1.本发明属于医学图像处理技术领域，具体涉及一种基于九眼位图像的斜视智能辅助分析方法及系统。
背景技术：2.现有技术通过手动使用手机或者相机对被检查者眼部进行拍照，分别让被被检查者双眼向正前方、水平左侧、水平右侧、正上、左上、右上、正下、左下、右下九个方向看，并拍下九张图片，截取眼部图片，在电脑上拼成一个九宫格图片。医生通过分析九宫格图片里面两个眼睛眼球的位置分析眼睛的斜视及眼外肌异常情况。医生在处理九宫格图像时需要手动截去眼部图像，耗时费力。然后再由医生根据拼接好的图片进行诊断，极大的浪费了医生的时间，且在截取的时候由于每次截取标准不同，造成截图效果不好，斜视诊断不准确。
技术实现要素：3.本发明的目的在于解决上述现有技术中存在的难题，提供一种基于九眼位图像的斜视智能辅助分析方法及系统。
4.本发明基于九眼位图像的斜视智能辅助分析方法包含如下步骤：s1采集被测用户的眼部图像，包含被测用户双眼左上方、正上方、右上方、水平左侧、水平正前、水平右侧、左下方、正下方、右下方的九眼位单幅图像；具体，指示被测用户在不同方位的观察光标，根据预设的采集顺序，在用户观察不同方位上的光标时，分别采集得到观察各个方位光标下的眼部图像。
5.s2 分别提取九眼位图像中每幅图像的眼部区域并进行眼睛目标配准对齐；采用基于深度学习目标特征点提取算法提取眼部区域，在得到眼部区域基础上检测包含角膜映光点、瞳孔中心点、左右眼角以及上下眼睑沿点的12个特征点；进一步依据得到的左右眼眼角点、上下眼睑沿点共8个特征特征点进行图像配准，以双眼正前方图像作为参考实现坐标系的统一和尺寸标准化；其中，上述眼部区域12个特征点通过如下特征点检测方法得到：首先对采集的多幅眼位图像进行边缘轮廓检测，得到眼部外边缘轮廓；依据外边缘确定得到构成的椭圆计算弧度最小点和弧度最大点确定左右眼角以及上下眼睑沿；依据眼部外边缘轮廓区域内进行圆拟合得到虹膜外边缘轮廓以及包含在其内部的瞳孔轮廓，依据瞳孔轮廓的几何中心作为瞳孔中心点；以及依据检测得到的虹膜外边缘轮廓几何中心得到虹膜中心点位置；通过阈值法对眼部图像内的像素进行二值化处理，其中二值化的阈值设为t,大于阈值的像素设为255，小于阈值的像素设为0，角膜映光点为角膜区域亮度最高的圆形区域，取其几何中心作为角膜映光点坐标；部分眼位的瞳孔中心点由于遮挡会出现无法检测得到的情况，瞳孔中心点坐标可以由虹膜外边缘轮廓或包含在其内部的瞳孔轮廓延长补充线定位得到，依据延长后的轮廓进行三维换算后的几何中心确定瞳孔中心点坐标。
6.s3 依据配准对齐后的图像拼接得到九眼位拼接图像；具体配准以及标准化后的眼位图进行拼接，得到左上方、正上方、右上方、水平左侧、水平正前、水平右侧、左下方、正下方、右下方三行三列的九眼位图像。
7.s4 根据角膜映光点相对于瞳孔中心点的位置关系得到斜视特征参数；以瞳孔的几何中心作为二维平面的坐标原点，角膜映光点（附图2中白色亮点）的位置以坐标形式标注，其中右眼角膜映光点在向上看、向前看和向下看的坐标分别以（xru,yru）、（xr,yr）、（xrd,yrd）表示，左眼角膜映光点在向上看、向前看和向下看的坐标以（xlu,ylu）、（xl,yl）、（xld,yld）表示；根据坐标点以及坐标点辅助线得到斜视特征参数包括|xr|、|xl|、|yr|、|yl|、|xr
‑ꢀ
xl|、（xr
‑ꢀ
xl）、（yr
‑ꢀ
yl）以及（xru
‑ꢀ
xlu）、（xr
‑ꢀ
xl）、（xrd
