總結：
採用去霧的方法來矯正由於圖像採集設備造成的照明不均勻問題，並在視網膜血管分割任務中進行驗證。
摘要
視網膜血管的評估是診斷許多疾病如心臟病，糖尿病和高血壓的基礎。使用先進的眼底照相機對視網膜進行成像已成爲計算機輔助診斷眼科疾病的標準。現代相機產生高質量的彩色數字圖像，但在採集過程中，由視網膜表面反射的光產生髮光度和對比度變化。不規則照明會在所得圖像中引入嚴重的扭曲，降低解剖結構的可見性，從而降低這些結構的自動分割的性能。
本文提出了一種新的彩色眼底圖像光照校正方法，並將其作爲視網膜血管分割的預處理步驟。我們的方法建立在兩種不同現象（shadow和haze）之間的聯繫上，並通過去除反轉強度域中圖像的霧度來工作。這被證明等同於校正原始強度域中的非均勻照明。我們測試了所提出的方法作爲兩種血管分割方法的預處理階段，一種是基於數學形態學的無監督，一種是基於深度學習卷積神經網絡（CNN）的監督。在公共可用的視網膜圖像數據庫DRIVE上進行實驗。當應用光照校正時，在兩個測試案例中實現了統計學上顯着更好的血管分割性能。
導言
背景和應用：
視網膜攝影需要使用眼底照相機，這是一種專用的低倍顯微鏡，配有一個能夠同時照明和成像視網膜的照相機。它旨在對眼睛的內表面進行成像，其中包括視網膜，視盤，黃斑和後極[1]。視網膜眼底圖像已廣泛用於心血管疾病和眼科疾病的診斷，篩查和治療[2]，其中包括與年齡有關的黃斑變性和糖尿病性視網膜病，這在工業化國家被認爲是導致失明的兩個主要原因[3]。還已知這些疾病會影響視網膜中血管的外觀。可以從血管樹中提取諸如長度，寬度和分支角度之類的形態學屬性，以檢測這些疾病的存在和嚴重程度[4]。然而，人工分割視網膜血管是一項長期而繁瑣的工作，需要大量的培訓和技能。在計算機輔助診斷系統中，對眼科疾病進行大規模篩查時，非常需要視網膜血管的自動分割[5]。近年來，目睹了視網膜血管分割方法的迅速發展，這已得到廣泛的評論[6]。監督方法使用標記的數據來訓練分類器，以區分血管像素和非血管像素。例如，K最近鄰[7]，支持向量機[8]，AdaBoost [9]和深度學習卷積神經網絡（CNN）[10]。無監督方法使用過濾器響應[11]，數學形態學[12]或其他基於模型的技術[13]。
存在的問題
在所有這些方法面臨的問題中，由於圖像採集而導致的圖像照明不均勻。當獲取圖像時，入射光會通過瞳孔照進去，眼睛的球形幾何會產生明顯的相互反射和陰影僞影[14]。爲了獲得視網膜血管分割的高質量結果，非常需要校正這些照明不均勻性。
現有的方法
多年來已經提出了幾種技術來改善視網膜眼底圖像中的不均勻照明和對比度水平。例如，使用基於B樣條的模型[15]或拉普拉斯插值[16]估計照度分佈的方法，以及使用濾波方法[17]或梯度分佈分析[18]在頻域中工作的方法。有興趣的讀者可以參考Rasta等人。 [19]最近對這一領域進行了更全面的審查。
提出的方法
在這項工作中，我們提出了一種新方法，它建立在陰影和霧霾之間的聯繫之上，這是一種明顯不相關的現象，會導致大氣吸收和散射造成的圖像質量下降。我們表明，在反轉強度域中從圖像中去除霧度等同於校正原始強度域中的不均勻照射。我們實施並測試了兩種不同的血管分割方法，以驗證所提方法作爲預處理階段的有效性。第一種是基於一系列去噪和形態濾波器的無監督方法，而第二種是基於定製深度學習卷積神經網絡（CNN）的監督方法。
採用去霧方法的照明矯正
簡單地說就是將照明矯正和去霧原理類比進行照明矯正；
霧和陰影的共同特徵：兩者都是低頻，緩慢變化的現象，
不同的是：霧圖像的大氣光值A接近於1，而陰影接近於0；
數據集和參數設計
DRIVE(Digital Retinal Images for Vessel Evaluation): 視網膜圖像血管分割數據集；
視網膜血管分割
A：非監督
step 1：從RGB通道提取綠色通道；
step 2：非局部均值去噪：保持血管強度分佈特徵的同時降低了噪聲。；
step 3：通過灰度數學形態學增強血管圖像
B：監督學習
介紹了訓練網絡、參數、使用的框架以及設備參數。
結果
測試數據集：DRIVE的20個測試圖像；
測試參考指標：ROC 、 AUC
討論
本文貢獻：
在本研究中，我們建立了視網膜彩色眼底圖像中光照校正問題與露天圖像中明顯不相關的霧霾去除問題之間的新聯繫。 我們將一種流行的去霧方法，即暗通道先驗方法應用於反向強度域中的圖像。 這導致原始圖像的照明校正，這增強了血管分割的性能。 我們使用兩種不同的分割方法展示了這一點，一種是有監督的，另一種是無監督的，對兩種方法都有類似的改進。
未來計劃：
結合DRIVE和DRIIL數據集來生成一個新的適合於vessel分割和照明矯正的數據集；未來的方向還包括試驗其他現有的去霧方法來解決這項工作中提出的光照校正模型，並結合廣泛選擇的血管分割算法和方法來測試這些方法，以解決類之間的不對稱問題[32]，[33]]。 如果成功，這將導致一系列簡單有效的替代照明校正方法。
參考：https://blog.csdn.net/Julialove102123/article/details/89212729