Adaptive vignetting correction of corneal nerve microscopy images

角膜神经显微图像的自适应渐晕校正 Adaptive vignetting correction of corneal nerve microscopy images 1 first-author 李天宇（1997-），男，山东德州人，硕士研究生，主要从事医学图像处理方面的研究。E-mail： litianyu@tiangong.edu.cn http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36182867&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36182880&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36182875&type= 22.01333237 32.00400543 李天宇 （1997-），男，山东德州人，硕士研究生，主要从事医学图像处理方面的研究。E-mail： litianyu@tiangong.edu.cn litianyu@tiangong.edu.cn 1 2 corresp E-mail： liguangxu@tiangong.edu.cn E-mail： liguangxu@tiangong.edu.cn 李光旭（1983-），男，天津人，博士，硕士生导师，主要从事医学图像处理、计算机辅助诊断的算法研究。E-mail： liguangxu@tiangong.edu.cn http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36182888&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36182897&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36182893&type= 22.01333618 32.00399780 李光旭 （1983-），男，天津人，博士，硕士生导师，主要从事医学图像处理、计算机辅助诊断的算法研究。E-mail： liguangxu@tiangong.edu.cn liguangxu@tiangong.edu.cn 3 4 5 6 7 天津工业大学 电子与信息工程学院，天津 300387 天津工业大学 电子与信息工程学院，天津 300387 School of Electronic and Information Engineering， Tiangong University， Tianjin 300387， China School of Electronic and Information Engineering， Tiangong University， Tianjin 300387， China 天津市光电检测技术与系统重点实验室，天津 300387 天津市光电检测技术与系统重点实验室，天津 300387 Tianjin Optoelectronic Detection Technology and System Laboratory， Tianjin 300387， China Tianjin Optoelectronic Detection Technology and System Laboratory， Tianjin 300387， China 天津医科大学眼科医院 眼视光学院，天津 300384 天津医科大学眼科医院 眼视光学院，天津 300384 Eye Institute and School of Optometry， Tianjin Medical University Eye Hospital， Tianjin 300384， China Eye Institute and School of Optometry， Tianjin Medical University Eye Hospital， Tianjin 300384， China 国家眼耳鼻喉疾病临床医学研究中心天津市分中心，天津 300384 国家眼耳鼻喉疾病临床医学研究中心天津市分中心，天津 300384 Tianjin Branch of National Clinical Research Center for Ocular Disease， Tianjin 300384， China Tianjin Branch of National Clinical Research Center for Ocular Disease， Tianjin 300384， China 天津市视网膜功能与疾病重点实验室，天津 300384 天津市视网膜功能与疾病重点实验室，天津 300384 Tianjin Key Laboratory of Retinal Functions and Diseases， Tianjin 300384， China Tianjin Key Laboratory of Retinal Functions and Diseases， Tianjin 300384， China 北京大学人民医院眼科，北京 100044 北京大学人民医院眼科，北京 100044 Department of Ophthalmology， Peking University People’s Hospital， Beijing 100044， China Department of Ophthalmology， Peking University People’s Hospital， Beijing 100044， China 瑞达昇医疗科技有限公司，北京 101100 瑞达昇医疗科技有限公司，北京 101100 Redasen Medical Technology， Beijing 101100， China Redasen Medical Technology， Beijing 101100， China 通过拼接角膜神经图像可以减小显微图像视场小的影响。由于显微图像存在渐晕效果，拼接图像会在拼接处产生伪影，影响医生诊断。为解决拼接图像的渐晕伪影问题，提出了一种通过非线性多项式函数建模进行图像渐晕校正的方法。首先，对单张角膜神经图像建立渐晕模型，设置符合渐晕物理性质的约束条件，利用L-M优化算法对渐晕模型参数进行迭代优化。在每次迭代优化过程中，计算对数信息熵，对当前渐晕模型的校正效果进行判断，防止图像过度校正。迭代优化结束后，将渐晕模型反向补偿原图像，完成渐晕校正处理。通过对比校正前后的拼接图像，校正后图像在拼接处无明显的渐晕伪影。实验测试5组不同患者的图像，校正后图像MSE、PSNR、SSIM评估指标平均值分别达到0.004 2、72.225 1 dB、0.960 0，具有最佳的校正效果。本文算法的校正效果明显优于其他同类算法的校正效果。该方法能够有效地对角膜图像渐晕效果进行校正，无须提前设置固定的相机和环境亮度参数。校正后图像拼接效果良好，可获得更加准确、清晰、视野范围大的角膜神经拼接图像。 The effect of a small field of view of microscopic images can be improved by stitching corneal nerve images. Owing to the vignetting effect of microscopic images， the stitched images can produce artifacts at the stitch site， affecting the diagnosis. To solve the problem of vignetting artifacts in stitched images， this study presents a method for correcting image vignetting by using nonlinear polynomial function modeling. First， a vignetting model is established for a single corneal neural image， constraints consistent with the physical properties of the vignetting are set， and the parameters of the vignetting model are iteratively optimized using the Levenberg–Marquardt optimization algorithm. During each optimization iteration， the logarithmic information entropy is calculated to determine the correction effect of the current vignetting model and prevent overcorrection of the image. At the end of the iterative optimization， the vignetting model is reversed to compensate for the original image and complete the vignetting correction process. A comparison of the stitched images before and after correction reveals that the corrected images have no obvious vignetting artifacts at the stitch site. Experiments on the images of five patient groups show that the mean values of the mean squared error， peak signal-to-noise ratio， and structural similarity evaluation indices of the corrected images reach 0.004 2， 72.225 1， and 0.960 0， respectively， with the best correction effect. The correction effect of the proposed algorithm is significantly better than that of other similar algorithms. The proposed method can effectively correct corneal image vignetting effects without cameras or environmental brightness parameters being fixed in advance. The corrected-image stitching effect is good； corneal-nerve stitching images that are more accurate and clearer with a larger field of view can be obtained. 