CN112584750A - 用于通过自动确定主观视敏度来优化光学辅助件的方法 - Google Patents

Abstract

本发明涉及：一种用于通过自动测量主观视敏度来优化光学辅助件的方法；一种用于生产相应优化的光学辅助件的方法；一种用于生产光学辅助件的设备；一种具有执行该优化方法的程序代码的计算机程序，该程序能够在处理器上运行；以及一种非瞬态存储介质，该非瞬态存储介质包括存储在其上的该计算机程序。

Description

用于通过自动确定主观视敏度来优化光学辅助件的方法

技术领域

本发明涉及一种用于通过自动确定主观视敏度来优化光学辅助件的方法。

背景技术

已知的用于确定主观视敏度（例如人眼的分辨率）的方法是基于以下假设：在光学缺陷与预期的视敏度之间存在联系。这些已知方法通过各种光学和神经滤波器功能对视觉系统建模。这种建模是基于测试对象主观测量。测试对象主观测量很费力，并且由于破坏性影响（例如，由于测试对象疲劳）而导致结果的歪曲。此外，滤波器功能具有必须进行适当适配的可调权重。特别地，神经传递函数可能是高度非线性的，因此难以描述。神经传递函数可能对于不同的人变化极大。因此，使用这些已知方法不能保证获得足够准确的结果。相应地，通过已知的用于确定主观视敏度的方法来优化光学辅助件也是费力的、易遭遇破坏性影响并且不够准确。

发明内容

本发明的目的是消除现有技术的这些缺点。特别地，将提供一种用于优化光学辅助件的方法，在该方法中，快速确定主观视敏度而没有破坏性影响、并且具有良好的准确性。此外，还指明了一种用于相应优化的光学辅助件的生产方法、和一种用于生产相应优化的光学辅助件的设备。

根据本发明，该目的是通过权利要求1的主题的优化方法、权利要求10的主题的生产方法、以及权利要求12的主题的设备来实现的。在从属权利要求中说明了本发明的有利改进。

本发明的用于优化光学辅助件的方法使用机器学习来执行主观视敏度的自动确定并且包括以下步骤：

a) 提供至少一个训练数据集，

b) 通过该至少一个训练数据集来训练人工神经网络，

c) 一般性地创建刺激图像，

d) 对该刺激图像进行参数化，其中执行第一和第二参数化，并且优选地通过至少使用该刺激图像的图像大小、刺激对比度、和/或刺激形状来进行对该刺激图像的第一参数化，

e) 提供识别概率函数，

f) 通过训练后的神经网络来将该刺激图像分类，以提供该刺激图像的类别，

g) 基于该刺激图像的类别来确定在步骤d) 中执行的该第一参数化的识别概率，

h) 基于所确定的识别概率来适配该刺激图像的第一参数化，

i) 通过该训练后的神经网络来将经适配的刺激图像分类，以提供该经适配的刺激图像的类别，

j) 基于该经适配的刺激图像的类别来确定在步骤h) 中适配的该第一参数化的识别概率，

k) 重复步骤h) 至步骤j)，直至实现关于找到主观视敏度阈值的终止准则，

l) 确定该主观视敏度阈值，

m) 在各自情况下以不同的第二参数化来重复进行步骤d) 至l) ，在各自情况下，该刺激图像的第二参数化包括对该刺激图像施加该光学辅助件的至少一种特性，

n) 通过选择具有在步骤l) 中确定的最高主观视敏度的该第二参数化来优化该光学辅助件。

该方法是体外方法；即，这些方法步骤均不在人体上或在人体内执行。

这些方法步骤优选地以指定顺序a) - n) 执行。

在本专利申请中，术语“光学辅助件”作为统称使用。术语“光学辅助件”包括眼镜片、眼镜片毛坯、渐进式镜片、隐形眼镜、人工晶状体、物镜、双目光学器件、以及不同光学器件的组合。在此背景下，眼镜片还应理解为是指眼镜片毛坯和渐进式镜片。“光学辅助件”优选地是镜片或具有两个镜片的一副眼镜。

在本专利申请中，术语“光学系统”应理解为是指光学辅助件和/或人眼。

在本专利申请中，所述人眼是明确地对其执行根据本发明的对光学辅助件（尤其眼镜片）的优化的某个人的眼睛。

在本专利申请中，术语“视敏度”可与术语“性能”或“视觉性能”互换地使用。“视敏度”或“（视觉）性能”代表光学和/或神经系统充分处理和/或解析给出的刺激图像的能力，即，眼睛（连同视神经和大脑）和/或光学辅助件充分处理和/或解析给出的刺激图像的能力。“视敏度”或“（视觉）性能”在此取决于刺激图像的参数化类型。“视敏度”或“（视觉）性能”关于图像大小参数是指分辨率、关于对比度参数是指充分处理低或高对比度级别的能力、而关于形状参数是指在形状之间区分的能力。术语“主观视敏度”在此是指人的视敏度。在图像大小参数的情况下，通过使用与图像大小对应的观察角可以等效定义该参数。此外，图像大小或观察角参数可以与整个刺激图像相关或仅与刺激图像内的关键细节的范围相关。例如，关键细节是兰道环中的空隙的宽度。

刺激图像优选地为兰道C（也称为兰道环）。这是圆C，其空隙可以具有不同的对准角度，尤其这八种不同的对准角度：“0°”、“45°”、“90°”、“135°”、“180°”、“225°”、“270°”或“315°”。刺激图像可以替代性地是例如斯内伦钩（也称为E钩）、字母、数字、对比图案、或自然图像。自然图像应理解为尤其是指存在基于自然环境的观察角特定分布的图像。一般而言，适合于确定视敏度的任何刺激图像都适合于实施本发明。所述替代性刺激图像的大小关系优选地基于兰道环的大小关系。刺激图像可以合成地创建。

每个刺激图像具有至少一个可识别特征。例如，在兰道环的情况下，特征为空隙的对准角度。在数字的情况下，特征为是什么数字。

在本申请的背景下，参数化应理解为是指一个或多个相关参数的一个或多个特定值。更一般而言，参数化是一维或多维参数空间中的特定点。如果所考虑的参数例如是图像大小，则参数化是图像大小的特定值。图像大小对应于在标准化条件下（尤其在固定距离处）刺激图像被呈现给人（或测试对象）时的观察角。

在步骤a) 中提供的训练数据集优选地反映大量真实测试对象在识别刺激图像时的主观视敏度。为了创建训练数据集，例如在监视器或板上向第一真实测试对象逐渐以不同的参数化（即，以一个或多个参数的不同值，例如以图像大小和/或对比度的不同值）呈现刺激图像。对于呈现给他/她的刺激图像的每个参数化，真实测试对象必须传达他/她对于在刺激图像上示出的特征的主观识别或未识别。真实测试对象的这种主观响应可以例如通过致动按键或按钮进行，优选地针对识别则致动特定按键而针对未识别则致动特定的其他按键。优选地，测试对象在任何情况下都必须做出特定决定，即，例如他/她必须判定是“已识别”还是“未识别”。在兰道环的情况下，优选地提供了，测试对象必须从可能的角度“0°”、“45°”、“90°”、“135°”、“180°”、“225°”、“270°”、或“315°”中判定特定的空隙对准角度。因此，如果必要，测试对象必须猜。测试对象的这个必需的决定也被称为强制选择范例。

对大量其他真实测试对象实施针对第一真实测试对象描述的例程。在此重要的是，通过使用标准化的数据收集条件来确保在每种情况下获得的数据的可比性。优选地，将测试对象与监视器或板之间的距离、照明和/或曝露时间标准化。各个测试对象也优选地尽可能相似。例如，所有测试对象都可以是年轻健康、没有视力缺陷并且具有正常神经特性的人。优选地，所有测试对象都可以具有视力缺陷。可以在每个测试对象正在使用或没有使用光学辅助件时对其呈现经过不同参数化的刺激图像。

然而，训练数据集还可以包括不同群体的真实测试对象，例如儿童和成人；成人和老年人；或儿童、成人和老年人。此外，训练数据集可以包括不同年龄组，例如30至40岁、40至50岁、50至60岁、以及60至70岁。

