প্রতিফলিত রিংগুলির চিত্রের গুণমান অশ্রু ফিল্মের পৃষ্ঠের গুণমানের সাথে ঘনিষ্ঠভাবে সম্পর্কিত। অতএব, অশ্রু ফিল্মের পৃষ্ঠের গুণমান মূল্যায়নের ক্লিনিকাল সমস্যাটি ভিডিওকেরাটোগ্রাফের চিত্রের গুণমান মূল্যায়নের প্রযুক্তিগত সমস্যায় হ্রাস করা যেতে পারে। একটি HSV রিং প্যাটার্নের চিত্রের গুণমান মূল্যায়ন করার জন্য, প্রথমে আমরা একটি বর্গাকার চিত্রের অংশ নির্বাচন করি, যা যন্ত্রের অক্ষের উপর দৃষ্টি নিবদ্ধ করে এবং তীব্রতা ম্যাট্রিক্স I (x,y) হিসাবে সংজ্ঞায়িত করা হয়, যেখানে x= 1,2,…, L, y= 1,2,…, L যেখানে L পিক্সেলগুলিতে এর আকার নির্দেশ করে। তারপর, আমরা নিকটতম প্রতিবেশী ইন্টারপোলেশন পদ্ধতি ব্যবহার করে I (x,y) থেকে নমুনাযুক্ত রেডিয়াল ইমেজ প্রোফাইলের একটি সেট নির্ধারণ করি যা একটি nr x nθ মেরু গ্রিড ম্যাট্রিক্স গঠন করে।
উপরের চিত্রটি কার্টেসিয়ান থেকে পোলার রূপান্তরের দুটি উদাহরণ দেখায়। ছোট পুতুলযুক্ত (b) বিষয়ের মেরু চিত্রের তীব্রতা বৃহত্তর পুতুলযুক্ত (a) বিষয়ের চেয়ে কম অভিন্ন। রিং প্যাটার্নের মধ্যে বিচ্ছিন্নতা খুঁজে বের করার জন্য মূল HSV ছবিতে রেডিয়াল রেখার সাথে সঙ্গতিপূর্ণ Ip ম্যাট্রিক্সের প্রতিটি কলামের জন্য রিংগুলির সংখ্যা গণনা করা হয়। এই বিচ্ছিন্নতাগুলি সাধারণত অশ্রু ফিল্ম পৃষ্ঠের অস্থিরতা নির্দেশ করে। রিংগুলি গণনা করার জন্য, মেরু চিত্রের প্রান্তগুলি সনাক্ত করা প্রয়োজন এবং এটি মার-হিলড্রেথ প্রান্ত সনাক্তকরণ অ্যালগরিদম ব্যবহার করে করা যেতে পারে।
যাইহোক, মানুষের পূর্ববর্তী চোখের প্যাটার্নের বৈশিষ্ট্যগুলির পরিবর্তন, যেমন আইরিসের রঙের পরিবর্তন, বিভিন্ন আকারের এবং আকারের পুতুল, এবং HSV-এর সাথে দীর্ঘ পরিমাপের সময় পুতুলের আকারের স্বাভাবিক পরিবর্তন রিং সনাক্তকরণকে কঠিন করে তোলে। এমন কোনও “তৈরি” প্রান্ত সনাক্তকরণ অ্যালগরিদম নেই যা সমস্ত ধরণের চোখের জন্য প্রয়োগ করা যেতে পারে। পুতুলের আকার কীভাবে প্লেসিডো রিং প্যাটার্নের প্রতিফলনকে প্রভাবিত করে এবং তারপরে এর মেরু চিত্রের উপস্থাপনা উপরের চিত্রে দেখানো হয়েছে তার উদাহরণ। যদি পুতুলের আকার বিশ্লেষণের অঞ্চলকে অন্তর্ভুক্ত করে, যেমন চিত্র 2a-তে, তবে ফলস্বরূপ রেডিয়াল চিত্র উপস্থাপনা তুলনামূলকভাবে অভিন্ন তীব্রতা বজায় রাখে। যাইহোক, যখন পুতুল বিশ্লেষণের অঞ্চলের চেয়ে ছোট হয় (চিত্র 2b), তখন ফলস্বরূপ রেডিয়াল চিত্র উপস্থাপনা তীব্রতার উল্লেখযোগ্য পরিবর্তন দেখায় যা স্ট্যান্ডার্ড হিস্টোগ্রাম সমতাকরণ কৌশলগুলির মাধ্যমে সহজে সরানো যায় না।
