檢測數字圖像中的紅眼缺陷的製作方法

2023-10-08 18:21:34 1

專利名稱：檢測數字圖像中的紅眼缺陷的製作方法
技術領域：
本發明的實施例一般地涉及數字圖像處理技術領域，更具體地說，涉及用於檢測 數字圖像中的紅眼缺陷的方法和設備，這種「紅眼」缺陷包括圖像中人眼睛或者動物眼睛上 閃光導致的贗象，而無論實際上是否是紅色的。
背景技術：
紅眼是，閃光在主體眼睛內發生反射，並且在照片上通常表現為紅色的光點的閃 光燈攝影中的現象，該光點處於主體眼睛的黑色瞳孔通常所在的位置。眼睛的不自然發紅 是由於位於視網膜後面、富含血管的脈管膜的內部反射引起的。不難理解，這種令人不悅的現象部分地是由照相機閃光與照相機鏡頭之間的小夾 角引起的。該夾角隨著具有內置閃光能力的照相機的小型化而減小。另外的原因包括主體 與照相機較靠近以及環境光水平。通過使虹膜減小瞳孔的開度，可以減少紅眼現象。這通常是在進行閃光攝影之前， 即刻利用「預閃光」、閃光或者光照實現的。這導致虹膜閉合。不幸的是，預閃光在閃光攝 影之前有令人不悅的0. 2至0. 6秒的時間。這種延遲容易被察覺，並且容易在人主體的反 應時間內。因此，主體可能認為預閃光是實際攝影，而在實際攝影時卻可能處於不希望的位 置。或者，應當將預閃光告知主體，這樣通常導致攝影時捕獲的主體不自然。數字攝影不需要膠片，因為圖像是利用數字方法捕獲的，並且該圖像被存儲在存 儲陣列中，以顯示在照相機本身的顯示屏幕上。與等待膠片處理不同，這樣可以即時虛擬觀 看和欣賞照片。數字攝影設備包括用於圖像處理和壓縮以及照相機系統控制的微處理器。 可以開發這種微處理器的計算能力，用於執行改善紅眼檢測和消除的操作。第6，407，777號美國專利和第2005/0232490號美國專利申請描述了在數字圖像 中進行紅眼檢測和校正的現有技術。然而，這些現有方法實際上並不是有效率的。

發明內容
根據本發明的一個實施例，披露了一種在含有眼睛的數字圖像中檢測紅眼缺陷的 方法；將該數字圖像變換為光強圖像，至少一部分光強圖像被分割為分別具有局部光強最 大值的分段，對該數字圖像的相應部分進行閾值處理，以識別較高光強的區域，從步驟(C) 的至少一些區域中，選擇基本上具有最高平均光強的區域，以及從步驟(b)中選擇與在步 驟(d)根據預定判據選擇的區域交叉的分段。


通過參考下面的描述和附圖，可以最好地理解本發明，下面的描述和附圖用於說 明本發明實施例。附圖中圖1是根據本發明實施例工作的數位照相機的方框圖；圖2是在根據本發明的紅眼檢測和校正實施例的圖1所示照相機中，軟體執行的各步驟的流程圖；以及圖3至7示出根據圖2所示方法，處理的圖像數據(為了清楚起見，圖6 (a)至6 (d) 和7是本說明書描述的相關圖像的負片或者倒像形式)。
具體實施例方式利用閃光燈採集的圖像可能包括紅眼缺陷。通常，通過對該圖像應用傳統的眼睛 缺陷檢測器，檢測這些紅眼缺陷。然而，利用例如大於ISO 800的高ISO額定值採集的圖像 可能包括代表噪聲的許多小團紅色像素，並且在這種情況下，該眼睛缺陷檢測器可能將這 些噪斑識別為較小的紅眼缺陷。本發明實施例提供了在高ISO閃光圖像中檢測紅眼的方法和設備。對於本發明的 一個實施例，採集數字圖像。在該圖像的至少一部分上，檢測到一個或者多個較大的候選紅 眼缺陷區域。對該圖像的至少一部分應用人臉檢測，以消除非人臉區域，並且在不包括被消 除的非人臉區域的該圖像的至少一部分上，識別到一個或者多個較小候選紅眼缺陷區域。 本發明的實施例可以應用於進行圖像處理的大量系統。圖1是數字圖像採集器件20的方框圖，在本實施例中，它是可攜式數位照相機，並 且它包括處理器120。應當明白，該數位照相機中執行的許多處理都可以由被統稱為處理器 120的微處理器、中央處理單元、控制器、數位訊號處理器和/或者專用集成電路運行的軟 件執行和控制。