МЕТОД ВЫДЕЛЕНИЯ ОБЛАСТИ ГЛАЗ НА ТЕПЛОВИЗИОННОМ ИЗОБРАЖЕНИИ ПО ВИЗУАЛЬНОЙ ИНФОРМАЦИИ

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. 

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).

 

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)

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 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.

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»