三、实验结果分析
选择CLAHE、联合滤波和直方图均衡化混合算法（Fusion-based）、具有鲁棒性的多尺度Retinex算法（Robust Retinex）、CycleGAN和Cycle-CBAM对低质量眼底图像进行增强。为了更好地评价Cycle-CBAM模型性能，构建了一个DR分类网络使对增强前后的相同眼底图像进行DR级别五分类。通过对比分类评价指标从侧面验证Cycle-CBAM眼底图像增强网络的有效性。使用不同算法增强曝光不足眼底图像和模糊眼底图像的结果见图4-25至图4-28。
图4-25和图4-26中展示各类图像增强算法对于曝光不足眼底图像的增强结果。图中a为未经过增强的原始图像，b～f分别对应经过CLAHE、Fusion-based、Robust Retinex、CycleGAN和Cycle-CBAM算法增强后的眼底图像。对比各个算法的输出结果，我们可以看出CLAHE算法结果图像平均亮度较低，部分图像边缘依旧存在过暗的现象。Fusion-based和Robust Retinex算法结果图像的整体亮度偏高，部分结果色调偏白，存在色彩失真的现象。CycleGAN结果中血管末梢被模糊处理，丢失细节信息。Cycle-CBAM在保持图像整体亮度的同时更加注重眼底图像红色色调的还原，与CycleGAN对比，图像血管和微小病灶等细节信息更加丰富。
图4-25 使用不同算法增强曝光不足眼底图像01
图4-26 使用不同算法增强曝光不足眼底图像02
图4-27和图4-28中展示各类图像增强算法对于模糊眼底图像的增强结果。对比各个算法的结果图像，我们可以看出CLAHE算法增强结果较好，模糊区域中一些原来不可见的细节信息在经过CLAHE后得到增强。Fusion-based和Robust Retinex算法均出现了失真现象，图像亮度被提高，同时部分结果图像模糊处细节信息丢失。Cycle-CBAM模型的结果图像在细节上更优于CycleGAN模型，CycleGAN部分结果在原图模糊处出现失真现象。同时，Cycle-CBAM结果图像整体色调偏红，更加偏向真实眼底图像。
图4-27 使用不同算法增强模糊眼底图像03
为了定量评估上述增强算法性能，对所有经过CLAHE、Fusion-based、Robust Retinex、CycleGAN和Cycle-CBAM算法增强前后的眼底图像计算峰值信噪比（PSNR）和结构相似性指标（SSIM）。各类增强算法在评价指标上的表现如表4-6所示，每一类别指标中最好的结果使用加粗字体表示。根据表4-6，Cycle-CBAM在所有五种算法中均获得了次优的PSNR和SSIM指标。CLAHE增强结果的PSNR指标最高，但是其SSIM指标最低。Fusion-based算法在SSIM指标上具有优势，但在PSNR指标上表现不佳。Robust Retinex算法在PSNR方面表现最差，在SSIM方面则表现中等。此外，Cycle-CBAM在PSNR和SSIM指标上都优于CycleGAN。这也从侧面表明，融入了CBAM注意力模块的Cycle-CBAM具有优于CycleGAN的性能。
图4-28 使用不同算法增强模糊眼底图像04
表4-6 各类增强算法在PSNR和SSIM评价指标上的表现
