【阅读笔记】无背景的阴影校正-Simple Shading Correction Method for Brightfield Whole Slide Imaging

AomanHao

2026 年 02 月 01 日

13 次浏览

暂无评论

1299字数

ISP图像处理相关

## 一、论文应用场景

这篇文章应用场景是细胞亮场全玻片成像分析，改善画面暗角或者阴影，只需要采集多帧不同分析场景的图像，**无需纯背景图像**的就可以校正阴影。

**核心思想是：** 从多帧图像堆中提取平场失真模型（flat-field distortion），然后计算阴影校正参数，最后校正图像。

**重要前提：** 明场成像的背景像素（无细胞遮挡）比前景像素亮。

## 二、论文计算步骤

### 2.1：构造候选平场模型（Flat-field Candidates）

1、采集一组亮场图像序列（如20张）

2、对每个像素位置（k），在R/G/B三通道分别排序该位置在所有图像中的亮度值

3、构造n个候选模型，第1个模型由“最亮像素”构成，第n个由“最暗像素”构成

4、合并三通道 → 得到n个RGB候选平场模型

> 直观理解：最高值候选（第1个）理论上最接近纯背景，但可能包含灰尘/气泡等伪影

#### **2.2: 最优模型选择**

使用**局部变异系数（Local Coefficient of Variation, LCoV）** 选择最纯净的背景图：

$$
S_{R_i} = \sum_k \frac{\sigma_{R_i}(k)}{\mu_{R_i}(k)}
$$

- $\sigma_{R_i}(k)$: 候选 i 在像素 k 处的局部标准差（5×5滑动窗口）
- $\mu_{R_i}(k)$: 局部均值
- 滑动窗口（5×5）计算局部标准差σ与均值μ
  - 得分越低 → 越平滑 → 伪影越少
- **选择策略**: 选择$ S_{R_i} $最小的候选，画面纯净，没有检测物

![](https://www.aomanhao.top/images/Paper/2020_LSCSSC_IMG.png)

如上图所示，第一组图是不同的检测物图像，按照多帧每个像素选择局部最大值，并进行排序，得到第二组图。

第二组图序号越靠前，当前像素在多帧画面中响应最高，响应最低的（有检测物）的拍到后面，n-5，n-4等，响应低的不考虑

最终，选择第二组图的前几张图的某一张更均匀纯净的作为背景图，后续进行校正参数计算。

[测试代码路径](https://github.com/AomanHao/AomanHao_example_of_algorithms/tree/main/5-ISP_LSC)

---

### [我的个人博客主页，欢迎访问](https://www.aomanhao.top/)

### [我的CSDN主页，欢迎访问](https://blog.csdn.net/Aoman_Hao)

### [我的GitHub主页，欢迎访问](https://github.com/AomanHao)

### [我的知乎主页，欢迎访问](https://www.zhihu.com/people/aomanhao-hao)

最后修改：2026 年 02 月 01 日

如果觉得我的文章对你有用，请随意赞赏

【阅读笔记】无背景的阴影校正-Simple Shading Correction Method for Brightfield Whole Slide Imaging

AomanHao • 2026 年 02 月 01 日

发表评论 取消回复 使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

【阅读笔记】无背景的阴影校正-Simple Shading Correction Method for Brightfield Whole Slide Imaging

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款