计算机视觉 角膜神经显微图像 渐晕校正 共聚焦显微镜 对数信息熵 computer vision corneal nerve microscopy images vignetting correction confocal microscope logarithmic information entropy 1 引 言 1 角膜中存在丰富的感觉神经末梢，这些角膜神经可调控泪液分泌，为上皮细胞和基质细胞提供营养支持 ［ 1 1 ］ 。同时，角膜神经功能障碍可引起结构变化的出现 ［ 2 2 ］ 。角膜也是人体唯一能够直接观察到神经末梢的组织。角膜神经的形态及密度变化可为神经类疾病，如糖尿病周围神经病变 ［ 3 3 ］ 、退行性帕金森症 ［ 4 4 ］ 等对神经系统的影响提供直接证据。此外，圆锥角膜等疾病也会引发角膜局部形态病变，导致角膜神经曲折度明显增加，交织成网状，临床表现为不规则散光等 ［ 5 5 ］ 。 近年来，激光共聚焦显微镜（Laser Scanning Confocal Microscopy，LSCM）的广泛应用 ［ 6 6 ］ 使对角膜神经形态特征的研究得以实现 ［ 7 7 ］ 。由于单张角膜共聚焦显微图像成像范围较小 ［ 8 8 ］ ，为获得更大范围内角膜神经的整体形态分布，临床上利用图像拼接技术在保持相同分辨率的前提下扩大角膜图像的可视区域 ［ 9 9 ］ 。然而，随着离轴距离的增加，光线经过光学系统的有效孔径减小，导致了从中心到边缘非线性的缓慢的光衰减，图像呈现出中心亮四周暗的特征，称为光学渐晕效应 ［ 10 10 - 11 11 10-11 ］ 。该效应会引入拼接伪影，增大角膜神经的重构难度。 图像渐晕校正算法可分为两大类 ［ 12 12 ］ ：基于像素分析的校正方法和基于渐晕数学模型的校正方法。 基于像素分析的方法无须建立渐晕模型，直接在空间域或频域对渐晕图像进行校正替换操作。Zheng等人 ［ 13 13 ］ 提出真实图像在像素梯度中服从稀疏概率分布，其特点是在梯度分布中有一个高峰度和两个重尾。利用图像的分段恒常性理论调整医学图像中的亮度不均衡现象，通过计算图像梯度直方图后拟合最大似然系数，使用迭代加权最小二乘法算法（IRLS）进行求解。Chernavskaia等人 ［ 14 14 ］ 提出了一种基于傅里叶变换的频域滤波方法校正序列图像渐晕。序列图像空间域中的周期性渐晕导致频域中出现周期性结构。通过改变频域中的这种结构消除图像空间域的渐晕现象。但显微拼接图像在空间域重叠的情况下不存在周期性，故不适用于角膜神经图像。 基于渐晕数学模型的校正方法是先对渐晕效应建模，再将渐晕模型函数的逆函数作为增益函数，反向补偿原图像达到校正的作用。D´Angelo等人 ［ 15 15 ］ 参考 <math id="M1"><mi mathvariant="normal">c</mi><mi mathvariant="normal">o</mi><msup><mrow><mi mathvariant="normal">s</mi></mrow><mrow><mn mathvariant="normal">4</mn></mrow></msup><mi>θ</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36182906&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36182902&type= 8.04333401 3.04800010 模型函数，建立了高次线形径向渐晕模型，并用于相机光学系统渐晕效果校正。Goldman等人 ［ 11 11 ］ 根据相机的光圈大小、焦距、辐射亮度和快门持续时间等外部固定参数来建立渐晕模型，但对于不同的相机拍摄图像需进行不同的设置。Smith等人 ［ 16 16 ］ 提出了一种使用正则化能量最小化（CIDRE）的方法来校正图像光照强度分布。首先构造一个线性光照强度模型，在求解模型时使用稳健的正则化能量函数，并使用Limited-memory Broyden-fletcher-goldfarb-shan（L-BFGS）数值优化算法求解优化。Peng等人 ［ 17 17 ］ 提出了一种基于低秩和稀疏分解的图像渐晕校正方法（BaSiC）。首先构造一个测量矩阵。然后分解成一个低秩矩阵和稀疏残差矩阵，使用线性化的拉格朗日增广方法迭代方式求解优化，最终获得渐晕阴影模型。但需要多幅连续的图像且每个要处理的图像的前景与其他每个图像的前景不相关，否则该方法会将视野中心始终较高的图像强度视为局部亮度的增加，从而消除了真实的图像亮度变化。 上述算法虽然可以解决单个或组合序列图像的渐晕问题，但需针对特定图像进行参数设置。如设置不当，会出现图像欠校正或过度校正等问题。对于角膜神经图像而言，医生采样角膜神经进行镜头移动时，采样移动方向不固定，导致角膜神经图像序列不规律。此外，因显微镜采样速度较快，图像间相关性较高等原因，导致采样图像通常无法满足以上算法条件。因此，本文提出一种角膜神经显微图像自适应渐晕校正算法，针对共聚焦显微镜的渐晕效应，提出使用六阶多项式对渐晕模型进行拟合，更好地保留原图像未受渐晕影响区域的特征并校正渐晕区域。在校正过程中使用对数信息熵对建模效果进行评估反馈，增强了渐晕校正效果的稳定性。 2 方法原理 1 2.1　渐晕模型的构建与补偿 2 图1 图1 （a）是含有渐晕效应的角膜神经共聚焦显微图像，直观上可以看出图像边界区域比中心区域亮度低。渐晕效果以图像光学中心为原点，向外渐晕强度逐渐增加。渐晕呈对称性分布，且渐晕强度随径向距离的增加而增大。 图1 图1 （b）为拼接后角膜神经显微图像。图中渐晕失真会在图像拼接处产生伪影，造成角膜神经结构不清晰。 图1 图1 （c）表示 图1 图1 （a）图中对角线处（黄色虚线）像素的亮度变化趋势。蓝色实线表示对角线像素值曲线，红色虚线表示像素变化拟合曲线。图像中心部分区域为非渐晕区域，渐晕校正方法的目的为调整渐晕区域像素值，使其接近非渐晕区域像素值。 1;2; 共聚焦显微镜的光源光路与成像光路相同，其成像亮度值呈现中心高并向四周逐渐减弱的特点 ［ 18 18 ］ ，如 图2 图2 所示。通常，受光路影响显微镜组的光学中心（渐晕中心）与获取的图像中心有坐标偏差，其偏移量最大可达25个像素 ［ 19 19 ］ 。然而，共聚焦显微镜采用平移扫描的方式获取图像。且单次成像范围极小，成像位置偏差可以忽略。因此，可将光学中心与图像中心视为同轴。 基于渐晕数学模型的校正方法是将渐晕函数的逆函数作为增益函数 M ，反向补偿原图像像素灰度值。若用 I org （ x，y ）表示包含光学渐晕效应图像。渐晕校正后图像为 I res （ x，y ），则： <math display="block" id="M2"><msub><mrow><mi>I</mi></mrow><mrow><mi mathvariant="normal">r</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">s</mi></mrow></msub><mo stretchy="false">(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo stretchy="false">)</mo><mo>=</mo><msub><mrow><mi>I</mi></mrow><mrow><mi mathvariant="normal">o</mi><mi mathvariant="normal">r</mi><mi mathvariant="normal">g</mi></mrow></msub><mo stretchy="false">(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo stretchy="false">)</mo><mi mathvariant="normal">*</mi><mi>M</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36182982&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36182975&type= 37.93066406 4.91066647 . 本研究利用相机响应模型EMoR ［ 20 20 ］ 来拟合渐晕效果，该模型为含有偶次项的六阶多项式函数，可以用非常少的参数来模拟范围广泛的响应函数，并且在准确性方面优于其他多项式和非参数模型。进而求得其增益补偿函数为： <math display="block" id="M3"><mi>M</mi><mo>=</mo><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mn mathvariant="normal">0</mn></mrow><mrow><mn mathvariant="normal">3</mn></mrow></munderover></mstyle><mrow><msub><mrow><mi>a</mi></mrow><mrow><mi>i</mi></mrow></msub><msup><mrow><mi>r</mi></mrow><mrow><mn mathvariant="normal">2</mn><mi>i</mi></mrow></msup></mrow><mo>,</mo><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">0</mn></mrow></msub><mo>=</mo><mn mathvariant="normal">1</mn><mo>,</mo><mi>r</mi><mo>∈</mo><mo stretchy="false">[</mo><mn mathvariant="normal">0,1</mn><mo stretchy="false">]</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36182992&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36182986&type= 47.41333389 8.55133343 ， 其中： r 是图像像素点到图像中心点的归一化距离，令图像中心点处 r =0，图像四个角点处的 r =1；系数 a i （ i =1，2，3）称为渐晕参数，通过迭代优化求解。 