蔡懷宇，韓曉艷 ，婁世良，汪 毅，陳文光，陳曉冬

（1.天津大學精密儀器與光電子工程學院，天津 300072；2.上海美沃精密儀器股份有限公司，上海 200237）

1 引言

掃頻光學相干層析（Swept Source Optical Coherence Tomography,SS-OCT）是一種高分辨率的非侵入式醫(yī)學成像技術(shù)[1?4]，廣泛應(yīng)用于探測視網(wǎng)膜的微觀結(jié)構(gòu)，為黃斑病變、糖尿病性視網(wǎng)膜病變、年齡相關(guān)性黃斑變性等眼底疾病提供了十分有效的檢查方式[5?6]。由于低相干干涉的成像機理，SS-OCT 系統(tǒng)會不可避免地引入呈現(xiàn)隨機分布的散斑噪聲[7]，使B-Scan 圖像信噪比低，結(jié)構(gòu)信息模糊、部分甚至完全缺失，影響了對眼底疾病診斷的準確性。因此，在強噪聲背景下實現(xiàn)有效散斑噪聲去除、獲得結(jié)構(gòu)信息具有重要的研究價值。

目前，研究者們已提出了很多減少散斑噪聲的方法，主要分為單幀去噪方法[8]和多幀疊加平均去噪方法[9]兩大類。基于單幀的去噪方法容易平滑圖像細節(jié)，造成圖像信息丟失，無法滿足醫(yī)學圖像處理的基本要求。基于多幀的疊加平均去噪方法利用SS-OCT 系統(tǒng)在短時間內(nèi)獲取的多幀圖像進行疊加平均處理，可以在保證不改變視網(wǎng)膜拓撲結(jié)構(gòu)的基礎(chǔ)上有效減少散斑噪聲，增強結(jié)構(gòu)信息，已成為去除散斑噪聲的最優(yōu)方法[10]。然而，眼睛的震顫、漂移、微眼跳等生理特性[11]和系統(tǒng)光路的振鏡連續(xù)掃描模式會導致圖像間存在微小的錯位，直接疊加效果較差且易產(chǎn)生重影區(qū)域，最終影響視網(wǎng)膜結(jié)構(gòu)信息的穩(wěn)定性。因此，在進行疊加平均處理之前必須通過配準算法校準圖像的錯位，從而保證疊加的穩(wěn)定性要求。圖像配準不依賴于高、超高速掃頻光源[12]等硬件的支持，可以在低成本的情況下實現(xiàn)高精度校正，并且有助于推動視網(wǎng)膜三維重建、視網(wǎng)膜三維血流檢測等領(lǐng)域的發(fā)展。

現(xiàn)有的視網(wǎng)膜配準方法主要分為基于特征的配準方法和基于灰度的配準方法兩大類[13]?；谔卣鞯呐錅史椒ㄍㄟ^提取圖像對的相應(yīng)特征并計算相應(yīng)特征的匹配度來校正圖像的錯位。Niemeijer 等人[14]提出基于三維尺度不變特征變換特征點的剛性配準方法，得到了效果較好的二維視網(wǎng)膜圖像的配準結(jié)果。Niemeijer 等人[15]又通過提取眼底血管圖像的分支和交叉點等特征，利用基于最近點迭代算法和圖論的方法實現(xiàn)BScans 圖像的配準。Chen[16]和Khansari[17]等人分別提出了利用黃斑中心凹的特征信息初始配準正常黃斑圖像和異常黃斑圖像的三維非剛性配準方法。這些方法計算速度快，能夠得到較好的匹配結(jié)果，但配準精度受限于特征的選擇及其匹配精度，易受噪聲影響出現(xiàn)錯誤匹配或無法匹配的問題，特別是在強噪聲圖像中易出現(xiàn)配準精度不高、配準效果不理想的現(xiàn)象?；诨叶鹊呐錅史椒ɡ脠D像的灰度信息并采用不同的相似度度量標準求解圖像間的最佳變換關(guān)系。Chen 等人[18]提出使用全局對齊和基于快速迭代菱形搜索的局部對齊來配準圖像，但易受強噪聲干擾。Lee 等人[19]提出基于視網(wǎng)膜分層信息的層匹配算法，以基于灰度信息的分割算法生成的視網(wǎng)膜層表面模型為標準實現(xiàn)寬視場圖像[20]的配準，但配準精度很大程度取決于分割模型的精確性，尤其不適用強噪聲背景下視網(wǎng)膜結(jié)構(gòu)層模糊、缺失的圖像。Du 等人[21]提出以相鄰圖像空間分布的條件相關(guān)比信息代替互信息作為相似性度量的非剛性配準方法，但當圖像的噪聲、結(jié)構(gòu)等因素有較大變化時，存在配準結(jié)果不精確的問題。綜上可知，現(xiàn)有的視網(wǎng)膜配準算法對特征信息（不變特征點、眼底血管圖像的分支交叉點或黃斑中心凹等特殊區(qū)域等）或灰度信息（視網(wǎng)膜分層信息等）具有較強的依賴性，容易出現(xiàn)配準信息無法運用或配準不精確的問題，不能有效校正多種類型OCT 設(shè)備采集的視網(wǎng)膜圖像的錯位。

