基于霍夫变换的瞳孔直径智能检测方法及装置

计算;推算;计数设备的制造及其应用技术1.本发明涉及人工智能与医疗卫生领域，特别涉及一种基于霍夫变换的瞳孔直径智能检测方法及装置。背景技术：2.临床上有时可见到瞳孔对光反应消失、瞳孔左右不等、互感性瞳孔反应消失等异常情况，常常是由于与这些反射有关的反射绵弧某一部分受损的结果，因而可以由瞳孔反应的异常帮助进行神经病变的定位诊断。3.瞳孔检查一般由有经验的医师对瞳孔大小和形状以及瞳孔对光亮的反应性和速度来主观评估。然而，瞳孔反应太快,不能用秒表测量，检查瞳孔的可见光不仅改变瞳孔的静止大小，而且改变视网膜的灵敏度，这使得瞳孔测量更加复杂。目前临床大多使用目测的方法估计或用直尺来测量瞳孔的大小，这两种方法由于受到个体的差异、观察角度等因素的影响使测量结果存在很大的误差。技术实现要素：4.本发明提供了一种基于霍夫变换的瞳孔直径智能检测方法及装置，其目的是为了通过拍摄的人脸图像实现对瞳孔直径的测量，进而为医学诊断提供依据，由瞳孔反应的异常帮助进行神经病变的定位诊断。5.为了达到上述目的，本发明提供了一种基于霍夫变换的瞳孔直径智能检测方法，包括：6.步骤1，拍摄人脸图像，进行人眼检测与定位，切割出人眼图像；7.步骤2，对所述人眼图像进行预处理，增强图像效果，突出瞳孔位置；8.步骤3，使用霍夫变换算法针对增强后的人眼图像检测瞳孔直径，将图像像素与真实大小进行转化得到实际瞳孔直径。9.其中，所述步骤1具体包括：10.采用retinanet算法进行人眼检测与定位，所述retinanet网络的主干部分为深度残差网络resnet，并使用特征图金字塔网络结构，所述金字塔网络结构的每一个层级中的特征图在不同的尺度上进行目标检测与定位。11.其中，所述对所述人眼图像进行预处理包括：灰度化处理、gamma变换、retinex增强算法处理、中值滤波。12.其中，所述步骤2具体包括：13.对所述人眼图像进行灰度化处理；14.对输入图像灰度值进行的非线性操作，使输出图像灰度值与输入图像灰度值呈幂函数关系；15.利用ssr算法估计出图像的环境光照射分量，并根据所述环境光照射分量减少环境光的影响；16.由于睫毛对瞳孔识别影响大，利用中值滤波处理所述人眼图像，睫毛被模糊化而瞳孔不受影响。17.其中，所述步骤3包括：18.所述霍夫变换算法通过将所述人眼图像中的边缘点映射到参数空间(a,b,r)中，(x,y)空间中同一个圆上各点映射到(a,b,r)空间中必定交于一点，在参数空间中寻找出现频率最高的(a,b,r)，(a,b)即为原图中相对应圆的圆心坐标，r即为半径。19.其中，所述步骤3具体包括：20.使用canny算子对人眼图像进行边缘检测，获取边界点；21.通过坐标变换将圆形一般方程变换形式，由x-y坐标系转换到a-b坐标系，如(a-x)2+(b-y)2＝r2；22.寻找交点确定圆心坐标的可能值，确定圆心坐标；23.根据所述圆心坐标确定瞳孔直径。24.本发明还提供了一种基于霍夫变换的瞳孔直径智能检测装置，包括：25.拍摄模块，用于拍摄人脸图像，进行人眼检测与定位，切割出人眼图像；26.预处理模块，用于对所述人眼图像进行预处理，增强图像效果，突出瞳孔位置；27.瞳孔直径确定模块，用于使用霍夫变换算法针对增强后的人眼图像检测瞳孔直径，将图像像素与真实大小进行转化得到实际瞳孔直径。28.本发明的上述方案有如下的有益效果：29.本发明提供的基于霍夫变换的瞳孔直径智能检测方法及装置使用retinanet神经网络检测与定位人眼；使用灰度化、gamma变换、retinex增强之ssr、和中值滤波算法增强人眼图像，突出瞳孔位置；使用霍夫变换针对增强后的人眼图像检测瞳孔直径，不需要复杂的医疗仪器设备，仅需要拍摄一张人脸图像即可实现瞳孔定位与测量，利用计算机的优势，大大提高了自动化程度，可近似或完全取代人工测量，对临床依靠瞳孔直径检测进行诊断神经病变的定位诊断具有重要的现实意义。30.本发明的其它有益效果将在随后的具体实施方式部分予以详细说明。附图说明31.图1为本发明的基于霍夫变换的瞳孔直径智能检测方法的流程图；32.图2为本发明的灰度化处理后图像；33.图3为本发明的gamma变换后图像；34.图4为本发明的ssr算法增强后图像；35.图5为本发明的中值滤波后的图像；36.图6为本发明的霍夫变换检测瞳孔效果图；37.图7为本发明的霍夫变换检测瞳孔效果图。具体实施方式38.为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。显然，所描述的实施例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。39.在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。40.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是锁定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。41.此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。42.