角膜混浊是一项重要的死后变化征象,常用来辅助推断死亡时间。但是由于混浊度无法量化,导致死亡时间估计的准确度不高。针对这一问题,在该领域引入图像分析技术,通过对角膜图像的分析,用图像中能够反映角膜混浊度变化的特征量对混浊度量化,从而以客观的量化指标来推断死亡时间,提高推断的准确性和精确度。由于角膜混浊在图像上表现为颜色以及纹理结构的变化,故选择颜色和纹理特征来量化角膜混浊程度,具体包括角膜与非角膜区域平均灰度差,基于HSI(Hue, Saturation, Intensity,色调、饱和度和亮度)空间S通道的颜色三阶矩,基于傅立叶频谱的高低频能量比,和基于灰度共生矩阵的特征参数能量、惯量、熵、相关性这九个特征。通过观察,所提取的特征量同死亡时间之间不是线性关系,无法通过时间依赖曲线推算出死亡时间,因此采用机器学习的技术对死亡时间进行估计。将已知样本在死亡时间段上按照时间推算精度的要求进行划分,利用K近邻算法在训练集上学习分类模型,并利用该模型对未知样本进行分类,从而估计死亡时间。对于以先验经验获取的九个特征量,需要对它们衡量角膜混浊度的能力进行估计,以此为依据提取具有最优死亡时间估计能力的特征集合,剔掉冗余特征量来实现算法的优化。同时,角膜图像随着死亡时间的增加会发生阶跃变化;因此,需要在不同阶段选取具有针对性的特征集合来描述混浊度。以该观察结果为依据,在估计未知样本时,预先在较低时间精度下进行粗略估计;在此基础上,针对不同阶段采用相应的特征集合进行进一步的精确估计,从而提高估计的正确率和精确度。利用所提取的特征量和优化后的分类方法,在满足较低时间精度(每一样本类别时间间隔>7h)的情况下,对死亡时间估计正确率可达到94%以上,在较高时间精度(每一样本类别时间间隔3h)的情况下,对死亡时间估计正确率可达到85.6%,结果比较理想。