﻿ 裂隙灯转鼓数字化装校方法研究
 计算机系统应用  2019, Vol. 28 Issue (9): 232-238 PDF

Research on Digital Mounting Method of Slit Lamp Rotating Drum
JIANG Jun-Jia, SHEN Jian-Xin, HAN Peng
College of Mechanical and Electrical Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China
Foundation item: Industry-University-Research Cooperation Project of Forward-looking Research of Jiangsu Province (BY2015003-03)
Abstract: While installation of the slit lamp drum, there are some problems such as uncertainty in the evaluation of the clarity of the drum image by the human eye. In order to solve these problems, a digital correction method based on the definition evaluation algorithm is proposed to improve the drum quality. By studying the current mainstream image sharpness evaluation algorithm, several algorithms that are in good agreement with the subjective evaluation are selected, and some appropriate preprocessing method are used to process the image. Finally, the program is written to test the drum image. Three sets of experiments are designed to simulate the focal length change of the camera, the change of drum magnification, and the influence of illumination variation on the algorithm on the production line. The calculation results are compared and analyzed from four aspects: unimodality, unbiasedness, sensitivity, and real-time. The results show that the selected algorithm can accurately evaluate the drum image under different magnifications and different illuminations, and can meet the real-time requirements of the production line.
Key words: sharpness evaluation     algorithm     image processing     drum     installation

 图 1 裂隙灯显微镜

 图 2 转鼓

 图 3 传统装校平台

 图 4 传统图像评价工具

1 转鼓图像清晰度评价方法

1.1 基于空域的梯度函数算法

(1) Brenner算法

 ${F_{\rm{Brenner}}} = \sum\limits_M {\sum\limits_N {{{(f(x + 2,y) - f(x,y))}^2}}}$ (1)

Tenengrad算法[810]由Tenenbaum提出, 是一种常用的图像清晰度评价方法. 在处理过程中, 该算法使用Sobel算子提取图像水平方向和竖直方向的梯度值. 并将处理后的梯度值之和作为图像清晰度评价值. 其定义如下:

 ${T_{\rm{Tenengrad}}} = \sum\limits_M {\sum\limits_N {\left| {G(x,y)} \right|}}$ (2)
 $G(x,y) = \sqrt {G_x^2(x,y) + G_y^2(x,y)}$ (3)

 ${g_x} = \frac{1}{4}\left[ {\begin{array}{*{20}{c}} { - 1}&0&1 \\ { - 2}&0&2 \\ { - 1}&0&1 \end{array}} \right],\;{g_y} = \frac{1}{4}\left[ {\begin{array}{*{20}{c}} 1&2&1 \\ 0&0&0 \\ { - 1}&2&{ - 1} \end{array}} \right]$ (4)

(3) Laplacian算法

Laplacian算法利用Laplacian算子对图像进行模板卷积, 从而得到图像的高频分量, 然后对图像的高频分量求和, 用高频分量之和作为图像清晰度评价值. 其定义如下:

 ${F_{{\rm{Laplacian}}}} = \sum\limits_M {\sum\limits_N {\left| {G(x,y)} \right|} }$ (5)

 $L = \frac{1}{6}\left[ {\begin{array}{*{20}{c}} 0&1&0 \\ 1&{ - 4}&1 \\ 0&1&0 \end{array}} \right]$ (6)

(4) SMD算法

SMD (Sum of Modulus of gray Difference, 相邻像素灰度方差法, 简称灰度方差)算法[11], 对像素点(x, y)及其邻近点的灰度作差分运算, 用图像灰度差分绝对值之和作为图像清晰度评价值. 其定义为:

 ${F_{\rm{SMD}}} = \sum\limits_M {\sum\limits_N {\left( \begin{array}{l} \left| {f(x,y) - f(x,y - 1)} \right| \\ + \left| {f(x,y) - f(x + 1,y)} \right| \\ \end{array} \right)}}$ (7)

SMD算法具有较好的计算性能, 但同时, 该算法的缺点也非常明显, 就是在靠近焦点的附近的时候, 算法的灵敏度不是很高, 也就是说SMD算法在图像最清晰度的附近计算结果过于平坦, 变化不够明显, 从而导致聚焦精度难以提高[12].