通常，諸如按鈕和顯示器的外圍部件的全部用戶界面和控制都由微控制器 122控制。作為對122上的用戶輸入，諸如半按下快門按鈕(預捕像模式32)的響應，處理 器120啟動並控制該數字攝影過程。利用光傳感器40，監視環境曝光量，以自動確定是否使 用閃光燈。利用也將圖像聚焦在捕像部件60上的聚焦部件50，確定到主體的距離。在本說 明書中，術語「圖像」指圖像數據，而且並未暗示，它在任何處理階段都是實際可視的圖像。如果使用閃光燈，則在完全按下快門按鈕時，處理器120使閃光燈70產生基本上 符合捕像部件60記錄圖像的攝影閃光。捕像部件60利用數字方法以彩色記錄該圖像。該 捕像部件優選包括CCD (電荷耦合器件)或者CMOS，以有助於進行數字記錄。或者作為對光 傳感器40的響應，或者作為對照相機用戶的手動輸入72的響應，可以選擇性地產生閃光。 捕像部件60記錄的高解析度圖像被存儲於圖像存儲器80內，圖像存儲器80可以包括諸如 動態隨機存取存儲器或者非易失性存儲器的計算機內存。該照相機裝備了諸如LCD的顯示 器100，用於預覽和後覽圖像。對於在預捕像模式32下，通過半按下快門按鈕，產生的預覽圖像，顯示器100可以 支持用戶合成該圖像，並利用它確定聚焦和曝光。臨時存儲器82用於存儲一個或者多個預 覽圖像，並且它可以是圖像存儲器80的一部分，或者是獨立部件。該預覽圖像優選由捕像 部件60產生。因為速度和存儲效率的原因，預覽圖像的像素解析度優選地低於完全按下快 門按鈕時拍攝的主圖像的像素解析度，並且利用可以作為通用處理器120的一部分的軟體 124或者專用硬體或者它們的組合分抽樣原始捕像，可以產生該預覽圖像。依賴該硬體子系 統的設置，預採集圖像處理可以先滿足某些預定測試判據，然後，存儲預覽圖像。這種測試 判據可以是時間順序的，諸如在預捕像模式32期間，始終每隔0.5秒，利用新捕獲的預覽圖 像替換先前保存的預覽圖像，直到完全按下快門按鈕捕獲到高解析度主圖像。更複雜的判 據可以包括分析預覽圖像內容，例如，測試圖像的變化，然後，判定該新預覽圖像是否應當
4替換先前保存的圖像。其它判據可以基於諸如銳利度的圖像分析，或者諸如是否進行閃光 的曝光條件和/或者到該主體的距離的元數據分析。如果不滿足測試判據，則照相機繼續捕獲下一幅預覽圖像，而不保存當前預覽圖 像。該處理繼續執行，直到完全按下快門按鈕採集並保存了最終高解析度的主圖像。如果保存多幅預覽圖像，則將新預覽圖像放置在時間順序先進先出(FIFO)堆棧 上，直到用戶拍攝到最終圖片。存儲多幅預覽圖像的原因是，例如，在紅眼校正處理中，或者 在本實施例的中景(mid-shot)模式處理中，該最後預覽圖像或者任何單幅預覽圖像可能 不是用於與最終高解析度圖像進行比較的最佳基準圖像。通過存儲多幅圖像，可以獲得較 佳的基準圖像，並且在之後討論的配準階段，可以使該預覽圖像與最終捕獲圖像更接近的 配準。該照相機還可以捕獲一幅或者多幅低解析度的後覽圖像，並將它們存儲在臨時存 儲器82中。除了捕獲了該高解析度主圖像後捕獲其之外，後覽圖像是基本上與預覽圖像相 同的低解析度圖像。紅眼檢測與校正濾波器90可以集成到照相機20上，或者是諸如臺式計算機、彩色 印表機或者圖片亭(photo kiosk)的外部處理裝置10的一部分。在該實施例中，濾波器90 從存儲器80接收所捕獲的高解析度數字圖像，然後，分析它，92，以檢測紅眼。根據該實施 例在下面描述的本發明原理，執行分析92。如果發現紅眼，則該濾波器修改該圖像，94，以利 用眾所周知的技術消除該圖像中的紅眼。被修改的圖像或者顯示在圖像顯示器100上，或 者存儲在可以作為內部或者移動存儲器的諸如CF卡、SD卡等等的持久存儲器112上，或者 通過被連接的或者是無線的圖像輸出裝置110下載到另一個裝置上。