‑ꢀ
xld）。
8.s5 依据斜视特征参数给出斜视类型；包括斜视方向以及av征判断辅助判断；内外斜视及垂直斜视的划分中，设水平斜视的判断的单眼判断阈值为σ，双眼判断阈值为τ；垂直斜视的判断的单眼判断阈值为α，双眼判断阈值为ρ；当|xr| ＞σ或者|xl|＞σ或者|xr
‑ꢀ
xl|＞τ，判断为水平斜视：当（xr
‑ꢀ
xl）＞0判断为外斜视，当（xr
‑ꢀ
xl）＜0判断为内斜视；当|yr| ＞α或者|yl|＞α或者|yr
‑ꢀ
yl|＞ρ，判断为垂直斜视：当（yr
‑ꢀ
yl）＞0代表为右下斜，当（yr
‑ꢀ
yl）＜0判断为右上斜；a-v征斜视辅助确定中，将（xru
‑ꢀ
xlu）、（xr
‑ꢀ
xl）、（xrd
‑ꢀ
xld）三个差值与相应设定判断阈值t进行比较，从而确定a-v征的类型；当（xru
‑ꢀ
xlu）-（xrd
‑ꢀ
xld）＞ta时，判断为a征；当（xru
‑ꢀ
xlu）-（xrd
‑ꢀ
xld）＜tv时判定为v征。
9.进一步，本发明还提供了一种基于九眼位图像的斜视智能辅助分析方法及系统，系统包含如下功能单元：九眼位图像采集单元，采集被测用户的眼部图像，包含被测用户双眼左上方、正上方、右上方、水平左侧、水平正前、水平右侧、左下方、正下方、右下方的九眼位单幅图像；具体，指示被测用户在不同方位的观察光标，根据预设的采集顺序，在用户观察不同方位上的光标时，分别采集得到观察各个方位光标下的眼部图像。
10.九眼位图像配准对齐单元，分别提取九眼位图像中每幅图像的眼部区域并进行眼睛目标配准对齐；采用基于深度学习目标特征点提取算法提取眼部区域，在得到眼部区域基础上检测包含角膜映光点、瞳孔中心点、左右眼角以及上下眼睑沿点的12个特征点；进一步依据得到的左右眼眼角点、上下眼睑沿点共8个特征特征点进行图像配准，以双眼正前方图像作为参考实现坐标系的统一和尺寸标准化。
11.其中，上述眼部区域12个特征点通过如下特征点检测方法得到：首先对采集的多幅眼位图像进行边缘轮廓检测，得到眼部外边缘轮廓；依据外边缘确定得到构成的椭圆计算弧度最小点和弧度最大点确定左右眼角以及上下眼睑沿；依据眼部外边缘轮廓区域内进行圆拟合得到虹膜外边缘轮廓以及包含在其内部的瞳孔轮廓，依据瞳孔轮廓的几何中心作为瞳孔中心点；以及依据检测得到的虹膜外边缘轮廓几何中心得到虹膜中心点位置；通过阈值法对眼部图像内的像素进行二值化处理，其中二值化的阈值设为t,大于阈值的像素设为255，小于阈值的像素设为0，角膜映光点为角膜区域亮度最高的圆形区域，取其几何中心
作为角膜映光点坐标。
12.部分眼位的瞳孔中心点由于遮挡会出现无法检测得到的情况，瞳孔中心点坐标可以由虹膜外边缘轮廓或包含在其内部的瞳孔轮廓延长补充线定位得到，依据延长后的轮廓进行三维换算后的几何中心确定瞳孔中心点坐标。
13.九眼位图像拼接单元，依据配准对齐后的图像拼接得到九眼位拼接图像；具体配准以及标准化后的眼位图进行拼接，得到左上方、正上方、右上方、水平左侧、水平正前、水平右侧、左下方、正下方、右下方三行三列的九眼位图像；斜视特征参数提取单元，根据角膜映光点坐标提取辅助线并计算得到斜视特征参数；以瞳孔的几何中心作为二维平面的坐标原点，角膜映光点（附图2中白色亮点）的位置以坐标形式标注，其中右眼角膜映光点在向上看、向前看和向下看的坐标分别以（xru,yru）、（xr,yr）、（xrd,yrd）表示，左眼角膜映光点在向上看、向前看和向下看的坐标以（xlu,ylu）、（xl,yl）、（xld,yld）表示；根据坐标点以及坐标点辅助线得到斜视特征参数包括|xr|、|xl|、|yr|、|yl|、|xr
