眼底图像质量评估的研究现状及趋势

目前对于眼底图像质量评估的研究主要分为三类。其一，基于通用图像信息的传统方法，如直方图匹配、边缘强度分布和对比度特征。Lee等使用通过模板强度直方图与视网膜图像的强度直方图卷积计算得到的质量Q指数来衡量眼底图像的质量。Lalonde等基于边缘强度分布特征和像素灰度值自动地对眼底图像的质量进行评估。尽管通用图像质量参数具有计算复杂度低的特点，但是影响视网膜图像质量的因素比较复杂，这些方法无法捕捉不同的情况。其二，基于结构图像质量参数的方法，如血管的标记等，这些方法复杂度高并且在模糊图像中容易出错。Paulus等采用结合通用图像质量参数和结构图像质量参数的方法，该方法依赖于准确的分割技术。Usher等采用了一种基于眼底图像血管面积的结构图像质量参数进行图像质量评估。Niemeijer等对视网膜图像进行结构聚类进而评估眼底图像质量。其三，利用显著图或shearlet系数进行特征提取，然后将这些特征送入支持向量机（SVM）中进行分类。总的来说，传统的方法依赖于人工设计的特征，泛化性差，在实际应用中容易出错。

图4-1　数据集中的低质量眼底图像

传统的眼底图像质量评估算法依赖于某种基于通用图像质量参数或结构图像质量参数的手工特征，很难将这些算法推广到一个新的数据集。此外，人类是通过人类视觉系统（human visual system，HVS）来对眼底图像质量进行评估的，传统的方法没有考虑到HVS的特性，也没有将其引入图像质量评估算法中。近十年来，深度学习受到很大关注，而CNN以其强大的表现力在各个领域都有着广泛应用。与传统的手工特征提取方法不同，深度学习模型能够发现原始特征中固有的、隐藏或潜在的高层次特征，有助于建立更加鲁棒的模型。Mahapatra和Ruwan等先后采用CNN结构学习特征对眼底图像质量进行分类，在RIQA中考虑了HVS的特性，和传统方法相比取得了更好的结果。但对于眼底图像的分析处理，相比于自然图像，眼底图像有其自身的特殊性。其病灶区域和整幅图像相比，往往只占很小一部分，而正是这比较小的区域，才起着决定性的作用。通过深度学习算法有效提取到这部分区域的特征要比学习自然图像的特征更加具有挑战性。