針對現(xiàn)有算法對強噪聲圖像配準不精確的問題，本文根據(jù)眼睛生理特性和系統(tǒng)光路特性分析了圖像的錯位，并提出了一種基于灰度分布信息和目標幾何信息相結(jié)合的高精度配準方法。該算法不過分依賴于圖像的特征信息，實現(xiàn)了對強噪聲背景下目標信號的精確配準；對配準后的圖像進行疊加平均處理，能夠在穩(wěn)定視網(wǎng)膜結(jié)構(gòu)信息的同時有效減少散斑噪聲。與其他算法相比，本文算法的魯棒性較高，對受不同程度噪聲污染的視網(wǎng)膜圖像都能有效配準，且配準精度較高，能夠保證圖像疊加平均處理的有效性，大幅度提高視網(wǎng)膜圖像的質(zhì)量；也可以減少硬件成本，有助于推動智能醫(yī)療和臨床醫(yī)學等領(lǐng)域的發(fā)展。

2 OCT 圖像錯位分析

在SS-OCT 系統(tǒng)采集視網(wǎng)膜的過程中，通過視線引導裝置進行眼睛的定位定焦，可以快速、準確地對眼底區(qū)域進行高分辨率成像。但在注視的過程中，眼睛會有漂移、震顫、微眼跳3 種微弱的生理活動[11]。漂移是一種沿視軸移動的緩慢運動，具有較小的振幅范圍；震顫是一種在最小振幅范圍內(nèi)無規(guī)則的高頻運動，具有平移和旋轉(zhuǎn)的雙重特性；微眼跳是一種沿垂直視軸方向的跳躍式運動，具有最大的振幅范圍和較小的振動頻率。因此，眼睛的運動可以歸結(jié)為沿著視軸方向、垂直視軸方向的平移和多方向旋轉(zhuǎn)運動，如圖1（a）～1（c）所示。這些運動會不同程度地影響系統(tǒng)對視網(wǎng)膜區(qū)域的采集，降低多幀圖像直接疊加去噪的有效性。

假設(shè)測量時，SS-OCT 系統(tǒng)的光軸與人眼的視軸完全重合，每幀圖像獲取時間極短。在獲取系列圖像過程中，眼睛沿著軸向方向移動（圖1（a）），則會引起軸向掃描起始點的沿軸移動，在視網(wǎng)膜各層間隔保持不變的情況下將造成圖像的整體軸向平移；當眼睛沿著垂直視軸方向移動時（圖1（b）），系統(tǒng)對視網(wǎng)膜的采樣起始點也會隨之上下移動，造成圖像的整體垂軸平移。因此，眼睛的軸向、垂軸運動使圖像之間存在平移變換，需要通過平移參數(shù)估計實現(xiàn)對圖像間重疊區(qū)域的配準疊加處理。眼睛的旋轉(zhuǎn)現(xiàn)象是一種復雜的生理活動，其運動過程不具規(guī)則性。為了簡化研究，不考慮眼睛旋轉(zhuǎn)（圖1（c））引起的成像區(qū)域錯動，僅對圖像序列中視網(wǎng)膜層狀結(jié)構(gòu)的微小旋轉(zhuǎn)角度進行處理，通過旋轉(zhuǎn)參數(shù)估計實現(xiàn)圖像的去旋轉(zhuǎn)變換。圖1（d）為多角度光線入射的情況。

圖1 OCT 序列圖像錯位原因。（a）眼睛軸向運動；（b）眼睛垂軸運動；（c）眼睛旋轉(zhuǎn)運動；（d）多角度光線入射Fig.1 Analysis of reasons for geometric transformation of OCT sequence images.(a)Axial eye movement;(b)vertical eye movement;(c)rotational eye movement;(d)multi-angle light incidence

