[发明专利]一种角膜缘定位方法及其系统

说明书

本发明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。

技术领域

本发明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。

背景技术

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。

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。

发明内容

有鉴于此，本发明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。

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。

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。