‑ꢀ
xl|、（xr
‑ꢀ
xl）、（yr
‑ꢀ
yl）以及（xru
‑ꢀ
xlu）、（xr
‑ꢀ
xl）、（xrd
‑ꢀ
xld）。
14.斜视辅助判断单元，依据斜视特征参数给出斜视方向、av征判断辅助判断；内外斜视及垂直斜视的划分中，设水平斜视的判断的单眼判断阈值为σ，双眼判断阈值为τ；垂直斜视的判断的单眼判断阈值为α，双眼判断阈值为ρ；当|xr| ＞σ或者|xl|＞σ或者|xr
‑ꢀ
xl|＞τ，判断为水平斜视：当（xr
‑ꢀ
xl）＞0判断为外斜视，当（xr
‑ꢀ
xl）＜0判断为内斜视；当|yr| ＞α或者|yl|＞α或者|yr
‑ꢀ
yl|＞ρ，判断为垂直斜视：当（yr
‑ꢀ
yl）＞0代表为右下斜，当（yr
‑ꢀ
yl）＜0判断为右上斜；a-v征斜视辅助确定中，将（xru
‑ꢀ
xlu）、（xr
‑ꢀ
xl）、（xrd
‑ꢀ
xld）三个差值与相应设定判断阈值t进行比较，从而确定a-v征的类型；当（xru
‑ꢀ
xlu）-（xrd
‑ꢀ
xld）＞ta时，判断为a征；当（xru
‑ꢀ
xlu）-（xrd
‑ꢀ
xld）＜tv时判定为v征。
15.与现有技术相比，本发明的有益效果是：本发明提供了一种利用九眼位辅助进行斜视类型判断的方法及系统，降低人工拼接图像所耗费的时间，提出一种改进型的眼部特征点检测方法，并基于眼部特征点中的角膜映光点辅助线获取斜视特征参数，基于斜视特征参数确定斜视类型，本发明方法极大地提高了诊断效率以及准确度。
附图说明
16.图1 本技术九眼位图像的斜视智能辅助分析方法流程图。
17.图2 本技术配准对齐得到九眼位示意图。
具体实施方式
18.下面结合图1-2对本发明作进一步详细描述：本发明基于九眼位图像的斜视智能辅助分析方法包含如下步骤：s1采集被测用户的眼部图像，包含被测用户双眼左上方、正上方、右上方、水平左侧、水平正前、水平右侧、左下方、正下方、右下方的九眼位单幅图像；
具体，指示被测用户在不同方位的观察光标，根据预设的采集顺序，在用户观察不同方位上的光标时，分别采集得到观察各个方位光标下的眼部图像。
19.s2 分别提取九眼位图像中每幅图像的眼部区域并进行眼睛目标配准对齐；其中，采用基于深度学习目标特征点提取算法提取眼部区域，并在眼部区域内检测得到包含角膜映光点、瞳孔中心点、左右眼角以及上下眼睑沿点的12个特征点；进一步依据得到的左右眼角以及上下眼睑沿点共8个特征特征点进行图像配准，以双眼正前方图像作为参考实现坐标系的统一和尺寸标准化；本实施中上述目标区域提取算法为dcnn、yolo或者ssd深度学习网络的其中一种。
20.其中，上述眼部区域的特征点通过如下特征点检测方法得到：首先对采集的多幅眼位图像进行边缘轮廓检测，得到眼部外边缘轮廓；依据外边缘确定得到构成的椭圆计算弧度最小点和弧度最大点确定左右眼角以及上下眼睑沿；依据眼部外边缘轮廓区域内进行圆拟合得到虹膜外边缘轮廓以及包含在其内部的瞳孔轮廓，依据瞳孔轮廓的几何中心作为瞳孔中心点；以及依据检测得到的虹膜外边缘轮廓几何中心得到虹膜中心点位置；通过阈值法对眼部图像内的像素进行二值化处理，其中二值化的阈值设为t,大于阈值的像素设为255，小于阈值的像素设为0，角膜映光点为角膜区域亮度最高的圆形区域，取其几何中心作为角膜映