CN1856803A - 在线波前测量和显示 - Google Patents

Abstract

提出了一种快速算法，允许基本上同时进行波前质心图像的采集、分析以及显示，称为在线像差测量。一种方法实施例包括确定选定时间间隔例如20秒内平均的或者最频繁发生的波前像差。在线瞳孔直径测量允许分析作为改变的瞳孔尺寸的函数的波前像差。公开了一种支持在线像差测量的波前测量设备。

Description

在线波前测量和显示

技术领域

本发明的实施例整体涉及图像处理领域，并且尤其涉及对眼睛波前信息进行同时测量、分析以及显示(在此称为“在线”像差测量)的方法和设备。

背景技术

目前存在若干图像处理学科尚未涉及的技术。众多领域的迅速发展典型地产生了处理自动化，其中快速并且准确检测摄像机图像中的结构的能力变得越来越重要。本发明的实施例的目标的一个方面是人眼的波前像差测量，尽管在下面描述的技术可以在检测图像中结构方面得到更加广泛的应用。

通过屈光外科手术、或者在眼睛上或眼睛里使用镜片对视力进行矫正的眼科领域应用了相对较新开发的像差计。这些设备允许医师探究视觉质量的意义并且理解其并不仅局限于视觉敏锐度。包含波前传感器的像差计可以提供关于视觉缺陷的信息，一旦矫正后，在完备的视场条件下，不但可以提供理论限度的视觉敏锐度，而且可以提供更好的视觉甚至定制的视觉。

一种最常规并且相当成熟的眼睛波前传感形式依赖于Hartmann-Shack原理。Hartmann-Shack波前传感器通常包括微透镜阵列，将射出眼睛的扭曲的波前的各个部分成像到CCD检测器/照相机。微透镜阵列产生的图像包括小光点阵列，略微偏移于无像差波前的光点图像的参考位置。像差点偏移与射出眼睛瞳孔的波前的局部倾斜度关联。可以从这些偏移中推导出泽尔尼克多项式(或者其他数学形式)，然后用于实际表征所有的眼睛像差。进行准确的波前计算的能力很大程度上依赖于波前图像中每个点的中心位置的准确确定。波前分析过程的这个方面被称为质心检测。

Hartmann-Shack波前传感器以及其他公知类型(例如Tscherning)波前传感器通常测量单个质心图像，或者最多在很短时间间隔内测量很少数量的图像。然而眼睛是一个波前变化迅速改变的动态系统。质心检测所需的时间是阻碍以高于每秒几幅图像的重复速率进行实时测量的主要原因。WASCA是波前领域中公知的一个系统，已经表明了在波前的30秒记录中大约7Hz的重复速率。然而，波前图像必须首先记录、存储并且随后进行评估。单个波前图像需要大概400Kb的计算机存储容量。而且，像差测量(例如球体、圆柱/轴，以及更高阶的像差)不能在线显示，即与波前测量和计算完全同时。并且也不能基本同时地采集和存储瞳孔图像和质心图像，使得几乎不可能评估眼睛移动对波前改变的影响。下面的附图表明了本发明实施例解决的眼睛波前测量领域中的若干示例开发问题。

附图简述

图1为本发明的快速质心检测算法实施例的示意流程图；

图2为与本发明的实施例关联的Hartmann-Shack波前(质心)图像的照片拷贝；

图3为与本发明的实施例关联的波前(质心)图像的图示；

图4为根据本发明的实施例的排序算法的示意流程图；

图5为表示根据本发明的实施例的算法过程的波前(质心)图像的另一图示；

图6为根据本发明的实施例的另一算法过程的示意图；

图7为根据本发明的实施例的另一算法过程的图示；

图8为表示根据本发明的实施例的另一算法过程的Hartmann-Shack波前(质心)图像的局部的照片拷贝；

图9为关于本发明的另一个实施例的示意流程图；以及

图10为本发明的设备实施例的框图。

本发明的优选实施例的详细说明

本发明的一个实施例提出了一种检测CCD图像中的亮结构和暗结构的算法。仅作为示例，该图像可以包括波前图像中的质心，或者隐形眼镜表面上的识别标记。图3显示了模拟的Hartmann-Shack波前图像中作为黑点的质心图像32的阵列。

