一种角膜缘定位方法及其系统技术方案

本发明专利技术提供了一种角膜缘定位方法及其系统，方法包括：构建多分辨率多尺寸多种形态的卷积核；对输入图像进行包括边缘提取在内的预处理；通过各个最低分辨率下的卷积核对最低分辨率下的去噪边缘图像进行卷积处理，得到定位样本；样本扩展，并筛选得到n个最优样本；进行基于最近点关联的迭代椭圆优化流程，得到包括角膜缘的圆心位置和角膜缘椭圆的几何参数在内的定位结果。本发明专利技术的方案具有鲁棒性、快速性和精确性，能够有效过滤眼睑特征对角膜缘定位识别的影响，准确、高效的实现角膜缘定位，且整体的计算量小，计算过程简单，计算效率高。计算效率高。计算效率高。

【技术实现步骤摘要】
一种角膜缘定位方法及其系统


[0001]本专利技术涉及角膜缘识别领域，特别涉及一种角膜缘定位方法及其系统。

技术介绍

[0002]角膜缘，又称角巩膜带(corneoscleral limbue)，是角膜同巩膜之间的一条灰白色过渡带，也即白色巩膜组织同透明的角膜组织间的一条半透明灰白色的带，是角膜与巩膜的移行区，角膜镶嵌在巩膜而逐渐过渡到巩膜组织内。精确的角膜缘的定位对于诸多眼科病症的诊断非常重要。
[0003]现有的角膜缘定位方法，主要分为基于边缘信息的定位方法、基于深度学习的定位方法以及基于霍夫椭圆的定位方法。基于边缘信息的定位方法，主要是利用梯度强度和方向信息进行角膜缘定位，定位精度不高，且极易引入误差。这是由于图像噪声本身就是高频的，容易和边缘混淆。另外，眼睑也会产生边缘，容易和角膜缘混淆。基于深度学习的定位方法，要依靠大量的数据集训练模型，且难以对模型进行解释。而一旦出现错误，修改基于深度学习训练出的模型非常困难且耗时间，通常需要把错误的样本加入到以前的训练集中进行重新训练。基于霍夫椭圆的定位方法，定位过程中涉及庞大的计算量，耗时长，且极易出错。

