CN114926620A - 一种红外光照下瞳孔直径测量方法及系统 - Google Patents
一种红外光照下瞳孔直径测量方法及系统 Download PDFInfo
- Publication number
- CN114926620A CN114926620A CN202210579405.XA CN202210579405A CN114926620A CN 114926620 A CN114926620 A CN 114926620A CN 202210579405 A CN202210579405 A CN 202210579405A CN 114926620 A CN114926620 A CN 114926620A
- Authority
- CN
- China
- Prior art keywords
- pupil
- eyeball
- distance
- circle
- contour
- 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.)
- Pending
Links
- 210000001747 pupil Anatomy 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005286 illumination Methods 0.000 title claims description 32
- 210000005252 bulbus oculi Anatomy 0.000 claims abstract description 49
- 238000012216 screening Methods 0.000 claims abstract description 37
- 230000004309 orthophoria Effects 0.000 claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 210000000720 eyelash Anatomy 0.000 claims description 27
- 206010044613 Trichomegaly Diseases 0.000 claims description 14
- 208000019737 familial isolated trichomegaly Diseases 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 230000001886 ciliary effect Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 3
- 210000001519 tissue Anatomy 0.000 description 33
- 238000005259 measurement Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- 238000001914 filtration Methods 0.000 description 7
- 230000002146 bilateral effect Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 210000001508 eye Anatomy 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000036040 emmetropia Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000002460 smooth muscle Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V10/141—Control of illumination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06T2207/20112—Image segmentation details
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种红外光照下瞳孔直径测量方法及系统,对红外光照射下的眼球正视原始图像进行灰度化,得到眼球正视灰度图像;对眼球正视灰度图像提取瞳孔区域;计算瞳孔轮廓最小外接圆的圆心到轮廓点的距离均值,将该距离均值作为瞳孔半径,将瞳孔半径乘以二得到瞳孔像素直径;根据标准圆同等距离得到像素毫米比,像素毫米比乘以瞳孔像素直径得到拟合瞳孔圆真实直径。对眼球正视灰度图像提取瞳孔区域,包括对眼球正视灰度图像进行二值化阈值分割、闭运算、开运算以及查找轮廓,对查找轮廓所得眼球的深色组织的轮廓最小外接矩形宽高比进行筛选、对轮廓面积进行筛选、对轮廓最小外接圆的圆心到轮廓点的距离标准差进行筛选,对各种干扰物进行剔除。