该实施例的特点在于，CCD图像中的结构(如质心32)的位置可以在大约5ms内定位和排序，并且在大约13ms或者更少的时间内完成泽尔尼克(Zernike)系数计算和波前图像信息显示(利用800MHz奔腾(Intel)处理器或者等效器件)。1.6GHz处理器通过将速率增加到大约50Hz，可以将总时间减少大约一半。因此所述算法在本说明书通篇中称为波前信息的“在线”分析，是指以高达大约25Hz的速率基本同时对波前信息进行检测、测量以及显示。

下面将详细描述的实施例是针对Hartmann-Shack波前测量和分析进行阐述的，但是可以更广泛的应用到其他波前方法，例如基于Tscherning原理的方法和本领域公知的其他方法。然而，如上所述，本发明可以更广泛地应用到分析CCD类型图像中的结构的图像处理。

根据本实施例用于波前图像中的质心检测的方法在图1中的流程图100进行了描述。应当注意，在所述实施例中，按照需要以25Hz速率采集、分析以及显示多个连续的图像，但是为了简化起见，下面给出的算法步骤应用到单个波前图像，并且对期望序列的每个波前图像进行重复。

在图1中的步骤102，采集X×Y像素尺寸的波前图像，例如图2中图像22所示。光点图像通过由如图所示的可变像素信号强度表示。从CCD摄像机采集的图像通常包括像素阵列，其中每个像素被分配与在该像素收集的电荷量成正比的数值。该数值称为像素的信号。在下面的示例描述中，将详细描述黑暗图像中的亮点的规则方格。

i)图像压缩

在步骤102中采集图像之后，图像在步骤104中从X×Y像素尺寸被压缩为X/n×Y/m像素尺寸。这可以通过例如从图像左上角开始扫描整个图像，对原始图像中n×m像素块中的每个像素的信号进行平均而完成。然后压缩后图像的左上角中的信号被设置为第一块的平均值，下一像素的信号被设置为下一(第二)块的平均值，依次类推，最后产生X/n×Y/m像素尺寸的画面。n和m应当为整数，X/n和Y/m也应当为整数值。在一个示例实施例中，n＝m＝8。

ii)背景去除

在步骤106中，压缩后的图像被划分为若干个方块区域或者区块(勿与上述(i)中的像素块混淆)。在示例实施例中，一个区块为64×64像素的方块，但是也可以使用其他尺寸。典型的情况是，一个区块可以包含3-5个质心。对于每个区块再次计算平均信号。然后对区块的平均值进行线性外推以产生图像中任何位置的背景值。然后从图像中减去这个背景，产生质心外的低信号。在示例实施例中，通过背景去除可以将信噪比从2提高到10。

iii)粗结构检测

在步骤108中，识别大致的(或粗的)结构点(质心)。首先，定义最大值为压缩后图像中的最高信号。该最大值是提供扫描整个图像而确定的，X位置、Y位置以及每个像素的信号值被记录在表格中，但仅在该点的信号值高于该最大值的一定百分比例如30％(用户可以选择其它值)时。在示例实施例中，这样产生了具有大概400个条目的表格(表I)。该表格如下所示按照信号降序排序。各种快速排序例程中的任何一种可以用于完成排序。

           表I：

信号	X位置	Y位置
			223	86	55
154	85	75
			135	87	95
133	115	56
			110	118	74
108	114	93
			.	.	.
.	.	.
			.	.	.