2.2　渐晕参数存在条件 2 渐晕效果由中心点向四周递增，像素值向四周单调递减，所以增益函数必须单调递增： <math display="block" id="M4"><mfrac><mrow><mi mathvariant="normal">d</mi><mi>M</mi></mrow><mrow><mi mathvariant="normal">d</mi><mi>r</mi></mrow></mfrac><mo>=</mo><mn mathvariant="normal">2</mn><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mn mathvariant="normal">0</mn></mrow><mrow><mn mathvariant="normal">3</mn></mrow></munderover></mstyle><mrow><mi>i</mi></mrow><msub><mrow><mi>a</mi></mrow><mrow><mi>i</mi></mrow></msub><msup><mrow><mi>r</mi></mrow><mrow><mn mathvariant="normal">2</mn><mi>i</mi><mo>-</mo><mn mathvariant="normal">1</mn></mrow></msup><mo>></mo><mn mathvariant="normal">0</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183001&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36182996&type= 36.32199860 8.63599968 . 若令 q = r 2 ，则 式（3） 式（3） 可化简为： <math display="block" id="M5"><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mo>+</mo><mn mathvariant="normal">2</mn><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mi>q</mi><mo>+</mo><mn mathvariant="normal">3</mn><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">3</mn></mrow></msub><msup><mrow><mi>q</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup><mo>></mo><mn mathvariant="normal">0</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183011&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183006&type= 34.62866592 4.82600021 . 利用求根公式可得： <math display="block" id="M6"><msub><mrow><mi>q</mi></mrow><mrow><mo>±</mo></mrow></msub><mo>=</mo><mfrac><mrow><mo>-</mo><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo>±</mo><mroot><mrow><msubsup><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msubsup><mo>-</mo><mn mathvariant="normal">3</mn><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">3</mn></mrow></msub></mrow><mrow/></mroot></mrow><mrow><mn mathvariant="normal">3</mn><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">3</mn></mrow></msub></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183020&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183016&type= 39.79333496 9.73666668 . 根据解的分布，得出当渐晕参数满足如下条件之一时，不等 式（4） 式（4） 成立。 <math display="block" id="M7"><mfenced open="{" close="" separators="|"><mrow><mtable columnalign="left"><mtr><mtd><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mo>></mo><mn mathvariant="normal">0</mn><mtext> </mtext><mi mathvariant="normal">a</mi><mi mathvariant="normal">n</mi><mi mathvariant="normal">d</mi><mtext> </mtext><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo>=</mo><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">3</mn></mrow></msub><mo>=</mo><mn mathvariant="normal">0</mn></mtd></mtr><mtr><mtd><msub><mrow><mi>a</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>≥</mo><mn mathvariant="normal">0</mn><mtext> </mtext><mi mathvariant="normal">a</mi><mi mathvariant="normal">n</mi><mi mathvariant="normal">d</mi><mtext> </mtext><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo>></mo><mn mathvariant="normal">0</mn><mtext> </mtext><mi mathvariant="normal">a</mi><mi mathvariant="normal">n</mi><mi mathvariant="normal">d</mi><mtext> </mtext><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">3</mn></mrow></msub><mo>≥</mo><mn mathvariant="normal">0</mn></mtd></mtr><mtr><mtd><mo>-</mo><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mo>≤</mo><mn mathvariant="normal">2</mn><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mtext> </mtext><mi mathvariant="normal">a</mi><mi mathvariant="normal">n</mi><mi mathvariant="normal">d</mi><mtext> </mtext><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo><</mo><mn mathvariant="normal">0</mn><mtext> </mtext><mi mathvariant="normal">a</mi><mi mathvariant="normal">n</mi><mi mathvariant="normal">d</mi><mtext> </mtext><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">3</mn></mrow></msub><mo>≥</mo><mn mathvariant="normal">0</mn></mtd></mtr><mtr><mtd><msubsup><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msubsup><mo><</mo><mn mathvariant="normal">3</mn><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">3</mn></mrow></msub><mtext> </mtext><mi mathvariant="normal">a</mi><mi mathvariant="normal">n</mi><mi mathvariant="normal">d</mi><mtext> </mtext><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">3</mn></mrow></msub><mo>></mo><mn mathvariant="normal">0</mn></mtd></mtr><mtr><mtd><msubsup><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msubsup><mo>=</mo><mn mathvariant="normal">3</mn><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">3</mn></mrow></msub><mtext> </mtext><mi