紅眼濾波器90或者 可以在每次使用閃光燈時自動投入運行，或者通過輸入端30根據用戶要求投入運行。儘管 所示的是分立單元，但是如果濾波器90是照相機的一部分，則可以在處理器120上利用適 當軟體予以實現。圖2是根據本發明的紅眼檢測與校正實施例的圖1所示照相機和/或者外部處理 裝置上的軟體執行的各步驟的流程圖。1.眼睛檢測該實施例的第一步驟200是，運行眼睛檢測算法，以識別圖像上懷疑含有眼睛的 區域。第PCT/EP2006/008342號(Ref :FN128)PCT專利申請以及2006年11月10日提交的 第60/865，375號、2006年11月13日提交的第60/865，622號和2007年5月2日提交的第 60/915，669號(Ref :FN181/FN208)美國專利申請描述了這種算法的例子，2007年5月2日 提交的第60/915，669號美國專利申請的輸出是檢測矩形，在理想情況下，該檢測矩形應當 含有眼睛，但是可能是誤判(非眼睛區域)。此外，即使在檢測矩形含有眼睛的情況下，在大 多數情況下，它也是非缺陷眼睛，不應當由後續校正算法修改。因此，該檢測矩形應當被濾 波，以在進行校正之前，摒棄非眼睛區域和正常眼睛區域。檢測任務的主要困難是，就色彩(包括從鮮紅到橘紅色、黃色、白色以及它們的組 合的所有可能色彩)和大小而言，有種類繁多的紅眼。此外，在許多情況下，這種缺陷在色 彩和光強方面是很不均勻的。因此，目的是找到所有這些缺陷眼睛的不變量，即，基本上適 用於所有情況的屬性。該屬性是，該缺陷比其鄰者亮，並且通常被較暗的環包圍。因此，僅在光強圖像(intensity image)上檢測缺陷(在該實施例中，利用紅色分
5量和綠色分量的平均值計算它)，然後，在判定進行校正或者不是缺陷區域的後一階段，利 用色彩信息。2.檢測缺陷因此，下一個步驟202包括，利用步驟200的眼睛檢測算法，計算圖3a所示的檢測 矩形的光強圖像。為了檢測該光強圖像中的缺陷，本方法利用了它比其最近的鄰者亮的事實。然而， 嘗試僅僅由閾值處理光強圖像來分離缺陷幾乎沒有成功的機會。這是因為，首先，可能缺陷 的亮度範圍非常大，因此，不可能設置適用於所有情況的先驗閾值。此外，利用自適應閾值， 即，根據局部光強信息確定每種情況的閾值，通常效果也不好。可以對其做如下解釋在許 多情況下，缺陷與其外圍(虹膜、眼瞼)之間的邊界沒有在該缺陷周圍清楚界定。圖3a示 出經常發生的這種情況的例子-特別是與缺陷與虹膜之間的光強過渡相比，缺陷與上眼瞼 之間的光強過渡不非常顯著。這在圖3b中可以看出，圖3b是沿圖3a所示垂直線的光強輪 廓，兩點PI、P2分別標示缺陷與上眼瞼和虹膜之間的過渡光強。為了僅通過閾值處理在空 間上分離缺陷，根據圖3b中的Pl點，必須採用大閾值-大於160-這不允許包括在屬於缺 陷的所有像素的檢測區域內。圖3c是利用在空間上隔離缺陷的最小閾值限定缺陷的降低 光強圖像，在圖3c上可以看出，存在因為採用了太大的閾值，而在檢測區域內未捕獲到的 亮環。因此，為了能夠將該缺陷與外圍分離，設想了一種更複雜的技術。它基於這樣的觀 點，即，在大多數情況下，該過渡是谷形的，與缺陷/外圍過渡出現的光強無關。2. 1均值漂移(Mean-shift)眼睛分割因此，在步驟204，圖3a的光強圖像被平均位移分割。均值漂移方法 (D.Comaniciu, P. Meer :Mean Shi ft :A RobustApproach toward Feature Space Analysis,IEEE Trans. Pattern Analysis Machine Intell. ,Vol. 24,No. 5,603-619,2002) 已經用於大量不同的任務，最重要的任務是分簇(clustering)(分割)。對於N維的分布， 該算法的基本想法是，識別該分布的模式(由局部最大值限定的模式)。