【技术实现步骤摘要】
本专利技术涉及的是一种图像处理领域的技术，具体是一种非侵入式非佩戴式的屈光矫正方法及系统。
技术介绍
1、由于人眼的屈光系统缺陷，实际物像的波前与理想波前之间存在偏差，这种偏差通常会导致成像质量下降，对视觉造成负面影响。现有视觉像差矫正技术仍存在高风险、成本高、个体差异、不便利等问题，例如需要特定头戴式显示装置且仅针对眼睛屈光度进行调整，当光路参数变化后无法及时更新。
技术实现思路
1、本专利技术针对现有技术存在的上述不足，提出一种非侵入式非佩戴式的屈光矫正方法及系统，利用目前的人工智能图像生成和变换算法模型，预先对图像施加与位置相关的变换，即预先抵消因屈光系统的不完善造成的成像过程，使得近视患者最终能够看到清晰的图像。
2、本专利技术是通过以下技术方案实现的：
3、本专利技术涉及一种非侵入式非佩戴式的屈光矫正方法，在离线阶段，根据用户的屈光参数进行基于失焦模糊的光线追踪处理，生成对应原始图像的光路畸变后的模糊畸变图像集，用于对人眼成像畸变仿真模型进行预训练；再构造...
【技术保护点】
1.一种非侵入式非佩戴式的屈光矫正方法，其特征在于，根据用户的屈光参数进行基于失焦模糊的光线追踪处理，生成对应原始图像的光路畸变后的模糊畸变图像集，用于对人眼成像畸变仿真模型进行预训练；再构造用于对原始图像生成屈光矫正图像的图像预校正模型，并与冻结参数后的人眼成像畸变仿真模型进行联合训练；在在线阶段，采用联合训练后的图像预校正模型根据清晰原始图像，实时生成用户个性化显示的屈光矫正图像。
2.根据权利要求1所述的非侵入式非佩戴式的屈光矫正方法，其特征是，所述的实时生成，在离线阶段对图像预校正模型采用多模型插值方法进行训练，以得到不同观看位置的图像预校正模型后...
【技术特征摘要】
1.一种非侵入式非佩戴式的屈光矫正方法，其特征在于，根据用户的屈光参数进行基于失焦模糊的光线追踪处理，生成对应原始图像的光路畸变后的模糊畸变图像集，用于对人眼成像畸变仿真模型进行预训练；再构造用于对原始图像生成屈光矫正图像的图像预校正模型，并与冻结参数后的人眼成像畸变仿真模型进行联合训练；在在线阶段，采用联合训练后的图像预校正模型根据清晰原始图像，实时生成用户个性化显示的屈光矫正图像。
2.根据权利要求1所述的非侵入式非佩戴式的屈光矫正方法，其特征是，所述的实时生成，在离线阶段对图像预校正模型采用多模型插值方法进行训练，以得到不同观看位置的图像预校正模型后，在在线阶段针对用户当前的位置，使用先前的各个图像预校正模型构造出针对当前位置的图像预校正模型，以确保在各个位置都能生成对应的个性化屈光矫正图像。
3.根据权利要求1所述的非侵入式非佩戴式的屈光矫正方法，其特征是，所述的联合训练是指：将预训练后冻结参数的人眼成像畸变仿真模型，根据图像预校正模型输出的屈光矫正图像生成重构图像，并计算重构图像与原始图像之间的mse loss作为训练目标函数，实现对图像预校正模型的训练。
4.根据权利要求1所述的非侵入式非佩戴式的屈光矫正方法，其特征是，所述的用户的屈光参数，通过用户以固定距离和角度观看显示屏幕并通过眼科测量设备获得角膜几何参数、眼轴参数、视网膜参数。
5.根据权利要求1所述的非侵入式非佩戴式的屈光矫正方法，其特征是，所述的人眼成像畸变仿真模型为基于自适应的卷积核权重分配的深度神经网络，该深度神经网络对于每层卷积层采用了一组m个卷积核进行卷积，在卷积层输出特征每个像素的位置上，对各个卷积核加权得到一个对应该像素位置的特有卷积核，使用该卷积核计算该像素位置的结果值，权重图为可学习的特征张量，对应像素位置(i,j)的特有卷积核计算公式如下：深度神经网络则将输入的清晰原始图像重建为仿真模糊畸变图像。
6.根据权利要求1所述的非侵入式非佩戴式的屈光矫正方法，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。