此外，还可以对每个单独的真实测试对象呈现具有不同特征的多个刺激图像。例如，当使用兰道环作为刺激图像时，C的八个不同空隙对准角度可以作为特征的不同表现形式来呈现。各个对准角度可以各自参数化不同地呈现在块中、或者根据需要混合、或以彼此间恒定的变化来呈现。

例如，在大量测试对象的情况下，可以将刺激图像以特征的某个表现形式按照不同的参数化呈现总共100 - 1 000 000次、优选地1 000 - 100 000次、特别优选地2 000至10 000次。当呈现具有八个不同的空隙对准角度的兰道环时，例如呈现数量乘以八。

此外，可以对每个单独的真实测试对象进行多轮，其中每轮中的刺激图像优选地具有不同表现形式的光学像差、例如不同的清晰度。例如，第一轮可以用清晰的刺激图像进行，并且第二轮用不清晰的刺激图像进行。作为其替代方案，在一组相同类型的真实测试对象的情况下，关于具有不同参数化和/或不同的特征表现形式的刺激图像，可以对每个测试对象分别仅进行一轮；然而，在这种情况下，可以向第一数量的测试对象提供具有第一清晰度的刺激图像，并且可以向第二数量的测试对象提供具有第二清晰度的刺激图像。可选地，可以向第三数量的测试对象提供具有第三清晰度的刺激图像，以此类推，直到向第n数量的测试对象提供具有第n清晰度的刺激图像。例如，在一组相同类型的真实测试对象的情况下，可以对这些测试对象中的一些测试对象呈现清晰的刺激图像以获得所描述的主观视敏度确定，并且可以对这些测试对象中的一些其他测试对象各自呈现不清晰的刺激图像。

优选地，可以对每个单独的测试对象呈现具有五至十个不同清晰度的刺激图像。这相应地得到例如总数4 000 - 80 000 000个呈现、优选地40 000 - 8 000 000个呈现、特别优选地80 000 - 800 000个呈现，以创建训练数据集。

所提供的训练数据集包括经过不同参数化的刺激图像，其可能具有不同的特征表现形式、还可能包括关于各个刺激图像的实际特征表现形式的信息。在此，在每个单独的刺激图像与其实际特征表现形式之间存在明确的分配。此外，训练数据集优选地包括测试对象对于识别在刺激图像上示出的一个或多个特征的对应主观响应。作为询问真实测试对象的主观视敏度的替代方案，还可以专门合成地生成训练数据集。因此，在这种情况下，训练数据集仅包括经过不同参数化的具有不同的特征表现形式的刺激图像。

神经网络优选地由不同的层构成。这些层可以包括输入层、一定数量的隐藏层、以及输出层。在这种情况下，每个层包括大量神经元。在考虑权重的情况下将相邻层的神经元彼此连接。训练数据集优选地被提供至输入层。特别地，各个刺激图像以及如果适用的话关于实际包含在各个刺激图像上的特征表现形式的信息各自被提供至输入层。此外，测试对象对于识别在刺激图像上示出的一个或多个特征的对应主观响应可以提供至输入层。在根据步骤b) 训练神经网络期间，尤其以如下方式调整权重，使得在输出层中实现各个刺激图像与实际包含在这些刺激图像上的特征表现形式之间的准确分配。优选地，多次重复该训练过程。在这种情况下，基于发生的权重变化来确定学习速率。优选地，通过学习速率来确定重复次数。例如，当学习速率等于或低于某个下限值时，可以终止该训练过程。在这种情况下，神经网络被认为是经过充分训练的。

根据步骤c) 的一般性创建是指生成或选择刺激图像本身。例如，可以提供兰道环（或“兰道C”）、斯内伦钩（或“E钩”）、字母、数字、对比图案、或自然图像作为刺激图像。刺激图像的一般性创建优选地包括提供特征空间，该特征空间包括多个特征表现形式，即，选择不同的特征表现形式的可能性，例如兰道环中的空隙的八种可能对准角度。该特征空间可以是一维或多维的。

在步骤c) 中一般性创建的刺激图像、和/或特征空间优选地对应于在创建该至少一个训练数据集时使用的刺激图像和/或特征空间。步骤a) 、b) 、和c) 优选地以这个时间次序执行。作为其替代方案，还可想到的是选择与该一般性创建的刺激图像及其特征空间相匹配的训练数据集。该训练数据集可以例如选自具有大量训练数据集的数据库。因此，在这种情况下，步骤a) 、b) 、和c) 以时间次序c) -> a) -> b) 来执行。

优选地，在步骤d) 中，从特征空间中选择该多个特征表现形式之一并且将其提供在刺激图像中。例如，在兰道环的情况下，选择空隙的八种可能对准角度中的一种作为特征表现形式并且将其提供在刺激图像中。优选地，在刺激图像的参数化之前进行特征表现形式的选择和提供。优选地随机选择、例如基于正态分布或均匀分布来选择特征表现形式。在多维特征空间的情况下，特征表现形式可以理解为向量。优选地，通过控制软件来进行特征表现形式的选择和提供。该控制软件可以使用心理物理算法、或者是心理物理算法。

优选地，通过控制软件或通过心理物理算法来进行根据步骤d) 的参数化。当根据步骤d) 进行参数化时，优选地为控制软件或心理物理算法定义输入值（即，初始值）。

在本申请的背景下，第一参数化应理解为一个或多个相关第一参数的一个或多个特定值。该一个或多个第一参数形成第一参数空间。更一般而言，第一参数化是一维或多维第一参数空间中的特定点。如果所考虑的第一参数例如是图像大小，则第一参数化是图像大小的特定值。图像大小对应于在标准条件下由其得到的观察角。刺激对比度是刺激图像本身的对比度值或是刺激图像上示出的特征的对比度值。刺激对比度可以是黑白对比度和/或彩色对比度。刺激形状是刺激图像上示出的特征的特定形状。例如，刺激图像可以包括圆作为特征。在这种情况下，第一参数化可以是调整到该圆上的正弦，由此该圆可以具有凸起。该圆可以被人感知为完美的圆形或是变形的（或相应地被神经网络分类为完美的圆形或是变形的）。还可以例如通过提供径向频率图案作为刺激图像来研究形状参数。根据本发明的方法，可以例如仅通过使用图像大小来进行第一参数化。作为其替代方案，可以仅通过使用刺激对比度来进行第一参数化，刺激图像的图像大小保持不变。此外，可以仅通过使用刺激形状来进行第一参数化，刺激图像的图像大小保持不变。

可以通过对刺激图像施加人眼的至少一种特性和/或光学辅助件（例如，眼镜片）的至少一种特性、优选地通过施加眼睛和/或光学辅助件（眼镜片）的一种或多种光学像差来进行第二参数化。因此，该至少一种特性优选地为至少一种光学像差。眼睛和/或光学辅助件的一种或多种光学像差可以包括散焦、像散、彗形像差和/或更高阶的像差。光学像差可以例如用眼睛和/或光学辅助件的屈光力以屈光度（dpt）为单位来度量。光学辅助件（例如，眼镜片）优选地实现矫正，即，补偿眼睛的视力缺陷。在这种情况下，眼睛的光学像差将被光学辅助件上的对应光学像差补偿。在这种情况下，光学辅助件的光学像差优选地与眼睛的光学像差符号相反。例如，眼睛的光学像差为+1 dpt散焦，而光学辅助件的光学像差为-1 dpt散焦。

在本申请的背景下，第二参数化应理解为是指一个或多个相关第二参数的一个或多个特定值。该一个或多个第二参数形成第二参数空间。更一般而言，第二参数化是一维或多维第二参数空间中的特定点。如果所考虑的第二参数例如是刺激图像的清晰度，则第二参数化是刺激图像的清晰度的特定值。在这个示例中，作为眼睛和/或光学辅助件（尤其眼镜片）的特性的屈光力对应于作为第二参数化的清晰度。替代或附加于此，可以使用对比度来进行第二参数化。同样在这个示例中，例如，作为眼睛和/或光学辅助件（尤其眼镜片）的特性的屈光力对应于作为第二参数化的对比度。这个示例还示出了，参数“对比度”可以属于第一和/或第二参数空间，取决于方法的配置。这个陈述可以是概括性的。然而，在本申请的背景下，第一参数与第二参数之间有明显的区别：第一参数用于确定主观视敏度阈值，即，通过改变第一参数化来确定主观视敏度阈值。因此，第一参数化对应于刺激强度。第二参数表示光学系统的不同特性对刺激图像的影响。