作為圖解說明，圖 4示出ID分布的模式識別的例子，短垂直線識別從一種模式到下一個模式的過渡。該方法 是底部上行(bottom-up)方法，在該方法中，從最小值的點開始，並且建立演化到局部最大 值的模式。為了識別該模式，執行下面的簡單過程 對於該分布上的每個點，啟動新模式。然後，尋找具有最大梯度的鄰者，並將它 添加到當前模式。 如果最大梯度是正的，則從新添加鄰者開始，以相同的模式，繼續該過程。 如果最大梯度是負的(即，當前點是局部最大值的)，則該過程停止。 如果在該過程中，由最大梯度特徵化的鄰者已經被檢驗到(即，它先前已經被 指定了模式)，則屬於該當前模式的所有點被指定勝出的鄰者的模式。 當該分布上的所有點都被指定了模式時，該過程停止。該過程通常應用於分布(概率密度函數，即，直方圖)。在步驟204，它可以直接應 用於光強圖像，將它看作一個面(等同於二維分布)。如果該光強圖像太大，則在提取局部 模式之前，可以應用小核局部均化(最多5X5)，以減小可能導致過分割的微小差異(檢測 太多的模式)。均值漂移光強分割的結果示於圖5中，其中圖5a是均值漂移分割提取的局
6部最大值的光強圖像的準三維網孔，圖5b示出分割獲得的區域，圖5c示出被看作圖像的圖 5b所示區域上的局部最大值。可以看出兩點。首先，正如所希望的那樣，因為在該缺陷區 域內存在幾個局部最大值-請參見圖3b，眼睛缺陷區域被劃分為多個分段，它們被稱為缺 陷子分段。在這種情況下，屬於眼睛缺陷的有5個缺陷子分段(在圖5b中，被標記為1至 5)。然而，該缺陷與其外圍分離_即使在某些像素中二者之間的邊界非常模糊，仍可以將眼 瞼與該缺陷分離。2. 2拼合該缺陷子分段接著，在步驟206，將包括眼睛缺陷的缺陷子分段拼合為單個分段。能夠將所有缺陷子分段拼合為一個分段的觀點在於，通常，這些子分段的局部最 大值取高值，並且被一起分組到很高光強區域。因此，通過利用非常高的閾值進行閾值處 理，以及在一種實現中，通過識別處於均值漂移分割光強、其最大值位於該區域內的所有分 段，提取該高光強區域。識別各分段的另一個判據是，是否例如大於75%的一部分分段區位 於該區域內。該算法包括如下步驟1.按照下面的過程，自動計算高閾值。a.識別圖3a所示光強圖像內的最高光強像素。b.取以該像素為中心的較小矩形。該矩形的尺寸取決於眼睛檢測矩形的尺寸例 如，對於 H < 100，為 10 X 10，對於 100 < H 200，為 30 X 30，其 中H是眼睛檢測矩形的高度。在圖3(a)所示的例子中，眼睛檢測矩形的尺寸H為20X20。c.計算該較小矩形內的各像素的平均光強。d.對上述平均光強和固定量的和指定閾值。利用試探法，確定該固定量，並且本實 施例中採用的值是25。2.利用上面確定的閾值，對該光強圖像進行閾值處理-結果示於圖6a中。3.識別該閾值處理圖像的所有連接部分_圖6b。這包括將該閾值處理圖像內的 所有連接像素連結為各組600a…f (沒有標出最小的組)。4.消除其尺寸不合適(例如，它們小於眼睛檢測矩形面積的0. 1%，或者大於該面 積的4%)或者接觸該檢測矩形的邊界的連接部分(即，圖6b中沒有示出的組)-圖6c。5.根據其平均光強，排列剩餘部分，並且僅保留最上面的兩個。6.如果這兩個部分的平均光強的差值顯著大(例如，它們之間的差值超過最高 平均光強的10% )，則選擇具有最高平均光強的部分，否則，選擇具有最高平均飽和度的部 分-圖6d。7.識別均值漂移分割圖像中，其最大值位於選擇部分內(或者它滿足與該選擇部 分相關的任意其它判據)的所有分段_圖6e。8.拼合所有分段並摒棄該光強圖像中的所有其它像素_圖6f。在圖5f中可以看出，由此過程確定的區域不僅含有明亮缺陷，而且含有屬於不應 當被校正的外圍的某些部分(以下將其整體稱為「擴展」缺陷)。因此，在步驟208，這些部 分被去除。2. 