1 Úvod

V každodenním životě je pro poskytování lepších služeb lidstvu nezbytný prostor pro zdokonalování technologií. Diagnostika pacientů se stává obtížnou kvůli nízké kvalitě diagnostických snímků při některých složitých zobrazovacích postupech, které poskytují nesprávné informace. Podle nejnovějších průzkumů publikovaných v renomovaných časopisech se počet úmrtí na základě nesprávné diagnózy každoročně zvyšuje. Lékařské zobrazování je pokročilá technologie pro diagnostiku různých částí lidského těla. Obvykle dochází při zpracování snímků získaných pomocí různých zařízení ke zkreslení a přidává se šum, čímž se zhoršuje kvalita snímku. Proto je obtížné analyzovat kritické stavy pacienta, což vede k požadavku na vylepšení snímků. Různé lékařské zobrazovací techniky pro analýzu lidských částí jsou počítačová tomografie (CT), magnetická rezonance (MRI), pozitronová emisní tomografie (PET), rentgen atd. Hlavním problémem lékařských snímků je nízký kontrast, který zhoršuje kvalitu obrazu, a pro správnou diagnózu je nutné takové snímky vylepšit. Předchozí práce technik vylepšování byly založeny na rozmazávání, filtrování a zostřování obrazových prvků, jako jsou hrany, hranice nebo kontrast, aby byl obraz vhodný pro lepší analýzu, a na vylepšování jasové složky, což pouze zvyšuje jas obrazu. Mezi techniky vylepšování šedých obrazů patří především konvenční metody, jako je vyrovnání histogramu (HE), lokální vyrovnání histogramu (LHE) a globální vyrovnání histogramu (GHE). Hlavními omezeními těchto technik jsou však nepříjemné vizuální artefakty, jako je nadměrné zesílení, nasycení úrovní a zvýšená úroveň šumu. K jejich překonání byly navrženy techniky jako Brightness-Preserving Bihistogram Equalization (BBHE) a Dualistic Subimage Histogram Equalization (DSIHE), které nedokázaly odstranit impulsní šum.

V navrhované práci bylo provedeno vylepšení barevného i šedého lékařského obrazu. Vylepšení barevného obrazu zahrnuje použití techniky adaptivního vyrovnání histogramu (AHE) na saturační (S) a hodnotovou (V) složku; ke zlepšení celkového dynamického rozsahu obrazů je použita technika roztažení kontrastu a dále je vylepšena jasová složka V pomocí adaptivní zpětné vazby sytosti. V technice vylepšení šedých obrazů je dosaženo zostření hran pomocí Laplaciánova filtru následovaného AHE, který překonává nevýhody konvenčních metod. V posledních letech je rostoucím trendem zaznamenávání údajů o pacientech pro účely lékařské dokumentace a výzkumné analýzy. Filtrování šumu nebo vylepšení splňuje hlavní cíl diagnostiky a pomáhá lékařům rozhodnout o abnormalitě.

Zlepšení lékařských obrazů zahrnuje různé metody, jako je stacionární vlnková transformace, násobení parametrizovaného logaritmického zpracování obrazu (PLIP), adaptivní práh, adaptivní neostré maskování, adaptivní vyrovnání histogramu, adaptivní zvýšení kontrastu v sousedství, globální roztažení kontrastu a techniky adaptivního vyrovnání histogramu s omezením kontrastu (SCLAHE). Gohshi navrhl novou nelineární metodu zpracování signálu, která vytváří vysokofrekvenční složky, čímž zlepšuje rozlišení rozmazaného obrazu. Tento model je velmi jednoduchý pro instalaci do videosystémů pracujících v reálném čase, jako jsou například gastrokamerové systémy. Raj Mohan a Thirugnanam navrhli dualistické techniky vylepšení a segmentace založené na vyrovnávání histogramů dílčích obrazů. Výsledky ukazují, že navrhovaná metoda je účinnější než technika hierarchického seskupování. Sengee a kol. navrhli váhové seskupení histogramů, v němž se každému nenulovému binu histogramu původního obrazu přiřadí samostatný shluk a vypočítá se jeho váha. Tato čísla shluků jsou pak redukována třemi navrhujícími kritérii a očekává se, že získají stejné rozdělení jako výsledný histogram obrazu. Nakonec se na základě tradiční metody GHE vypočítají a analyzují transformační funkce pro subhistogram každého shluku v nově získaných oddílech histogramu výsledného obrazu a úrovně šedi subhistogramu se mapují na výsledný obraz pomocí příslušných transformačních funkcí.