第一参数化和第二参数化优选地涉及不同的参数，例如，第一参数化与图像大小相关，而第二参数化与光学像差相关。

光学像差通常可以是在对泽尼克系数的描述中或在对光学缺陷的任何其他描述中存在的波前误差。这些可以在眼睛和/或光学辅助件（尤其眼镜片）的中心或外围测量或计算得到。附加于或替代光学像差，该至少一种特性还可以是至少一个暗点（例如由于年龄相关性黄斑变性或糖尿病视网膜病变导致一部分视野的敏感性完全或部分丧失）、畸变、和/或不透明。还可以对刺激图像施加这些特性中的一种或多种特性。作为第二参数化，例如，对比度或对比度变化对应于不透明，刺激图像中的局部遮挡或缺失区域对应于暗点，并且形状变化对应于畸变。

识别概率函数对每个第一参数化分配识别概率。识别概率函数优选地是S型函数。S型函数由于其形状还被称为鹅颈函数或S函数。S型函数可以例如通过累积高斯分布来用数学方法确定。

将刺激图像（参见步骤f) 和步骤i) ）分类是指将刺激图像分配到不同的类别。训练后的神经网络对刺激图像分类的类别可以为例如“已识别”、“未识别”，或（在兰道环的情况下）为“0°”、“45°”、“90°”、“135°”、“180°”、“225°”、“270°”、或“315°”。可以通过控制软件（优选地通过心理物理算法）来将经训练的神经网络进行的分类与实际存在的特征表现形式、例如在兰道环的情况下与实际存在的空隙对准角度进行比较。特别地，控制软件（优选地心理物理算法）可以在“已识别”或正确确定空隙对准角度（在兰道环的情况下）的情况下将类别确定为肯定；以及在“未识别”或错误确定空隙对准角度（在兰道环的情况下）的情况下将类别确定为否定。

如果类别为肯定，则在步骤g) 中，控制软件（优选地心理物理算法）可以将第一参数化的识别概率确定为100%。如果类别为否定，则在步骤g) 中，控制软件（优选地心理物理算法）可以将第一参数化的识别概率确定为0%。

优选地，在步骤g) 中，基于刺激图像的类别来将识别概率确定为步骤d) 中执行的第一参数化的识别概率函数值。为此目的，可以通过拟合将该识别概率函数与针对第一参数化确定的识别概率（例如，来自前一个示例的0%或100%）适配。拟合的识别概率函数分配给第一参数化的值优选地用作第一参数化的识别概率以进行根据本发明方法的另外的过程。

优选地，在步骤h) 中，同样从特征空间中选择该多个特征表现形式之一并且将其提供在刺激图像中。例如，在兰道环的情况下，选择空隙的八种可能对准角度中的一种作为特征表现形式并且将其提供在刺激图像中。优选地，在对该参数化进行适配之前进行特征表现形式的选择和提供。优选地随机选择、例如基于正态分布或均匀分布来选择特征表现形式。在多维特征空间的情况下，特征表现形式可以理解为向量。

优选地，基于在步骤g) 或步骤j) 中确定的识别概率，通过控制软件（尤其是心理物理算法）来进行步骤h) 中的对刺激图像的第一参数化的适配。在这种情况下，对刺激图像的第一参数化的适配可以优选地基于用所确定的识别概率进行拟合的识别概率函数来进行。因此，在下文中，术语“识别概率”可以指代在步骤g) 或步骤j) 中确定的识别概率、以及相关的第一参数化的经拟合的识别概率函数的值两者。在识别概率超过50%（或为至少50%）的情况下，优选地，以如下方式来适配第一参数化，使得对具有新的第一参数化的刺激图像的识别变得更困难，例如图像大小因此被减小。相应地，在识别概率低于50%的情况下，可以以如下方式来适配第一参数化，使得对具有新的第一参数化的刺激图像的识别变得更容易，例如图像大小因此被增大。新的第一参数化与前一个第一参数化之差的量优选地还取决于识别概率。优选地，识别概率越接近50%，这个差的量越小。适配该刺激图像的第一参数化的目的是使第一参数化接近视觉阈值。

取决于优选使用的心理物理算法的类型，可以提供的是，当在步骤h) 中适配该第一参数化时，始终设定之前未设定的第一参数化，或者再次在步骤h) 中设定之前已经使用的第一参数化。相应地，取决于心理物理算法的类型，可以仅一次或多次询问某个第一参数化。“询问”在此应理解为是指进行步骤f) 和g) 或步骤i) 和j) 。

在步骤j) 中，控制软件（尤其心理物理算法）优选地基于步骤i) 的类别来确定针对在步骤h) 中适配的第一参数化的识别概率。在肯定类别的情况下，控制软件（优选地心理物理算法）在这种情况下可以将经适配的第一参数化的识别概率确定为100%，前提是相关的第一参数化是第一次被询问；或例如100%的平均值、以及针对相同第一参数化在上一轮中在步骤j) 或已经在步骤g) 中已经确定的识别概率，前提是相关的第一参数化已经被询问过。“轮”在此应理解为是指进行步骤d) 至g) 或进行步骤h) 至j) 一次。在否定类别的情况下，控制软件可以在步骤j) 中将经适配的第一参数化的识别概率确定为0%，前提是相关的第一参数化是第一次被询问；或例如平均值为0%，以及针对相同第一参数化在上一轮中在步骤j) 或已经在步骤g) 中已经确定的识别概率，前提是相关的第一参数化已经被询问过。在每种情况下，可以按以下方式来求平均，使得参数值的每次询问被给予相同的权重。

优选地，在步骤j) 中，基于经适配的刺激图像的类别来将识别概率确定为步骤h)中适配的第一参数化的识别概率函数值。为此目的，可以通过拟合将该识别概率函数与针对第一参数化确定的识别概率（例如，来自前一个示例的0%或100%）适配。识别概率函数优选地是S型函数，其与针对经适配的第一参数化所确定的识别概率、以及与可能在之前的轮中在步骤j) 或步骤g) 中针对相应的第一参数化确定的识别概率拟合。拟合的识别概率函数分配给第一参数化的值优选地用作第一参数化的识别概率以进行根据本发明方法的另外的过程。

在步骤k) 中，控制软件（尤其心理物理算法）优选地检查是否已经达到终止准则。如果已经达到终止准则，则控制软件执行步骤l) 。如果未到达终止准则，则再次重复步骤h) 至k) 。心理物理算法进行递归直至找到主观视敏度阈值，即，直至第一参数化（尤其图像大小）已经足够接近阈值和/或达到阈值，从而随后在步骤l) 中，可以确定该阈值。

当根据步骤k) 最后一次重复进行步骤h) 至j) 时，在本发明的某些实施例中，终止可能已经在步骤h) 或i) 之后发生。取决于该实施例，在最后一次重复中，对刺激图像的第一参数化的适配可能已经足以在步骤l) 中确定阈值（参见下文）。因此，在最后一次重复中，执行步骤i) 和/或j) 是可选的。

优选使用的心理物理算法可以基于步骤自适应法来进行。步骤自适应法的适合示例为BestPEST、PSI、上下阶梯法、和恒定刺激法。取决于所使用的方法，根据步骤l) 确定主观视敏度阈值的例程可以不同。例如，可以通过对在多个反转点处获得的第一参数化的值求平均来确定主观视敏度阈值（比如在上下阶梯法中）。“反转点（或局部极值）”在此应理解为是指在连续轮数上第一参数化的图表中的点，在这些点处，适配从较小的第一参数化变为较大的第一参数化或从较大的第一参数化变为较小的第一参数化。“轮”应理解为是指进行步骤d) 至g) 或进行步骤h) 至j) 一次。使用其他步骤自适应法（例如BestPEST）时，可以将阈值确定为在已经实现终止准则之后识别概率函数对其分配了50%识别概率的第一参数化。在这种情况下，优选地获得与在各轮中在步骤j) 或步骤g) 中针对相应第一参数化确定的识别概率拟合的识别概率函数。