第一个条目(最高信号值)被定义为第一粗结构点。然后，表格中符合一定预设条件的所有条目被定义为粗结构点。在该示例实施例中，所述预设条件为特定条目的位置比一定预设距离更加远离当前找到的所有粗结构点。在示例实施例中，所述距离为17个像素。在第一循环之后，创建包含待检测的所有点的大约95％的粗结构点的表格。

iv)结构的精细检测

为了增加找到所有结构点的可信度，可以如方块110所示重复步骤108，将新的最小值设定为第一循环中最小值的一定百分比。第二循环找到信号中过弱以至于在第一循环中找不到的点。第一循环中找到的粗结构点被计及，从而使它们将来不会被再次找到(即它们并不满足与预设距离相比更加远离已检测点的条件)。

v)最终结构检测

在步骤112中，确定最终的质心位置。由于在步骤104中更早地对图像进行了压缩，图像中原来包含的大量信息被忽略。现在该信息可以用于确定更加精确的质心位置。使用原始未压缩的图像，在每个粗点周围创建例如15×15像素的方块。通常，每个方块小于所述最小距离的2倍以确保每个方块仅包含一个质心，并且大于质心自身。在示例实施例中，该值在5至30个像素之间。然后，确定在所述方块内的信号分布的信号的质量中心，产生基本准确的质心位置。

在该实施例的一个方面中，步骤112可以被重复例如1、2、3、…n次以确定更加精确的结果。随后使用前一步骤中计算的质量中心。在步骤112中，每个结构点还可以被分配品质因子，该品质因子依赖于如果所述像素周围的方块主动位移用户设定距离、质量中心位置有多大的改变。在示例实施例中，所述距离为5个像素。位置改变最小的点被分配最高的品质因子。通过这种方式，可以消除被分配较低品质因子的毛刺点或者噪声，因为它们可能表示错误的结构点。

在针对Hartmann-Shack波前传感的示例实施例中，最好能够将质心与形成微透镜阵列的小透镜的对应图像相关联。因此，图4中所示的实施例的一个方面200是针对检测到的质心进行排序的过程，从而将它们分配到规则方格图案。本领域技术人员可以理解，所述算法可以很容易适应其他结构或者配置，例如圆环上的若干个点或者若干个点的任何直线。

在步骤202中，选择所需的排序配置。在示例实施例中，该配置是基于微透镜阵列的几何形状的方格。对每个先前找到的质心点i，如步骤204所示，计算包含质心点i并且斜率为1(45°)的直线的方程。对于图像的左上角或者右下角的起始位置，可以使用0.1至0.9之间的斜率值。同时，当起始位置为图像右上角或者左下角时，可以选择-0.1至-0.9之间的斜率值。在步骤206中，计算直线514和示例实施例中图像510的左上角506之间的距离502(n_i)，如图5所示。然后在步骤208中对所有质心i按照n_i进行排序，从具有最小的n_i值的质心开始。在步骤210中，具有最小的n_i值的质心被分配给行1，并且存储在存储器中作为行1的最后质心。在该实施例的一个方面中，在步骤210中将现有行的最后质心存储在存储器中。在步骤212中，在一个示例实施例中定义区域610为包含给定行的最后质心605的右边的面积，具有可以由小透镜阵列的参数控制和改变的尺寸，并且具有适合于检测选择的方格配置的形状，如图6所示，其中显示了下一质心的搜索面积610。可替换地，适合于检测其他方格配置的任何形状都是可能的。小透镜阵列参数的示例包括最大角度702、最小距离704、最大距离1(706)、以及最大距离2(708)，如图7所示。然后，在步骤214中，选择次高的n_i值并且对于全部现有行检查该质心，是否该质心在预定区域内。如果是，则在步骤216中，该质心被指定为该行的最后的质心。如果不是，则该质心被指定为新的一行的最后的质心。现在对所有质心重复步骤214-216。通过这种方式，可以从左至右开始构建若干行。在步骤220中，计算每行的平均y位置，并且对这些行根据其平均y位置进行排序。该步骤有助于将最顶行标记为行1，下一行为行2，依此类推。在描述对列排序的步骤之前，需要指出可能出现图8中沿着直线802、804分布的微弱可见的点的情况，即在一行中间的某些质心812、814由于质心点的低质量而没有检测，并且左侧和右侧的质心已被分配到不同的行。在此情况下，可选步骤222中对这些行进行合并。这是通过如下子步骤完成的：通过步骤214中每一行的平均y位置，通过计算y_row1-y_row2(产生行1和行2之间的距离)、y_row2-y_row3(产生行2和行3之间的距离)等等而计算行之间的平均距离，并且然后计算所获得的距离的平均值。在示例实施例中，合并行j和k的标准是：如果y_j-y_k＜f*a并且(P_k，first＞P_j，last或者P_k，last＜P_j，first)，其中：