Wang a kol. navrhli novou metodu mapování histogramů, která využívá rychlý mechanismus generování lokálních rysů k vytvoření kombinovaného histogramu, který představuje lokální prostředky voxelu a také úrovně šedi. Jednotlivé části tohoto kombinovaného histogramu, které jsou rozděleny podle jednotlivých vrcholů, jsou nezávisle mapovány do cílové stupnice histogramu s omezením, že konečný výsledný histogram musí zůstat co nejrovnoměrnější. Yu a Wang navrhli automatické globální zvýšení kontrastu pomocí optimalizace variací. Energetická funkce je formulována jako úplná kombinace vyrovnání histogramu a kvadratické regularizace omezení zkreslení. Očekávaná transformace úrovně šedi obrazu je získána prostřednictvím mini-max optimalizačního procesu, který stanoví obecný rámec pro vytvoření mechanismů regularizace histogramu zkreslením pro globální nebo prostorově adaptivní zvýšení kontrastu.

Somasekar a Eswara Reddy navrhli účinný algoritmus pro zachování podstatných detailů mikroskopických obrazů krve infikované malárií pomocí gama ekvalizace. Hlavním tématem této metody je nejprve převést vstupní barevný obraz krve do stupnice šedi a poté vypočítat hodnotu rozsahu pro obraz γ. řádu obrazu ve stupnici šedi. Poté se vypočtou hodnoty Look-Up-Table (LUT) a hodnoty intenzity pixelů obrazu ve stupních šedi se převedou na hodnoty LUT, které později poskytují konečné výsledky obrazu se zvýšeným kontrastem zachováním podstatných detailů.

Moradi a kol. navrhli metodu pro zvýšení kvality obrazů získaných neinvazivním zařízením nazvaným Wireless Capsule Endoscopy (WCE) pomocí odstranění šumu a zvýšení kontrastu (RNCE) pro identifikaci gastrointestinálních problémů. Zdá se, že parametry hodnocení kvality obrazu, jako je index strukturální podobnosti (SSIM), poměr špičkového signálu k šumu (PSNR) a strukturální podobnost založená na hranách (ESSIM), se díky této technice účinně zlepšují, což zase znamená, že díky této technice se kvalita obrazů WCE účinně zlepšila. Tiwari a Gupta navrhli globální zvýšení kontrastu pomocí gama korekce následované homomorfním filtrováním pro zostření obrazu s cílem zachovat jas lékařských snímků.

Kontrast obrazu se zvyšuje pomocí dekompozice singulární hodnoty, zvýšení dynamického rozsahu a metod super rozlišení navržených v Refs. Contrast-Limited Adaptive Histogram Equalization (CLAHE) využívající koncepty algoritmu Least Mean Square (LMS) je implementována pomocí homomorfního filtru spolu s AHE, které poskytují lepší výsledky . Dále se při vylepšování lékařských obrazů používá modifikované vylepšení kontrastu založené na histogramu s využitím homomorfního filtru, top-hat transformace a filtrů anizotropní difúze . Chaira navrhl novou metodu pro vylepšení hran obrazu pomocí intuicionistického přístupu teorie fuzzy množin; informace o hranách je vylepšena pomocí filtru s pořadovým číslem pomocí výpočtu celkové odchylky mezi pixely v okně obrazu a mediánem. Rui a kol. navrhli hybridní metodu založenou na anizotropní difúzi (AD) pro potlačení skvrn a vylepšení hran. Byly použity denoisingové vlastnosti tří technik – mediánového filtrování, vylepšeného filtrování AD a filtrování izotropní difuzí.

Hossain a kol. navrhli techniku nelineárního vylepšení obrazu v transformační doméně pomocí vyrovnání histogramu transformačních koeficientů s použitím míry vylepšení (EME) jako míry výkonu pro vylepšení obrazu. Zpracování obrazů zahrnuje globální korekci dynamického rozsahu a lokální zvýšení kontrastu. Wen a kol. navrhli algoritmus vylepšení obrazu pro rentgenové snímky s nízkým jasem, nízkým kontrastem a šumem založený na homomorfním filtrování v oblasti waveletů a adaptivním vyrovnávání histogramů s omezením kontrastu. Zpočátku se obraz rozkládá pomocí waveletové transformace na nízkofrekvenční a vysokofrekvenční koeficienty první vrstvy waveletové domény. Nízkofrekvenční koeficienty se zpracují pomocí vylepšeného homomorfního filtru a poté se lineárně zesílí a podobně se zpracují vysokofrekvenční koeficienty pomocí waveletového prahového smrštění a poté se provede waveletová rekonstrukce. Nakonec se použije adaptivní vyrovnání histogramu s omezením kontrastu k úpravě histogramu obrazu, čímž se zpracování dokončí. Tato technika pomáhá zlepšit jas a kontrast, redukovat šum lépe než tradiční algoritmy vylepšení.

Jindal a kol. navrhli novou techniku vylepšení biomedicínských obrazů, která zlepšuje kvalitu obrazů. Tato technika zahrnuje především metody, jako je detekce hran, vyhlazování, transformace podle mocninného zákona a filtr s vysokým zesílením. Tato technika se používá hlavně na tmavé lékařské snímky a výsledek se ověřuje porovnáním entropie při různých hodnotách gama; další ověření zahrnuje také vizualizaci člověkem. Tato technika poskytuje lepší kvalitu, což ji činí vhodnou pro předzpracování lékařských obrazových aplikací

.