控制软件（优选地心理物理算法）优选地针对如下的特征表现形式工作，在每次进行步骤h-j时，该特征表现形式随机改变，例如在空隙对准角度随机改变的兰道环的情况下。

在步骤l) 中，优选地基于针对刺激图像的相应第一参数化确定的识别概率来确定主观视敏度阈值。为此，多个不同的实施例是可能的。例如，可以将最后一次进行步骤h)至j) 时实现的第一参数化用作主观视敏度阈值的值。因此，在这种情况下，可以在最后一轮中省去步骤i) 和/或j) 。优选地，将主观视敏度阈值的值确定为在已经实现终止准则之后识别概率函数对其分配了50%识别概率的第一参数化。优选地获得与在各个轮中在步骤j) 或步骤g) 中针对相应第一参数化确定的识别概率拟合的识别概率函数。

根据步骤m) ，多次依次进行步骤d) 至l) 。在这种情况下，各个步骤优选地以指定的次序进行。

根据步骤m) ，光学辅助件的、尤其眼镜片的该至少一种特性优选地在每轮之间变化。因此，每次进行步骤d) 至l) 时，该至少一种特性在不同程度上表现出来。这允许在该特性的不同值之间、例如在眼镜片的不同屈光力之间进行比较。屈光力是光学辅助件（尤其眼镜片）的特性的示例，该特性被施加至刺激图像以产生第二参数化。在这种情况下，刺激图像的清晰度对应于作为第二参数化的屈光力。因此，在步骤n) 中选择的优化的光学辅助件（尤其眼镜片）的屈光力在此对应于具有最大清晰度的刺激图像的清晰度（第二参数化）。

在步骤n) 中选择的光学辅助件（尤其眼镜片）具体针对人眼优化。

术语“最高主观视敏度”（或同义词“最高主观视觉性能值”）表示主观视敏度阈值的最低或最高（取决于参数类型）位置。取决于参数类型，这可以是最高或最低的第一参数化，例如以50%的识别概率识别其仍是可能的。在图像大小为第一参数的情况下，例如针对在步骤l) 中被确定了最低阈值的光学辅助件（尤其眼镜片）配置，获得了最高主观视敏度。因此，对于光学辅助件的这种配置，需要图像大小的最小值进行识别。因此，光学辅助件的这种配置允许人眼获得最高分辨率。

通过根据本发明的方法，可以提供针对某个人优化的光学辅助件（尤其针对某个人优化的眼镜片），而无需这个人采取任何进一步动作。特别地，这个人不必经历戴着大量的不同设计的光学辅助件（尤其大量的不同设计的眼镜片）的费力检查。这避免了例如由于疲劳引起的破坏性影响。此外，不需要对滤波器功能进行建模。此外，当使用根据本发明的方法时，不必制造大量的不同设计的光学辅助件（尤其眼镜片）。借助于根据本发明的方法，可以快速确定人的主观视敏度而没有破坏性影响、并且具有良好的准确性。可以实惠且快速地比较大量的不同设计的光学辅助件（尤其眼镜片）对人的主观视敏度的影响，并且因此可以实惠且快速地选择该光学辅助件（尤其眼镜片）的对这个人优化的特性。此外，根据本发明的方法还可以针对不同光学像差的组合来使用。例如，可以将散光与散焦的不同组合进行比较，并且可以选择其最佳组合。

根据本发明的优选实施例，提供的是，终止准则包括以下准则中的一个或多个：

- 达到根据步骤k) 来进行步骤h) 至j) 的预定重复次数，

- 预定次数地达到根据步骤k) 重复进行步骤h) 至j) 时相继的经适配的第一参数化之差低于预定极限值的情形，

- 达到预定反转次数。

取决于预定次数，根据本文提及的第二准则，一次低于可能足以满足终止准则（预定次数等于1），或者通常可能需要两次或更多次低于来满足终止准则。因此，这个准则描述了第一参数化与主观视敏度阈值的（充分）会聚。“根据步骤k) 重复进行步骤h) 至j) 时相继的经适配的第一参数化之差……”例如是在相继轮中在步骤h) 中适配的图像大小之差或与经适配的图像大小相对应的观察角之差(Δα_v) 。该差的量是决定性的。因此，会聚是朝向第一参数化的较大值还是朝向第一参数化的较小值无关紧要。

“反转”表示上文已经描述的在根据步骤k) 重复进行步骤h) 至j) 时根据步骤h)适配的一系列第一参数化中的反转点（或局部极值）。因此，术语“反转”还可以用术语“反转点”来代替。“反转”还可以被定义为在根据步骤k) 重复进行步骤h) 至j) 时这一系列的经适配的第一参数化中，在步骤i) 中的肯定与否定类别之间的改变，即，在类别“已识别”与“未识别”之间的改变。因此，预定反转次数表示在肯定与否定类别之间、或在否定与肯定类别之间来回（尤其多次）跳跃。达到足够高的反转次数（即，尤其预定次数）指示了第一参数化精确地在阈值附近波动。这意味着阈值精确地位于在这些反转点处获得的第一参数化之间。阈值优选地被确定为在这些反转点处获得的第一参数化的平均值。

用于确定阈值的例程优选地取决于终止准则的类型。当达到进行步骤h) 至j) 的预定重复次数作为终止准则时，在最后一轮期间获得的第一参数化可以例如用作阈值。因此，在这种情况下，可以在最后一轮中省去步骤i) 和j) 。优选地，将阈值确定为在已经实现终止准则之后识别概率函数对其分配了50%识别概率的第一参数化。优选地获得与在各个轮中在步骤j) 或步骤g) 中针对相应第一参数化确定的识别概率拟合的识别概率函数。

根据本发明的另外的优选实施例，提供的是，在根据步骤d) 对该刺激图像进行参数化时执行的第二参数化包括对该刺激图像施加人眼的至少一种特性、特别是人眼的光学像差。

如上文已经解释的，具体针对某个人的眼睛来执行根据本发明的对光学辅助件（尤其眼镜片）的优化。归因于根据本发明的方法，人必须经历费力的主观测量的情形是不必要的。

这个人优选地不在对创建该至少一个训练数据集有贡献的真实测试对象中。

因此，第二参数化可以包括对刺激图像施加人眼的光学像差。第二参数化还可以包括对刺激图像施加人眼的多种不同的光学像差。替代性地或另外，第二参数化可以包括对刺激图像施加人眼的畸变和/或暗点。

根据本发明的另外的优选实施例，提供的是，当根据步骤d) 对该刺激图像进行参数化时，根据步骤m) 对该刺激图像施加的该光学辅助件的特性包括该光学辅助件的光学像差。在这种情况下，光学辅助件优选地是眼镜片。

因此，第二参数化可以包括对刺激图像施加光学辅助件（尤其眼镜片）的光学像差。第二参数化还可以包括对刺激图像施加光学辅助件（尤其眼镜片）的多种不同的光学像差。因此，当进行步骤d) 至l) 时在刺激图像中参数化的光学像差可以从人眼和/或光学辅助件获得。因此，第二参数化优选地与整个光学系统、即眼睛和/或光学辅助件相关。光学辅助件（例如，眼镜片）优选地实现矫正，即，补偿眼睛的视力缺陷。在这种情况下，眼睛的光学像差将被光学辅助件上的对应光学像差补偿。在这种情况下，光学辅助件的光学像差优选地与眼睛的光学像差符号相反。例如，眼睛的光学像差为+1 dpt散焦，而光学辅助件的光学像差为-1 dpt散焦。

根据本发明的另外的优选实施例，提供的是，测量和/或计算该人眼的光学像差，和/或测量和/或计算该光学辅助件的光学像差。不言而言，还可以提供的是，测量和/或计算人眼的多种光学像差，或者测量和/或计算光学辅助件的多种光学像差。光学辅助件优选地是眼镜片。

根据本发明的另外的优选实施例，提供的是，步骤c) 包括提供特征空间，该特征空间包括多个特征表现形式，在步骤d) 中，在该刺激图像被参数化之前，从该特征空间中选择该多个特征表现形式之一并且将其提供在该刺激图像中，并且在步骤h) 中，在对该第一参数化进行适配之前，同样从该特征空间中选择该多个特征表现形式之一并且将其提供在该刺激图像中。