mathvariant="normal">a</mi><mi mathvariant="normal">n</mi><mi mathvariant="normal">d</mi><mtext> </mtext><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo>≥</mo><mn mathvariant="normal">0</mn><mtext> </mtext><mi mathvariant="normal">a</mi><mi mathvariant="normal">n</mi><mi mathvariant="normal">d</mi><mtext> </mtext><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">3</mn></mrow></msub><mo>></mo><mn mathvariant="normal">0</mn></mtd></mtr><mtr><mtd><msubsup><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msubsup><mo>=</mo><mn mathvariant="normal">3</mn><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">3</mn></mrow></msub><mtext> </mtext><mi mathvariant="normal">a</mi><mi mathvariant="normal">n</mi><mi mathvariant="normal">d</mi><mtext> </mtext><mo>-</mo><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo>></mo><mn mathvariant="normal">3</mn><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">3</mn></mrow></msub><mtext> </mtext><mi mathvariant="normal">a</mi><mi mathvariant="normal">n</mi><mi mathvariant="normal">d</mi><mtext> </mtext><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">3</mn></mrow></msub><mo>></mo><mn mathvariant="normal">0</mn></mtd></mtr><mtr><mtd><msubsup><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msubsup><mo>></mo><mn mathvariant="normal">3</mn><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">3</mn></mrow></msub><mtext> </mtext><mi mathvariant="normal">a</mi><mi mathvariant="normal">n</mi><mi mathvariant="normal">d</mi><mtext> </mtext><msub><mrow><mi>q</mi></mrow><mrow><mo>+</mo></mrow></msub><mo>≤</mo><mn mathvariant="normal">0</mn><mtext> </mtext><mi mathvariant="normal">a</mi><mi mathvariant="normal">n</mi><mi mathvariant="normal">d</mi><mtext> </mtext><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">3</mn></mrow></msub><mo>></mo><mn mathvariant="normal">0</mn></mtd></mtr><mtr><mtd><msubsup><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msubsup><mo>></mo><mn mathvariant="normal">3</mn><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">3</mn></mrow></msub><mtext> </mtext><mi mathvariant="normal">a</mi><mi mathvariant="normal">n</mi><mi mathvariant="normal">d</mi><mtext> </mtext><msub><mrow><mi>q</mi></mrow><mrow><mo>-</mo></mrow></msub><mo>≥</mo><mn mathvariant="normal">1</mn><mtext> </mtext><mi mathvariant="normal">a</mi><mi mathvariant="normal">n</mi><mi mathvariant="normal">d</mi><mtext> </mtext><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">3</mn></mrow></msub><mo>></mo><mn mathvariant="normal">0</mn></mtd></mtr><mtr><mtd><msubsup><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msubsup><mo>></mo><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">3</mn></mrow></msub><mtext> </mtext><mi mathvariant="normal">a</mi><mi mathvariant="normal">n</mi><mi mathvariant="normal">d</mi><mtext> </mtext><msub><mrow><mi>q</mi></mrow><mrow><mo>+</mo></mrow></msub><mo>≥</mo><mn mathvariant="normal">1</mn><mtext> </mtext><mi mathvariant="normal">a</mi><mi mathvariant="normal">n</mi><mi mathvariant="normal">d</mi><mtext> </mtext><msub><mrow><mi>q</mi></mrow><mrow><mo>-</mo></mrow></msub><mo>≤</mo><mn mathvariant="normal">0</mn><mtext> </mtext><mi mathvariant="normal">a</mi><mi mathvariant="normal">n</mi><mi mathvariant="normal">d</mi><mtext> </mtext><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">3</mn></mrow></msub><mo><</mo><mn mathvariant="normal">0</mn></mtd></mtr></mtable></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183026&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183023&type= 66.88666534 47.49800110 . 2.3　渐晕校正评价函数 2 当距离 r 变化时，上述限定条件可以保证渐晕参数取值的合理性。然而，由于渐晕模型采用六阶多项式很难直接求得最优解。为此，本研究通过评估图像信息熵来控制参数优化过程，以最小化图像信息熵的方法优化渐晕校正结果。 Likar等 ［ 21 21 ］ 提出通过最小化图像的信息熵对图像像素强度一致性进行评估，并将其用于渐晕伪影的校正模型的评估。通常，渐晕图像周围的暗角会使图像产生额外的信息熵；当渐晕被校正同时信息熵应该逐渐减小。然而，在此过程中过度校正会引入部分使图像增亮的信息熵，导致校正算法无法实现全局最优。 文献［ 22 22 ］证明了对数信息熵在参数优化过程中相较于信息熵的优越性。 图3 图3 为信息熵与分布移动的关系比较。黑色曲线代表图像中未受到渐晕效应影响的区域（图像中心部分）的熵值分布；灰色曲线代表图像含有渐晕效应的区域（图像边界部分）熵的分布。通过渐晕迭代校正，图像亮度差别逐渐消失，即灰色曲线向黑色曲线靠近直至重叠。 图3 图3 的第一行表示直接计算的信息熵。在渐晕校正的过程中，会因校正渐晕引起图像亮度增加而造成总信息熵增加，直到两个分布重叠时总信息熵开始减小。 图3 图3 第二行表示对数信息熵计算结果。可以看出在移动过程中对数信息熵基本保持不变，直到两个分布开始重叠，对数信息熵才开始减小。因此，对数信息熵在优化过程中具有单调性。 信息熵与对数信息熵计算公式虽然相同，在计算对数信息熵时，首先要将图像的像素值 L 进行对数映射，如 公式7 公式7 所示。 <math display="block" id="M8"><mi>i</mi><mo stretchy="false">(</mo><mi>L</mi><mo stretchy="false">)</mo><mo>=</mo><mfrac><mrow><mo stretchy="false">(</mo><mi>N</mi><mo>-</mo><mn mathvariant="normal">1</mn><mo stretchy="false">)</mo><mi mathvariant="normal">l</mi><mi mathvariant="normal">o</mi><mi mathvariant="normal">g</mi><mo stretchy="false">(</mo><mn mathvariant="normal">1</mn><mo>+</mo><mi>L</mi><mo stretchy="false">)</mo></mrow><mrow><mi mathvariant="normal">l</mi><mi mathvariant="normal">o</mi><mi mathvariant="normal">g</mi><mn mathvariant="normal">256</mn></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183045&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183042&type= 43.43399811 9.05933285 ， 其中： N 为映射后的像素阶数， i 为对数映射后的像素值。