বিশেষ করে, এটি দেখা যায় যে একটি ছোট পুতুলের জন্য, বিষয়ের আইরিসের একটি অংশ নমুনাযুক্ত রেডিয়াল চিত্রের মধ্যে অন্তর্ভুক্ত করা হয়েছে। হালকা রঙের আইরিসের উপর প্লেসিডো রিংগুলির বৈসাদৃশ্য হ্রাস পায়, যা রিংগুলির সনাক্তকরণকে আরও কঠিন করে তোলে যা কখনও কখনও ইতিমধ্যে ঝাপসা থাকে। এই ত্রুটিগুলি কাটিয়ে উঠতে, একটি কাস্টম প্রান্ত সনাক্তকরণ পদ্ধতি তৈরি করা হয়েছে, যেখানে প্রথমে আমরা গড় স্থানীয় রেডিয়াল তীব্রতা চিত্র প্রোফাইল অনুমান করি যা পরে দুটি অংশ সমন্বিত একটি প্যারামিটার ফাংশনের সাথে ফিট করা হয়। ফাংশনের দুটি প্যারামিটার অংশের সর্বোত্তম সংমিশ্রণ খুঁজে বের করার জন্য একটি পুনরাবৃত্তিমূলক সর্বনিম্ন বর্গ পদ্ধতি ব্যবহার করা হয়েছে। মডেল করা গড় স্থানীয় তীব্রতা তারপর প্রান্ত সনাক্তকরণের আগে মূল রেডিয়াল চিত্রের সংশ্লিষ্ট স্থানীয় অংশ থেকে বিয়োগ করা হয়। প্রান্ত সনাক্তকরণে অভিযোজিত থ্রেশোল্ডিং কৌশল ব্যবহার করে রেডিয়াল প্রোফাইলের সমস্ত ক্রমবর্ধমান ঢাল অনুমান করা জড়িত।
ব্যাকগ্রাউন্ড বিয়োগ কৌশল ব্যবহারের প্রভাব উপরের চিত্রে গ্রাফিকভাবে চিত্রিত করা হয়েছে, উদাহরণস্বরূপ, চিত্র 2b থেকে চিত্র ব্যবহার করে। মূল রেডিয়াল চিত্র (চিত্র 3, উপরের বাম) একটি উল্লেখযোগ্য অ-অভিন্ন তীব্রতা বিতরণ রয়েছে, যা প্রান্ত সনাক্তকরণ প্রক্রিয়াকে আইরিস অঞ্চলের রিংগুলির একটি উল্লেখযোগ্য অংশ মিস করতে বাধ্য করে (চিত্র 3, নীচের বাম)। গড় তীব্রতা রেডিয়াল প্রোফাইল অনুমান করার পরে এবং এটিকে একটি প্যারামিটার ফাংশনের সাথে ফিট করার পরে (চিত্র 3, মাঝখানে), আমরা গড় ব্যাকগ্রাউন্ড তীব্রতা বিয়োগ করতে পারি এবং অবশিষ্ট রেডিয়াল চিত্রের উপর প্রান্ত সনাক্তকরণ করতে পারি (চিত্র 3, উপরের ডান) যার ফলে আরও বেশি গোলমাল কিন্তু আরও সম্পূর্ণ প্রান্ত পাওয়া যায় (চিত্র 3, নীচের ডান)।
উপরের চিত্রটি একটি উচ্চ-গতির ভিডিওকেরাটোস্কোপি চিত্র ব্যবহার করে একটি বিষয়ের জন্য অশ্রু ফিল্ম পৃষ্ঠের গুণমান অনুমানের একটি সাধারণ উদাহরণ। অশ্রু পৃষ্ঠের গুণমান স্কোর (TSQ) এমনভাবে স্বাভাবিক করা হয়েছে যে 1 স্কোরটি সেরা (অর্থাৎ, ভাল অশ্রু পৃষ্ঠের গুণমান)। যেহেতু অশ্রু ফিল্ম পৃষ্ঠের অস্থিরতা রিং প্যাটার্নে ঝাপসা এবং বিচ্ছিন্নতার দিকে পরিচালিত করে, তাই আমরা সময়ের tn, n= 1,2,…, N এ অশ্রু ফিল্ম পৃষ্ঠের গুণমান (TSQ) এর সূচক হিসাবে উপরের রিং সংখ্যা অনুমানকারীর বৈকল্পিকতা ব্যবহার করি। বৈকল্পিকতা যত বেশি, রিং চিত্রের গুণমান তত খারাপ, যা অশ্রু ফিল্ম পৃষ্ঠের গুণমান তত খারাপ নির্দেশ করে।