f为用户设定的在大约0.1-0.7范围之间的变量参数。在示例实施例中，使用0.3至0.5之间的值；

a为行之间的平均距离(见上)；

P_k，first为第k行的第一质心(最左边)的x值；以及

P_k，last为第k行的最后质心(最右边)的x值。

换言之，如果这些行在y位置上与典型值相比靠近很多，并且如果它们没有重叠，即行j完全在行k的左边或者完全在右边时，将这些行进行合并。

对列进行排序的过程从步骤224开始，其中再次使用从步骤208开始将质心按照距离值排序的列表。具有最小的n_i的质心被分配给列1，并且在存储器中存储为列1的最后质心。在一个示例方面中，总是在步骤224中在存储器中存储现有列的最后质心。在步骤226中，在示例实施例中定义区域使其包括在给定列的最后质心之下的面积，所述给定列具有通过与如上所述的小透镜阵列相同的参数而控制和改变的尺寸和形状。这是通过将图6中的图示向下翻转90度而显示的。在步骤228中，对于所有现有列选择次高的n_i值并且检查质心是否在所定义的区域内。如果是，则在步骤230中，该质心被指定为所述列的最后质心。如果不是，该质心被指定为新的一列的最后质心。对所有质心重复步骤228-230。通过这种方式，可以自顶向下开始构建若干列。在步骤234中，计算每列的平均x位置并且根据这些列的平均x位置对它们进行排序。该步骤帮助将最左边的列标记为列1，下一列为列2，依此类推。

如上所述，参考图8，可能发生这样的情况，即在行中间的某些质心由于质心点的低质量而没有被检测，从而上侧和下侧的质心已被分配到不同的列。在此情况下，可选步骤236中对这些列进行合并。这是通过如下子步骤完成的：通过步骤228中每一列的平均x位置，通过计算x_column1-x_column2(产生列1和列2之间的距离)、x_column2-x_column3(产生列2和列3之间的距离)等等而计算列之间的平均距离，并且然后计算所获得的距离的平均值。在示例实施例中，合并列j和k的标准是：如果x_j-x_k＜f*a并且(P_k，first＞P_j，last或者P_k，last＜P_j，first)，其中：

f为用户设定的在大约0.1-0.7范围之间的变量参数。在示例实施例中，使用0.3至0.5之间的值；

a为列之间的平均距离；

P_k，first为第k列的第一质心(最顶上)的y值；以及

P_k，last为第k列的最后质心(最底部)的y值。

换言之，如果这些列在x位置上与典型值相比靠近很多，并且如果它们没有重叠，即列j完全在列k的上侧或者完全在列k的下侧时，则对这些列进行合并。

通过排序后的质心位置，可以进行泽尔尼克计算以确定波前像差。根据示例实施例，使用800MHz奔腾(Pentium)处理器采集单个图像并且显示波前像差信息的过程按照对应处理时间列出如下：

找到和排序质心：      ～5ms；

进行泽尔尼克计算：    ～5ms；

成像操作：            ～8ms；

图像显示：            ～8ms；

瞳孔坐标定位(可选)：  ～6-8ms；

隐形眼镜位置(可选)：  ～5ms

在所述实施例的一个示例方面中，在测量周期中进行两次泽尔尼克计算过程，一次用于二阶项，一次用于高阶项。每幅图像的总时间在25Hz的重复速率下大约为40ms或略低。相反，传统的实时(与在线相对)波前分析包括存储图像序列并且接着分析波前信息的图像。这些技术受到计算机存储需求的限制。例如，在30秒中以25Hz存储两个图像需要大约400MB/测量。另一方面，根据示例实施例，由于通过检测质心和瞳孔位置已经提取了这些图像中包含的信息，因此不必存储图像。仅存储瞳孔和质心位置数据导致以25Hz在20秒的测量中仅需要大约700Kb存储器的数据存储需求，这将产生500幅图像。