技术实现思路

[0004]有鉴于此，本专利技术提出了一种角膜缘定位方法及其系统，具体方案如下：一种角膜缘定位方法，包括如下：基于角膜缘在眼球转动时的多种形态，构建多个分辨率、多个尺寸、多种眼球转动形态下的卷积核，并对多个卷积核进行编号；对输入图像进行包括边缘提取在内的预处理，得到仅涉及眼部区域的、多个分辨率下的去噪边缘图像；通过各个最低分辨率下的卷积核对最低分辨率下的去噪边缘图像进行卷积处理，得到n个定位样本；其中，每个定位样本中包括角膜缘的像素坐标、卷积核编号以及卷积核与去噪边缘图像的匹配程度；n为大于1的自然数；对所述定位样本进行样本扩展，并基于预设分辨率下的卷积核和去噪边缘图像对扩展的样本进行筛选，重新得到n个最优样本；以n个最优样本、各个卷积核以及最高分辨率下的去噪边缘图像为输入，进行基于最近点关联的迭代椭圆优化流程，得到包括角膜缘的圆心位置和角膜缘椭圆的几何参数在内的定位结果。
[0005]在一个具体实施例中，基于最近点关联的迭代椭圆优化流程具体包括：将n个最优样本进一步优化精简为m个最优样本，m为小于n大于0的自然数；根据每个最优样本中角膜缘的像素坐标，将该最优样本对应的卷积核坐标变换到最高分辨率下的去噪边缘图像中，以使m个卷积核投影到最高分辨率下的去噪边缘图像中；对m个卷积核的角膜缘部分和最高
分辨率下的去噪边缘图像求图像交集，获得一组属于角膜缘的边缘点，将该组边缘点作为备选椭圆点集合；对备选椭圆点集合进行最小二乘优化获得拟合椭圆，在拟合椭圆的基础上，进行椭圆参数迭代优化，直至获得最优的椭圆参数，分析拟合出的最优椭圆得到定位结果。
[0006]在一个具体实施例中，在进行椭圆参数迭代过程中，每次迭代会得到一个备选椭圆点集合和一个拟合椭圆，计算备选椭圆点集合与拟合椭圆之间的残差；判断每次迭代产生的残差是否小于预设误差阈值；若是，则根据拟合出的椭圆得到角膜缘的圆心位置和角膜缘椭圆的几何参数；若否，则计算备选椭圆点集合中每个备选椭圆点到当前拟合椭圆的距离，选取距离小于预设距离阈值的点作为新的备选椭圆点，从而重新构建备选椭圆点集合，继续进行椭圆参数迭代。
[0007]在一个具体实施例中，所述卷积核包括外围区域、角膜缘区域和内部区域，所述角膜缘区域位于所述外围区域和所述内部区域之间；所述外围区域的权重为
‑
1*（外围区域像素面积的倒数）；所述角膜缘区域的权重为1*(角膜缘区域像素面积的倒数)；所述内部区域的权重为
‑
1*（内部区域像素面积的倒数）。
[0008]在一个具体实施例中，所述预处理还包括：若输入图像中存在非眼部区域，则在边缘提取之前，对输入图像进行眼部分割，以得到仅涉及眼部区域的图像；将仅涉及眼部区域的图像作为原始图像；采用canny算法对所述原始图像构建金字塔，得到由多张分辨率不等的边缘图像所构成的边缘金字塔；对边缘金字塔进行边缘提取，利用低分辨率下低噪声、低精度的边缘图像作为掩膜，来获得高分辨率下低噪声、高精度的去噪边缘图像。
[0009]在一个具体实施例中，设边缘金字塔中x张边缘图像按分辨率从低到高排序依次为A1、A2、A3
……
Ax；所述边缘提取包括：对边缘图像An进行上采样，得到边缘图像A(n+1)的边缘掩膜B(n+1)，n=1,2,3
……
x；求解边缘图像A(n+1)和边缘掩膜B(n+1)的交集，获得边缘图像A（n+1）的去噪边缘图像C(n+1)；对去噪边缘图像C(n+1)进行上采样，得到边缘图像A(n+2)的边缘掩膜B(n+2)；求解边缘图像A(n+2)和边缘掩膜B(n+2)的交集，获得边缘图像A(n+2)去噪边缘图像C(n+2)；循环上述步骤，直到获得边缘图像Ax的去噪边缘图像Cx。
[0010]在一个具体实施例中，n个定位样本的获取具体包括：使用所有的最低分辨率下的卷积核遍历最低分辨率下的去噪边缘图像的所有像素坐标，计算得到每一个像素坐标的匹配程度，记录该匹配程度对应的卷积核编号；每个像素坐标及其对应的匹配程度、卷积核编号共构成了一个定位样本；对各个定位样本的匹配程度进行归一化处理，筛选出n个匹配程度最高的定位样本。
[0011]在一个具体实施例中，设最低分辨率下的去噪边缘图像的分辨率为ColLowest*RowLoest，最低分辨率下的卷积核的个数为k；遍历结束后得到ColLowest*RowLoest*k个定位样本。
[0012]在一个具体实施例中，设去噪边缘图像的分辨率依次为lowest、lowest
‑
1、lowest
‑2……
highest；“对所述定位样本进行样本扩展，并基于预设分辨率下的卷积核和去噪边缘图像对扩展的样本进行筛选，重新得到n个最优样本”具体包括：初始化当前分辨率curRes为最低分辨率lowest；获取定位样本，开始执行一轮主
体循环；判断当前分辨率curRes是否等于最高分辨率highest：若是，则完成一轮主体循环，输出当前的定位样本；若否，则对每个定位样本执行退火采样以扩展定位样本个数；采用分辨率为curRes