在统计其直方图时， n k 表示每一阶像素直方图的统计值。运算符 <math id="M9"><mfenced open="⌊" close="⌋" separators="|"><mrow/></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183052&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183048&type= 4.14866638 3.64066648 与 <math id="M10"><mfenced open="⌈" close="⌉" separators="|"><mrow/></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183057&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183054&type= 4.14866638 3.64066648 分别表示向上取整和向下取整。 <math display="block" id="M11"><mtable columnalign="left"><mtr><mtd><msub><mrow><mi>n</mi></mrow><mrow><mi>k</mi></mrow></msub><mo>=</mo><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>x</mi><mo>,</mo><mi>y</mi><mo>:</mo><mfenced open="⌊" close="⌋" separators="|"><mrow><mi>i</mi><mo stretchy="false">(</mo><mi>L</mi><mo stretchy="false">(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo stretchy="false">)</mo><mo stretchy="false">)</mo></mrow></mfenced><mo>=</mo><mi>k</mi></mrow><mrow/></munderover></mstyle><mrow><mo stretchy="false">(</mo><mn mathvariant="normal">1</mn><mo>+</mo><mi>k</mi><mo>-</mo><mi>i</mi><mo stretchy="false">(</mo><mi>L</mi><mo stretchy="false">(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo stretchy="false">)</mo><mo stretchy="false">)</mo><mo stretchy="false">)</mo></mrow><mo>+</mo></mtd></mtr><mtr><mtd><mtext>    </mtext><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>x</mi><mo>,</mo><mi>y</mi><mo>:</mo><mfenced open="⌈" close="⌉" separators="|"><mrow><mi>i</mi><mo stretchy="false">(</mo><mi>L</mi><mo stretchy="false">(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo stretchy="false">)</mo><mo stretchy="false">)</mo></mrow></mfenced><mo>=</mo><mi>k</mi></mrow><mrow/></munderover></mstyle><mrow><mo stretchy="false">(</mo><mi>k</mi><mo>-</mo><mi>i</mi><mo stretchy="false">(</mo><mi>L</mi><mo stretchy="false">(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo stretchy="false">)</mo><mo stretchy="false">)</mo><mo stretchy="false">)</mo></mrow><mo>.</mo></mtd></mtr></mtable></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183065&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183060&type= 62.56866837 20.91266632 假设像素的对数信息熵趋于高斯分布，为减小量化误差，使用标准高斯核 <math id="M12"><msub><mrow><mi>G</mi></mrow><mrow><mi>σ</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183072&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183068&type= 3.89466691 3.72533321 平滑直方图。 <math display="block" id="M13"><mover accent="true"><mi>n</mi><mo>̂</mo></mover><mo>=</mo><mi>n</mi><mi mathvariant="normal">*</mi><msub><mrow><mi>G</mi></mrow><mrow><mi>σ</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183080&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183076&type= 14.22399998 3.80999994 . 用 <math id="M14"><msub><mrow><mover accent="true"><mi>p</mi><mo>̂</mo></mover></mrow><mrow><mi>k</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183089&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183086&type= 3.30200005 4.99533367 表示每个直方图区间的离散概率。 <math display="block" id="M15"><msub><mrow><mover accent="true"><mi>p</mi><mo>̂</mo></mover></mrow><mrow><mi>k</mi></mrow></msub><mo>=</mo><mfrac><mrow><msub><mrow><mover accent="true"><mi>n</mi><mo>̂</mo></mover></mrow><mrow><mi>k</mi></mrow></msub></mrow><mrow><munder><mo movablelimits="false">∑</mo><mrow><mi>j</mi></mrow></munder><mrow><msub><mrow><mover accent="true"><mi>n</mi><mo>̂</mo></mover></mrow><mrow><mi>j</mi></mrow></msub></mrow></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183097&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183093&type= 16.08666801 12.27666664 . 则对数信息熵 H 为： <math display="block" id="M16"><mi>H</mi><mo>=</mo><munder><mo movablelimits="false">∑</mo><mrow><mi>k</mi></mrow></munder><mrow><msub><mrow><mover accent="true"><mi>p</mi><mo>̂</mo></mover></mrow><mrow><mi>k</mi></mrow></msub><mi mathvariant="normal">l</mi><mi mathvariant="normal">o</mi><mi mathvariant="normal">g</mi><msub><mrow><mover accent="true"><mi>p</mi><mo>̂</mo></mover></mrow><mrow><mi>k</mi></mrow></msub></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183103&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183100&type= 24.38400078 6.60400009 . 2.4　模型优化 2 采用Levenberg-Marquardt非线性优化方法获取参数的最优解。获得所需渐晕校正模型需要设定渐晕参数 a i 的初始值及递进步长 δ 。每个参数都会独立地增减相同的 δ 。每轮优化会产生6组计算参数，记作 V i （ i =1，2…，6）。