Description
技术领域
本发明属于光学瞳孔直径测量技术领域,涉及一种红外光照下瞳孔直径测量方法及系统。
背景技术
瞳孔是眼睛内虹膜中心的圆孔,为光线进入眼睛的通道。眼部虹膜上平滑肌的伸缩,可以使瞳孔的口径放大或缩小,控制进入瞳孔的光量。经研究表明,客观定量瞳孔检测被越来越多的应用于各个不同方向。医学上,测量瞳孔的大小可初步判断患者颅内压的变化,间接反映患者神经系统疾患的轻重及转归。在工业、交通、运输等部门使用瞳孔直径检测仪可有效评定工作者或司机的疲劳程度(疲劳驾驶)或者是否有酒后驾驶,有助于降低相关事故和酒后撞车的发生,并可提高工作场所的安全性以及增加工作效率。现阶段多通过目测直尺或瞳孔比对尺来测量瞳孔的直径,测量误差较大且受人为读数影响较大,导致测量准确度不高。因此,急需一种更为精确、快速反映或计算瞳孔直径及直径变化的测量方法供日常或者医学使用。
发明内容
为了解决上述问题,本发明提供一种红外光照下瞳孔直径测量方法及系统,以解决现有通过目测直尺或瞳孔比对尺来测量瞳孔直径的方法测量误差较大且受人为读数影响较大而导致测量不准确的问题。
本发明所采用的技术方案是,一种红外光照下瞳孔直径测量方法,按照以下步骤进行:
对红外光照射下的眼球正视原始图像进行灰度化,得到眼球正视灰度图像;
对眼球正视灰度图像提取瞳孔区域;
计算瞳孔轮廓最小外接圆的圆心到轮廓点的距离均值,将该距离均值作为瞳孔半径,将瞳孔半径乘以二得到瞳孔像素直径;
根据标准圆同等距离得到像素毫米比,像素毫米比乘以瞳孔像素直径即得到拟合瞳孔圆真实直径。
进一步的,对眼球正视灰度图像提取瞳孔区域,包括:
对眼球正视灰度图像进行二值化阈值分割或利用标准圆对眼球正视灰度图像进行直方图匹配,并将眼球的浅色组织设置为黑色,将眼球的深色组织设置为白色,以去除眼球的浅色组织,得到眼球二值图像;
对眼球二值图像进行数字图形学的闭运算,闭合照明光斑,得到闭运算图像;
对闭运算图像进行数字图形学的开运算,去掉微小睫毛,得到开运算图像;
对开运算图像中所有对象查找轮廓,获得眼球的深色组织的轮廓。
进一步的,对眼球正视灰度图像提取瞳孔区域,包括:
对眼球的深色组织的轮廓最小外接矩形宽高比进行筛选,去除掉长条样的睫毛;
对去除掉长条样的睫毛后剩余的深色组织轮廓面积进行筛选,去除剩余光斑、点睫毛;
确定去除剩余光斑、点睫毛后剩余的深色组织轮廓最小外接圆的圆心到其轮廓点的经验最大距离标准差,并计算每个深色组织的轮廓最小外接圆圆心到轮廓点的距离标准差,根据经验最大距离标准差筛选瞳孔区域,去除连续睫毛块。
进一步的,对眼球的深色组织的轮廓最小外接矩形宽高比进行筛选,去除掉长条样的睫毛的具体过程如下:
使用minAreaRect()函数计算深色组织的轮廓的最小外接矩形,得到该最小外接矩形的宽和高,并计算该最小外接矩形的宽高比,然后设置最小外接矩形宽高比筛选条件,利用最小外接矩形宽高比筛选条件去除长条样的睫毛。
进一步的,对去除掉长条样的睫毛后剩余的深色组织轮廓面积进行筛选,去除剩余光斑、睫毛的具体过程如下:
使用contourArea()函数计算去除掉长条样的睫毛后剩余的深色组织轮廓面积,依据先验经验得到非瞳孔的轮廓面积筛选条件,利用非瞳孔的轮廓面积筛选条件剔除剩余光斑、点睫毛。
进一步的,计算每个深色组织的轮廓最小外接圆圆心到轮廓点的距离标准差的具体过程为:
使用minEnclosingCircle()函数获得轮廓的最小外接圆,并得到该最小外接圆的圆心,从圆心出发获得圆心到轮廓点的距离集合,进而计算得到该距离集合对应的距离标准差。
进一步的,对眼球正视灰度图像提取瞳孔区域,包括:
对眼球的深色组织的轮廓最小外接矩形宽高比进行筛选,去除掉长条样的睫毛;
对去除掉长条样的睫毛后剩余的深色组织轮廓面积进行筛选,去除剩余光斑、点睫毛;
计算标准圆与每个轮廓区域的HU矩距离,与标准圆HU矩距离最小的轮廓区域即为瞳孔区域,去除连续睫毛块。
进一步的,通过下述公式计算轮廓区域A与标准圆B的Hu矩距离D(A,B):
进一步的,根据标准圆同等距离得到像素毫米比例,是采用相同镜头、相同分辨率在在同等距离下拍摄标准圆,得到标准圆同等距离像素直径,然后通过下式求得像素毫米比:
本发明所采用的另一技术方案是,一种红外光照下瞳孔直径测量系统,包括:
存储器,用于存储可由处理器执行的指令;以及
