的亮环与暗环，并根据所述亮环与所述暗环选取点云。
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图13所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种角膜Placido图像点云选取方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏，该智能终端的温度传感器是预先在智能终端内部设置，用于检测内部设备的运行温度。
本领域技术人员可以理解，图13中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：
获取角膜Placido图像，并对所述角膜Placido图像进行图像增强处理，以对所述角膜Placido图像的图像纹理增强；
基于增强处理后的所述角膜Placido图像，识别增强处理后的所述角膜Placido图像中的亮环中心点；
基于所述亮环中心点，确定所述增强处理后的所述角膜Placido图像中的亮环与暗环，并根据所述亮环与所述暗环选取点云。
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流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上，本发明公开了一种角膜图像点云选取方法、系统、终端及存储介质，所述方法包括：获取角膜Placido图像，并对所述角膜Placido图像进行图像增强处理，以对所述角膜Placido图像的图像纹理增强；基于增强处理后的所述角膜Placido图像，识别增强处理后的所述角膜Placido图像中的亮环中心点；基于所述亮环中心点，确定所述增强处理后的所述角膜Placido图像中的亮环与暗环，并根据所述亮环与所述暗环选取点云。本发明在不增加亮环识别难度的同时进一步提高了Placido图像点云密度，能够进一步提高角膜地形图的准确度。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种角膜图像点云选取方法，其特征在于，所述方法包括：
获取角膜Placido图像，并对所述角膜Placido图像进行图像增强处理，以对所述角膜Placido图像的图像纹理增强；
基于增强处理后的所述角膜Placido图像，识别增强处理后的所述角膜Placido图像中的亮环中心点；
基于所述亮环中心点，确定所述增强处理后的所述角膜Placido图像中的亮环与暗环，并根据所述亮环与所述暗环选取点云。
2.根据权利要求1所述的角膜图像点云选取方法，其特征在于，所述获取角膜Placido图像，包括：
采用角膜地形图仪采集角膜图像数据，并基于所述角膜图像数据得到所述角膜Placido图像，所述角膜地形图仪具有若干个Placido环。
3.根据权利要求1所述的角膜图像点云选取方法，其特征在于，所述对所述角膜Placido图像进行图像增强处理，以对所述角膜Placido图像的图像纹理增强，包括：
基于所述角膜Placido图像，确定所述角膜Placido图像上各个像素点的纹理方向场信息；
基于所述纹理方向场信息，确定所述角膜Placido图像的纹理主要方向，以对所述角膜Placido图像纹理进行增强。
4.根据权利要求1所述的角膜图像点云选取方法，其特征在于，所述基于增强处理后的所述角膜Placido图像，识别增强处理后的所述角膜Placido图像中的亮环中心点，包括：
获取所述角膜Placido图像的尺寸数据，确定所述角膜Placido图像的的中心圆环区域；
获取所述中心圆环区域中的闭合圆环，并确定所述中心圆环区域中最小圆环；
对所述最小圆环环的像素点坐标进行最小二乘椭圆拟合，得到椭圆中心点，并将所述椭圆中心点作为所述亮环中心点。
5.根据权利要求1所述的角膜图像点云选取方法，其特征在于，所述基于所述亮环中心点，确定所述增强处理后的所述角膜Placido图像中的亮环与暗环，包括：
将所述增强处理后的角膜Placido图像极坐标化，得到所述增强处理后的角膜Placido图像中的角膜子午线，所述角膜子午线为从所述亮环中心向外引申出的直线；
获取所述角膜子午线的灰度曲线，并获取所述灰度曲线上灰度值满足预设值的像素点，并将所述灰度值满足预设值的像素点的位置作为亮环的候选区域；
滤除所述候选区域中的非亮环区域，得到所述亮环以及所述暗环，所述暗环即为所述增强处理后的角膜Placido图像中除去亮环后的剩余区域。
6.根据权利要求5所述的角膜图像点云选取方法，其特征在于，所述滤除所述候选位置中的非亮环区域，得到所述亮环以及所述暗环，包括：
获取所述候选区域内的预设个数的灰度值满足预设值的像素点，并获取相邻两个灰度值满足预设值的像素点的距离；
当所述距离大于预设值时，舍弃所述距离对应的像素点以外的像素点，以滤除所述候选位置中的非亮环区域，得到所述亮环以及所述暗环。
7.根据权利要求1所述的角膜图像点云选取方法，其特征在于，所述根据所述亮环与所述暗环选取点云，包括：
选取多条相邻的亮环与暗环，并基于选取出的亮环与暗环进行点云选取。
8.一种角膜Placido图像点云选取系统，其特征在于，所述系统包括：
图像增强单元，用于获取角膜Placido图像，并对所述角膜Placido图像进行图像增强处理，以对所述角膜Placido图像的图像纹理增强；
亮环中心点确定单元，用于基于增强处理后的所述角膜Placido图像，识别增强处理后的所述角膜Placido图像中的亮环中心点；
点云选取单元，用于基于所述亮环中心点，确定所述增强处理后的所述角膜Placido图像中的亮环与暗环，并根据所述亮环与所述暗环选取点云。
9.一种智能终端，其特征在于，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如权利要求1-7中任意一项所述的方法。
10.一种非临时性计算机可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1-7中任意一项所述的方法。
CN202010669481.0A 2020-07-13 2020-07-13 一种角膜图像点云选取方法、系统、智能终端及存储介质 Active CN111932502B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010669481.0A CN111932502B (zh) 2020-07-13 2020-07-13 一种角膜图像点云选取方法、系统、智能终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010669481.0A CN111932502B (zh) 2020-07-13 2020-07-13 一种角膜图像点云选取方法、系统、智能终端及存储介质