OCT 系統(tǒng)的光路特性也會引起圖像畸變。SS-OCT 系統(tǒng)采用振鏡連續(xù)掃描模式，將不同角度的平行光聚焦于眼底不同區(qū)域，通過連續(xù)采集得到一幀完整的二維視網(wǎng)膜B-Scan 圖像。當光線沿光軸垂直入射眼睛時，光線方向為視網(wǎng)膜層的法線方向，實測視網(wǎng)膜層間距離最短；當光線以一定角度入射眼睛時，光線方向偏離視網(wǎng)膜層法線方向，實測層不是層間最短距離，會受入射角度影響呈現(xiàn)非線性變換，即造成圖像中每行掃描線產(chǎn)生了畸變。掃描角度越大，畸變效應(yīng)越嚴重，需要通過非線性估計進行校正。

綜上所述，眼睛的漂移、震顫、微眼跳等生理現(xiàn)象和系統(tǒng)光路特性會影響SS-OCT 系統(tǒng)對視網(wǎng)膜的成像，造成圖像之間存在平移、旋轉(zhuǎn)、畸變等錯位，在疊加平均處理之前必須對多幀圖像進行針對性配準處理。

3 算法設(shè)計

SS-OCT 系統(tǒng)獲取的原始單幀視網(wǎng)膜B-Scan圖像包含500 條A-Scan 掃描線，每行為1 條AScan 軸向掃描線。原始圖像存在大量的散斑噪聲，大部分是不具有所需信息的背景區(qū)域，視網(wǎng)膜結(jié)構(gòu)信息較弱，只有相對較明顯的視網(wǎng)膜上邊界。根據(jù)圖像特征和圖像錯位分析，本文配準算法主要分為預處理、剛性配準和非剛性配準3 部分。首先，根據(jù)圖像的列平均灰度分布劃分感興趣區(qū)域和背景區(qū)域，以減少后續(xù)配準運算時間。然后，利用基于灰度信息的相位相關(guān)（Phase Only-Correlation,POC）算法校正圖像的平移變換，并通過計算圖像間的行灰度投影曲線的匹配度進一步求解垂軸平移量，實現(xiàn)圖像的平移配準；通過擬合視網(wǎng)膜的上邊界作為圖像的幾何特征點迭代匹配確定最佳旋轉(zhuǎn)參數(shù)，并再次按平移方法搜索最佳平移量，實現(xiàn)圖像的剛性配準。最后，以參考圖像的上邊界為標準在最小能量函數(shù)約束條件下對目標圖像進行軸向微平移，校正邊緣區(qū)域的畸變，實現(xiàn)圖像的非剛性配準。算法流程如圖2 所示。

圖2 配準算法流程圖Fig.2 Flow chart of the registration algorithm

3.1 預處理

SS-OCT 系統(tǒng)采集的視網(wǎng)膜B-Scan 圖像包括以視網(wǎng)膜信號為主體的感興趣區(qū)域（Region of Interest,ROI）和大部分無效暗背景區(qū)域（Region of Background,ROB），背景區(qū)域過大會降低圖像配準的速度。因此，本文利用圖像的列平均灰度分布規(guī)律提取感興趣區(qū)域，即先計算各列像素的平均灰度，再以圖像的平均灰度值為閾值劃分感興趣區(qū)域和背景區(qū)域；為保證上邊界的完整性，采用降低左閾值法對ROI 區(qū)域進行微調(diào)整。預處理過程如圖3 所示，圖3（b）為原始圖像（圖3（a））的列平均灰度分布，確定閾值后得到視網(wǎng)膜感興趣區(qū)域（圖3（c））?？紤]成像系統(tǒng)和圖像錯位因素，在圖3（c）中，畫出掃描角度小于±4.5?的RH區(qū)域為視網(wǎng)膜結(jié)構(gòu)信息較為穩(wěn)定的中央?yún)^(qū)域，超出部分則為視網(wǎng)膜信號較弱的邊緣區(qū)域（RL區(qū)域）。

圖3 預處理過程。（a）原始視網(wǎng)膜B-Scan 圖像；（b）列平均灰度分布圖；（c）ROI 圖像Fig.3 Pretreatment process.(a)Original B-Scan image of retinal image;(b)column average gray distribution map;(c)ROI image