1.2 基于频域的图像变换域算法

 $\begin{split} {F_{\rm{FFT}}} = &\frac{1}{{M \times N}}\sum {(rea{l^2} + imaginar{y^2})} \\ &\times {\tan ^{ - 1}}(imaginary/real) \\ \end{split}$ (8)

1.3 基于统计学的熵函数算法

 ${F_{\rm{Shannon}}} = - \sum\limits_{i = 0}^{L - 1} {{p_i}\ln ({p_i})}$ (9)

1.4 其他算法

EVA算法[1517]由徐贵力等人提出, 是一种基于边缘锐度的图像清晰度评价算法. 该算法只对图像的特定边缘区域进行统计, 且在计算前需要人工选定边缘区域, 不便实现程序运算自动化. 因此王鸿南等人提出了改进的EVA算法: ① 将特定边缘梯度的计算改为逐个像素领域梯度的计算; ② 对像素8领域的灰度变化进行距离加权, 水平垂直方向为1, 45°和135°为 $1/\sqrt 2$ . 其定义如下:

 ${F_{\rm{EVA}}} = \frac{\displaystyle{\sum\nolimits_M {\sum\nolimits_N {\sum\nolimits_{i = 1}^8 {\left| {df/dx} \right|} } } }}{{M \times N}}$ (10)

2 实验分析

2.1 实验软硬件配置、实验平台

 图 5 转鼓装校平台

2.2 实验1. 单峰性、无偏性、灵敏性和实时性

 图 6 不同焦距图像

 图 7 不同焦距图像计算结果

2.3 实验2. 算法与放大倍率的无关性

 图 8 放大图像

 图 9 放大图像计算结果

2.4 实验3. 算法与光照条件的无关性

 图 10 亮度增强图像

 图 11 亮度增强图像计算结果

3 结语

 [1] Li YK, Yu TS, Li BX. Simultaneous event localization and recognition in surveillance video. 2018 15th IEEE International Conference on Advanced Video and Signal Based Surveillance. Auckland, New Zealand. 2018. 1–6. [2] Chandler DM. Seven challenges in image quality assessment: Past, present, and future research. ISRN Signal Processing, 2013, 2013: 905685. [3] 褚江, 陈强, 杨曦晨. 全参考图像质量评价综述. 计算机应用研究, 2014, 31(1): 13-22. DOI:10.3969/j.issn.1001-3695.2014.01.003 [4] 赵旦峰, 王博, 李明. 基于空域特征的无参考图像质量评价算法. 计算机工程与应用, 2016, 52(12): 216-220. DOI:10.3778/j.issn.1002-8331.1409-0232 [5] Chen LL, Han M, Wan HL. The fast iris image clarity ev-aluation based on Brenner. 20132nd International Symposium on Instrumentation and Measurement, Sensor Network and Automation. Toronto, ON, Canada. 2013. [6] 李祚林, 李晓辉, 马灵玲, 等. 面向无参考图像的清晰度评价方法研究. 遥感技术与应用, 2011, 26(2): 239-246. [7] 王健, 陈洪斌, 周国忠, 等. 改进的Brenner图像清晰度评价算法. 光子学报, 2012, 41(7): 855-858. [8] Redondo R, Bueno G, Valdiviezo JC, et al. Autofocus evaluation for brightfield microscopy pathology. Journal of Biomedical Optics, 2012, 17(3): 036008. DOI:10.1117/1.JBO.17.3.036008 [9] 陈亮, 李卫军, 谌琛, 等. 数字图像清晰度评价函数的通用评价能力研究. 计算机工程与应用, 2013, 49(14): 152-155, 235. DOI:10.3778/j.issn.1002-8331.1202-0442 [10] 朱晨旭. DNA芯片电泳检测中的自动对焦和定位研究[硕士学位论文]. 南京: 东南大学, 2015. [11] 崔作龙, 徐长松. 图像清晰度的量化测量探究. 实验技术与管理, 2012, 29(5): 49-51. DOI:10.3969/j.issn.1002-4956.2012.05.014 [12] Trent1985. 无参考图像清晰度评价. https://blog.csdn.net/Trent1985/article/details/50904173, [2016-03-16]. [13] 王昕, 刘畅. 基于提升小波变换的图像清晰度评价算法. 东北师大学报: 自然科学版, 2009, 41(4): 52-57. [14] 潘雪娟, 朱尤攀, 浦恩昌, 等. 基于熵的自动聚焦图像清晰度评价函数仿真分析. 红外技术, 2016, 38(10): 838-844. DOI:10.11846/j.issn.1001_8891.201610005 [15] 徐贵力, 刘小霞, 田裕鹏, 等. 一种图像清晰度评价方法. 红外与激光工程, 2009, 38(1): 180-184. DOI:10.3969/j.issn.1007-2276.2009.01.039 [16] 王鸿南, 钟文, 汪静, 等. 图像清晰度评价方法研究. 中国图象图形学报, 2004, 9(7): 828-831. DOI:10.3969/j.issn.1006-8961.2004.07.011 [17] 魏红生, 何建农. 基于点锐度法和小波变换的图像融合方法. 计算机工程, 2010, 36(23): 204-206. DOI:10.3969/j.issn.1000-3428.2010.23.068 [18] 袁珂, 徐蔚鸿. 基于图像清晰度评价的摄像头辅助调焦系统. 光电工程, 2006, 33(1): 141-144. DOI:10.3969/j.issn.1003-501X.2006.01.034 [19] 范媛媛. 光测设备电视图像无参考质量评价方法的研究[博士学位论文]. 长春: 中国科学院研究生院(长春光学精密机械与物理研究所), 2011.