3提取最終缺陷為了將實際缺陷與擴展缺陷分割開，步驟208對相應於該擴展缺陷的部分光強圖像應用直方圖閾值處理技術。均值漂移分割步驟204確保該擴展缺陷不包含除缺陷以外的 其它明亮部分，並且這對於在直方圖上確定閾值是重要的。該技術在於計算對應於該擴展 缺陷的部分光強圖像的光強直方圖。由於該擴展缺陷的尺寸通常較小，所以該直方圖很可 能是噪聲(即，含有許多「尖峰」-請參見圖7a)。因此，在計算該閾值之前，通過利用η像 素寬的均化核進行卷積，使它平滑。利用試探法選擇該核的寬度η，並且在本實施例中，η = 31。通常，經過平滑之後，該直方圖是雙峰的-請參見圖7a所示的平滑線。確定第一顯著 最大值，然後，取緊跟的顯著最小值作為搜索閾值，圖7a中的垂直線示出該搜索閾值。請注 意，選擇的最小值不是兩種模式之間的絕對最小值，但是它是局部最小值它(在該實施例 中)有3個具有較高值的鄰者在其左側以及有3個具有較高值的鄰者在其右側。而且，第 一局部最小值是跟隨在第一最大值後的。去除該擴展缺陷中、其光強小於該閾值的所有像 素。圖7b示出了該結果，它是通過利用上面計算的閾值對圖6f所示的圖像進行閾值處理 而獲得的。所殘留的可能是必須進行校正的實際缺陷。然而，如上所述，對檢測區域是實際 缺陷的似然性的判定必須在進行校正之前進行。3.濾波在上面的小節中，描述了用於識別眼睛檢測矩形中的缺陷區域的最佳候選對象的 過程。然而，該檢測矩形或者可能是誤判(即，眼睛檢測器錯誤檢測到非眼睛區域)，或者可 能含有非缺陷眼睛。在這兩種情況下，都不應當進行校正。因此，在步驟210，圖7b所示光 強圖像被濾波，以判定由上述方法確定的缺陷區域是否的確是眼睛缺陷。對非缺陷眼睛檢 測到的最可能的缺陷候選對象是該眼睛的白色部分(鞏膜)，因為它是該檢測矩形中的最 亮區域。校正它會導致非常嚴重的誤判，因此，它不得通過濾波階段。支持濾波步驟210的原理是，實際缺陷具有下面的屬性 它是圓的； 它比該檢測矩形的其餘部分更飽和； 它比該檢測矩形的其餘部分更黃或者更紅(或者它們二者)； 其輪廓比其內部更暗。因此，為了判定眼睛缺陷候選區域是否是實際缺陷，考慮下面的參數 該區域的圓度(利用傳統的圓形係數，即，周長的平方與面積的比值計算的)。 該區域和該檢測矩形的平均飽和度值； 該區域和該檢測矩形的平均值乂表示平均紅色度)。 該區域和該檢測矩形的h平均值(表示平均紅色度)。g和h是Lab色空間內 表示色彩的坐標。 該區域輪廓的平均光強與該區域的平均光強的比值(該測度是唯一對擴展缺 陷計算的，而非對最終缺陷計算的測度)。根據這些測度，步驟210包括許多濾波階段，以評定是否滿足屬於缺陷的一般條 件。濾波階段考慮到很少有缺陷滿足上面列舉的全部四個特徵。因此，上述條件的每個條件 都可以以犧牲其它條件為代價在某種程度上被放寬(即，對其它特徵施加更嚴格的條件)。 例如，如果該區域非常圓並且非常黃，等等，則候選區域的平均飽和度稍許小於檢測矩形的 平均飽和度是可以接受的。4.校正
如果該候選缺陷區域已經通過全部濾波器，並且被宣布有缺陷，則它必須進行校 正，這應該包括降低該缺陷的光強。然而，有許多其它問題要解決，即，該缺陷可能含有閃亮 的問題，以及降低該缺陷內各像素的光強可能在該區域的邊界產生令人不愉快的贗象。4. 1閃亮檢測因此，在步驟212，應用閃亮檢測濾波器。通常，閃亮是比該缺陷的其餘地方更亮而 飽和度較低的區域。因此，閃亮檢測濾波器執行下面的步驟 檢測該檢測到的缺陷區域上最亮的個點。 檢測該檢測到的缺陷區域上的最不飽和的個點。根據缺陷面積越大，閃亮 佔據的面積越小的觀點，m和η均可以根據該缺陷區域的大小進行選擇。此外，n>m，即， 我們可以檢驗比最不飽和像素更亮的像素，因為，在某些缺陷中，有一部分缺陷比閃亮要亮 (例如，對於介於100個像素和300個像素之間的缺陷，m = 15，η = 30，等等)。 