Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
A Weight-Selection Strategy on Training Deep Neural Networks for Imbalanced Classification Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Learning to Deblur Adaptive Optics Retinal Images

verfasst von : Anfisa Lazareva, Muhammad Asad, Greg Slabaugh

Erschienen in: Image Analysis and Recognition

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this paper we propose a blind deconvolution approach for reconstruction of Adaptive Optics (AO) high-resolution retinal images. The framework employs Random Forest to learn the mapping of retinal images onto the space of blur kernels expressed in terms of Zernike coefficients. A specially designed feature extraction technique allows inference of blur kernels for retinal images of various quality, taken at different locations of the retina. This model is validated on synthetically generated images as well as real AO high-resolution retinal images. The obtained results on the synthetic data showed an average root-mean-square error of 0.0051 for the predicted blur kernels and 0.0464 for the reconstructed images, compared to the ground truth (GT). The assessment of the reconstructed AO retinal images demonstrated that the contrast, sharpness and visual quality of the images have been significantly improved.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Automatic Detection of Globules, Streaks and Pigment Network Based on Texture and Color Analysis in Dermoscopic Images
Nächstes Kapitel A Deep Neural Network for Vessel Segmentation of Scanning Laser Ophthalmoscopy Images
Literatur
1.
Rao, C., Yu, T., Hua, B.: Topics in adaptive optics. AO-based high resolution image post-processing. In: Tyson, R.K. (eds.) Topics in Adaptive Optics, pp. 69–94. InTech (2012)
2.
Arines, J.: Partially compensated deconvolution from wavefront sensing images of the eye fundus. Opt. Commun. 284(6), 1548–1552 (2011)CrossRef
3.
Christou, J.C., Roorda, A., Williams, D.R.: Deconvolution of adaptive optics retinal images. J. Opt. Soc. Am. A. Opt. Image Sci. Vis. 21(8), 1393–1401 (2004)CrossRef
4.
Blanco, L., Mugnier, L.M.: Marginal blind deconvolution of adaptive optics retinal images. Opt. Express 19(23), 23227 (2011)CrossRef
5.
Li, H., Lu, J., Shi, G., Zhang, Y.: Real-time blind deconvolution of retinal images in adaptive optics scanning laser ophthalmoscopy. Opt. Commun. 284(13), 3258–3263 (2011)CrossRef
6.
Chenegros, G., Mugnier, L.M., Lacombe, F., Glanc, M.: 3D phase diversity: a myopic deconvolution method for short-exposure images: application to retinal imaging. J. Opt. Soc. Am. A 24(5), 1349 (2007)CrossRef
7.
Fanello, S.R., Keskin, C., Kohli, P., Izadi, S., Shotton, J., Criminisi, A., Pattacini, U., Paek T.: Filter forests for learning data-dependent convolutional kernels. In: IEEE CVPR, pp. 1709–1716 (2014)
8.
Schuler, C.J., Burger, H.C., Harmeling, S., Scholkopf, B.: A machine learning approach for non-blind image deconvolution. In: IEEE CVPR, pp. 1067–1074 (2013)
9.
Dalal, N., Triggs, B.: Histograms of oriented gradients for human detection. CVPR 1, 886–893 (2005)
10.
Lazareva, A., Liatsis, P., Rauscher, F.G.: An automated image processing system for the detection of photoreceptor cells in adaptive optics retinal images. In: IWSSIP, pp. 196–199 (2015)
11.
Atchison, D.A., Bradley, A., Thibos, L.N., Smith, G.: Useful variations of the Badal Optometer. Optom. Vis. Sci. 72(4), 279–284 (1995)CrossRef
12.
Noll, R.J.: Zernike polynomials and atmospheric turbulence. J. Opt. Soc. Am. 66(3), 207 (1976)CrossRef
13.
Thibos, L.N., Bradley, A., Hong, X.: A statistical model of the aberration structure of normal, well-corrected eyes. Ophthalmic Physiol. Opt. 22(5), 427–433 (2002)CrossRef
14.
Valeshabad, A.K., Wanek, J., Grant, P., Lim, J.I., Chau, F.Y., Zelkha, R., Camardo, N., Shahidi, M.: Wavefront error correction with adaptive optics in diabetic retinopathy. Optom. Vis. Sci. 91(10), 1238–1243 (2014)CrossRef
15.
Mariotti, L., Devaney, N.: Performance analysis of cone detection algorithms. J. Opt. Soc. Am. A 32(4), 497 (2015)CrossRef
16.
Lazareva, A., Liatsis, P., Rauscher, F.G.: Hessian-LoG filtering for enhancement and detection of photoreceptor cells in adaptive optics retinal images. J. Opt. Soc. Am. A 33(1), 84 (2015)CrossRef
17.
Lucy, L.B.: An iterative technique for the rectification of observed distributions. Astron. J. 79, 745 (1974)CrossRef
18.
Richardson, W.H.: Bayesian-based iterative method of image restoration. J. Opt. Soc. Am. 62(1), 55 (1972)CrossRef
19.
Sroubek, F., Milanfar, P.: Robust multichannel blind deconvolution via fast alternating minimization. IEEE Trans. Image Process. 21(4), 1687–1700 (2012)MathSciNetCrossRef
20.
Peli, E.: Contrast in complex images. J. Opt. Soc. Am. A 7(10), 2032 (1990)CrossRef
21.
Kanjar, D., Masilamani, V.: A new no-reference image quality measure for blurred images in spatial domain. J. Image Graph. 1(1), 39–42 (2013)CrossRef
Metadaten
Titel
Learning to Deblur Adaptive Optics Retinal Images
verfasst von
Anfisa Lazareva
Muhammad Asad
Greg Slabaugh
Copyright-Jahr
2017
Buch
Image Analysis and Recognition

Print ISBN: 978-3-319-59875-8

Electronic ISBN: 978-3-319-59876-5

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-59876-5_55

Premium Partner

    Bildnachweise