选取6组参数中最小对数信息熵对应的渐晕参数，直至 H 收敛。具体校正算法如下： 输入：渐晕图像 I 。 输出：校正图像 C 。 Step1：设置渐晕参数初始值 a 1 ， a 2 ， a 3 =（0，0，0），优化步长 δ =1/2，对数强度熵最小值 H min = H （ I ）， C = I ，停止阈值 T =1/256。 Step2：当 δ > T ，计算6组渐晕参数 V i ， V 1 =（ a 1 +δ ， a 2 ， a 3 ）， V 2 =（ a 1 - δ ， a 2 ， a 3 ）， V 3 =（ a 1 ， a 2 + δ ， a 3 ）， V 4 =（ a 1 ， a 2 - δ ， a 3 ）， V 5 =（ a 1 ， a 2 ， a 3 + δ ）， V 6 =（ a 1 ， a 2 ， a 3 - δ ）； 否则，结束优化。 Step3：如果 V i 满足 公式（6） 公式（6） 中的条件之一，计算对数强度熵 H = H （ V i ）；若均不满足条件，转Step2。 Step4：如果 H < H min ， H min = H ； C=I · <math id="M17"><msub><mrow><mi>M</mi></mrow><mrow><msub><mrow><mi>V</mi></mrow><mrow><mi>i</mi></mrow></msub></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183109&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183105&type= 5.84200001 3.64066648 ； 否则 δ = 0.5 * δ ，转至Step2。 实验过程中，递进步长 δ 的初始值为1，每次迭代减为之前的一半，即 δ i =0.5* δ i -1 。 图4 图4 显示了一组迭代优化过程中对数强度熵的变化。前期实验发现，当迭代次数大于40时对数强度熵趋于平稳。 3 实验与结果分析 1 本文以角膜共聚焦显微镜图像为研究对象，完成单幅图像的渐晕校正及全景图像拼接。为了更好地验证算法的有效性与可靠性，将提出的算法与针对相同图像特性（非自然图像）的算法进行对比，包括基于医学图像渐晕校正的非建模算法 ［ 13 13 ］ ，基于显微图像渐晕校正的CIDRE算法 ［ 16 16 ］ 和BaSiC算法 ［ 17 17 ］ 。 3.1　实验材料 2 实验选取5名患者双眼的角膜共聚焦显微图像，每组包含图像的数量为300~900张不等。图像由海德堡视网膜激光断层扫描系统（Ⅱ代）获取。视场大小为400 μm×400 μm，最高分辨率为1 μm。 3.2　主观性评价 2 图5 图5 为一组渐晕校正前后角膜显微图像对比图。将单张原始图像先进行渐晕校正处理，再进行手动拼接。可以直观看出，校正后图像亮度分布均匀，且图像拼接处无伪影，衔接自然。 1,2; 3.3　客观性评价 2 为了客观评估渐晕校正对于角膜神经图像的有效性，我们对比了校正前后2幅图像局部灰度值变化。如 图6 图6 （a）所示，以图像中心为原点，求取固定像素宽度的环形区域内像素的平均值。 图6 图6 （b）为当环形区域宽度取10个像素值时，校正前后像素均值的变化曲线。由 图6 图6 （b）渐晕图像曲线可以看出像素均值由内到外呈递减趋势。表明渐晕效果是从图像中心向外亮度逐渐降低，且随着距离增大，渐晕强度逐渐增加，符合渐晕效果的物理性质。BaSiC方法与CIDRE方法虽然可以较好地校正渐晕，但中心区域像素明显降低，改变了原始图像的亮度，会对后续医生诊断产生影响。非建模方法虽然中心区域像素均值下降不明显，但随着圈层数增加，渐晕校正效果有所降低。本文提出的方法校正后图像周围区域像素无明显增减趋势，亮度均衡。可证明渐晕校正效果良好。 图7 图7 为不同渐晕校正方法的结果。 1,2; 本文收集了5例不同患者的角膜神经图像，每例图像的光照和采集深度条件均不同。为了客观评估渐晕校正效果的有效性和可靠性，我们以正常图像为基准图像，再对基准图像人为添加渐晕效果，获得模拟渐晕图像供校正使用。将正常图像与校正后图像比较计算均方误差（Mean Square Error， MSE）、峰值信噪比（Peak Signal to Noise Ratio， PSNR）、结构相似性（Structural Similarity，SSIM） ［ 23 23 ］ 的平均值，对比评估不同渐晕校正方法结果的图像质量。 本论文引入SSIM对校正前后图片进行相似性计算，从亮度、对比度、结构三个方面评估渐晕校正算法的可靠性，分析算法对图像质量的影响。 公式（12） 公式（12） 为图像 I 1 ， I 2 间的结构相似性指数的计算公式。 <math display="block" id="M18"><mtable columnalign="left"><mtr><mtd><msub><mrow><mi>V</mi></mrow><mrow><mi mathvariant="normal">S</mi><mi mathvariant="normal">S</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">M</mi></mrow></msub><mo stretchy="false">(</mo><msub><mrow><mi>I</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo>,</mo><msub><mrow><mi>I</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mo stretchy="false">)</mo><mo>=</mo><mfrac><mrow><mo stretchy="false">(</mo><mn mathvariant="normal">2</mn><msub><mrow><mi>μ</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><msub><mrow><mi>μ</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo>+</mo><msub><mrow><mi>C</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mo stretchy="false">)</mo></mrow><mrow><mo stretchy="false">(</mo><msup><mrow><msub><mrow><mi>μ</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup><mo>+</mo><msup><mrow><msub><mrow><mi>μ</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup><mo>+</mo><msub><mrow><mi>C</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mo stretchy="false">)</mo></mrow></mfrac><mi mathvariant="normal">*</mi></mtd></mtr><mtr><mtd><mtext>           </mtext><mfrac><mrow><mo stretchy="false">(</mo><mn mathvariant="normal">2</mn><msub><mrow><mi>σ</mi></mrow><mrow><mn mathvariant="normal">12</mn></mrow></msub><mo>+</mo><msub><mrow><mi>C</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo stretchy="false">)</mo></mrow><mrow><mo stretchy="false">(</mo><msup><mrow><msub><mrow><mi>σ</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup><mo>+</mo><msup><mrow><msub><mrow><mi>σ</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup><mo>+</mo><msub><mrow><mi>C</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo stretchy="false">)</mo></mrow></mfrac><mo>,</mo></mtd></mtr></mtable></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183167&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36183165&type= 52.49333191 20.15066719 其中： μ 1 ， μ 2 ， σ 1 ， σ 2 分别为对应图像的均值和方差； σ 12 为协方差。用均值、方差、协方差作为图像的亮度、对比度、结构的估计。SSIM取值范围为［0，1］。SSIM值越大表示两幅图像相似性越高，亮度与结构误差越小。 本文同时采用MSE计算图像像素差异的L2范数。MSE值越小代表图像像素误差越小，图像质量越好。PSNR能够反应图像的失真程度，PSNR值越大，图像失真越小。我们将图像PSNR范围限定在0~100 dB。 5组图像的数量分别为587、943、371、593和754组，其中病例A和病例B为正常采集组，其余病例图像采集特性分别为采集亮度低、采集亮度高、采集深度浅（部分显微图像出现噪声）。五名患者校正效果评估平均结果如 表1 表1 所示，本文方法处理的5名患者校正后图像MSE、PSNR、SSIM平均值均高于其他方法，即校正后图像与基准图像最相似，具有最佳的校正效果。由此也可以表明本文方法渐晕校正后图像并未出现较大程度失真，不会改变原始图像中的亮度与结构等信息。 图8 图8 绘制了5组图像校正后的评估指标箱型图。从图中可以看出本文方法相较于其他算法更加稳定，不会受其他外部因素影响，鲁棒性较高。 注： 加粗字体为最优值。 测试方法 MSE/pixel PSNR/dB SSIM 渐晕图像 0.022 3 64.721 4 0.807 1 本文方法 0.004 2 72.225 1 0.960 0 非建模方法 0.007 9 70.408 3 0.900 4 CIDRE算法 0.020 6 65.275 3 0.841 8 BaSiC算法 0.009 6 68.675 1 0.915 4 1;2;3; 3.4　角膜共聚焦显微图像拼接 2 图9 图9 展示了2组渐晕校正前后手动拼接的角膜神经显微图像。