如图1所示，本发明的实施例提供了一种基于霍夫变换的瞳孔直径智能检测方法，包括：拍摄人脸图像后，使用retinanet网络进行人眼检测与定位，进而切割出人眼图像；再通过灰度化、gamma变换、retinex增强之ssr、以及中值滤波对人眼图像进行预处理，增强图像效果，突出瞳孔位置；最后使用霍夫变换针对增强后的人眼图像检测瞳孔直径，再将图像像素与真实大小进行转化即可得到实际瞳孔直径。43.具体包括以下步骤：44.1、人眼检测与定位45.人眼检测与定位采用retinanet算法来实现。retinanet是一个one-stage的目标检测模型。retinanet网络的主干部分为深度残差网络resnet，在此基础上使用了特征图金字塔网络fpn(feature pyramid networks)结构，金字塔每一个层级中的特征图都可以在不同的尺度上进行目标检测与定位。由于采用one-stage检测器以及focal loss损失函数，retinanet兼具了良好的速度和精度性能。46.由于使用场景主要为医学诊断检测，可限制拍摄角度，因此可以使用高清人脸正面图像对retinanet网络进行训练，采用用labelimg对图片中的人眼进行标定，并放入retinanet网络中：47.2、人眼图像预处理48.(1)对所述人眼图像进行灰度化处理，如图2所示；49.(2)gamma变换50.gamma变换是对输入图像灰度值进行的非线性操作，使输出图像灰度值与输入图像灰度值呈幂函数关系，即这里的系数γ即为gamma。gamma值大于1时，会拉伸图像中灰度级较高的区域，同时会压缩灰度级较低的部分。51.人的眼球图片中，瞳孔颜色更深、灰度值较低，经过gamma变换，瞳孔中可能出现的外界景物的映像被抑制，减小瞳孔部分灰度值变化；而巩膜颜色更浅，灰度值较高，经过gamma变化后可以轻易地和瞳孔区分开；gamma变化后的图像，瞳孔与虹膜区分度更加明显，如图3所示。52.(3)retinex增强算法之ssr(single scale retinex)53.在图像的拍照过程中，除了被拍摄物体本身的因素，外界的光照同样也会对图像的质量产生影响，即i＝r·l，其中i是人眼中看到的图像，r是物体的反射分量，l是环境光照射分量。ssr算法可以估计出图像的环境光照射分量，由此减少环境光的影响。在周围光照条件不良时，ssr增强效果最明显。l的估算公式为l＝f*i，f为高斯模糊滤波器，*为卷积。即环境光照射分量l为原图像i高斯滤波后的结果。ssr算法增强后的图像，模糊了外界光照因素的影响，如图4所示。54.(4)中值滤波55.在实际操作中发现眼睫毛对瞳孔识别影响极大，需要滤去。人眼睫毛直径极小且与虹膜颜色相差极大，对应图像频域的高频部分，类似椒盐噪声，因此通过中值滤波减小睫毛的影响。这里不可采用高斯低通滤波，因为这样会使瞳孔边缘模糊，不利于瞳孔边缘检测；中值滤波后的图像，睫毛被模糊化而瞳孔几乎不受影响，如图5所示。56.3、霍夫变换检测瞳孔直径57.如图6和图7所示，瞳孔直径检测主要通过霍夫变换圆形检测来实现。该算法通过式将原图像中的边缘点映射到参数空间(a,b,r)中，(x,y)空间中同一个圆上各点映射到(a,b,r)空间中必定交于一点，在参数空间中寻找出现频率最高的(a,b,r)，(a,b)即为原图中相对应圆的圆心坐标，r即为半径。58.具体步骤如下：59.a.使用canny算子对人眼图像进行边缘检测，获取边界点。60.b.通过坐标变换将圆形一般方程变换形式。由x-y坐标系转换到a-b坐标系，写成如下形式(a-x)2+(b-y)2＝r2。那么x-y坐标系中圆形边界上的一点对应到a-b坐标系中即为一个圆。61.c.寻找交点确定圆心坐标的可能值。x-y坐标系中一个圆形边界上有很多个点，对应到a-b坐标系中就会有很多个圆。由于原图像中这些点都在同一个圆形上，那么转换后a,b必定也满足a-b坐标系下的所有圆形的方程式。直观表现为这许多点对应的圆都会相交于一个点，那么这个交点就可能是圆心(a,b)。62.d.确定圆心坐标。确定方法如下：统计局部交点处圆的个数，取每一个局部最大值，就可以获得原图像中对应的圆形的圆心坐标(a,b)。一旦在某一个r下面检测到圆，那么r的值也就随之确定。63.4、实际瞳孔直径换算64.实际瞳孔直径与图像瞳孔直径采用等比例换算方法，即通过已知实际长度的参照物，在相同的拍摄距离下，同时测量出图像中的参照物与瞳孔尺寸，进而推算出实际瞳孔直径的大小。检测图像中参照物尺寸的基本思路是利用边缘检测算子提取边缘，再用霍夫变换获取直线，最后得到指定边缘的线段长度。65.本发明还提供了一种基于霍夫变换的瞳孔直径智能检测装置，包括：拍摄模块，用于拍摄人脸图像，进行人眼检测与定位，切割出人眼图像；预处理模块，用于对所述人眼图像进行预处理，增强图像效果，突出瞳孔位置；瞳孔直径确定模块，用于使用霍夫变换算法针对增强后的人眼图像检测瞳孔直径，将图像像素与真实大小进行转化得到实际瞳孔直径。66.本发明提供的基于霍夫变换的瞳孔直径智能检测方法及装置使用retinanet神经网络检测与定位人眼；使用灰度化、gamma变换、retinex增强之ssr、和中值滤波算法增强人眼图像，突出瞳孔位置；使用霍夫变换针对增强后的人眼图像检测瞳孔直径，不需要复杂的医疗仪器设备，仅需要拍摄一张人脸图像即可实现瞳孔定位与测量，利用计算机的优势，大大提高了自动化程度，可近似或完全取代人工测量，对临床依靠瞳孔直径检测进行诊断神经病变的定位诊断具有重要的现实意义。67.以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!