‑
1下的去噪边缘图像和卷积核，评价退火采样获得的定位样本的匹配程度；对各个定位样本的匹配程度进行归一化处理，筛选出n个匹配程度最高的定位样本作为n个最优样本；将当前分辨率curRes更新为curRes
‑
1，对新的定位样本执行新一轮的主体循环。
[0013]一种角膜缘定位系统，包括如下：卷积核获取单元，用于基于角膜缘在眼球转动时的多种形态，构建多个分辨率、多个尺寸、多种眼球转动形态下的卷积核，并对多个卷积核进行编号；预处理单元，用于对输入图像进行包括边缘提取在内的预处理，得到仅涉及眼部区域的、多个分辨率下的去噪边缘图像；初始定位单元，用于通过各个最低分辨率下的卷积核对最低分辨率下的去本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种角膜缘定位方法，其特征在于，包括如下：基于角膜缘在眼球转动时的多种形态，构建多个分辨率、多个尺寸、多种眼球转动形态下的卷积核，并对多个卷积核进行编号；对输入图像进行包括边缘提取在内的预处理，得到仅涉及眼部区域的、多个分辨率下的去噪边缘图像；通过各个最低分辨率下的卷积核对最低分辨率下的去噪边缘图像进行卷积处理，得到n个定位样本；其中，每个定位样本中包括角膜缘的像素坐标、卷积核编号以及卷积核与去噪边缘图像的匹配程度；n为大于1的自然数；对所述定位样本进行样本扩展，并基于预设分辨率下的卷积核和去噪边缘图像对扩展的样本进行筛选，重新得到n个最优样本；以n个最优样本、各个卷积核以及最高分辨率下的去噪边缘图像为输入，进行基于最近点关联的迭代椭圆优化流程，得到包括角膜缘的圆心位置和角膜缘椭圆的几何参数在内的定位结果。2.根据权利要求1所述的角膜缘定位方法，其特征在于，基于最近点关联的迭代椭圆优化流程具体包括：将n个最优样本进一步优化精简为m个最优样本，m为小于n大于0的自然数；根据每个最优样本中角膜缘的像素坐标，将该最优样本对应的卷积核坐标变换到最高分辨率下的去噪边缘图像中，以使m个卷积核投影到最高分辨率下的去噪边缘图像中；对m个卷积核的角膜缘部分和最高分辨率下的去噪边缘图像求图像交集，获得一组属于角膜缘的边缘点，将该组边缘点作为备选椭圆点集合；对备选椭圆点集合进行最小二乘优化获得拟合椭圆，在拟合椭圆的基础上，进行椭圆参数迭代优化，直至获得最优的椭圆参数，分析拟合出的最优椭圆得到定位结果。3.根据权利要求2所述的角膜缘定位方法，其特征在于，在进行椭圆参数迭代过程中，每次迭代会更新备选椭圆点集合和拟合椭圆，计算备选椭圆点集合与拟合椭圆之间的残差；判断每次迭代产生的残差是否小于预设误差阈值；若是，则根据拟合出的椭圆得到角膜缘的圆心位置和角膜缘椭圆的几何参数；若否，则计算备选椭圆点集合中每个备选椭圆点到当前拟合椭圆的距离，选取距离小于预设距离阈值的点作为新的备选椭圆点，从而重新构建备选椭圆点集合，继续进行椭圆参数迭代。4.根据权利要求1所述的角膜缘定位方法，其特征在于，所述卷积核包括外围区域、角膜缘区域和内部区域，所述角膜缘区域位于所述外围区域和所述内部区域之间；所述外围区域的权重为
‑
1*外围区域像素面积的倒数；所述角膜缘区域的权重为1*角膜缘区域像素面积的倒数；所述内部区域的权重为
‑
1*内部区域像素面积的倒数。5.根据权利要求1所述的角膜缘定位方法，其特征在于，所述预处理还包括：若输入图像中存在非眼部区域，则在边缘提取之前，对输入图像进行眼部分割，以得到仅涉及眼部区域的图像；将仅涉及眼部区域的图像作为原始图像；
采用canny算法对所述原始图像构建金字塔，得到由多张分辨率不等的边缘图像所构成的边缘金字塔；对边缘金字塔进行边缘提取，利用低分辨率下低噪声、低精度的边缘图像作为掩膜，来获得高分辨率下低噪声、高精度的去噪边缘图像。6.根据权利要求5所述的角膜缘定位方法，其特征在于，设边缘金字塔中x张边缘图像按分辨率从低到高排序依次为A1、A2、A3
……
Ax；所述边缘提取包括：对边缘图像An进行上采样，得到边缘图像A(n+1)的边缘掩膜B(n+1)，n=1,2,3
……
x；求解边缘图像A(n+1)和边缘掩膜B(n+1)的交集，获得边缘图像A（n+1）的去噪边缘图像C(n+1)；对去噪边缘图像C(n+1)进行上采样，得到边缘图像A(n+2)的边缘掩膜B(n+2)；求解边缘图像A(n+2)和边缘掩膜B(n+2)的交集，获得边缘图像A(n+2)去噪边缘图像C(n+2)；循环上述步骤，直到获得边缘图像Ax的去噪边缘图像Cx。7.根据权利要求1所述的角膜缘定位方法，其特征在于，n个定位样本的获取具体包括：...

【专利技术属性】
技术研发人员：李劲嵘，李根，封檑，周榆松，
申请(专利权)人：中山大学中山眼科中心，
类型：发明
国别省市：