第一行图像是由未进行渐晕校正的角膜神经显微图像拼接成的图像。第二行是由本文方法渐晕校正处理后进行的拼接图像。可以看出本文方法能够改善拼接图像衔接处的伪影问题。然而在实践中我们也发现校正前后待拼接图像间整体灰度值差别较大，影响后续神经提取。为此在图像拼接前，我们对渐晕校正后图像的像素均值进行了图像直方图均衡化处理. 4 结 论 1 本文根据共聚焦显微镜成像的特点，提出一种角膜神经显微图像的渐晕校正方法，介绍了渐晕效应并使用六阶偶次多项式建立渐晕效应的数学模型，采用Levenberg-Marquardt优化方法进行参数迭代优化，并设置限制条件进行约束。在优化过程中使用对数信息熵对渐晕数学模型进行评估。实验证明本文所述算法能很好地消除角膜神经图像的渐晕效果，避免角膜拼接图像产生伪影。校正后图像MSE、PSNR、SSIM评估指标平均值分别达到0.004 2、72.225 1 dB、0.960 0。渐晕校正后具有大视野范围的角膜神经显微拼接图像满足医生临床诊断需求。 参考文献 SHAHEEN B S ， BAKIR M ， JAIN S . Corneal nerves in health and disease ［J］. Survey of Ophthalmology ， 2014 ， 59 （ 3 ）： 263 - 285 . doi: 10.1016/j.survophthal.2013.09.002 http://dx.doi.org/10.1016/j.survophthal.2013.09.002 Corneal nerves in health and disease 李钧 ， 张泺 . 角膜的神经支配 ［J］. 国外医学.眼科学分册 ， 1990 （ 6 ）： 341 - 344 . 角膜的神经支配 LI J ， ZHANG L . Innervation of cor nea ［J］. Foreign medicine. Ophthalmology ， 1990 （ 6 ）： 341 - 344 （in Chinese） Innervation of cor nea 张倩 ， 梁晓春 . 糖尿病周围神经病变的无创性筛查及评估方法的研究进展 ［J］. 中国医学科学院学报 ， 2021 ， 43 （ 1 ）： 124 - 129 . 糖尿病周围神经病变的无创性筛查及评估方法的研究进展 ZHANG Q ， LIANG X C . Advances in noninvasive methods for screening and evaluating diabetic peripheral neuropathy ［J］. Acta Academiae Medicinae Sinicae ， 2021 ， 43 （ 1 ）： 124 - 129 . （in Chinese） Advances in noninvasive methods for screening and evaluating diabetic peripheral neuropathy 车宁宁 ， 丁冠晓 ， 陈思远 ， 等 . 帕金森病患者的角膜神经纤维变化特点分析 ［J］. 中华医学杂志 ， 2021 ， 101 （ 7 ）： 498 - 503 . doi: 10.3760/cma.j.cn112137-20200614-01851 http://dx.doi.org/10.3760/cma.j.cn112137-20200614-01851 帕金森病患者的角膜神经纤维变化特点分析 CHE N N ， DING G X ， CHEN S Y ， et al . Measurement of corneal nerve fiber parameters in patients with Parkinson's disease ［J］. National Medical Journal of China ， 2021 ， 101 （ 7 ）： 498 - 503 . （in Chinese） . doi: 10.3760/cma.j.cn112137-20200614-01851 http://dx.doi.org/10.3760/cma.j.cn112137-20200614-01851 Measurement of corneal nerve fiber parameters in patients with Parkinson's disease 薛春燕 ， 黄振平 ， 吴艳 ， 等 . 人活体角膜神经形态特征的激光共焦显微镜观察 ［J］. 南京大学学报（自然科学） ， 2010 ， 46 （ 2 ）： 210 - 215 . 人活体角膜神经形态特征的激光共焦显微镜观察 XUE C Y ， HUANG Z P ， WU Y ， et al . In vivo visualization of the morphology of human normal and diseased corneal nerves ［J］. Journal of Nanjing University （Natural Sciences） ， 2010 ， 46 （ 2 ）： 210 - 215 . （in Chinese） In vivo visualization of the morphology of human normal and diseased corneal nerves 徐宝腾 ， 杨西斌 ， 刘家林 ， 等 . 高速扫描激光共聚焦显微内窥镜图像校正 ［J］. 光学 精密工程 ， 2020 ， 28 （ 1 ）： 60 - 68 . doi: 10.3788/ope.20202801.0060 http://dx.doi.org/10.3788/ope.20202801.0060 高速扫描激光共聚焦显微内窥镜图像校正 XU B T ， YANG X B ， LIU J L ， et al . Image correction for high speed scanning confocal laser endomicroscopy ［J］. Opt. Precision Eng. ， 2020 ， 28 （ 1 ）： 60 - 68 . （in Chinese） . doi: 10.3788/ope.20202801.0060 http://dx.doi.org/10.3788/ope.20202801.0060 Image correction for high speed scanning confocal laser endomicroscopy PATEL D V ， MCGHEE C N J . In vivo confocal microscopy of human corneal nerves in health， in ocular and systemic disease， and following corneal surgery： a review ［J］. The British Journal of Ophthalmology ， 2009 ， 93 （ 7 ）： 853 - 860 . doi: 10.1136/bjo.2008.150615 http://dx.doi.org/10.1136/bjo.2008.150615 In vivo confocal microscopy of human corneal nerves in health， in ocular and systemic disease， and following corneal surgery： a review 纵浩天 ， 张运海 ， 王发民 ， 等 . 大视场线扫描共聚焦全息显微成像 ［J］. 光学 精密工程 ， 2021 ， 29 （ 1 ）： 1 - 9 . doi: 10.37188/OPE.20212901.0001 http://dx.doi.org/10.37188/OPE.20212901.0001 大视场线扫描共聚焦全息显微成像 ZONG H T ， ZHANG Y H ， WANG F M ， et al . Large field of view line-scanning confocal holographic microscopy ［J］. Opt. Precision Eng. ， 2021 ， 29 （ 1 ）： 1 - 9 . （in Chinese） . doi: 10.37188/OPE.20212901.0001 http://dx.doi.org/10.37188/OPE.20212901.0001 Large field of view line-scanning confocal holographic microscopy LUM E ， GOLEBIOWSKI B ， SWARBRICK H A . Mapping the corneal sub-basal nerve plexus in orthokeratology lens wear using in vivo laser scanning confocal microscopy ［J］. Investigative Ophthalmology & Visual Science ， 2012 ， 53 （ 4 ）： 1803 - 1809 . doi: 10.1167/iovs.11-8706 http://dx.doi.org/10.1167/iovs.11-8706 Mapping the corneal sub-basal nerve plexus in orthokeratology lens wear using in vivo laser scanning confocal microscopy 王春梅 ， 黄晓峰 ， 杨家骥 ， 等 . 激光扫描共聚焦显微镜技术 ［M］. 西安 ： 第四军医大学出版社 ， 2004 . 