本发明的另一实施例提供了设备可读的介质，其上已存储了可执行指令以执行如上所述的算法。适当的媒体是公知的，包括但并不局限于CD、DVD、磁带、硬盘、载波等等。

本发明的另一实施例设计了一种波前分析的方法。所述方法图示在图9的框图中。所述方法包括在步骤902中采集射出眼睛瞳孔的光线的多个波前图像，其中每个图像包括表明眼睛的波前测量信息的偏移质心，在步骤904中对选定像差阶数在线计算并且显示波前测量信息。如在此处以上以及本说明书中通篇所述，术语“在线”是指基本上同时地测量、分析以及显示波前测量信息。在前述实施例中描述的示例快速算法仅仅是促进在线过程的一种方式。本领域技术人员可以理解，可以开发其他算法，或者是当前可用的算法，同样将促进所述在线技术。

在该实施例的一个方面中，图像以等于或者高于10Hz的速率被采集。在一个示例方面中，图像以25Hz的速率而获得。然而，计算机处理器速度是图像采集速率的限制因素。在另一个方面中，至少采集50幅连续的图像。在另一个方面中，按照选定像差阶数在线计算并且显示波前测量信息的步骤906是对选定瞳孔直径进行的。也就是说，如果瞳孔直径值在测量前没有选定，则显示会限于二阶像差(球体或者球面等效，以及圆柱/轴)，因为二阶像差是独立于瞳孔直径的。然而，人们可能希望确保得到的波前信息被判读为用于基本恒定的瞳孔直径，或者瞳孔直径的可控变化。另一方面，瞳孔直径值可以在测量前选定，允许该给定直径的任何泽尔尼克阶数(例如，彗形像差，球形像差，更高阶等等)在线显示。瞳孔直径的示例范围为大约2mm至10mm之间。

在一个示例实施例中，在25Hz的重复速率下，可以在20秒时间间隔内采集500幅图像(因此可以进行500次测量)。可以采集前面125幅图像用于瞳孔直径D＜D_min，接下来的250幅图像用于D_min≤D≤D_max，剩下的125幅图像用于D_max＜D。使用这250幅图像的图像组，可以如步骤908所示计算Z_2xx至Z_10xx的泽尔尼克幅度。如果需要，在步骤910可以计算选定泽尔尼克阶数的平均值并且在线显示。如果已计算了平均值，可以在步骤912使用公知的统计技术以确定标准方差，其提供平均波前测量的误差范围。在该实施例的一个方面中，可以确定若干个眨眼周期(blinking period)，其中包含异常波前信息，并且这些眨眼周期中的信息被丢弃。同样，如果正在测量隐形眼镜位置，例如，有利的是可以去除眨眼周期中的测量，因为需要短暂时间才出现镜片固定。知道基于瞳孔直径的特定像差阶数的最频繁发生的波前幅度值将使得医师提出治疗方案或者视力矫正方案，从而给予患者最佳视觉。

在根据该实施例的一个相关方面中，在步骤914中还可以获得对应于波前图像的瞳孔图像序列。这些图像可以同时保存，从而可以评估眼睛移动对波前改变的影响。

本发明的另一个实施例设计了一种波前测量设备1000，如图10中的框图所示。该设备包括：照明部件1010，发送小光点到眼睛1020的视网膜上；成像部件1030，形成从视网膜散射并且射出眼睛瞳孔的照明光线的质心图像；检测器1040，采集所述质心图像；处理器1050，与所述检测器协同工作以执行质心偏移计算，从而确定波前测量信息；显示部件1060，可操作地连接到所述处理器，显示选定的波前测量信息；以及用于指示选定波前测量信息的在线计算和显示的装置1070。图中还显示了可选的瞳孔照相机1080和瞳孔计1090，其中部件1015为光束分离器或者其他光学等效器件。

