一种弱视助视器杂散光识别方法

摘要

本发明公开了一种弱视助视器杂散光识别方法，包括以下步骤：步骤1、使用相机对物体进行连续采集图像；步骤2、使用灰度直方图分析法对单张图片进行灰度统计，初步筛选杂散光，判断是否存在异常亮区；步骤3、对存在异常亮区的图像进行高阈值二值化处理，并通过blob区域分析判断是否存在大片过亮区域；步骤4、使用形态学Top‑Hat变换算法保留亮区信息，同时弱化不均匀背景的影响；步骤5、进行blob区域分析，判断亮斑密度是否过大；当判断亮斑密度过大时，显示图像及亮区边界，提示建议调整环境光源或调整被摄物体和相机的相对位置；当判断亮斑密度没有过大时，进行步骤6；步骤6、对亮斑区域进行填补，显示图像并标记处所填补的亮斑边界。

权利要求

1.一种弱视助视器杂散光识别方法，其特征在于，包括以下步骤：

步骤1、使用相机对物体进行连续采集图像；

步骤2、使用灰度直方图分析法对单张图片进行灰度统计，初步筛选杂散光，判断是否存在异常亮区；当判断不存在所述异常亮区，则表示无杂散光，随即显示图片；当判断存在所述异常亮区，则表示有杂散光，进行步骤3；

步骤3、对存在所述异常亮区的图像进行高阈值二值化处理，并通过blob区域分析判断是否存在大片过亮区域；当判断存在所述大片过亮区域时，表示有镜面反射，提示建议调整物体和相机相对位置或调整环境光源，显示图片；当判断不存在所述大片过亮区域时，进行步骤4；

步骤4、使用形态学Top-Hat变换算法对原始图像进行处理，保留亮区信息，同时弱化不均匀背景的影响；

步骤5、对经形态学Top-Hat变换算法处理后的图像进行二值化并进行blob区域分析，利用灰度信息和形状信息判断亮斑密度是否过大；当判断所述亮斑密度过大时，显示图像及亮区边界，提示建议调整环境光源或调整被摄物体和相机的相对位置；当判断所述亮斑密度没有过大时，进行步骤6；

步骤6、对亮斑区域进行填补，显示图像并标记出所填补的亮斑边界。

2.如权利要求1所述的一种弱视助视器杂散光识别方法，其特征在于，所述形态学Top-Hat变换算法对图像先进行n次腐蚀操作，再进行n次膨胀操作，然后再用所述原始图像减去腐蚀和膨胀过后的图像。

3.如权利要求2所述的一种弱视助视器杂散光识别方法，其特征在于，n大于等于1。

4.如权利要求1所述的一种弱视助视器杂散光识别方法，其特征在于，所述步骤5中采用最大类间方差法获得二值化阈值。

5.如权利要求1所述的一种弱视助视器杂散光识别方法，其特征在于，所述步骤5中采用迭代法获得二值化阈值。

6.如权利要求1所述的一种弱视助视器杂散光识别方法，其特征在于，所述步骤5中采用基于均值和方差的动态阈值法获得二值化阈值。

7.如权利要求1所述的一种弱视助视器杂散光识别方法，其特征在于，所述步骤6中采用固定值填补方法填补亮斑区域。

8.如权利要求1所述的一种弱视助视器杂散光识别方法，其特征在于，所述步骤6中采用灰度拉伸填补亮斑区域。

说明书

一种弱视助视器杂散光识别方法

技术领域

[0001] 本发明涉及图像处理方法，尤其涉及一种基于机器视觉的弱视助视图像处理方法，具体是一种弱视助视器杂散光识别方法。

背景技术

[0002] 助视器是能够改善或提高低视力患者视觉能力的任何一种装置或设备，与助听器相似，助听器能使听力差的人听到他原来听不到的声音，而助视器可以使低视力患者能看清楚他本来看不到或看不清的东西。而弱视助视器则是针对弱视群体，弱视群体所具有的症状之一为分读困难，或称为拥挤现象，即对成行字体的识别能力相比同样大小的单个字体的识别能力来说要差很多，经常造成阅读障碍。然而就目前而言，弱视群体的生活环境与正常人无异，这使得弱视助视器的使用环境复杂，使用环境的光源会造成图像光照不均匀，并伴随杂散光。

[0003] 因此，本领域的技术人员致力于开发一种弱视助视器杂散光识别方法，克服图像光照不均匀的影响，寻找并识别潜在的杂散光区域，提高弱视患者的阅读效率。

发明内容

[0004] 有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是克服图像光照不均匀的影响，寻找并识别潜在的杂散光区域，提高弱视患者的阅读效率。