因此，提供特征空间产生了选择不同的特征表现形式的可能性。该特征空间可以是一维或多维的。如果刺激图像是兰道环，则特征空间包括例如兰道环中的空隙的八种可能对准角度。在这个示例中，在步骤d) 中，选择空隙的八种可能对准角度中的一种作为特征表现形式并且将其提供在刺激图像中。此外，在这个示例中，在步骤h) 中，再次选择空隙的八种可能对准角度中的一种作为特征表现形式并且将其提供在刺激图像中。优选地在每种情况下随机选择、例如基于正态分布或均匀分布来选择特征表现形式。在多维特征空间的情况下，特征表现形式可以理解为向量。

根据本发明的另外的优选实施例，提供的是，该神经网络是卷积神经网络。

卷积神经网络（缩写为CNN）表示具有带有卷积神经元的网络架构的神经网络。如果使用强度分布，如学习图像内容时，卷积神经网络是特别有利的。

根据本发明的另外的优选实施例，提供的是，通过控制软件来执行步骤b) 、c) 、d) 、e) 、g) 、h) 、j) 、k) 、l) 、m) 和/或n) 。该控制软件可以使用心理物理算法。在这种情况下，优选地通过心理物理算法来执行步骤d) 、e) 、g) 、h) 、j) 、k) 和/或l) 。特别优选地，通过心理物理算法来执行步骤d) 、g) 、h) 、j) 、k) 和l) 。在步骤e) 中，优选地对心理物理算法提供识别概率函数。优选地，还通过心理物理算法来执行以下操作：在步骤d)中可选地执行的从特征空间中选择特征表现形式之一并将其提供在刺激图像中、以及在步骤h) 中同样可选地执行的从特征空间中选择特征表现形式之一并将其提供在刺激图像中。此外，在步骤f) 和/或i) 中，可以通过心理物理算法来确定肯定或否定类别。

此外，控制软件可以包括多个部分，具体地训练软件、阈值确定软件、和/或优化软件。在步骤a) 中，优选地，将该至少一个训练数据集提供给训练软件。优选地，通过训练软件来执行步骤b) 。阈值确定软件优选地是心理物理算法，或者阈值确定软件使用心理物理算法。优选地，通过心理物理算法或通过阈值确定软件来执行步骤d) 、e) 、g) 、h) 、j) 、k) 和/或l) 。特别优选地，通过心理物理算法或通过阈值确定软件来执行步骤d) 、g) 、h)、j) 、k) 和l) 。在步骤e) 中，优选地，优化软件将识别概率函数提供给心理物理算法或阈值确定软件。优选地，还通过心理物理算法或通过阈值确定软件来执行以下操作：在步骤d)中可选地执行的从特征空间中选择特征表现形式之一并将其提供在刺激图像中、以及在步骤h) 中同样可选地执行的从特征空间中选择特征表现形式之一并将其提供在刺激图像中。此外，在步骤f) 和/或i) 中，可以通过心理物理算法或通过阈值确定软件来确定肯定或否定类别。优选地，通过优化软件来执行步骤c) 、e) 、m) 、和/或n) 。

作为其替代方案，控制软件可以是心理物理算法。在这种情况下，通过心理物理算法、即通过控制软件来执行步骤d) 、e) 、g) 、h) 、j) 、k) 和/或l) 。在这种情况下优选地通过心理物理算法、即通过控制软件来执行步骤d) 、g) 、h) 、j) 、k) 和l) 。在步骤e)中，优选地将识别概率函数提供给心理物理算法、即控制软件。优选地，还通过心理物理算法、即通过控制软件来执行以下操作：在步骤d) 中可选地执行的从特征空间中选择特征表现形式之一并将其提供在刺激图像中、以及在步骤h) 中同样可选地执行的从特征空间中选择特征表现形式之一并将其提供在刺激图像中。此外，在步骤f) 和/或i) 中，可以通过心理物理算法来确定肯定或否定类别。

使用心理物理算法是有利的，因为通过对刺激强度（即，第一参数化）的自适应分级使得有效地确定视觉阈值成为可能。

控制软件还可以包括多种心理物理算法。心理物理算法的目的是确定特定视觉任务的视觉阈值。在此，多种不同的阈值确定方法是可能的。

根据本发明的另外的优选实施例，提供的是，心理物理算法基于步骤自适应法来进行。步骤自适应法的示例为BestPEST、PSI、上下阶梯法、或恒定刺激法。

根据本发明，还提供了一种用于生产根据本发明优化的光学辅助件的方法。在这种情况下，光学辅助件优选地是眼镜片。该生产方法包括以下步骤：

- 根据在步骤n) 中选择的优化的光学辅助件的第二参数化来确定表面机加工数据，

- 将该表面机加工数据馈送至用于对光学表面进行机加工的自动机器，以根据该表面机加工数据来对毛坯的光学表面进行机加工。

例如，表面机加工数据涉及提供用于生产优化的光学辅助件的毛坯的光学表面的特定半径。该用于对光学表面进行机加工的自动机器根据表面机加工数据来对毛坯进行机加工。因此，自动机器例如基于表面机加工数据提供毛坯上的光学表面的特定半径并且由此生产优化的光学辅助件。

根据本发明的另外的优选实施例，提供的是，该光学表面的机加工包括研磨和/或抛光，该表面机加工数据包括研磨数据和/或抛光数据，并且该用于对光学表面进行机加工的自动机器包括自动研磨和/或抛光机器。

根据本发明，还提供了一种用于生产优化的光学辅助件的设备。在这种情况下，光学辅助件优选地是眼镜片。根据本发明的设备包括：

- 用于对光学表面进行机加工的自动机器，

- 用于根据在步骤n) 中选择的优化的光学辅助件的第二参数化来确定表面机加工数据的装置，

- 用于执行根据本发明的优化方法的评估装置，该评估装置包括用于读入训练数据集并且用于输入和/或选择刺激图像以及进行该第一和第二参数化的参数化数据的接口。

该用于对光学表面进行机加工的自动机器是用于对（尤其眼镜片的）光学表面进行机加工的常规设备。在这种情况下，以本领域技术人员已知的方式进行光学表面的机加工。

在这种情况下，该评估装置可以包括用于确定表面机加工数据的装置。替代性地，该评估装置和该用于确定表面机加工数据的装置可以分开形成。可以在该评估装置与该用于确定表面机加工数据的装置之间提供用于传输在步骤n) 中选择的优化的光学辅助件（优选地，优化的眼镜片）的第二参数化的接口。

该评估装置优选地包括一个或多个高性能处理器和/或集群。由此，该评估装置可以提供为了训练神经网络所需的高计算能力。

根据本发明的设备优选地还包括用于检查经机加工的优化的光学辅助件（优选地，经机加工的优化眼镜片）的测试装置。

根据本发明的优化方法和/或上文描述的其任何优选实施例可以是计算机实施的。根据本发明，特别提供了一种具有程序代码的计算机程序，该程序代码可以在处理器上运行以执行根据本发明的优化方法和/或上文描述的其任何实施例的方法步骤。特别地，该计算机程序通过运行算法来实施根据本发明的方法的方法步骤。

为此目的，该计算机程序被加载到计算机上或在计算机上运行。该评估装置和/或该用于确定表面机加工数据的装置可以被设计为计算机或包括计算机。替代性地，该计算机可以包括该评估装置和/或该用于确定表面机加工数据的装置。该计算机优选地具有供使用者操作和/或在显示单元上显示的接口。

根据本发明，还提供了一种非瞬态存储介质，其中存储有根据本发明的计算机程序。

附图说明

现在基于示例性实施例更详细地解释本发明。在附图中：

图1 示出了根据本发明的用于优化光学辅助件的方法的示例性实施例序列的流程图，

图2 示出了图1所示的示例性实施例内的阈值确定方法的序列的流程图，

图3A 示出了用于第一光学辅助件的阈值确定方法的序列的图，

图3B 示出了第一光学辅助件的识别概率函数，

图4A 示出了第二光学辅助件的阈值确定方法的序列的图，

图4B 示出了第二光学辅助件的识别概率函数，

图5 示出了刺激图像和经训练的神经网络的学习权重的各个相关联可视化形象的对比。

具体实施方式

图1示出了根据本发明的通过自动确定主观视敏度来优化光学辅助件的方法的示例性实施例的序列的流程图。在这种情况下，光学辅助件具体针对人眼进行优化。光学辅助件例如是眼镜片。