Publications (2)

Publication Number Publication Date
CN111932502A true CN111932502A (zh) 2020-11-13
CN111932502B CN111932502B (zh) 2023-09-05

Family

ID=73312875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010669481.0A Active CN111932502B (zh) 2020-07-13 2020-07-13 一种角膜图像点云选取方法、系统、智能终端及存储介质

Country Status (1)

Country Link
CN (1) CN111932502B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465785A (zh) * 2020-11-30 2021-03-09 深圳大学 角膜动态参数提取方法及系统
CN113822928A (zh) * 2021-11-22 2021-12-21 杭州目乐医疗科技股份有限公司 角膜地形图重建方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101344913A (zh) * 2007-07-10 2009-01-14 电子科技大学中山学院 一种通过提取虹膜纹理特征进行身份识别的方法
CN107209950A (zh) * 2015-01-29 2017-09-26 微软技术许可有限责任公司 从现实世界材料自动生成虚拟材料
CN107292242A (zh) * 2017-05-31 2017-10-24 华为技术有限公司 一种虹膜识别方法和终端
CN108734701A (zh) * 2018-04-25 2018-11-02 天津市索维电子技术有限公司 一种Placido环图像形态变化识别算法
CN109410268A (zh) * 2018-11-06 2019-03-01 温州雷蒙光电科技有限公司 一种角膜地形图的同心圆环圆心的确定方法及系统
CN110889356A (zh) * 2019-11-19 2020-03-17 广州恒龙信息技术有限公司 一种基于红外相机解锁ar眼镜的方法、装置及ar眼镜

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101344913A (zh) * 2007-07-10 2009-01-14 电子科技大学中山学院 一种通过提取虹膜纹理特征进行身份识别的方法
CN107209950A (zh) * 2015-01-29 2017-09-26 微软技术许可有限责任公司 从现实世界材料自动生成虚拟材料
CN107292242A (zh) * 2017-05-31 2017-10-24 华为技术有限公司 一种虹膜识别方法和终端
CN108734701A (zh) * 2018-04-25 2018-11-02 天津市索维电子技术有限公司 一种Placido环图像形态变化识别算法
CN109410268A (zh) * 2018-11-06 2019-03-01 温州雷蒙光电科技有限公司 一种角膜地形图的同心圆环圆心的确定方法及系统
CN110889356A (zh) * 2019-11-19 2020-03-17 广州恒龙信息技术有限公司 一种基于红外相机解锁ar眼镜的方法、装置及ar眼镜

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465785A (zh) * 2020-11-30 2021-03-09 深圳大学 角膜动态参数提取方法及系统
CN112465785B (zh) * 2020-11-30 2024-05-31 深圳大学 角膜动态参数提取方法及系统
CN113822928A (zh) * 2021-11-22 2021-12-21 杭州目乐医疗科技股份有限公司 角膜地形图重建方法及装置

Also Published As

Publication number Publication date
CN111932502B (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
US11109941B2 (en) Tracking surgical items with prediction of duplicate imaging of items
CN109493954B (zh) 一种基于类别判别定位的sd-oct图像视网膜病变检测系统
CN111462156B (zh) 获取角膜顶点的图像处理方法
JP2008521122A (ja) 虹彩識別のためのマルチスケール可変領域分解方法及びシステム
TWI719587B (zh) 眼底圖像定量分析的前置處理方法及存放裝置
US20160012575A1 (en) Image processing apparatus and image processing method
JP3453911B2 (ja) 視線認識装置
CN109840484B (zh) 一种基于边缘滤波、椭圆评价和瞳孔验证的瞳孔检测方法
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
CN110736747A (zh) 一种细胞液基涂片镜下定位的方法及系统
JP7355434B2 (ja) 眼底画像認識方法及び装置並びに設備
CN109635761B (zh) 一种虹膜识别图像确定方法、装置、终端设备及存储介质
CN116309584B (zh) 一种用于白内障区域识别的图像处理系统
CN112464829B (zh) 一种瞳孔定位方法、设备、存储介质及视线追踪系统
CN116491893B (zh) 高度近视眼底改变评估方法及装置、电子设备及存储介质
CN115731203A (zh) 白内障图像识别方法、装置、计算机设备和可读存储介质
Kumar et al. Automatic optic disc segmentation using maximum intensity variation
CN109359503B (zh) 瞳孔识别图像处理方法
CN114373216B (zh) 用于眼前节octa的眼动追踪方法、装置、设备和存储介质
CN115456974A (zh) 基于人脸关键点的斜视检测系统、方法、设备及介质
CN113920068B (zh) 一种基于人工智能的身体部位检测方法、装置及电子设备
CN112991289B (zh) 图像标准切面的处理方法及装置
CN112800966B (zh) 一种视线的追踪方法及电子设备
CN113384236A (zh) 一种眼部光学相干断层扫描的方法及其装置
CN117788361A (zh) 一种瞳孔定位方法及装置

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