Claims (37)

1.一种波前分析的方法，包括：

a)采集射出眼睛瞳孔的光线的多个波前图像，其中每个图像包括表明眼睛的波前测量信息的偏移质心；以及

b)在线计算和显示选定像差阶数的波前测量信息。

2.根据权利要求1所述的方法，包括以等于或者高于10Hz的速率采集图像。

3.根据权利要求1或2所述的方法，包括采集至少50幅连续的图像。

4.根据权利要求1至3中任何一项所述的方法，进一步包括对该选定像差阶数的波前测量信息确定平均值和对应的标准方差。

5.根据权利要求1至4中任何一项所述的方法，其中步骤(b)对选定瞳孔直径进行。

6.根据权利要求1至5中任何一项所述的方法，包括显示选定瞳孔直径的波前测量信息的平均值。

7.根据权利要求1至6中任何一项所述的方法，其中该波前测量信息为显性屈光值。

8.根据权利要求7所述的方法，包括在线显示所述显性屈光值。

9.根据权利要求1至8中任何一项所述的方法，其中所述波前测量信息被选择为对应于二阶至十阶泽尔尼克像差或者其光学等效量中的一项。

10.根据权利要求1至9中任何一项所述的方法，包括对每个波前图像采集眼睛的对应瞳孔图像；

确定每个瞳孔图像中瞳孔的位置数据、尺寸数据、形状数据以及几何特征数据中的至少一项；以及

在线显示瞳孔图像和对应的瞳孔图像数据中的至少一项。

11.根据权利要求10所述的方法，包括在线显示从包含二阶至十阶泽尔尼克像差或者其光学等效量的组中选择的波前像差。

12.根据权利要求10或者11所述的方法，包括同时存储瞳孔图像以及时序对应的波前图像。

13.根据权利要求5所述的方法，其中所述选定的瞳孔直径在大约2mm至10mm之间的范围中。

14.根据权利要求1至13中任何一项所述的方法，包括利用权利要求15至35中任何一项的算法计算所述波前测量信息。

15.一种用于图像中的质心检测的算法，包括：

a)采集由可变像素信号强度表示的X×Y尺寸的图像；

b)将该X×Y尺寸图像压缩到X/n×Y/m尺寸图像，其中n、m为任何整数并且X/n、Y/m为整数值；

c)确定该压缩图像中任何位置的背景强度，并且从该压缩图像去除该背景；

d)在所述去除背景后的压缩图像中检测多个大致定位的质心；

e)重复步骤(d)，直到所需的多个质心的大致位置被检测到；

f)将所需的多个质心的大致位置转换为该X×Y尺寸图像中更加准确的位置，由此已识别所述图像中每个质心位置。

16.根据权利要求15所述的算法，包括：

g)重复步骤(f)，直到确定了所需级别的更加准确的位置。

17.根据权利要求16所述的算法，进一步包括：

在步骤(g)的每次重复中，与每个质心的位置改变量相关联，指定品质因子给每个质心。

18.根据权利要求15至17中任何一项所述的算法，包括：

根据预定配置对通过步骤(f)确定的质心进行排序。

19.根据权利要求18所述的算法，其中所述配置为几何格。

20.根据权利要求19所述的算法，包括矩形格。

21.根据权利要求18所述的算法，其中所述配置为圆环。

22.根据权利要求18所述的算法，其中所述配置为直线。

23.根据权利要求18所述的算法，包括：

将每个确定的质心关联到相应的质心图像形成元素。

24.根据权利要求15至23中任何一项所述的算法，其中将X×Y尺寸图像压缩到X/n×Y/m尺寸图像包括：

a)对在原始图像的第一预定区域中开始并扫过该图像的n×m方块中的每个像素的信号进行平均，并将该压缩的图像的对应第一预定区域中的信号电平设置为该第一预定区域的平均值；