处理器,用于执行所述指令以实现如上所述的一种红外光照下瞳孔直径测量方法。
本发明的有益效果是:利用红外光照射下的眼球正视原始图像进行瞳孔直径测量,实现了瞳孔直径的客观测量,解决了现有通过目测直尺或瞳孔比对尺来测量瞳孔直径的方法测量误差较大且受人为读数影响较大而导致测量不准确的问题。利用瞳孔在红外光线下与虹膜反射光线强度不同,将瞳孔与虹膜分离,并通过数字图形学的方式对各种不同的干扰物借用先验知识的有效剔除,较传统方式提高了瞳孔轮廓获取精度。同时比基于深度学习的分割模型,减小了计算量,提高了检测速度。可以满足嵌入式设备实时运算和显示的要求。
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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种红外光照下瞳孔直径测量方法的流程图。
图2是红外光照射下眼球正视灰度图像。
图3是对图2进行双边滤波增强后所增强图像。
图4是对图3进行二值化阈值分割后所得眼球二值图像。
图5是对图4进行数字图形学的闭运算后所得闭运算图像。
图6是对图5进行数字图形学的开运算后所得开运算图像。
图7是对图6进行查找轮廓并将获得的特征叠加到原图所得叠加图像。
图8是带有对象轮廓的最小外接矩形宽高比的叠加图像。
图9是最小外接矩形示意图。
图10是对宽高比筛选图像进行轮廓面积筛选所得面积筛选图像。
图11是对宽高比筛选图像面积筛选图像进行距离标准差筛选所得标准差筛选图像。
图12是带有瞳孔像素直径的拟合瞳孔圆图像。
图13是带有拟合瞳孔圆直径真实值的拟合瞳孔圆图像。
图14是标准圆示意图。
具体实施方式
下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
本发明实施例提供一种红外光照下瞳孔直径测量方法,如图1所示,按照以下步骤进行:
S1:对红外光照射下图像检测单元获取的眼球正视原始图像进行灰度化,所得眼球正视灰度图像如图2所示;
瞳孔在红外光下与虹膜折射率不同,所以进行红外光照能够方便的区分虹膜与瞳孔,因此图像采集单元选择窄带红外无畸变摄像头,排除其余可见光和采集镜头的干扰,提高识别准确率;
S2:对眼球正视灰度图像进行双边滤波图像增强,平滑去噪并保持瞳孔轮廓边缘信息,所得增强图像如图3所示:
双边滤波是一种非线性滤波,它可以达到保持边缘、降噪平滑的效果;双边滤波是采用加权平均的方法,用周边像素亮度值的加权平均代表某个像素的强度,所用的加权平均基于高斯分布。最重要的是,双边滤波的权重不仅考虑了像素的欧氏距离,还考虑了像素范围域中的辐射差异,在计算中心像素的时候同时考虑这两个权重。双边滤波的核函数是空间域核与像素范围域核的综合结果:在图像的平坦区域,像素值变化很小,相当于进行高斯模糊;在图像的边缘区域,像素值变化很大,像素范围域权重变大,从而保持了边缘的信息。
S3:对增强图像进行二值化阈值分割或直方图匹配,去除虹膜等浅色组织,并将虹膜等浅色组织设置为白色,将瞳孔等深色组织设置黑色,所得眼球二值图像如图4所示;
二值化可以把灰度图像转换成二值图像,在本例中通过二值化阈值分割处理,将瞳孔等深色区域置为白色,其余浅色区域统一置为黑色,方便后期运算。
直方图匹配即是将某幅影像或某一区域的直方图匹配到另一幅影像上,在本发明实施例中,将眼球灰度图与如图14所示的标准圆进行直方图匹配,即可去除虹膜等浅色组织、得到瞳孔等的深色组织区域,如图14所示的标准圆的直径根据经验取6~8mm,为了方便后期运算对所得图像进行反色,将瞳孔等深色组织区域置为白色,其余浅色组织区域置为黑色,直方图匹配得到的图像干扰更少,但是运算时间稍长。
S4:对眼球二值图像进行数字图形学的闭运算,闭合照明光斑,所得闭运算图像如图5所示;
闭运算先膨胀再腐蚀,能够填平前景物体内的小裂缝和小空洞,而总的位置和形状不变。其中:膨胀是对图像中的高亮部分进行膨胀,领域扩张,效果图拥有比原图更大的高亮区域;操作的时候表现为相邻区域用极大值代替,高亮区域增加;腐蚀是图像中的高亮部分被腐蚀掉,领域缩减,效果图拥有比原图更小的高亮区域;操作的时候表现为相邻区域用极小值代替,高亮区域减少。
S5:对闭运算图像进行数字图形学的开运算,去掉微小睫毛,所得开运算图像如图6所示;
开运算先腐蚀再膨胀,开运算能够除去孤立的小点、毛刺和小桥,而总的位置和形状不变。
S6:对开运算图像中所有对象查找轮廓,获得瞳孔、大睫毛等深色组织的轮廓,为了更直观的查看查找轮廓的对象,将获得的深色组织的轮廓叠加到眼球正视灰度图像上,所得叠加图像如图7所示;