光点坐标；部分眼位的瞳孔中心点由于遮挡会出现无法检测得到的情况，瞳孔中心点坐标可以由虹膜外边缘轮廓或包含在其内部的瞳孔轮廓延长补充线定位得到，依据延长后的轮廓进行三维换算后的几何中心确定瞳孔中心点坐标；本发明中还提出另外一种瞳孔中心点预估算法，具体通过提取九个眼位下n个样本中的眼位标记值、眼睛几何中心点、角膜中心点位置、角膜映光点以及瞳孔中心点坐标点并进行标记；其中，眼位标记值按照左上方、正上方、右上方、水平左侧、水平正前、水平右侧、左下方、正下方、右下方分别标记为（-0.5，0.5）、（0，1）、（0.5,0.5），（-1,0）、（0,0）、（0,1）、（-0.5，-0.5）、（0，-1）、（0.5,-0.5）；建立预估模型以眼位标记值、眼睛几何中心点、角膜映光点、角膜中心点位置作为输入，瞳孔中心点坐标作为输出，建立神经网络训练模型，得到预估的瞳孔中心点坐标。本实施例中，预估模型神经网络采用bp神经网络，样本n=100,设置输入节点为8，输出为角膜映光点坐标输出节点数为2，采用自适应lr动量梯度下降法traingdx作为优化方法，sigmoid作为激活函数，设置训练初始参数以及训练精度要求或者最大迭代次数，得到瞳孔中心点预估模型。
21.s3 依据配准对齐后的图像拼接得到九眼位拼接图像；具体配准以及标准化后的眼位图进行拼接，得到左上方、正上方、右上方、水平左侧、水平正前、水平右侧、左下方、正下方、右下方三行三列的九眼位图像；可参见附图2配准对齐得到九眼位示意图。
22.s4 根据角膜映光点相对于瞳孔中心点的位置关系得到斜视特征参数；以瞳孔的几何中心作为二维平面的坐标原点，角膜映光点（附图2中白色亮点）的位置以坐标形式标注，其中右眼角膜映光点在向上看、向前看和向下看的坐标分别以（xru,yru）、（xr,yr）、（xrd,yrd）表示，左眼角膜映光点在向上看、向前看和向下看的坐标以（xlu,
ylu）、（xl,yl）、（xld,yld）表示。
23.根据坐标点以及坐标点辅助线得到斜视特征参数包括|xr|、|xl|、|yr|、|yl|、|xr
‑ꢀ
xl|、（xr
‑ꢀ
xl）、（yr
‑ꢀ
yl）以及（xru
‑ꢀ
xlu）、（xr
‑ꢀ
xl）、（xrd
‑ꢀ
xld）；上述特征参数只是优选的特征参数，本领域技术人员也可以根据需求设计与瞳孔中心点以及角膜映光点的其他类似以及简单变换的方式得到的特征参数进行斜视判断。
24.s5 依据斜视特征参数给出斜视方向、av征判断辅助判断；内外斜视及垂直斜视的划分中，设水平斜视的判断的单眼判断阈值为σ，双眼判断阈值为τ；垂直斜视的判断的单眼判断阈值为α，双眼判断阈值为ρ；当|xr| ＞σ或者|xl|＞σ或者|xr
‑ꢀ
xl|＞τ，判断为水平斜视：当（xr
‑ꢀ
xl）＞0判断为外斜视，当（xr
‑ꢀ
xl）＜0判断为内斜视；当|yr| ＞α或者|yl|＞α或者|yr
‑ꢀ
yl|＞ρ，判断为垂直斜视：当（yr
‑ꢀ
yl）＞0代表为右下斜，当（yr
‑ꢀ
yl）＜0判断为右上斜；a-v征斜视辅助确定中，将（xru
‑ꢀ
xlu）、（xr
‑ꢀ
xl）、（xrd
‑ꢀ
xld）三个差值与相应设定判断阈值t进行比较，从而确定a-v征的类型；当（xru
‑ꢀ
xlu）-（xrd
‑ꢀ
xld）＞ta时，判断为a征；当（xru
‑ꢀ
xlu）-（xrd
‑ꢀ
xld）＜tv时判定为v征。
