Die Bildqualität der Reflexionsringe hängt eng mit der Oberflächenqualität des Tränenfilms zusammen. Daher kann das klinische Problem der Beurteilung der Oberflächenqualität des Tränenfilms auf das technische Problem der Beurteilung der Bildqualität von Videokeratographen reduziert werden. Um die Bildqualität eines HSV-Ringmusters zu beurteilen, wählen wir zunächst einen quadratischen Bildausschnitt aus, der auf die Achse des Instruments zentriert ist und als Intensitätsmatrix I (x,y) definiert ist, wobei x= 1,2,…, L, y= 1,2,…, L, wobei L seine Grösse in Pixeln darstellt. Dann bestimmen wir einen Satz radialer Bildprofile, die aus I (x,y) durch Nearest-Neighbor-Interpolation abgetastet werden, um die polare Rastermatrix nr x nθ zu bilden.
Die obige Abbildung zeigt zwei Beispiele für die Descartes-zu-Polar-Transformation. Die Intensität des polaren Bildes des Subjekts mit einer kleineren Pupille (b) ist weniger homogen als die des Subjekts mit einer grösseren Pupillengrösse (a). Die Anzahl der Ringe wird dann für jede Spalte der Matrix Ip gezählt, die den Meridianen im ursprünglichen HSV-Bild entsprechen, um Diskontinuitäten im Ringmuster zu finden. Diese Diskontinuitäten deuten typischerweise auf eine Instabilität der Tränenfilmoberfläche hin. Um die Ringe zu zählen, müssen Kanten im polaren Bild erkannt werden, was mit dem Marr-Hildreth-Kantendetektionsalgorithmus erfolgen kann.
Veränderungen der Eigenschaften des vorderen Augenabschnitts des Probanden, wie z. B. unterschiedliche Irisfarben, Pupillenformen und -grössen sowie natürliche Veränderungen der Pupillengrösse während einer Langzeitmessung mit dem HSV, erschweren jedoch die Ringerkennung. Es gibt keinen «vorgefertigten» Kantendetektionsalgorithmus, der für alle Augentypen angewendet werden kann. Ein Beispiel dafür, wie sich die Pupillengrösse auf die Reflexion des Placido-Ringmusters und anschliessend auf seine polare Bilddarstellung auswirkt, ist in der obigen Abbildung dargestellt. Wenn die Pupillengrösse den Analysebereich einschliesst, wie in Abbildung 2a, bleibt die resultierende radiale Bilddarstellung in ihrer Intensität relativ homogen. Wenn die Pupille jedoch kleiner ist als der Analysebereich (Abbildung 2b), zeigt das resultierende radiale Bild eine signifikante Intensitätsvariation, die nicht einfach mit Standardtechniken zur Histogramm-Entzerrung beseitigt werden kann.
Insbesondere ist ersichtlich, dass bei einer kleinen Pupille ein Teil der Iris des Probanden in das abgetastete Radialbild einbezogen wird. Der Kontrast der Placido-Ringe auf einer hellen Iris ist reduziert, was die Erkennung der ohnehin schon verschwommenen Ringe zusätzlich erschwert. Um diese Mängel zu beheben, wurde ein benutzerdefinierter Kantendetektionsansatz entwickelt, bei dem zunächst das lokale durchschnittliche radiale Intensitätsbildprofil geschätzt wird, das dann an eine parametrische Funktion angepasst wird, die aus zwei Termen besteht. Ein iterativer Least-Squares-Prozess wurde verwendet, um die optimale Anpassung der beiden parametrischen Terme der Funktion zu finden. Das modellierte lokale Durchschnittsintensitätsprofil wird dann von dem entsprechenden lokalen Abschnitt des ursprünglichen Radialbildes subtrahiert, bevor die Kantenerkennung durchgeführt wird. Die Kantenerkennung beinhaltet die Schätzung aller ansteigenden Gradienten des Radialprofils unter Verwendung einer adaptiven Schwellenwerttechnik.
Die Wirkung des Einsatzes der Hintergrundsubtraktionstechnik wird anhand der Grafik in der obigen Abbildung am Beispiel des Bildes aus Abbildung 2b erläutert. Das ursprüngliche Radialbild (Abbildung 3, oben links) weist eine erhebliche Inhomogenität der Intensitätsverteilung auf, die dazu führt, dass das Kantenerkennungsverfahren einen erheblichen Teil der Ringe im Irisbereich verpasst (Abbildung 3, unten links). Nach der Schätzung des durchschnittlichen radialen Intensitätsprofils und der Anpassung einer parametrischen Funktion daran (Abbildung 3, Mitte) können wir die durchschnittliche Hintergrundintensität subtrahieren und die Kantenerkennung am verbleibenden Radialbild durchführen (Abbildung 3, oben rechts), was zu verrauschteren, aber auch vollständigeren Kanten führt (Abbildung 3, unten rechts).
Die obige Abbildung ist ein typisches Beispiel für die Schätzung der Tränenfilmoberflächenqualität eines Probanden unter Verwendung von Hochgeschwindigkeits-Videokeratoskopie. Der Tränenfilmoberflächenqualitätswert (TSQ) ist so normalisiert, dass ein Wert von 1 am besten ist (d. h. gute Tränenfilmoberflächenqualität). Da die Instabilität der Tränenfilmoberfläche zu Unschärfen und Diskontinuitäten in den Ringmustern führt, verwenden wir die Varianz des oben genannten Ringschätzers als Indikator für die Tränenfilmoberflächenqualität (TSQ) zum Zeitpunkt tn, n= 1,2,…, N. Je grösser die Varianz, desto schlechter die Qualität des Ringbildes, was auf eine schlechtere Oberflächenqualität des Tränenfilms hindeutet.