使用轮廓查找函数findContours()函数查找轮廓,输入参数为OutputArrayimage、OutputArrayOfArrays contours、OutputArray hierarchy、int mode、int method、Point offset=Point(),其中:
参数image,单通道图像矩阵,可以是灰度图,但更常用的是二值图像,一般是经过Canny、拉普拉斯等边缘检测算子处理过的二值图像,其在本发明实施例为开运算图像矩阵;
参数contours,向量内每个元素保存了一组由连续的Point点构成的点集合的向量,每一组Point点集就是一个轮廓,有多少对象轮廓,向量contours就有多少元素;
int型的mode,定义轮廓的检索模式:
取值:CV_RETR_EXTERNAL只检测最外围轮廓,包含在外围轮廓内的内围轮廓被忽略;
int型的method,定义轮廓的近似方法:
取值:CV_CHAIN_APPROX_NONE 保存物体边界上所有连续的轮廓点到contours向量内;
S7:对查找轮廓所得深色组织的轮廓最小外接矩形宽高比进行筛选,以去除掉长条样的睫毛,得到的宽高比筛选图像如图10所示;
使用minAreaRect()函数计算深色组织的轮廓的最小外接矩形,得到最小外接矩形的宽和高,并计算长宽比/高宽比,得到的带有轮廓的最小外接矩形宽高比的叠加图像如图8所示,然后设置宽高比筛选条件,宽高比筛选条件与拍摄距离、采用的摄像机以及分辨率等拍摄条件有关,具体可根据当前的拍摄距离、采用的摄像机以及分辨率确定,如在物距2cm、500万像素红外窄带摄像头、分辨率 640×480的拍摄条件下,设置小于0.8或大于1.2为宽高比筛选条件,去掉长条样的睫毛,得到宽高比筛选图像。计算指定点集的最小区域的边界矩形时,矩形可能会发生旋转,以保证区域面积最小,如图9所示。
S8:对去除掉长条样的睫毛后剩余的深色组织轮廓面积进行筛选,去除剩余光斑、点睫毛,所得面积筛选图像如图11所示;
使用contourArea()函数计算去除掉长条样的睫毛后剩余的深色组织轮廓面积,剩余光斑和小睫毛与瞳孔面积大小有明显区别,如图10所示,因此依据先验经验得到非瞳孔的轮廓面积筛选条件,剔除剩余光斑、睫毛等非瞳孔组织,非瞳孔的轮廓面积筛选条件依据先验经验确定,与拍摄距离、采用的摄像机以及分辨率等拍摄条件有关,具体可根据当前的拍摄距离、采用的摄像机以及分辨率确定,如在物距2cm、500万像素红外窄带摄像头、分辨率 640×480的拍摄条件下,依据先验经验可设置非瞳孔的轮廓面积筛选条件为10000。
S9:确定去除剩余光斑、点睫毛后剩余的深色组织轮廓最小外接圆的圆心到轮廓点的经验最大距离标准差,并计算每个深色组织的轮廓最小外接圆圆心到其轮廓点的距离标准差,根据经验最大距离标准差筛选瞳孔区域,去除连续睫毛块,所得标准差筛选图像如图12所示;
连续睫毛块的大小及宽高比都与瞳孔接近,但是通过分析发现,瞳孔与连续睫毛块的轮廓最小外接圆圆心到轮廓点的距离标准差差异较大,因此,通过大量比对确定经验最大距离标准差,删除每个深色组织的轮廓最小外接圆圆心到轮廓点的距离标准差大于经验最大距离标准差的对象,即去除了连续睫毛块,在相同的拍摄条件下,发明人通过大量试验比对得出的经验最大距离标准差为2。
使用minEnclosingCircle()函数获得对象轮廓的最小外接圆,并得到该最小外接圆的圆心,从圆心出发获得圆心到轮廓点的距离集合,计算该距离集合对应的距离标准差,距离标准差小于等于经验最大距离标准差即为瞳孔轮廓。
实际人眼并不是正圆形,而医学为了认知方便将其拟合为圆形,本发明实施例通过数字图形学的开运算和闭运算对瞳孔边缘毛刺进行光滑处理,并根据瞳孔边缘轮廓外接圆圆心的距离方差筛选的瞳孔,再次验证了瞳孔是近似正圆的提法,从而得到的距离均值是最符合拟合圆形的提法的瞳孔直径。
计算如图14所示的标准圆与每个深色组织的轮廓的HU矩距离,HU矩距离越小则轮廓越接近圆,因此本发明实施例中,将每个深色组织与标准圆计算HU矩距离,HU矩距离最小的轮廓区域即为瞳孔区域,该方法无需给出经验值,通用性好。
Hu矩是7个中心距的集合,中心距是图像像素相对于其质心的像素强度的加权平均值,Hu矩在图像平移、旋转和比例变化时保持不变,因此可以用于形状比较。本发明实施例中使用如下公式计算轮廓区域A与标准圆B的Hu矩距离D(A,B):
其中,为标准圆B或轮廓区域A的p+q阶归一化中心距,,=(p+q)/2+1,为标准圆B或轮廓区域A的0阶中心矩;即是p=2、q=0求得的,即是p=0、q=2求得的,即是p=q=1求得的,即是p=0、q=3求得的,即是p=1、q=2求得的,即是p=2、q=1求得的,即是p=3、q=0求得的。