激光扫描共聚焦显微镜技术 WANG C M ， HUANG X F ， YANG J J ， et al . Laser scanning confocal microscope technology ［M］. Xian ： Fourth Military Medical University Press ， 2004 （in Chinese） Laser scanning confocal microscope technology GOLDMAN D B . Vignette and exposure calibration and compensation ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2010 ， 32 （ 12 ）： 2276 - 2288 . doi: 10.1109/tpami.2010.55 http://dx.doi.org/10.1109/tpami.2010.55 Vignette and exposure calibration and compensation PICCININI F ， BEVILACQUA A . Colour vignetting correction for microscopy image mosaics used for quantitative analyses ［J］. BioMed Research International ， 2018 ， 2018 ： 7082154 . doi: 10.1155/2018/7082154 http://dx.doi.org/10.1155/2018/7082154 Colour vignetting correction for microscopy image mosaics used for quantitative analyses ZHENG Y J ， GROSSMAN M ， AWATE S P ， et al . Automatic correction of intensity nonuniformity from sparseness of gradient distribution in medical images ［C］. Medical Image Computing and Computer-Assisted Intervention-MICCAI 2009 ， 2009 ： 852 - 859 . doi: 10.1007/978-3-642-04271-3_103 http://dx.doi.org/10.1007/978-3-642-04271-3_103 Automatic correction of intensity nonuniformity from sparseness of gradient distribution in medical images CHERNAVSKAIA O ， GUO S X ， MEYER T ， et al . Correction of mosaicking artefacts in multimodal images caused by uneven illumination ［J］. Journal of Chemometrics ， 2017 ， 31 （ 6 ）： e2908 . doi: 10.1002/cem.2908 http://dx.doi.org/10.1002/cem.2908 Correction of mosaicking artefacts in multimodal images caused by uneven illumination D'Angelo P . Radiometric alignment and vignetting calibration ［C］. Proceedings of International Conference on Computer Vision Systems ， 2007 . Radiometric alignment and vignetting calibration SMITH K ， LI Y P ， PICCININI F ， et al . CIDRE： an illumination-correction method for optical microscopy ［J］. Nature Methods ， 2015 ， 12 （ 5 ）： 404 - 406 . doi: 10.1038/nmeth.3323 http://dx.doi.org/10.1038/nmeth.3323 CIDRE： an illumination-correction method for optical microscopy PENG T Y ， THORN K ， SCHROEDER T ， et al . A BaSiC tool for background and shading correction of optical microscopy images ［J］. Nature Communications ， 2017 ， 8 ： 14836 . doi: 10.1038/ncomms14836 http://dx.doi.org/10.1038/ncomms14836 A BaSiC tool for background and shading correction of optical microscopy images TAVAKOLI M ， HOSSAIN P ， MALIK R A . Clinical applications of corneal confocal microscopy ［J］. Clin Ophthalmol ， 2008 ， 2 （ 2 ）： 435 - 445 . Clinical applications of corneal confocal microscopy LENZ R K ， TSAI R Y . Techniques for calibration of the scale factor and image center for high accuracy 3-D machine vision metrology ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 1988 ， 10 （ 5 ）： 713 - 720 . doi: 10.1109/34.6781 http://dx.doi.org/10.1109/34.6781 Techniques for calibration of the scale factor and image center for high accuracy 3-D machine vision metrology GROSSBERG M D ， NAYAR S K . Modeling the space of camera response functions ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2004 ， 26 （ 10 ）： 1272 - 1282 . doi: 10.1109/tpami.2004.88 http://dx.doi.org/10.1109/tpami.2004.88 Modeling the space of camera response functions LIKAR ， MAINTZ ， VIERGEVER ， et al . Retrospective shading correction based on entropy minimization ［J］. Journal of Microscopy ， 2000 ， 197 （ 3 ）： 285 - 295 . doi: 10.1046/j.1365-2818.2000.00669.x http://dx.doi.org/10.1046/j.1365-2818.2000.00669.x Retrospective shading correction based on entropy minimization ROHLFING T . Single-image vignetting correction by constrained minimization of log-intensity entropy ［OL］.（ 2012 ） ［ 2021-05-16 ］. http：//citeseerx.ist.psu.edu/viewdoc/download？doi=10.1.1. 258. 4780 &rep=rep1&type=pdf http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.258.4780&rep=rep1&type=pdf . doi: 10.1007/978-3-319-19222-2_38 http://dx.doi.org/10.1007/978-3-319-19222-2_38 Single-image vignetting correction by constrained minimization of log-intensity entropy WANG Z ， BOVIK A C ， SHEIKH H R ， et al . Image quality assessment： from error visibility to structural similarity ［J］. IEEE Transactions on Image Processing ， 2004 ， 13 （ 4 ）： 600 - 612 . doi: 10.1109/tip.2003.819861 http://dx.doi.org/10.1109/tip.2003.819861 Image quality assessment： from error visibility to structural similarity 10.37188/OPE.20223020.2479 TP391.4 TP317.4 A 1004-924X（2022）20-2479-10 李天宇,李光旭,张琛等.角膜神经显微图像的自适应渐晕校正[J].光学精密工程,2022,30(20):2479-2488. 李天宇,李光旭,张琛等.角膜神经显微图像的自适应渐晕校正[J].光学精密工程,2022,30(20):2479-2488. LI Tianyu,LI Guangxu,ZHANG Chen,et al.Adaptive vignetting correction of corneal nerve microscopy images[J].Optics and Precision Engineering,2022,30(20):2479-2488. LI Tianyu,LI Guangxu,ZHANG Chen,et al.Adaptive vignetting correction of corneal nerve microscopy images[J].Optics and Precision Engineering,2022,30(20):2479-2488. 天津市科技计划项目（No.20YDTPJC01530）；天津市自然科学基金面上项目（No.19JCYBJC16200）；北京大学人民医院研究与发展基金资助项目（No.RDY2020-03） 2022-05-07 2022-06-02 2022-10-25 2022-10-27 光学精密工程 20 30