在步骤S1中，提供训练数据集。所提供的训练数据集反映了大量真实测试对象在识别刺激图像时的主观视敏度。

例如，多次分别向真实测试对象呈现兰道环（或“兰道C”）作为监视器上的刺激图像。在每种情况下，呈现都是在标准化条件下进行的；特别地，监视器与测试对象之间的距离是固定的。在这种情况下，兰道环的空隙可以具有以下八种可能角度的对准角度，具体为“0°”、“45°”、“90°”、“135°”、“180°”、“225°”、“270°”、或“315°”。每次呈现兰道环时，都随机选择这些空隙对准角度之一。此外，兰道环的每次呈现都具有不同的参数化。例如，兰道环以不同的图像大小被逐渐呈现。在给定了监视器与测试对象之间的固定距离时，图像大小在此对应于观察角。真实测试对象必须传达他/她对于呈现给他/她的兰道环的每个参数化（即，在此为图像大小或观察角）所主观识别出的空隙对准角度。真实测试对象的这种主观响应可以通过各种按键来进行。真实测试人必须从可能的角度“0°”、“45°”、“90°”、“135°”、“180°”、“225°”、“270°”、或“315°”中最终判定特定的空隙对准角度。因此，在真实测试人不能识别空隙对准角度的事件中，他/她必须猜。

为了用大量测试对象创建训练数据集，对于兰道环的每种空隙对准角度进行例如总共2 500次呈现，每次具有不同的图像大小。在给定了兰道环的八种不同空隙对准角度时，呈现的次数必须乘以八，因此是例如20 000。

此外，对每个单独的真实测试对象进行多轮。在这种情况下，在每轮中，刺激图像（即，不同大小和不同对准角度的兰道环）具有不同地表现的光学像差，例如不同的清晰度。例如，可以在七轮中的每轮中将兰道环以一定的清晰度（即，更清晰或更不清晰）呈现，每轮的清晰度不同。这相应地得到例如七乘以20 000的总数，因此为140 000次呈现，用于创建训练数据集。

所提供的训练数据集优选地包括作为刺激图像呈现的兰道环、所呈现的兰道环的相应实际空隙对准角度、以及测试人对所呈现的兰道环的空隙对准角度的相应主观响应。

在步骤S2中，通过训练数据集来训练人工神经网络。该人工神经网络是例如卷积神经网络（缩写为CNN），即，具有带有卷积神经元的网络架构的神经网络。该网络架构可以具有不同数量的卷积层。可以使用不同的学习速率。

在步骤S3中，一般性地创建刺激图像。在此呈现的示例性实施例中，兰道环具有八种不同的特征表现形式、具体地具有其八种不同的空隙对准角度：“0°”、“45°”、“90°”、“135°”、“180°”、“225°”、“270°”、或“315°”。在这种情况下，这些不同的特征表现形式（空隙对准角度）形成特征空间。

在步骤S4a中，确定关于第一光学系统的主观视敏度阈值。第一光学系统例如是没有光学辅助件（或戴有无光学像差的光学辅助件）的人眼。在步骤S4b中，确定关于第二光学系统的主观视敏度阈值。第二光学系统包括人眼和第一光学辅助件。第一光学辅助件优选地是第一眼镜片，即具有光学像差第一值的眼镜片、例如具有第一屈光力的眼镜片。屈光力是眼镜片（光学辅助件）的、被施加至刺激图像以产生第二参数化的某个特性的示例。在此考虑的示例中，在刺激图像中产生一定清晰度作为第二参数化。清晰度从眼睛和眼镜片（光学辅助件）的屈光力组合获得。因此，刺激图像中得到的清晰度对应于整个光学系统的屈光力。在步骤S4n中，确定第n光学系统的主观视敏度阈值。第n光学系统包括人眼和第 (n -1) 光学辅助件、例如具有第 (n - 1) 屈光力的眼镜片。因此，确定关于n个光学系统的主观视敏度阈值，其中在每种情况下眼镜片具有不同的屈光力。在所考虑的示例性实施例中，在第一光学系统的情况下，眼镜片的屈光力等于0。

在步骤S5中，选择在步骤4a至4n中被确定了最高主观视敏度的光学辅助件（即，在所提及的示例中为眼镜片）。所选择的眼镜片具体针对人眼优化。在所考虑的示例性实施例中，具有最高清晰度的刺激图像在此从眼睛的屈光力与优化的眼镜片的屈光力的组合获得。

“最高主观视敏度”表示主观视敏度阈值的最低或最高位置（取决于参数类型）。在图像大小作为第一参数的情况下，针对来自步骤4a至4n的、被确定了最低阈值的光学系统，获得了最高主观视敏度。与在步骤4a至4n中检查的其他光学系统相比，该光学系统仍允许刺激图像（兰道环）以最小的图像大小被识别。因此，在该光学系统中提供的光学辅助件（尤其眼镜片）是针对人眼优化的光学辅助件（尤其眼镜片）。因此，结合这种优化的光学辅助件（尤其眼镜片），人眼可以获得最高分辨率。

图2示出了对图1的示例性实施例进行补充的流程图，该流程图是针对相应考虑的包括人眼和各自被不同设计的光学辅助件（尤其眼镜片）的光学系统在每种情况下在步骤4a至4n中确定主观视敏度阈值的序列。在下文中，用于确定主观视敏度阈值的方法还被称为阈值确定方法。该阈值确定方法由控制软件使用心理物理算法来执行。

在步骤S11中，心理物理算法选择可能的特征表现形式之一。为此目的，优选地将特征空间馈送至心理物理算法，并且心理物理算法通过随机分布从特征空间中选择特征表现形式。取决于特征空间的性质，可以提供某种随机分布。因此，在本文考虑的兰道环的示例中，选择兰道环中的空隙的八种可能对准角度中的一种。因此，提供了具有这种空隙对准角度的兰道环。例如基于正态分布或均匀分布来随机地进行这种选择。

在步骤S12中，通过心理物理算法来将刺激图像（兰道环）进行参数化。为此目的，优选地向心理物理算法馈送第一和第二参数空间，并且通过心理物理算法来执行第一和第二参数化。第一和第二参数化涉及不同的参数。在此考虑的示例性实施例中，基于第一参数、即图像大小来执行对刺激图像（兰道环）的第一参数化。因此，提供图像大小的特定值（在下文中还被简称为“图像大小”）作为第一参数化。该图像大小是心理物理算法的初始值（输入值）。在标准条件下，图像大小对应于从其获得的观察角。在此考虑的示例性实施例中，第二参数化是从相应光学系统（即，人眼和/或眼镜片）的光学像差、尤其球面散焦得到的。在此获得了刺激图像的特定清晰度和/或特定对比度作为第二参数化。待优化眼镜片的光学像差、尤其球面散焦在步骤4a至4n上变化。第二参数化也相应地在步骤4a至4n上变化。优选地，在步骤4a至4n中的每个步骤中，将刺激图像以不同的第二参数化（即，不同的清晰度和/或对比度值）提供。

在步骤S13中，将心理物理算法初始化。心理物理算法的目的是确定分别考虑的包括人眼和/或光学辅助件（尤其眼镜片）的光学系统的视觉阈值。在此考虑的示例性实施例中，视觉阈值与最小的仍可识别的图像大小或与之对应的最小的仍可识别的观察角相关。心理物理算法在此是基于步骤自适应法，例如BestPEST、上下阶梯法、或恒定刺激法。在此考虑的示例性实施例中，使用了BestPEST。心理物理算法的初始化表示步骤自适应法的开始，其中在步骤S12中选择第一和第二参数化的输入值。在步骤S13中，还提供了识别概率函数。该识别概率函数对每个第一参数化、即每个图像大小分配识别概率P_C。该识别概率函数是S型函数。图3B和图4B示出了识别概率函数的示例。

在步骤S14中，经训练的神经网络将刺激图像（兰道环）分类。将刺激图像分类应理解为是指将刺激图像分配到不同的类别，在此考虑的兰道环的情况下，分配到以下类别“0°”、“45°”、“90°”、“135°”、“180°”、“225°”、“270°”、或“315°”。将经训练的神经网络进行的分配与兰道环中的空隙的实际对准角度进行比较。神经网络提供刺激图像（兰道环）的分类。如果神经网络正确地确定兰道环中的空隙对准角度，则心理物理算法将类别确定为肯定。如果神经网络错误地确定兰道环中的空隙对准角度，则心理物理算法将类别确定为否定。