S10:计算所剩的瞳孔轮廓最小外接圆的圆心到轮廓点的距离均值,将该距离均值作为瞳孔半径,将瞳孔半径乘以二得到瞳孔像素直径,以最小外接圆的圆心得到拟合瞳孔圆,所得带有瞳孔像素直径的拟合瞳孔圆图像如图12所示,图12中当前瞳孔像素直径为68.67;根据标准圆同等距离得到像素毫米比,像素毫米比乘以瞳孔像素直径即得到拟合瞳孔圆真实直径,所得带有拟合瞳孔圆真实直径的拟合瞳孔圆图像如图13所示,图13中显示的当前拟合瞳孔圆的真实直径为4.37mm。
根据标准圆同等距离得到像素毫米比例,是采用相同镜头、相同分辨率在在同等距离下拍摄标准圆,得到标准圆同等距离像素直径,然后通过下式求得像素毫米比:
拟合瞳孔圆的像素直径与像素毫米比的乘积即拟合瞳孔圆直径的真实值。
实施例2
本发明实施例提出一种红外光照下瞳孔直径测量系统,包括:存储器,用于存储可由处理器执行的指令;以及处理器,用于执行所述指令以实现如上实施例1所述的一种红外光照下瞳孔直径测量方法。
一种红外光照下瞳孔直径测量系统可包括内部通信总线、处理器(Processor)、只读存储器(ROM)、随机存取存储器(RAM)、通信端口、以及硬盘。内部通信总线可以实现一种红外光照下瞳孔直径测量系统组件间的数据通信。处理器可以进行判断和发出提示。在一些实施例中,处理器可以由一个或多个处理器组成。通信端口可以实现一种红外光照下瞳孔直径测量系统外部的数据通信。在一些实施例中,一种红外光照下瞳孔直径测量系统还可以通过通信端口从网络发送和接受信息及数据。一种红外光照下瞳孔直径测量系统还可以包括不同形式的程序储存单元以及数据储存单元,例如硬盘,只读存储器(ROM)和随机存取存储器(RAM),能够存储计算机处理和/或通信使用的各种数据文件,以及处理器所执行的可能的程序指令。处理器执行这些指令以实现方法的主要部分。处理器处理的结果通过通信端口传给被试者设备,在被试者界面上显示。
上述的一种红外光照下瞳孔直径测量方法可以实施为计算机程序,保存在硬盘中,并可记载到处理器中执行。因此,本发明实施例还提供了一种存储有计算机程序代码的计算机可读介质,所述计算机程序代码在由处理器执行时实现如上所述的一种红外光照下瞳孔直径测量方法。
一种红外光照下瞳孔直径测量方法实施为计算机程序时,也可以存储在计算机可读存储介质中作为制品。例如,计算机可读存储介质可以包括但不限于磁存储设备(例如,硬盘、软盘、磁条)、光盘(例如,压缩盘(CD)、数字多功能盘(DVD))、智能卡和闪存设备(例如,电可擦除可编程只读存储器(EPROM)、卡、棒、键驱动)。此外,本发明实施例描述的各种存储介质能代表用于存储信息的一个或多个设备和/或其它机器可读介质。术语“机器可读介质”可以包括但不限于能存储、包含和/或承载代码和/或指令和/或数据的无线信道和各种其它介质(和/或存储介质)。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种红外光照下瞳孔直径测量方法,其特征在于,按照以下步骤进行:
对红外光照射下的眼球正视原始图像进行灰度化,得到眼球正视灰度图像;
对眼球正视灰度图像提取瞳孔区域;
计算瞳孔轮廓最小外接圆的圆心到轮廓点的距离均值,将该距离均值作为瞳孔半径,将瞳孔半径乘以二得到瞳孔像素直径;
根据标准圆同等距离得到像素毫米比,像素毫米比乘以瞳孔像素直径即得到拟合瞳孔圆真实直径。
2.根据权利要求1所述的一种红外光照下瞳孔直径测量方法,其特征在于,对眼球正视灰度图像提取瞳孔区域,包括:
对眼球正视灰度图像进行二值化阈值分割或利用标准圆对眼球正视灰度图像进行直方图匹配,并将眼球的浅色组织设置为黑色,将眼球的深色组织设置为白色,以去除眼球的浅色组织,得到眼球二值图像;
对眼球二值图像进行数字图形学的闭运算,闭合照明光斑,得到闭运算图像;
对闭运算图像进行数字图形学的开运算,去掉微小睫毛,得到开运算图像;
对开运算图像中所有对象查找轮廓,获得眼球的深色组织的轮廓。
3.根据权利要求1所述的一种红外光照下瞳孔直径测量方法,其特征在于,对眼球正视灰度图像提取瞳孔区域,包括:
对眼球的深色组织的轮廓最小外接矩形宽高比进行筛选,去除掉长条样的睫毛;
对去除掉长条样的睫毛后剩余的深色组织轮廓面积进行筛选,去除剩余光斑、点睫毛;
确定去除剩余光斑、点睫毛后剩余的深色组织轮廓最小外接圆的圆心到轮廓点的经验最大距离标准差,并计算每个深色组织的轮廓最小外接圆圆心到其轮廓点的距离标准差,根据经验最大距离标准差筛选瞳孔区域,去除连续睫毛块。
4.根据权利要求3所述的一种红外光照下瞳孔直径测量方法,其特征在于,对眼球的深色组织的轮廓最小外接矩形宽高比进行筛选,去除掉长条样的睫毛的具体过程如下:
使用minAreaRect()函数计算深色组织的轮廓的最小外接矩形,得到该最小外接矩形的宽和高,并计算该最小外接矩形的宽高比,然后设置最小外接矩形宽高比筛选条件,利用最小外接矩形宽高比筛选条件去除长条样的睫毛。