3.2 平移配準

眼睛的軸向、垂軸運動引起軸向掃描的全局變化，造成視網(wǎng)膜圖像之間存在平移變換。由于圖像具有散斑噪聲多、干涉信號弱等明顯的特點，導致大部分特征點配準算法難以應(yīng)用，因此本文采用抗噪聲較好的基于灰度信息的POC 算法對圖像進行軸向配準，可以依靠視網(wǎng)膜上邊界的高灰度信息準確估計軸向平移量 ?y。針對圖像在垂軸方向紋理信息較弱的問題，提出基于分段擬合的行灰度投影算法進行校正，通過與POC 算法的雙重作用精確估計垂軸平移量?x。

POC 算法[22?24]利用基于傅立葉變換的平移不變性將圖像在空域中的平移量轉(zhuǎn)化成對POC函數(shù)峰值位置的求取。假設(shè)目標圖像f2(x,y)是由參考圖像f1(x,y)平移得到，對二者進行離散傅立葉變換得到F1(u,v)和F2(u,v)，計算二者互功率譜的相位G(u,v)，再進行反傅立葉變換可得到POC 函數(shù)：

其中，(x,y)為空域圖像的像素坐標，(u,v)是頻域圖像的像素坐標，p(x,y)為POC 函數(shù)的最大峰值。通過計算p(x,y)峰值的位置就可確定兩圖像間的空域平移量(?x,?y)。

針對圖像垂軸信號較弱的問題，對于POC 配準后的多幀圖像，采用行灰度投影算法進行二次配準，可以高速、高精度地估計垂軸平移量，避免了對圖像紋理信息和邊界形狀的依賴性。行灰度投影算法是對圖像的行像素進行投影，得到灰度映射曲線，相應(yīng)的行灰度投影值m(x)的計算公式為：

其中，C為最大列數(shù)，I(x,y)是坐標(x,y)處的像素灰度值。當目標曲線和參考曲線的峰點橫坐標達到最大程度的重合，即曲線對的重疊面積達到最大時，目標圖像才能實現(xiàn)最優(yōu)垂軸配準。為精確估計垂軸平移量，先利用參考曲線谷點集分割曲線對，設(shè)定曲線段長度均值為閾值進行合并處理；通過旋轉(zhuǎn)位于曲線上方的包絡(luò)線重新擬合曲線段，使多峰高度一致；再對曲線段做歸一化處理即可。相應(yīng)的曲線分段、擬合過程如圖4 所示。處理后的曲線對消除了縱坐標差值的影響，可以通過精確計算曲線對的重疊面積估計垂軸平移量。

圖4 分段擬合處理過程。（a）曲線分割結(jié)果（黑色虛線為分割線）；（b）原始曲線段（最佳連接點A、黑色直線為包絡(luò)線）；（c）處理后的曲線段Fig.4 Fitting process of curve segments.(a)Results of curve segmentation(the dotted black line is the segmentation line);(b)original curve segment results(optimal connection point A,the straight black line is the envelope);(c)curve segment after processing

3.3 旋轉(zhuǎn)配準

針對眼睛繞軸轉(zhuǎn)動導致圖像間產(chǎn)生微小旋轉(zhuǎn)變換的問題，本文提出基于視網(wǎng)膜上邊界的特征點迭代方法。視網(wǎng)膜上邊界是具有高灰度值的幾何信息，通過局部搜索策略進行精確提??；以目標邊界作為旋轉(zhuǎn)中心特征點集合，采用迭代方式確定圖像的最佳旋轉(zhuǎn)參數(shù)；按平移配準方法再次確定最佳平移量，實現(xiàn)圖像的剛性配準。

為精確提取強噪聲圖像中的視網(wǎng)膜上邊界，先采用各向異性擴散濾波算法[25?26]對圖像進行濾波，可以在保留邊界細節(jié)的同時降低噪聲干擾。在邊緣區(qū)域內(nèi)，邊界信號明顯強于視網(wǎng)膜內(nèi)部的有效信號和背景信號，通過局部搜索最大灰度像素能夠有效確定上邊界一點，并以該點為基礎(chǔ)采用局部行搜索范圍初步確定上邊界集合{(xm,ym)}。計算相鄰特征點的列坐標差平均值：

其中n為總點數(shù)，根據(jù)統(tǒng)計學規(guī)律可知，當滿足|ym+1?ym|<0.95 md條件時剔除錯誤點，并采用雙線性插值法得到完整、準確的特征點集合。圖5（a）（彩圖見期刊電子版）是上邊界提取過程的示意圖，A點為下邊緣區(qū)域的最大灰度像素點，紅色單箭頭線為行局部搜索范圍，紅色曲線為擬合后的視網(wǎng)膜上邊界。

圖5 剛性配準結(jié)果。（a）上邊界提取過程；（b）平移配準后的疊加圖；（c）旋轉(zhuǎn)配準后的疊加圖（綠色為參考圖像，紫色為目標圖像）Fig.5 Results of rigid registration.(a)Upper boundary extraction process;(b)averaging image after translation registration;(c)averaging image after rotation registration.(Green is the reference image,purple is the target image)

平移配準后的圖像（圖5（b），彩圖見期刊電子版）在中央?yún)^(qū)域具有較好的配準效果，上邊界吻合度較高，可通過POC 算法和灰度投影算法的雙重作用有效校正該區(qū)域的平移變換。因此，以目標中央?yún)^(qū)域內(nèi)的邊界特征點為旋轉(zhuǎn)中心集合，設(shè)定初始旋轉(zhuǎn)角度為θ0，以一定間隔μ 作為步長因子不斷改變(θ=μθ0)旋轉(zhuǎn)角度θ，采用互信息的評價方式求解不同旋轉(zhuǎn)參數(shù)下圖像對的相似性，確定目標圖像的最優(yōu)參數(shù)，實現(xiàn)圖像的去旋轉(zhuǎn)變換；最后通過迭代平移配準方法再次估計最佳平移量。相較于平移配準后的疊加圖（圖5（b）），旋轉(zhuǎn)配準方法明顯提高了疊加圖上邊界的一致性（圖5（c），彩圖見期刊電子版）。

3.4 畸變校正

SS-OCT 系統(tǒng)發(fā)出的近軸光線與光軸的夾角十分微小，在一定的角度范圍內(nèi)可認為是垂直入射到角膜頂點處，可以忽略其對軸向掃描光程的影響，能夠通過剛性配準有效校正中央?yún)^(qū)域的錯位。但隨著掃描角度的增大，軸向掃描光程在系統(tǒng)光學結(jié)構(gòu)的影響下會出現(xiàn)不同程度的變化，導致圖像中視網(wǎng)膜各層間距發(fā)生變化。因此，需針對圖像的邊緣區(qū)域進行局部畸變校正，具體方法是采用圖像對的軸向掃描一對一映射進行非剛性配準變換。

進行配準時，只考慮軸向平移，避免因徑向平移導致軸向掃描的重疊和視網(wǎng)膜拓撲結(jié)構(gòu)的改變。為了進一步提高配準精度，先利用一維高斯濾波器對軸向掃描進行平滑濾波，減少散斑噪聲的影響；在軸向掃描一對一映射的過程中，設(shè)置能量函數(shù)E(?y)作為約束條件，即：

其中，Io(x,y+?y)是目標圖像在坐標(x,y+?y)處的灰度值，Ir(x,y)是參考圖像在坐標(x,y)處的灰度值，D為圖像對上邊界之間的相對距離。能量函數(shù)反映得是一對一軸向掃描的灰度分布差異，在一定的軸向平移范圍(?2D≤?y≤2D)內(nèi)尋找E(?y)的最小值，得到高精度的軸向匹配結(jié)果（圖6，彩圖見期刊電子版）。非剛性配準后的疊加圖及局部放大圖如圖6（b）所示，可見，相較于剛性配準后的疊加圖及局部放大圖（6（a）），非剛性配準校正了圖像的邊緣畸變，避免了重影區(qū)域的產(chǎn)生，提高了圖像的配準精度。

圖6 非剛性配準結(jié)果。（a）剛性配準后的疊加圖及局部放大圖；（b）非剛性配準后的疊加圖及局部放大圖（綠色為參考圖像，紫色為目標圖像）Fig.6 Results of non-rigid registration.(a)Average image obtained after rigid registration;(b)average image obtained after non-rigid registration(The red dashed box represents an enlarged partial view;Green is the reference image,and purple is the target image)

4 測量實驗與結(jié)果

實驗采用自主搭建的視網(wǎng)膜成像SS-OCT 系統(tǒng)，系統(tǒng)光源中心波長為1 060 nm、帶寬為70 nm、頻率為10 kHz（Santec HSL-1），在組織內(nèi)的實際縱向分辨率為9.53μm，實際成像深度為10.83 mm。對活體健康兔眼眼底進行成像（活體兔為新西蘭品種，年齡4 歲，體重2.5 kg），實驗過程遵守動物醫(yī)學倫理要求，得到相關(guān)部門審批。通過對SSOCT 系統(tǒng)采集到的多幀B-Scan 圖像進行配準、疊加處理，得到如圖7 所示的結(jié)果。相較于原始單幀圖像（圖7（a）），配準后的疊加圖像（圖7（b））的有效信號明顯增強，散斑噪聲得到有效去除，且具有清晰、一致的視網(wǎng)膜上邊界。

為了評價本文方法的性能，采用信噪比（Signal-to-Noise Ratio,SNR）和對比度（Contrast-to-Noise Ratio,CNR）的客觀標準來定量分析圖像質(zhì)量，相應(yīng)的計算公式[27]分別為：

式中，μb和 σb分別為背景區(qū)域的平均值和標準差，μe和 σe分別為第k個視網(wǎng)膜有效區(qū)域的平均值和標準差，K為有效區(qū)域的總個數(shù)。以圖8（a）（彩圖見期刊電子版）所示的原始單幀圖像為例，選定一個較大的黃色矩形框為背景區(qū)域和7 個紅色矩形框為視網(wǎng)膜有效區(qū)域（K=10）。利用本文方法、文獻[18]方法和文獻[21]方法對多幀連續(xù)圖像進行配準，計算不同幀數(shù)疊加圖在規(guī)定區(qū)域下的SNR 和CNR 值，相應(yīng)的變化趨勢分別如圖8（b）（彩圖見期刊電子版）和圖8（c）（彩圖見期刊電子版）所示。

圖7 本算法實驗結(jié)果圖。（a）原始單幀圖；（b）配準后的疊加圖Fig.7 The experimental results obtained by the algorithm proposed in this paper.(a)Original single frame image;(b)averaging image after registration

從圖8（b）、8（c）可以看出，隨著疊加幀數(shù)的遞增，本文方法、文獻[18]方法和文獻[21]方法的SNR 和CNR 都不斷提高，但本文方法的結(jié)果始終高于其他兩種方法的結(jié)果，相較于文獻[18]方法，SNR 平均提高了1.12 倍，CNR 平均提高了1.19 倍；相較于文獻[21]方法，SNR 平均提高了1.50 倍，CNR 平均提高了1.48 倍，如表1 所示。由此可知，本文方法是一種高精度的圖像配準方法，可以保證對強噪聲圖像的配準精度，從而能通過多幀疊加平均處理在增強視網(wǎng)膜結(jié)構(gòu)信息的同時有效去除散斑噪聲。

圖8 （a）區(qū)域選擇及SNR（b）和CNR（c）隨疊加幀數(shù)遞增的曲線變化圖Fig.8 (a)Area selection,SNR(b)and CNR(c)curve change with an increasing number of multiple frames

表1 本文配準算法較對比算法的提升效果Tab.1 Improvement performance of proposed algorithm comparing with other algorithms

5 結(jié)論

通過分析眼睛的生理特征和系統(tǒng)的光路特性可知圖像存在平移、旋轉(zhuǎn)、畸變等錯位；針對不同的錯位問題，提出了一種基于灰度分布信息和目標幾何信息相結(jié)合的強噪聲視網(wǎng)膜圖像配準算法，包括目標區(qū)域提取的預處理、全局的剛性配準和局部的非剛性配準3 部分。利用該方法對由自主搭建的SS-OCT 系統(tǒng)采集的視網(wǎng)膜B-Scan 圖像進行配準。配準后，疊加圖像的成像質(zhì)量明顯提高，結(jié)構(gòu)信息顯著增強，邊界吻合度較高，與已有算法相比，性能指標（信噪比和對比度）提升了一倍多。因此，本文算法不過分依賴于圖像的特征信息，對不同程度噪聲污染的視網(wǎng)膜圖像具有高精度的配準效果，通過疊加平均處理可以在減少硬件成本的同時有效提高眼底疾病的診斷準確率，可以促進眼科醫(yī)學領(lǐng)域的發(fā)展，也有助于視網(wǎng)膜三維重建、視網(wǎng)膜三維血流檢測等領(lǐng)域的發(fā)展。