使這兩組點相交。 識別該相交的連接部分。 選擇較少飽和的像素作為候選閃亮。 如果選擇區域足夠圓(根據寬高比和填充係數，估計圓度)，則宣布它是閃亮， 因此，從要校正的區域中刪除它。4. 2校正缺陷進行了閃亮校正後，要校正的區域已經準備好。然後，在步驟214，通過利用固定系 數，例如5，降低該檢測缺陷內各像素的亮度(如此，從120降低到24，從210降低到42，從 109降低到22，等等)，進行校正。為了降低缺陷邊界處的贗象(位於缺陷邊界兩側的像素 被如此顯著不同地處理而產生的贗象)，在使缺陷區域變暗後，對該缺陷的內部邊界和外部 邊界應用3X3模糊。此外，所應用的另一個校正是在圍繞該缺陷的小包圍框內進行的紅色 度校正。其目的是去除眼睛上不包括在該缺陷區域內的微紅部分，除非以這種方式對它們 進行處理，否則在許多情況下仍保留可見的部分。本發明並不局限於在此描述的(各)實 施例，在不脫離本發明範圍的情況下，可以對該實施例進行修改和調整。
9
權利要求
一種用於檢測含有眼睛的數字圖像中的紅眼缺陷的方法，該方法包括以下步驟將該數字圖像變換為光強圖像，將該光強圖像的至少一部分分割為分別具有局部光強最大值的分段，對該數字圖像的相應部分進行閾值處理，以識別具有相對較高光強的區域，從步驟(c)的至少一些區域中選擇基本上具有最高平均光強的區域，以及根據預定判據，識別與在步驟(d)選擇的區域相交的步驟(b)中的分段。
2.根據權利要求1所述的方法，進一步包括識別步驟(c)中其尺寸落入預定範圍內的 區域，並且其中從所述區域中選擇基本上具有最高平均光強的所述區域。
3.根據權利要求1所述的方法，其中步驟(e)包括識別步驟(b)中的、其最大值位於在 步驟(d)選擇的區域內的那些分段。
4.根據權利要求1所述的方法，其中步驟(c)中的、具有最高平均光強和次最高平均光 強的兩個區域的平均光強的差值大於預定量，並且在步驟(d)選擇的區域是具有最高平均 光強的區域。
5.根據權利要求1所述的方法，其中步驟(c)中的、具有最高平均光強和次最高平均光 強的兩個區域的平均光強的差值小於預定量，並且在步驟(d)選擇的區域是具有最高平均 飽和度的區域。
6.根據權利要求1所述的方法，包括在進行均值漂移分割之前，使該光強圖像局部均化。
7.根據權利要求1所述的方法，其中通過均值漂移分割該數字圖像的光強圖像，執行 步驟(a)。
8.根據權利要求4所述的方法，包括在進行均值漂移分割之前，使該光強圖像局部均化。
9.根據權利要求1所述的方法，其中步驟(c)採用通過以下步驟而獲取的閾值識別 該光強圖像中的最高光強像素；計算以該最高光強像素為中心的較小矩形內的像素的平均 光強；以及指定該閾值為該平均光強與固定量的和。
10.根據權利要求1所述的方法，進一步包括以下步驟計算對應於步驟(e)中的分段的該一部分光強圖像的光強直方圖，使所述直方圖平滑，由該平滑直方圖確定閾值，以及利用步驟(h)的閾值，對該光強直方圖進行閾值處理。
11.根據權利要求1所述的方法，其中對懷疑含有眼睛的圖像上的一個或者多個部分 應用步驟(a)和(b)。
12.一種包括用於執行權利要求1所述方法的裝置的數字圖像採集與處理設備。
全文摘要
一種用於檢測含有眼睛的數字圖像中的紅眼缺陷的方法包括將該數字圖像變換為光強圖像；以及將該光強圖像分割為分別具有局部光強最大值的分段。分別閾值處理該原始數字圖像，以識別較高光強並且尺寸落入預定範圍內的區域。在這些區域中，選擇具有基本上最高平均光強的區域，並且識別由分割光強圖像獲得的其最大值位於所選擇區域內的那些分段。
文檔編號G06T7/00GK101911097SQ200880123065
公開日2010年12月8日 申請日期2008年10月7日 優先權日2007年11月8日
發明者米哈伊·丘克 申請人:快圖影像有限公司