(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211451710.7 (22)申请日 2022.11.21 (71)申请人 中山大学中山眼科中心 地址 510000 广东省广州市先烈南路54 号 (72)发明人 李劲嵘　李根　封檑　周榆松　 (74)专利代理 机构 深圳智趣知识产权代理事务 所(普通合伙) 44486 专利代理师 李兴生 (51)Int.Cl. G06T 7/73(2017.01) G06T 5/00(2006.01) G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 7/13(2017.01) G06V 10/26(2022.01)G06V 10/30(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) (54)发明名称 一种角膜缘定位方法及其系统 (57)摘要 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。 权利要求书3页 说明书11页 附图13页 CN 115496808 A 2022.12.20 CN 115496808 A 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；权　利　要　求　书 1/3 页 2 CN 115496808 A 2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、 A 2、 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： 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 。 8.根据权利要求7所述的角膜缘定位方法， 其特征在于， 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 。 9.根据权利要求1所述的角膜缘定位方法， 其特征在于， 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。 10.一种角膜缘定位系统， 其特 征在于， 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；权　利　要　求　书 2/3 页 3 CN 115496808 A 3