УДК 681.784.88

МЕТОД ВЫДЕЛЕНИЯ ОБЛАСТИ ГЛАЗ НА ТЕПЛОВИЗИОННОМ ИЗОБРАЖЕНИИ ПО ВИЗУАЛЬНОЙ ИНФОРМАЦИИ

Валовень Татьяна Юрьевна1, Строев Владимир Михайлович2
1Тамбовский государственный технический университет, магистрант кафедры «Биомедицинская техника»,
2Тамбовский государственный технический университет, к.т.н., доцент, доцент кафедры «Биомедицинская техника»

Аннотация
Метод выделения области глаз на тепловизионном изображении по визуальной информации относится к медицине и может быть использован для автоматизации процесса оценки прогрессирования стадии первичной открытоугольной глаукомы.

Ключевые слова: , , , , ,


Рубрика: 05.00.00 ТЕХНИЧЕСКИЕ НАУКИ

Библиографическая ссылка на статью:
Валовень Т.Ю., Строев В.М. Метод выделения области глаз на тепловизионном изображении по визуальной информации // Современные научные исследования и инновации. 2017. № 6 [Электронный ресурс]. URL: http://web.snauka.ru/issues/2017/06/83381 (дата обращения: 09.06.2017).

Возможности современного тепловидения проявляются наиболее полно в случаях, характеризуемых резкими колебаниями температуры, например, при анализе зон в области лица человека. К таким зонам, малоизученным с позиции динамики температуры, можно отнести зону глаз, непосредственно контактирующую с окружающей средой [1].
Новизна заключается в том, что разработан метод, позволяющий выделить область глаз на тепловизионном изображении лица человека в автоматическом режиме работы для системы контроля состояния глаз, отличающийся тем что, используется информация, содержащаяся в визуальном изображении, а также характеризующийся оптимальным отношением точность выделения/сложность реализации алгоритма.
Предлагаемый метод выделения области глаз на изображении представлен на рис. 1. 

Рисунок 1. Предлагаемый метод выделения области глаз на изображении

Выделение глаз осуществляется по визуальному изображению. 
Выделенная область используется для формирования изображения с областью глаз на инфракрасном изображении [1].
В данном методе происходит одновременное формирование инфракрасного и визуального изображений [2, 3]. После чего визуальное изображение раскладывается на RGB составляющие и преобразуется в оттенки серого. Производится фильтрация получившегося изображения с заданной маской. После чего выделяются области наибольшего скопления точек, соответствующие области расположения глаз. При этом области глаз присваивается яркость 255, а остальным точкам изображения – 0. В результате перемножения исходного инфракрасного и преобразованного визуального изображений формируется тепловизионное изображение только в области глаз.
Анализ состояния глаз можно производится на основании данных тепловизионных измерений [4, 5]. Способ оценки прогрессирования стадии первичной открытоугольной глаукомы, включает тепловизионные измерения температуры переднего отдела глаза, при этом у пациента с диагнозом первичная открытоугольная глаукома стадии S0, установленным клиническими методами, предварительно определяют среднюю температуру в зоне роговицы и лимба глаза Т0, после чего у пациента производят повторное измерение температуры глаза Т1 в той же зоне и вычисляют стадию первичной открытоугольной глаукомы S(T1) в момент повторного измерения по формуле: .
В настоящее время существует много различных алгоритмов выделения в изображении области глаз. Основной недостаток этих алгоритмов – высокая сложность их реализации. Поэтому, был сделан акцент на выбор масок, обеспечивающий оптимальность критерия: точность выделения/сложность реализации алгоритма. 
Алгоритм фильтрации с заданной маской и выделение области наибольшего скопления точек, представлен на рис. 2.