在步骤S15中，心理物理算法基于步骤S13的类别将识别概率P_C确定为在步骤S12中提供的图像大小的识别概率函数值。如果类别为肯定，则控制软件（心理物理算法）将相关图像大小（第一参数化）的识别概率P_C确定为100%。如果类别为否定，则控制软件（心理物理算法）将相关图像大小（第一参数化）的识别概率P_C确定为0%。利用BestPEST，可以通过拟合将识别概率函数与针对相关图像大小确定的识别概率P_C适配。识别概率函数优选地是拟合的S型函数。

在步骤S16中，通过心理物理算法再次选择特征表现形式之一。例如基于正态分布或均匀分布来随机地进行再次选择。因此，在此所考虑的兰道环的示例中，再次选择了兰道环中的空隙的八种可能对准角度之一，并且将具有最新选择的空隙对准角度的兰道环提供在刺激图像中。仍可以巧合提供具有不变的空隙对准角度的兰道环（概率为1/8）。作为其替代方案，还可以提供的是，随机选择兰道环中的空隙的八种可能对准角度之一，直至选择到与前一次选择的空隙对准角度相比已经改变的空隙对准角度。

在步骤S17中，心理物理算法基于识别概率函数所分配的识别概率P_C来适配刺激图像的第一参数化（即，兰道环的图像大小）。在识别概率超过50%（或为至少50%的情况下），优选地，以如下方式来适配图像大小，使得对具有新的图像大小的兰道环中的空隙对准角度的识别变得更困难，图像大小因此被减小。相应地，在识别概率低于50%的情况下，可以以如下方式来适配图像大小，使得对具有新的图像大小的兰道环中的空隙对准角度的识别变得更容易，图像大小因此被增大。此外，在此考虑的示例性实施例（BestPEST）中，新的图像大小与前一个图像大小之差的量也取决于识别概率函数所分配的识别概率。优选地，所分配的识别概率越接近50%，这个差的量越小。适配图像大小的目的是使图像大小接近视觉阈值。

取决于优选使用的心理物理算法的类型，可以提供的是，当在步骤S17中适配图像大小（第一参数化）时，始终设定之前未设定（例如BestPEST）的图像大小，或者可以再次在步骤S17中设定（例如，上下阶梯法、恒定刺激法）之前已经使用的图像大小。相应地，取决于心理物理算法的类型，可以仅一次或多次询问某个第一参数化。

在步骤S18中，经训练的神经网络将经适配的刺激图像（兰道环）分类。其例程与步骤S14相同。神经网络同样提供刺激图像（兰道环）的分类。如果正确地确定兰道环中的空隙对准角度，则类别为肯定。如果错误地确定兰道环中的空隙对准角度，则类别为否定。

在步骤S19中，心理物理算法基于步骤S18的类别将识别概率P_C确定为在步骤S17中调整的图像大小的识别概率函数值。在这种情况下，心理物理算法确定经调整的图像大小的识别概率P_C，其中肯定类别为100%而否定类别为0%。在此考虑的示例性实施例（BestPEST）中，以非常细小的增量来调整图像大小。因此，BestPEST通常不会重复询问某个图像大小。在其他步骤自适应法的情况下或作为例外，使用BestPEST时，当存在肯定类别时，可以通过心理物理算法来确定100%的平均值、以及针对相同图像大小在之前（在上一轮中在步骤S19中或已经在步骤S15中）已经确定的识别概率，只要相关的第一参数化已经被询问过即可。当存在否定类别时，只要相关图像大小已经被询问过，心理物理算法就可以将经调整的图像大小的识别概率P_C确定为0%的平均值、以及针对相同图像大小在之前（在上一轮中在步骤S19中或已经在步骤S15中）已经确定的识别概率。接着，在每种情况下，可以按如下方式来求平均，使得每次询问的相关图像大小被给予相同的权重。使用BestPEST时，当询问特定图像大小（第一参数化）时，优选地仅等于0%或100%的识别概率P_C是可能的。使用BestPEST时，可以通过拟合将识别概率函数与针对经调整的图像大小确定的识别概率适配。识别概率函数优选地是S型函数，其与针对经适配的图像大小所确定的识别概率、以及可能在之前的轮中在步骤S19中或步骤S15中针对相应的图像大小所确定的识别概率拟合（参见图3B和图4B）。

在步骤S20中，心理物理算法检查是否已经实现终止准则。如果已经实现终止准则，则进入步骤S21（参见下文）。如果尚未实现终止准则，则再次重复步骤S16至S20。由此，每次进行步骤S16时，心理物理算法提供兰道环的任何空隙对准角度。心理物理算法进行递归直至找到主观视敏度阈值，即，直至第一参数化（图像大小）已经足够接近阈值和/或达到阈值，从而随后（在步骤S21中）可以确定该阈值。

在此考虑的示例性实施例中，通过以下情况之一来实现终止准则：

- 达到进行步骤S16至S19的预定重复次数。为此目的，可以提供在步骤S16中例如以1递增的计数器。

- 预定次数地达到重复进行步骤S17时相继的经适配的第一参数化（图像大小）之差低于预定极限值的情形。在这种情况下，预定次数可以例如等于三次，使得有必要三次低于，以满足终止准则。因此，这个准则描述了第一参数化（图像大小）与主观视敏度阈值的（充分）会聚。在所考虑的示例性实施例中，该差是由在步骤S17的相继轮中适配的图像大小或与经适配的图像大小相对应的观察角（Δα_v）形成。在此，该差的量是决定性的。因此，会聚是朝向图像大小或观察角（Δα_v）的较大值还是朝向图像大小或观察角（Δα_v）的较小值无关紧要。

- 达到预定反转次数。“反转”表示图3A和图4A所示的在重复步骤S16至S20时根据步骤S17适配的一系列图像大小中的反转点（或局部极值）。因此，“反转”还可以被定义为图3A和图4A的序列中的肯定类别与否定类别（参见步骤S14或S18）之间的改变。因此，“反转”在肯定类别与否定类别之间、或在否定类别与肯定类别之间来回跳跃。达到足够高的反转次数（即，尤其预定次数）指示了第一参数化（图像大小）精确地在阈值附近波动。这意味着阈值精确地位于在这些反转点处获得的图像大小之间。

在步骤S21中，心理物理算法基于针对刺激图像的相应第一参数化（图像大小）确定的识别概率来确定主观视敏度阈值。取决于所使用的步骤自适应法的类型，用于确定主观视敏度阈值的例程可以不同。在步骤S16至S19的预定重复次数的情况下，使用BestPEST时，例如可以将在最后一次执行步骤S17期间获得的经调整的图像大小（第一参数化）用作阈值。作为其替代方案，使用BestPEST时，还可以将拟合的识别概率函数对其给出了50%识别概率的图像大小（第一参数化）确定为阈值。

图3A示出了用于第一光学辅助件的阈值确定方法的序列的图。在此考虑的示例性实施例中，第一光学辅助件是第一眼镜片或具有第一屈光力的第一眼镜片。图4A示出了第二光学辅助件的阈值确定方法的序列的图。在此考虑的示例性实施例中，第二光学辅助件是第二眼镜片或具有第二屈光力的眼镜片。术语“阈值确定方法的序列的图”在下文中被简称为阈值确定图。

在这两个阈值确定图中，在每种情况下，将阈值确定方法的连续轮数N绘制在右侧。在此，第一轮（N = 1）涉及进行根据图2的步骤S11至S15，随后的轮各自进行步骤S16至S20。这两个阈值确定图分别示出了第一参数化在连续轮数N上的图表。在此考虑的示例性实施例中，第一参数化是图像大小或对应的观察角α_v。示出了每轮N被询问的观察角α_v。在此对于经训练的神经网络给出肯定类别k+的情况，将观察角α_v描述为填充圆盘，而对于经训练的神经网络给出的否定类别k-的情况，将观察角描述为圆形环。