25.进一步，本发明还提供了一种基于九眼位图像的斜视智能辅助分析方法及系统，系统包含如下功能单元：九眼位图像采集单元，采集被测用户的眼部图像，包含被测用户双眼左上方、正上方、右上方、水平左侧、水平正前、水平右侧、左下方、正下方、右下方的九眼位单幅图像；具体，指示被测用户在不同方位的观察光标，根据预设的采集顺序，在用户观察不同方位上的光标时，分别采集得到观察各个方位光标下的眼部图像。
26.九眼位图像配准对齐单元，分别提取九眼位图像中每幅图像的眼部区域并进行眼睛目标配准对齐。
27.其中，采用基于深度学习目标特征点提取算法提取眼部区域，基于得到的眼部区域检测得到包含角膜映光点、瞳孔中心点、左右眼角以及上下眼睑沿点的12个特征点；进一步依据得到的左右眼角以及上下眼睑沿点共8个特征特征点进行图像配准，以双眼正前方图像作为参考实现坐标系的统一和尺寸标准化；本实施中上述目标特征点提取算法为dcnn、yolo或者ssd深度学习网络的其中一种。
28.其中，上述眼部区域的特征点通过如下特征点检测方法得到：首先对采集的多幅眼位图像利用canny算子进行边缘轮廓检测，通过眼睛椭圆拟合约束得到眼部外边缘轮廓；依据外边缘确定得到构成的椭圆计算弧度最小点和弧度最大点确定左右眼角以及上下眼睑沿；依据眼部外边缘轮廓区域内进行圆拟合得到虹膜外边缘轮廓以及包含在其内部的瞳孔轮廓，依据瞳孔轮廓的几何中心作为瞳孔中心点；部分眼位的瞳孔中心点由于遮挡会出现无法检测得到的情况，瞳孔中心点坐标可以由虹膜外边缘轮廓或包含在其内部的瞳孔轮廓延长补充线定位得到，依据延长后的轮廓几何中心确定瞳孔中心点坐标。
29.针对本发明中还提出另外一种瞳孔中心点预估算法，具体通过提取九个眼位下n个样本中的眼位标记值、眼睛几何中心点、角膜中心点位置、角膜映光点以及瞳孔中心点坐标点并对坐标进行标记。
30.其中，眼位标记值按照左上方、正上方、右上方、水平左侧、水平正前、水平右侧、左
下方、正下方、右下方分别标记为（-0.5，0.5）、（0，1）、（0.5,0.5），（-1,0）、（0,0）、（0,1）、（-0.5，-0.5）、（0，-1）、（0.5,-0.5）。
31.建立预估模型以眼位标记值、眼睛几何中心点、角膜映光点、角膜中心点位置作为输入，瞳孔中心点坐标作为输出，建立神经网络训练模型，得到预估的角膜映光点坐标。本实施例中，预估模型神经网络采用bp神经网络，设置输入节点为8，输出为角膜映光点坐标，输出值节点为2，采用自适应lr动量梯度下降法traingdx作为优化方法，sigmoid 作为激活函数，设置训练初始参数以及训练精度要求，得到瞳孔中心点预估模型。
32.角膜映光点位置获取单元，依据配准对齐后的图像拼接得到九眼位拼接图像，具体配准以及标准化后的眼位图进行拼接，得到左上方、正上方、右上方、水平左侧、水平正前、水平右侧、左下方、正下方、右下方三行三列的九眼位图像。
33.斜视特征参数提取单元，根据角膜映光点坐标提取辅助线并计算得到斜视特征参数；以瞳孔的几何中心作为二维平面的坐标原点，角膜映光点（附图2中白色亮点）的位置以坐标形式标注，其中右眼角膜映光点在向上看、向前看和向下看的坐标分别以（xru,yru）、（xr,yr）、（xrd,yrd）表示，左眼角膜映光点在向上看、向前看和向下看的坐标以（xlu,ylu）、（xl,yl）、（xld,yld）表示。
34.根据坐标点以及坐标点辅助线得到斜视特征参数包括|xr|、|xl|、|yr|、|yl|、|xr
‑ꢀ
xl|、（xr
‑ꢀ
xl）、（yr
‑ꢀ
yl）以及（xru
‑ꢀ
xlu）、（xr
‑ꢀ
xl）、（xrd
‑ꢀ
xld）；斜视辅助判断单元，依据斜视特征参数给出斜视方向、av征判断辅助判断；内外斜视及垂直斜视的划分中，设水平斜视的判断的单眼判断阈值为σ，双眼判断阈值为τ；垂直斜视的判断的单眼判断阈值为α，双眼判断阈值为ρ；当|xr| ＞σ或者|xl|＞σ或者|xr
‑ꢀ
xl|＞τ，判断为水平斜视：当（xr
‑ꢀ
xl）＞0判断为外斜视，当（xr
‑ꢀ
xl）＜0判断为内斜视；当|yr| ＞α或者|yl|＞α或者|yr
‑ꢀ
yl|＞ρ，判断为垂直斜视：当（yr
‑ꢀ
yl）＞0代表为右下斜，当（yr
‑ꢀ
yl）＜0判断为右上斜；a-v征斜视辅助确定中，将（xru
‑ꢀ
xlu）、（xr
‑ꢀ
xl）、（xrd
‑ꢀ
xld）三个差值与相应设定判断阈值t进行比较，从而确定a-v征的类型；当（xru
‑ꢀ
xlu）-（xrd
‑ꢀ
xld）＞ta时，判断为a征；当（xru
‑ꢀ
xlu）-（xrd
‑ꢀ
xld）＜tv时判定为v征。
35.以上根据角膜映光点坐标提取辅助线并计算得到斜视特征参数仅是其中一种实施方式，本领域技术人员可进行同等替换和改变，其均属于本发明所保护的范围。
36.除此之外，本技术还提供了一种基于九眼位图像的斜视智能辅助分析方法对应的计算设备以及计算机可读存储介质，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现上述辅助方法。
37.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
38.在本发明的描述中，除非另有说明，术语“上”、“下”、“左”、“右”、“内”、“外”等指示
的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
39.最后应说明的是，上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。
技术特征：1.一种基于九眼位图像的斜视智能辅助分析方法，其特征在于包含如下步骤：s1采集被测用户的眼部图像，包含被测用户双眼左上方、正上方、右上方、水平左侧、水平正前、水平右侧、左下方、正下方、右下方的九眼位单幅图像；s2 分别提取九眼位图像中每幅图像的眼部区域并进行眼睛目标配准对齐；s3 依据配准对齐后的图像拼接得到九眼位拼接图像；s4 根据角膜映光点相对于瞳孔中心点的位置关系得到斜视特征参数；具体以瞳孔的几何中心作为二维平面的坐标原点，获取角膜映光点位置相对于坐标原点的坐标得到斜视特征参数；s5 依据斜视特征参数给出斜视类型。2.根据权利要求1所述的基于九眼位图像的斜视智能辅助分析方法，其特征在于：所述步骤s1中具体通过指示被测用户在不同方位观察光标，用户观察不同方位上的光标时，分别采集得到观察各个方位光标下的眼部图像。3.根据权利要求1所述的基于九眼位图像的斜视智能辅助分析方法，其特征在于：所述步骤s2中采用基于深度学习目标特征点提取算法提取眼部区域以及包含角膜映光点、瞳孔中心点、左右眼角以及上下眼睑沿点特征点，依据得到的左右眼眼角点以及上下眼睑沿点进行图像配准。4.根据权利要求1所述的基于九眼位图像的斜视智能辅助分析方法，其特征在于：步骤s2中部分眼位的瞳孔中心点由于遮挡会出现无法检测得到的情况，瞳孔中心点坐标可以由虹膜外边缘轮廓或包含在其内部的瞳孔轮廓延长补充线定位得到，依据延长后的轮廓进行三维换算后的几何中心确定瞳孔中心点坐标。