A junção de imagens dos nervos da córnea pode reduzir o impacto do pequeno campo de visão das imagens microscópicas. Devido ao efeito de vinheta presente nas imagens microscópicas, a imagem unida terá artefatos na junção, afetando o diagnóstico médico. Para resolver o problema dos artefatos de vinheta nas imagens unidas, foi proposta uma metodologia de correção da vinheta por modelagem usando uma função polinomial não linear. Primeiro, um modelo de vinheta é estabelecido para uma única imagem dos nervos da córnea, estipulando restrições que atendem às propriedades físicas da vinheta, utilizando o algoritmo de otimização L-M para otimizar iterativamente os parâmetros do modelo. Em cada iteração de otimização, calcula-se a entropia da informação logarítmica para avaliar o efeito da correção do modelo atual, prevenindo a correção excessiva da imagem. Após a otimização iterativa, o modelo de vinheta é compensado inversamente na imagem original para completar o processo de correção. Ao comparar as imagens unidas antes e depois da correção, não há artefatos evidentes de vinheta nas junções das imagens corrigidas. Foram realizados testes experimentais com imagens de 5 grupos de pacientes diferentes, e os valores médios dos índices de avaliação MSE, PSNR e SSIM das imagens corrigidas foram 0,0042, 72,2251 dB e 0,9600 respectivamente, apresentando o melhor efeito de correção. O efeito de correção do algoritmo deste artigo é claramente superior ao de outros algoritmos semelhantes. Este método pode corrigir eficazmente o efeito de vinheta nas imagens da córnea sem a necessidade de ajustar previamente parâmetros fixos da câmera e iluminação ambiental. As imagens corrigidas apresentam um bom efeito de junção, permitindo obter imagens unidas dos nervos da córnea mais precisas, claras e com campo de visão maior.

visão computacional;imagens microscópicas dos nervos da córnea;correção de vinheta;microscópio confocal;entropia da informação logarítmica