5.根据权利要求3所述的一种红外光照下瞳孔直径测量方法,其特征在于,对去除掉长条样的睫毛后剩余的深色组织轮廓面积进行筛选,去除剩余光斑、睫毛的具体过程如下:
使用contourArea()函数计算去除掉长条样的睫毛后剩余的深色组织轮廓面积,依据先验经验得到非瞳孔的轮廓面积筛选条件,利用非瞳孔的轮廓面积筛选条件剔除剩余光斑、点睫毛。
6.根据权利要求3所述的一种红外光照下瞳孔直径测量方法,其特征在于,计算每个深色组织的轮廓最小外接圆圆心到轮廓点的距离标准差的具体过程为:
使用minEnclosingCircle()函数获得轮廓的最小外接圆,并得到该最小外接圆的圆心,从圆心出发获得圆心到轮廓点的距离集合,进而计算得到该距离集合对应的距离标准差。
7.根据权利要求1所述的一种红外光照下瞳孔直径测量方法,其特征在于,对眼球正视灰度图像提取瞳孔区域,包括:
对眼球的深色组织的轮廓最小外接矩形宽高比进行筛选,去除掉长条样的睫毛;
对去除掉长条样的睫毛后剩余的深色组织轮廓面积进行筛选,去除剩余光斑、点睫毛;
计算标准圆与每个轮廓区域的HU矩距离,与标准圆HU矩距离最小的轮廓区域即为瞳孔区域,去除连续睫毛块。
10.一种红外光照下瞳孔直径测量系统,其特征在于,包括:
存储器,用于存储可由处理器执行的指令;以及
处理器,用于执行所述指令以实现如权利要求1~8任一项所述的一种红外光照下瞳孔直径测量方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210579405.XA CN114926620A (zh) | 2022-05-26 | 2022-05-26 | 一种红外光照下瞳孔直径测量方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210579405.XA CN114926620A (zh) | 2022-05-26 | 2022-05-26 | 一种红外光照下瞳孔直径测量方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114926620A true CN114926620A (zh) | 2022-08-19 |
Family
ID=82811360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210579405.XA Pending CN114926620A (zh) | 2022-05-26 | 2022-05-26 | 一种红外光照下瞳孔直径测量方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114926620A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563223A (zh) * | 2023-04-11 | 2023-08-08 | 新创碳谷集团有限公司 | 一种玻纤纱线绕罗拉检测方法、设备及存储介质 |
CN116974370A (zh) * | 2023-07-18 | 2023-10-31 | 深圳市本顿科技有限公司 | 一种防沉迷儿童学习平板电脑控制方法及系统 |
-
2022
- 2022-05-26 CN CN202210579405.XA patent/CN114926620A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563223A (zh) * | 2023-04-11 | 2023-08-08 | 新创碳谷集团有限公司 | 一种玻纤纱线绕罗拉检测方法、设备及存储介质 |
CN116563223B (zh) * | 2023-04-11 | 2023-09-26 | 新创碳谷集团有限公司 | 一种玻纤纱线绕罗拉检测方法、设备及存储介质 |
CN116974370A (zh) * | 2023-07-18 | 2023-10-31 | 深圳市本顿科技有限公司 | 一种防沉迷儿童学习平板电脑控制方法及系统 |
CN116974370B (zh) * | 2023-07-18 | 2024-04-16 | 深圳市本顿科技有限公司 | 一种防沉迷儿童学习平板电脑控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110276356B (zh) | 基于r-cnn的眼底图像微动脉瘤识别方法 | |
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 | |