Рисунок 2. Алгоритм реализации обработки изображения

Приведенный алгоритм используем 2 раза, меняя маски фильтра для выделения границ века. 
Первоначально вводится исходное видеоизображение AR (рис. 3а) и выполняется его нормировка (рис. 3б). 
Нормированное исходное изображение обрабатывается с помощью двух заданных масок фильтра W (рис. 4). После этого с помощью пороговой обработки выделяются области, яркость которых больше нуля. В областях, для которых выполнятся заданное условие, нормированное изображение умножается на коэффициент 0,6, в других областях изображению присваивается значение 250. Перед выводом выполняем повторно нормировку полученных изображений (рис. 5).

 
Рисунок 3. Исходное (а) и нормированное исходное (б) изображения

После этого формируется разностное изображение по алгоритму, представленному на рис. 6.
Разностное (а) и нормированное по уровню разностное (б) изображения представлены на рис. 7. 
На результате обработки четко различаются черты лица человека, в том числе и область глаз. В дальнейшем по наибольшему скоплению точек, используя фильтр, выделяем только область глаз, отсекая ненужные черты, при этом совмещая полученное изображение с тепловизионным (рис. 8).

              а)                                    б)

Рисунок 4. Маски для выделения границы области века

а)                                                                                                    б)

Рисунок 5. Результат обработки с использованием двух масок фильтра для выделения области века

Для оценки эффективности данного метода был рассчитан процент белых точек и точек, приходящихся на глаза к общему количеству 
точек на изображении. После обработки изображения стандартным алгоритмом число белых точек составило 5,5% от общего числа точек изображения, а «глазных» точек – 0,4%. После обработки предлагаемым алгоритмом соответствующие значения уменьшились и составили 0,5% и 0,2%.


Рисунок 6. Алгоритм формирования разности двух обработанных изображений

а)                                                                                                 б)

Рисунок 7. Разностное (а) и нормированное разностное (б) изображения

 


Рисунок 8. Схема этапов обработки

Таким образом, формирование и обработка изображений предлагаемым методом позволяет уменьшить число ложных точек не относящихся к области глаз в 11 раз и обеспечить выделение области глаз в автоматическом режиме.


Библиографический список
  1. Грегори Р.Л. Разумный глаз: Пер. с англ. Изд. 2-е. М.: Едиториал УРСС. 2003. 240 с.
  2. Зотин А.Г., Пахирка А.И., Дамов М.В., Савчина Е.И. Улучшение визуального качества изображений, полученных в сложных условиях освещенности на основе инфракрасных данных // Программные продукты и системы. 2016. №3. Том 29. С. 109-119.
  3. Гундарцова Е.С., Валовень Т.Ю., Комбарова И.Н., Строев В.М. Метод выделения малоконтрастных и малоразличимых областей на тепловизионном изображении // Современные научные исследования и инновации. 2016. № 7 [Электронный ресурс]. URL: http://web.snauka.ru/issues/2016/07/70058
  4. Galassi F., Giambene В., Corvi A., Falaschi G.  Evaluation of ocular surface temperature and retrobulbar harmodynamics by infrared thermograthy and Colour Doppler imaging in patients with glaucoma. // Br. J. Ophtalmol. 2007. V.91. Р.878-881
  5. Способ оценки прогрессирования стадии первичной открытоугольной глаукомы: пат. 2471405 Рос. Федерация: МПК А61В 3/10. Д.А. Усанов, А.В. Скрипаль, Т.Г. Каменских, А.А. Сагайдачный, Н.Р. Лопатинская; заявитель и патентообладатель ГОУ ВПО Саратовский гос. университет им. Н.Г. Чернышевского. – № 2011120386/14; заявл. 20.05.11; опубл. 10.01.13, Бюл. №1 – 12 с.


Все статьи автора «ingmgb»


© Если вы обнаружили нарушение авторских или смежных прав, пожалуйста, незамедлительно сообщите нам об этом по электронной почте или через форму обратной связи.

Связь с автором (комментарии/рецензии к статье)

Оставить комментарий

Вы должны авторизоваться, чтобы оставить комментарий.

Если Вы еще не зарегистрированы на сайте, то Вам необходимо зарегистрироваться: