<strong>Robert</strong> <strong>Koprowski</strong>, <strong>Regina</strong> <strong>Tokarczyk</strong>, <strong>Zygmunt</strong> WróbelLCORRgdzie:( m,n)=3∑k=1⎡⎢⎢⎢⎢⎢⎢⎣L⎛⎜⎜⎝MFNF∑∑( LF_RGB( mF,nF,k)− LRGB) H1( mF,nF)( − H1)M2F NFMFNF∑∑( L ( ) − ) ⎟⎜F_RGBmF,nF,kLRGB∑∑ H1( mF,nF)mF= 1nF = 1F_RGBmF= 1nF = 1=MF1⋅ NMNF F∑∑F mF= 1nF=1LF_RGB⎞⎛⎟⎜⎠⎝mF= 1nF = 1( m ,n , k)FF( − H1)2⎤⎥⎥⎥⎞ ⎥⎟ ⎥⎟⎠ ⎥⎦(1)(2)H1 =MF1⋅ NFMF F∑∑m = 1n= 1FNF( , )H1 mF n FM F , N F - liczba wierszy i kolumn zarówno maski H1 jak teŜ analizowanego fragmentuobrazu L RGB (z definicji mająca tą samą liczbę wierszy i kolumn),H1- maska.Kolejnym etapem jest progowanie otrzymanego obrazu L CORR a następnieetykietowanie i obliczanie środka cięŜkości obiektów. Ze względu jednak na małąrozdzielczość obrazu oraz błędy wprowadzane w czasie akwizycji markery widoczne naobrazie L RGB nie są tej samej jasności, przez co algorytm nie wykrywa w praktyce ok. 20 %markerów. W związku z tym dokonano pierwszej modyfikacji polegającej na zmianiekryterium rozpoznawania markerów.(3)4.2. Automatyczna lokalizacja markerówPrzynosząca oczekiwane rezultaty (prawidłowe wyznaczenie ok. 99 % markerów)metoda została oparta o elementy analizy morfologicznej (Lee et al., 2002; Min et al.,2004; Park et al., 2000). Obraz wejściowy L RGB został poddany operacji dylatacjielementem kwadratowym strukturalnym o rozmiarze M SE1 xN SE1 =3x3 dla kaŜdej składowejRGB, tj. w uproszczeniu:L m,n, k = min (L (m,n,(4)ERGBdla k=1,2 i 3 (kolejne składowe RGB)( ) k))m,n∈SE1Następnie przeprowadzono konwersję otrzymanego obrazu L ERGB do obrazu zpoziomami szarości L GRAY wykorzystując zaleŜność:LGRAY( m,n)=RGB[ 0.2989 0.5870 0.1140]⎡ L⋅⎢⎢L⎢⎣LERGBERGBERGB( m,n,1)⎤( m,n,2)⎥⎥( m,n,3)⎥⎦(5)308
Zastosowanie metod analizy obrazów do automatycznej detekcji i pomiaru źrenic oczuOtrzymany obraz w poziomach szarości został dalej poddany operacji detekcjiwzorców wykorzystując operacje otwarcia elementem strukturalnym SE2, tj.:LWZRGAY( m,n,k) = min⎛L ( m,n) − max ⎜⎛min ( L ( m,n)) ⎟⎞⎞ ⎟⎠⎜⎝GRAYm,n∈SE2⎝m,n∈SE2gdzie SE2 – element strukturalny o rozmiarze M SE2 xN SE2 =6x6 dobrany arbitralnie napodstawie liczby pikseli przedstawiających marker. Ostatnim etapem przed progowaniemwartości jest obliczenie korelacji zgodnie z zaleŜnością (1) dla maski H2 otrzymując obrazL CORR . Uzyskano wyniki w postaci obrazu L CORR oraz obrazu L BIN powstałego w wynikuprogowania L CORR. Progowanie obrazu L CORR przeprowadzono zgodnie z typową metodąbinaryzacji, tj.:L m,n = L m,n > p(7)BIN( )CORR( )rGRAYgdzie p r jest progiem binaryzacji ustalonym doświadczalnie na 35. Próg ten nie moŜe byćustalany automatycznie wykorzystując np. zaleŜności N Otsu czy teŜ inne wskaźnikistatystyczne, poniewaŜ informacje zawarte w obrazie L CORR ściśle są powiązane zestopniem dopasowania wzorca.Utworzona macierz zawierająca współrzędne połoŜenia markerów oraz ichidentyfikatory zostaje dalej wykorzystywana do zgrubnego i dokładnego umiejscowieniaobszaru połoŜenia oczu.Dokładność wyznaczenia markerów została wyznaczona za pomocą porównaniaz pomiarem manualnym i wynosi ±1 piksel, co daje w przestrzeni trójwymiarowej przyrozdzielczości uŜywanych aparatów dokładność wyznaczenia współrzędnych około±1-2 mm.⎠(6)5. DETEKCJA POŁOśENIA OCZUAlgortymy detekcji oczu na obrazach pozyskanych w świetle widzialnym sąprzedmiotem badań specjalistów od wielu lat (Ai et al., 2002; Caetano et al., 2001; Changet al., 2000; Gandhi, 2004; Gejuš et al., 2003; Hjelmas et al., 2001; Ma et al., 2002; Sahbiet al., 2002; Tian et al., 2001; Tian et al., 2002).Metody te opierają się w przewaŜającej części na dwóch algortymach:wykorzystujących cechy geometryczne połoŜenia oczu względem innych części głowy(Viola et al., 2004) oraz ciała (Viola et al., 2001), oraz metody bazujące na cechachstatystycznych (Caetano et al., 2001; Jianfeng, 2004; Tzouveli et al., 2005; Verschae et al.,2003) i sieciach neuronowych (Zhou, 2002). Obie grupy algorytmów przynosząoczekiwane rezultaty w ściśle określonych warunkach akwizycji obrazu (Hsu et al., 2002;Hsu et al., 2004; Wong et al., 2003; Zhang et al., 2003).PoniŜej opisano praktyczną realizację wybranego podejścia hybrydowego,wykorzystującego zarówno podejście algorytmiczne jak teŜ, w ostatnim etapie, siecineuronowe.309