b)对第二以及后续预定区域重复步骤(a)，直到获得该X/n×Y/m图像尺寸。

25.根据权利要求24所述的算法，其中n＝m＝8；

26.根据权利要求24或者25所述的算法，其中所述第一预定区域为该图像的左上角。

27.根据权利要求15至26中任何一项所述的算法，其中所述步骤(c)包括：

将所述压缩的图像分割为多个图像片段，每个片段包括多个质心，确定每个图像片段的平均信号值，并且对每个图像片段的平均值进行外推以确定背景强度电平。

28.根据权利要求27所述的算法，其中所述图像片段为方块。

29.根据权利要求27所述的算法，其中每个图像片段包括大约3至5个质心。

30.根据权利要求15至29中任何一项所述的算法，其中所述步骤(d)包括：

a)确定该图像中的最大信号值；

b)设定一个阈值作为所述最大值的预定百分比；

c)确定具有高于所述阈值的信号强度的每个像素的X位置、Y位置以及信号强度；

d)按照信号强度降序排列对步骤(c)得到的值进行排序；

e)将最高信号强度指定为第一近似定位质心；以及

f)选择将所有排序后的值定义为近似定位质心的预设条件，这些近似定位质心满足该预设条件。

31.根据权利要求30所述的算法，其中所述预设条件为每个后续近似定位质心的位置距离所有当前确定的近似定位质心远于预设距离。

32.根据权利要求30或者31所述的算法，其进一步包括设置新的阈值为排序后信号强度的最小值的预定百分比，并且重复步骤(c-f)，其中已经识别的近似定位质心不再识别。

33.根据权利要求15至32中任何一项所述的算法，其中所述步骤(f)包括：

定义该原始图像中所需多个质心的每个近似位置周围的边界结构；以及

为所述边界内的信号分布确定信号的质量中心。

34.根据权利要求20所述的算法，包括：

a)计算每个排序后的质心i的直线方程，包含该质心点i并且具有大约＜-0.1或者＞0.1之间的斜率；

b)计算该直线和该图像中参考位置之间的距离n_i；

c)从最小的n_i值开始按照n_i对所有质心i_n排序；

d)将具有最小n_i的质心分配到第一行并且将该质心存储为该第一行的最后质心；

e)定义一个区域作为在给定行的最后质心的右侧的面积，具有通过成像部件参数可变控制的尺寸以及适合于检测选定格子结构的形状；

f)获取下一个n_i值并且对于全部现有行确定该质心是否在该区域内；

g)如果该质心在该区域内，则指定该质心为该给定行的最后质心，否则，如果该质心在该区域外，则指定该质心为新的一行的最后质心；

h)对所有质心重复步骤(f-g)；

i)计算每行的平均y位置，并且根据该平均y位置对这些行进行排序，以标识最顶行、行1、下一行、行2等等，直到行n；

j)将具有最小n_i的质心分配到第一列，并且将该质心存储为该第一列中的最后质心；

k)定义一个区域作为在给定列的最后质心的下侧的面积，具有通过该成像部件参数可变控制的尺寸以及适合于检测该选定格子结构的形状；

l)获取下一个n_i值并且对于全部现有列确定该质心是否在该区域内；

m)如果该质心在该区域内，则指定该质心为该给定列中的最后质心，否则，如果该质心在该区域外，则指定该质心为新的一列中的最后质心；

n)对所有质心重复步骤(l-m)；以及

o)计算每列的平均x位置，并且根据该平均x位置对这些列进行排序，标识第一列、列1、下一列、列2等等，直到列n。

35.根据权利要求34所述的算法，其中该参考位置为该图像的左上角。

36.一种设备可读的介质，其上存储有采用权利要求15算法的形式的可执行指令。

37.一种波前测量设备，包括：

照射部件，适于发送小光点到视网膜上；

成像部件，能够形成从该视网膜散射并且射出眼睛瞳孔的照射光线的质心图像；

检测器，适于采集该质心图像；

处理器，与该检测器协同工作，能够执行质心偏移计算，从而确定波前测量信息；

显示部件，可操作地连接到该处理器，能够显示选定的波前测量信息；以及

指示该选定波前测量信息的在线计算和显示的装置。

Images