[0005] 为实现上述目的，本发明提供了一种弱视助视器杂散光识别方法，包括以下步骤：

[0006] 步骤1、使用相机对物体进行连续采集图像；

[0007] 步骤2、使用灰度直方图分析法对单张图片进行灰度统计，初步筛选杂散光，判断是否存在异常亮区；当判断不存在异常亮区，则表示无杂散光，随即显示图片；当判断存在异常亮区，则表示有杂散光，进行步骤3；

[0008] 步骤3、对存在异常亮区的图像进行高阈值二值化处理，并通过blob区域分析判断是否存在大片过亮区域；当判断存在大片过亮区域时，表示有镜面反射，提示建议调整物体和相机相对位置或调整环境光源，显示图片；当判断不存在大片过亮区域时，进行步骤4；

[0009] 步骤4、使用形态学Top-Hat变换算法对原始图像进行处理，保留亮区信息，同时弱化不均匀背景的影响；

[0010] 步骤5、对经形态学Top-Hat变换算法处理后的图像进行二值化并进行blob区域分析，利用灰度信息和形状信息判断亮斑密度是否过大；当判断亮斑密度过大时，显示图像及亮区边界，提示建议调整环境光源或调整被摄物体和相机的相对位置；当判断亮斑密度没有过大时，进行步骤6；

[0011] 步骤6、对亮斑区域进行填补，显示图像并标记处所填补的亮斑边界。

[0012] 进一步地，形态学Top-Hat变换算法对图像先进行n次腐蚀操作，再进行n次膨胀操作，然后再用原始图像减去腐蚀和膨胀过后的图片。

[0013] 进一步地，n大于等于1。

[0014] 进一步地，步骤5中采用最大类间方差法获得二值化阈值。

[0015] 进一步地，步骤5中采用迭代法获得二值化阈值。

[0016] 进一步地，步骤5中采用基于均值和方差的动态阈值法获得二值化阈值。

[0017] 进一步地，步骤6中采用固定值填补方法填补亮斑区域。

[0018] 进一步地，步骤6中采用灰度拉伸填补亮斑区域。

[0019] 在本发明的较佳实施方式中，一种弱视助视器杂散光识别方法，包括以下步骤：

[0020] 步骤1、使用相机对物体进行连续采集图像；

[0021] 步骤2、使用灰度直方图分析法对单张图片进行灰度统计，初步筛选杂散光，判断是否存在异常亮区；当判断不存在异常亮区，则表示无杂散光，随即显示图片；当判断存在异常亮区，则表示有杂散光，进行步骤3；

[0022] 步骤3、对存在异常亮区的图像进行高阈值二值化处理，并通过blob区域分析判断是否存在大片过亮区域；当判断存在大片过亮区域时，表示有镜面反射，提示建议调整物体和相机相对位置或调整环境光源，显示图片；当判断不存在大片过亮区域时，进行步骤4；

[0023] 步骤4、使用形态学Top-Hat变换算法对原始图像进行处理，保留亮区信息，同时弱化不均匀背景的影响；

[0024] 步骤5、对经形态学Top-Hat变换算法处理后的图像进行二值化进行blob区域分析，利用灰度信息和形状信息判断亮斑密度是否过大；当判断亮斑密度过大时，显示图像及亮区边界，提示建议调整环境光源或调整被摄物体和相机的相对位置；当判断亮斑密度没有过大时，进行步骤6；

[0025] 步骤6、对亮斑区域进行填补，显示图像并标记处所填补的亮斑边界。

[0026] 形态学Top-Hat变换算法对图像先进行n次腐蚀操作，再进行n次膨胀操作，然后再用原始图像减去腐蚀和膨胀过后的图像。其中，n设置为大于等于1。

[0027] 步骤5中获得二值化阈值的方法有最大类间方差法、迭代法、基于均值和方差的动态阈值法。步骤6中采用固定值填补方法填补亮斑区域，也可采用灰度拉伸填补亮斑区域。

[0028] 技术效果

[0029] 本发明的一种弱视助视器杂散光识别算法用于自动识别图像中的杂散光区域，在弱视助视器复杂的使用环境中，克服图像因环境光源造成的光照不均匀的影响，找出或消除杂散光，及时提示用户注意，提高了弱视患者的阅读效率，是弱视患者的福音。而本发明对几种算法进行组合并变换，就可以实现一些非常复杂的功能，而且逻辑严密。

[0030] 以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

[0031] 图1是本发明的一个较佳实施例的一种弱视助视器杂散光识别方法的流程图。

具体实施方式

[0032] 如图1所示，本发明提供了一种弱视助视器杂散光识别方法，步骤主要是连续采集物体图像，对每一张图像分别进行图像处理，自动识别图像中的杂散光区域，其具体步骤包括：