CN108986106B (zh) | 面向青光眼的视网膜血管自动分割方法 | |
CN107292877B (zh) | 一种基于眼底图像特征的左右眼识别方法 | |
CN114926620A (zh) | 一种红外光照下瞳孔直径测量方法及系统 | |
Siddalingaswamy et al. | Automatic localization and boundary detection of optic disc using implicit active contours | |
CN106651888B (zh) | 基于多特征融合的彩色眼底图像视杯分割方法 | |
Giachetti et al. | Multiresolution localization and segmentation of the optical disc in fundus images using inpainted background and vessel information | |
Dharmawan et al. | A new optic disc segmentation method using a modified Dolph-Chebyshev matched filter | |
KR101182729B1 (ko) | 의료용 혈관영상 처리방법 | |
Yu et al. | Automatic localization and segmentation of optic disc in fundus image using morphology and level set | |
Nugroho et al. | Automated segmentation of optic disc area using mathematical morphology and active contour | |
Reddy et al. | Diabetic retinopathy through retinal image analysis: A review | |
Kanca et al. | Learning hand-crafted features for k-NN based skin disease classification | |
Badeka et al. | Evaluation of LBP variants in retinal blood vessels segmentation using machine learning | |
Kumar et al. | Automatic optic disc segmentation using maximum intensity variation | |
Gou et al. | A novel retinal vessel extraction method based on dynamic scales allocation | |
CN111292285B (zh) | 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法 | |
Sun et al. | Optic disc segmentation by balloon snake with texture from color fundus image | |
Reza et al. | Automatic detection of optic disc in fundus images by curve operator | |
Nugroho et al. | Optic cup segmentation using adaptive threshold and morphological image processing | |
CN113269756A (zh) | 基于多尺度匹配滤波与粒子群优化视网膜血管分割方法、装置 | |
CN112017132A (zh) | 基于最大曲率法和多尺度Hessian矩阵的静脉图像增强方法 | |
Mei et al. | Optic disc segmentation method based on low rank matrix recovery theory | |
Joshi et al. | Robust optic disk segmentation from colour retinal images |
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 |