5.根据权利要求1所述的基于九眼位图像的斜视智能辅助分析方法，其特征在于：步骤s4中以瞳孔的几何中心作为二维平面的坐标原点，右眼角膜映光点在向上看、向前看和向下看的坐标分别以（xru,yru）、（xr,yr）、（xrd,yrd）表示，左眼角膜映光点在向上看、向前看和向下看的坐标以（xlu,ylu）、（xl,yl）、（xld,yld）表示；根据坐标点以及坐标点辅助线得到斜视特征参数包括|xr|、|xl|、|yr|、|yl|、|xr
‑ꢀ
xl|、（xr
‑ꢀ
xl）、（yr
‑ꢀ
yl）以及（xru
‑ꢀ
xlu）、（xr
‑ꢀ
xl）、（xrd
‑ꢀ
xld）。6.根据权利要求5所述的基于九眼位图像的斜视智能辅助分析方法，其特征在于：步骤5中，设水平斜视的判断的单眼判断阈值为σ，双眼判断阈值为τ；垂直斜视的判断的单眼判断阈值为α，双眼判断阈值为ρ；当|xr| ＞σ或者|xl|＞σ或者|xr
‑ꢀ
xl|＞τ，判断为水平斜视：当（xr
‑ꢀ
xl）＞0判断为外斜视，当（xr
‑ꢀ
xl）＜0判断为内斜视；当|yr| ＞α或者|yl|＞α或者|yr
‑ꢀ
yl|＞ρ，判断为垂直斜视：当（yr
‑ꢀ
yl）＞0代表为右下斜，当（yr
‑ꢀ
yl）＜0判断为右上斜。7.根据权利要求5所述的基于九眼位图像的斜视智能辅助分析方法，其特征在于：步骤5中，利用（xru
‑ꢀ
xlu）、（xr
‑ꢀ
xl）、（xrd
‑ꢀ
xld）三个差值与相应设定判断阈值t进行比较，从而确定a-v征的类型；当（xru
‑ꢀ
xlu）-（xrd
‑ꢀ
xld）＞ta时，判断为a征；当（xru
‑ꢀ
xlu）-（xrd
‑ꢀ
xld）＜tv时判定为v征。8.一种基于九眼位图像的斜视智能辅助分析系统，其特征在于包含如下步骤：九眼位图像采集单元,采集被测用户的眼部图像，包含被测用户双眼左上方、正上方、
右上方、水平左侧、水平正前、水平右侧、左下方、正下方、右下方的九眼位单幅图像；九眼位图像配准对齐单元,分别提取九眼位图像中每幅图像的眼部区域并进行眼睛目标配准对齐；九眼位图像拼接单元，依据配准对齐后的图像拼接得到九眼位拼接图像；斜视特征参数提取单元 根据角膜映光点相对于瞳孔中心点的位置关系得到斜视特征参数；具体以瞳孔的几何中心作为二维平面的坐标原点，获取角膜映光点位置相对于坐标原点的坐标，依据映光点坐标得到斜视特征参数；斜视辅助判断单元 依据斜视特征参数给出斜视类型。9.一种计算机设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至7任一项所述的方法。
技术总结本发明提供了一种利用九眼位辅助进行斜视类型判断的方法及系统，属于医学图像处理技术领域，通过对九个眼位的图像采集，并提供智能化图像处理方法进行图像的配准对齐后的拼接，大幅度降低人工拼接图像所耗费的时间，提出一种全新的利用特征点构建辅助线，并依据辅助线确定斜视特征参数，基于斜视特征参数确定斜视类型，在此过程中还提出了一种瞳孔中心预估算法。本发明方法极大地提高了斜视的诊断效率以及准确度。率以及准确度。率以及准确度。
技术研发人员：樊斐斐 黄正衍 冯勃
受保护的技术使用者：天津市九米九视光技术有限公司
技术研发日：2022.07.13
技术公布日：2022/11/1