[0033] 步骤1、使用相机对物体进行连续采集图像；

[0034] 步骤2、使用灰度直方图分析法对单张图片进行灰度统计，初步筛选杂散光，判断是否存在异常亮区；当判断不存在异常亮区，则表示无杂散光，随即显示图片；当判断存在异常亮区，则表示有杂散光，进行步骤3；

[0035] 步骤3、对存在异常亮区的图像进行高阈值二值化处理，并通过blob区域分析判断是否存在大片过亮区域；当判断存在大片过亮区域时，表示有镜面反射，提示建议调整物体和相机相对位置或调整环境光源，显示图片；当判断不存在大片过亮区域时，进行步骤4；

[0036] 步骤4、使用形态学Top-Hat变换算法对原始图像进行处理，保留亮区信息，同时弱化不均匀背景的影响；

[0037] 步骤5、对经形态学Top-Hat变换算法处理后的图像进行二值化并进行blob区域分析，利用灰度信息和形状信息判断亮斑密度是否过大；当判断亮斑密度过大时，显示图像及亮区边界，提示建议调整环境光源或调整被摄物体和相机的相对位置；当判断亮斑密度没有过大时，进行步骤6；

[0038] 步骤6、对亮斑区域进行填补，显示图像并标记处所填补的亮斑边界。

[0039] 其中，步骤2中，灰度直方图通常只能反映图像的灰度分布情况，而不能反映图像像素的位置，即所有的空间信息会全部丢失，灰度直方图表示图像中具有某种灰度级的像素的个数，反映了图像中某种灰度出现的频率。本发明的一个较佳实施例中，采用灰度直方图分析法对所采集的图像进行单张处理，得到每张图像的灰度分布的情况，从而进行初步筛选杂散光，判断是否存在异常亮区，通常将异常亮区初步判断为存在杂散光区域。当判断图像不存在异常亮区时，表示无杂散光，随即显示图片；而当判断图像存在异常亮区时，则对图像进行形状处理，即步骤3-6。

[0040] 步骤3中，使用高阈值二值化是因为大片光斑的灰度值一般都会很高，接近饱和，使用高阈值二值化的方法才能提取或区分出是否有大片光斑，进而使用blob区域分析判断是否存在大片过亮区域，效果更加明显，并且提高判断的精度。而步骤3中大片过亮区域则是由于镜面反射而引起的，当判断有大片过亮区域时，需要提示用户调整相机和被摄物体的相对位置或者调整环境光源，以消除该类光斑。

[0041] 步骤4中，本发明的一个较佳实施例中，将形态学top-hat算法进行改进，其具体步骤如下：

[0042] 先对图像先进行n次腐蚀操作，再进行n次膨胀操作，然后再用原始图像减去腐蚀和膨胀过后的图片。

[0043] 数学形态学的基本运算有4个：腐蚀、膨胀、开运算和闭运算。数学形态学方法利用一个称作结构元素的“探针”收集图像的信息，当探针在图像中不断移动时，便可考察图像各个部分之间的相互关系，从而了解图像的结构特征。

[0044] 用f表示输入图像，g表示结构元素，f⊕g表示膨胀， 表示腐蚀，表示开运算， 表示闭运算。

[0045] Top-hat变换的通用表述为：f－(fog)，在这里我们进行了推广，采用即对图像先进行n次腐蚀，再进行n次膨胀操作，其中n≥1。腐蚀膨胀次数相等可尽可能保留背景的原始形状信息。

[0046] 步骤5中，blob区域分析的具体原理如下：

[0047] 由于杂散光通常呈现出椭圆、水滴形或线性，而图像噪声则面积很小，因此在步骤5中对二值化的图像进行blob区域分析，可去除噪声影响，分析出杂散光的具体形状，从而提取出杂散光的区域。

[0048] 步骤6中，本发明的一个较佳实施例中，对亮斑区域进行填补的方法为固定值填补，该种填补方法简单便捷，但存在跳变，复杂情况下，使用固定值填补可能会造成视觉不舒适。本发明的一个较佳实施例中，对亮斑区域进行填补的方法为灰度拉伸，该种方法将灰度成比例下调，填补效果更明显，视觉效果也更加舒适。

[0049] 经过灰度直方图分析，以初步判断图像是否存在杂散光，对可能存在杂散光的图像进行形状处理。由于，弱视助视器的使用环境复杂，使得图像光照不均匀，而在图像处理的过程中，背景不均匀将直接影响图像处理的精度。使用改进后的形态学top-hat算法使得不均匀背景的影响弱化，同时保留亮区即图像杂散光边缘信息，增加图像处理的精度。

[0050] 最后根据灰度信息和形状信息对杂散点进行精确判断，标记杂散光所在区域，提示用户是否存在杂散光，提高弱视患者的阅读效率。

[0051] 技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。