图3B示出了第一光学辅助件（即，第一眼镜片或具有第一屈光力的眼镜片）的识别概率函数。图4B示出了第二光学辅助件（即，第二眼镜片或具有第二屈光力的眼镜片）的识别概率函数。在这种情况下，相应地绘制识别概率P_C与观察角α_v的曲线。对于每个观察角α_v，心理物理算法通过将S型函数与在步骤S15中针对输入的图像大小以及在每种情况下在步骤S19中针对相应的经适配的图像大小所确定的识别概率进行拟合，来确定识别概率P_C。由于在BestPEST的情况下，在步骤S15中针对输入的图像大小以及在每种情况下在步骤S19中针对相应的经适配的图像大小所确定的识别概率仅具有0%或100%的值，因此这些识别概率未在图3B和图4B中示出。

在此考虑的示例性实施例中，使用BestPEST作为步骤自适应法。如果识别概率函数对观察角α_v分配至少50%的识别概率P_C，则在下一轮（N + 1）中在步骤S17的适配期间减小观察角α_v。观察角的减小量、即观察角差异Δα_v的量在此也取决于所分配的识别概率P_C。识别概率P_C越接近50%，这个差的量越小。如果识别概率函数对观察角α_v分配小于50%的识别概率P_C，则在下一轮（N + 1）中在步骤S17的适配期间增大观察角α_v。观察角的增大量、即观察角差异Δα_v的量在此也取决于识别概率函数所分配的识别概率P_C。识别概率P_C越接近50%，这个差的量越小。在所考虑的示例性实施例中，在达到预定轮数N（在此N = 30）之后，终止对另外的观察角α_v的询问。

将实现50%的识别概率P_C的观察角α_v确定为阈值。因此，在图3B和图4B中通过在每种情况下画出的竖直线将50%的线投影到右侧轴上来图形地获得阈值。以此方式确定的阈值在图3A和图4A中描绘为水平线。

在此考虑的示例性实施例中，关于具有第一屈光力的眼镜片获得的阈值（图3A和3B）小于关于具有第二屈光力的眼镜片获得的阈值（图4A和4B）。因此，具有第一屈光力的眼镜片仍然允许人眼识别用具有第二屈光力的眼镜片识别不再能识别的图像大小（或观察角）。因此，具有第一屈光力的眼镜片特定地为这个人提供更高的分辨率。因此，如果仅对这两个眼镜片进行优化过程（参见图1），则在优化过程的步骤S5中选择具有第一屈光力的眼镜片作为针对人眼优化的眼镜片。

图5示出了刺激图像1和经训练的神经网络的学习权重的各个相关联可视化形象2的对比。因此，图5示出了训练神经网络的结果。在这个示例中，神经网络是卷积神经网络。刺激图像1各自是具有相同图像大小（第一参数化）和相同清晰度（第二参数化）的兰道环。所示的刺激图像在兰道环的空隙3的对准角度方面、即在特征表现形式方面不同。在所示的第一兰道环的情况下，空隙3为0°，在所示的第二兰道环的情况下，空隙为135°，在所示的第三兰道环的情况下，空隙为180°，并且在所示的第四兰道环的情况下，空隙为225°。为更清晰起见，图5中未考虑兰道环的其他可能的特征表现形式（空隙对准角度45°、90°、270°和315°）。空隙对准角度0°的可视化形象2示出了例如经训练的神经网络的、与空隙对准角度0°相对应的所有权重的表示。并且对于另外的特征表现形式（空隙对准角度），经训练的神经网络的、分别与这些特征表现形式相对应的权重的表示被示为可视化形象2。在所示的示例中，刺激图像1和相关联的可视化形象2在各自的情况下具有500 × 500像素。

附图标记清单

1. 刺激图像

2. 可视化形象

3. 空隙

α_v 观察角

Δα_v 观察角差异

k+ 肯定类别

k- 否定类别

N 轮

P_C 识别概率

Claims (15)

1.一种使用机器学习通过自动确定主观视敏度来优化光学辅助件的方法，该方法包括以下步骤：

a) 提供至少一个训练数据集，

b) 通过该至少一个训练数据集来训练人工神经网络，

c) 一般性地创建刺激图像，

d) 对该刺激图像进行参数化，其中执行第一和第二参数化，并且优选地通过至少使用该刺激图像的图像大小、刺激对比度、和/或刺激形状来进行对该刺激图像的第一参数化，

e) 提供识别概率函数，

f) 通过训练后的神经网络来将该刺激图像分类，以提供该刺激图像的类别，

g) 基于该刺激图像的类别来确定在步骤d) 中执行的该第一参数化的识别概率，

h) 基于所确定的识别概率来适配该刺激图像的第一参数化，

i) 通过该训练后的神经网络来将经适配的刺激图像分类，以提供该经适配的刺激图像的类别，

j) 基于该经适配的刺激图像的类别来确定在步骤d) 中适配的该第一参数化的识别概率，

k) 重复步骤h) 至步骤j) ，直至实现关于找到主观视敏度阈值的终止准则，

l) 确定该主观视敏度阈值，

m) 在各自情况下以不同的第二参数化来重复进行步骤d) 至l) ，在各自情况下，该刺激图像的第二参数化包括对该刺激图像施加该光学辅助件的至少一种特性，

n) 通过选择具有在步骤l) 中确定的最高主观视敏度的该第二参数化来优化该光学辅助件。

2.如权利要求1所述的方法，其中，该终止准则包括以下准则中的一个或多个：

达到根据步骤k) 来进行步骤h) 至j) 的预定重复次数，

预定次数地达到根据步骤k) 重复进行步骤h) 至j) 时相继的经适配的第一参数化之差低于预定极限值的情形，

达到预定反转次数。

3. 如权利要求1或2所述的方法，其中，在根据步骤d) 对该刺激图像进行参数化时执行的第二参数化包括对该刺激图像施加人眼的至少一种特性、特别是人眼的光学像差。

4. 如前述权利要求之一所述的方法，其中，当根据步骤d) 对该刺激图像进行参数化时，根据步骤m) 对该刺激图像施加的该光学辅助件的特性包括该光学辅助件的光学像差。

5.如权利要求4所述的方法，其中，测量和/或计算该人眼的光学像差，和/或其中，测量和/或计算该光学辅助件的光学像差。

6. 如前述权利要求之一所述的方法，其中，步骤c) 包括提供特征空间，该特征空间包括多个特征表现形式，

其中，在步骤d) 中，在该刺激图像被参数化之前，从该特征空间中选择该多个特征表现形式之一并且将其提供在该刺激图像中，

并且其中，在步骤h) 中，在对该第一参数化进行适配之前，同样从该特征空间中选择该多个特征表现形式之一并且将其提供在该刺激图像中。

7.如前述权利要求之一所述的方法，其中，

该神经网络是卷积神经网络。

8. 如前述权利要求之一所述的方法，其中，通过控制软件来执行步骤b) 、c) 、d) 、e)、g) 、h) 、j) 、k) 、l) 、m) 和/或n) ，其中，该控制软件优选地使用心理物理算法或者是心理物理算法。

9.如前述权利要求之一所述的方法，其中，该心理物理算法根据步骤自适应法来进行。

10.一种用于生产通过如前述权利要求之一所述的方法优化的光学辅助件的方法，包括：

根据在步骤n) 中选择的优化的光学辅助件的第二参数化来确定表面机加工数据，

将该表面机加工数据馈送至用于对光学表面进行机加工的自动机器，以根据该表面机加工数据来对毛坯的光学表面进行机加工。

11.如权利要求10所述的方法，其中，该光学表面的机加工包括研磨和/或抛光，该表面机加工数据包括研磨数据和/或抛光数据，并且该用于对光学表面进行机加工的自动机器包括自动研磨和/或抛光机器。

12.一种用于生产优化的光学辅助件的设备，包括：

用于对光学表面进行机加工的自动机器，

用于根据在步骤n) 中选择的优化的光学辅助件的第二参数化来确定表面机加工数据的装置，

用于执行如权利要求1至9之一所述的方法的评估装置，该评估装置包括用于读入训练数据集并且用于输入和/或选择刺激图像以及进行该第一和第二参数化的参数化数据的接口。

13.如权利要求12所述的设备，还包括用于检查经加工的优化的光学辅助件的测试装置。

14.一种具有程序代码的计算机程序，该程序代码能够在处理器上运行以执行如权利要求1至9之一所述的方法的方法步骤。

15.一种非瞬态存储介质，其上存储有如权利要求14所述的计算机程序。

Images