1 Einleitung

Im täglichen Leben ist der Spielraum für Verbesserungen in der Technologie notwendig, um der Menschheit bessere Dienste zu leisten. Bei bestimmten komplexen bildgebenden Verfahren, die falsche Informationen liefern, wird die Diagnose von Patienten durch die schlechte Qualität der diagnostischen Bilder erschwert. Die Zahl der Todesfälle aufgrund von Fehldiagnosen steigt jedes Jahr, wie jüngste, in renommierten Fachzeitschriften veröffentlichte Untersuchungen zeigen. Die medizinische Bildgebung ist eine fortschrittliche Technologie zur Diagnose verschiedener Teile des menschlichen Körpers. Im Allgemeinen werden die mit verschiedenen Geräten aufgenommenen Bilder bei der Verarbeitung verzerrt, und das Rauschen summiert sich, wodurch sich die Bildqualität verschlechtert. Dadurch wird es schwierig, den kritischen Zustand des Patienten zu analysieren, was zu der Forderung nach einer Verbesserung der Bilder führt. Zu den verschiedenen medizinischen Bildgebungsverfahren für die Analyse menschlicher Körperteile gehören die Computertomographie (CT), die Magnetresonanztomographie (MRT), die Positronen-Emissions-Tomographie (PET), Röntgenaufnahmen usw. Das Hauptproblem bei medizinischen Bildern ist der geringe Kontrast, der die Bildqualität verschlechtert, und die Bildverbesserung solcher Bilder ist für eine korrekte Diagnose unerlässlich. Die bisherigen Techniken zur Bildverbesserung basierten auf Entschärfung, Filterung und Schärfung von Bildmerkmalen wie Kanten, Grenzen oder Kontrast, um das Bild für eine bessere Analyse geeignet zu machen, sowie auf der Verbesserung der Luminanzkomponente, die lediglich die Helligkeit des Bildes erhöht. Zu den Techniken zur Verbesserung von Graubildern gehören hauptsächlich herkömmliche Methoden wie Histogrammausgleich (HE), lokaler Histogrammausgleich (LHE) und globaler Histogrammausgleich (GHE). Die Haupteinschränkungen dieser Techniken sind jedoch unangenehme visuelle Artefakte wie Überbetonung, Sättigung und erhöhtes Rauschen. Um diese zu überwinden, wurden Techniken wie Brightness-Preserving Bihistogram Equalization (BBHE) und Dualistic Subimage Histogram Equalization (DSIHE) vorgeschlagen, die jedoch nicht in der Lage waren, das Impulsrauschen zu entfernen.

In der vorgeschlagenen Arbeit wurde die Verbesserung sowohl von Farb- als auch von medizinischen Graubildern durchgeführt. Die Farbbildverbesserung beinhaltet die Anwendung der adaptiven Histogrammausgleichstechnik (AHE) auf die Sättigungs- (S) und Wertkomponenten (V); die Kontrastdehnungsmethode wird angewandt, um den gesamten Dynamikbereich der Bilder zu verbessern, und die Luminanzkomponente V wird durch adaptive Sättigungsrückkopplung verbessert. Bei der Graubildverbesserung werden die Kanten mit Hilfe eines Laplacian-Filters, gefolgt von AHE, geschärft, wodurch die Nachteile der herkömmlichen Methoden überwunden werden. In den letzten Jahren geht der Trend immer mehr dahin, Patientendaten für die medizinische Dokumentation und Forschungsanalyse aufzuzeichnen. Die Filterung des Rauschens oder der Verbesserung erfüllt das Hauptziel der Diagnose und hilft den Ärzten, die Abnormität zu bestimmen.

Die medizinische Bildverbesserung umfasst verschiedene Methoden wie die stationäre Wavelet-Transformation, die parametrisierte logarithmische Bildverarbeitungsmultiplikation (PLIP), die adaptive Schwelle, die adaptive unscharfe Maskierung, die adaptive Histogramm-Entzerrung, die adaptive Nachbarschaftskontrastverbesserung, die globale Kontraststreckung und die scharfe kontrastbegrenzte adaptive Histogramm-Entzerrung (SCLAHE). Gohshi schlug ein neuartiges nichtlineares Signalverarbeitungsverfahren vor, das die Hochfrequenzkomponenten erzeugt und dadurch die Auflösung des unscharfen Bildes verbessert. Das Modell ist sehr einfach in Echtzeit-Videosystemen wie Gastroskopie-Kamerasystemen zu installieren. Raj Mohan und Thirugnanam schlugen dualistische, auf Histogrammausgleich basierende Techniken zur Verbesserung und Segmentierung von Teilbildern vor. Die Ergebnisse zeigen, dass die vorgeschlagene Methode effizienter ist als die hierarchische Gruppierungstechnik. Sengee et al. schlugen eine Histogrammausgleichsmethode mit Gewichtsclustern vor, bei der jedes Nicht-Null-Bin des Histogramms eines Originalbildes einem Cluster zugewiesen und dessen Gewicht berechnet wird. Diese Clusternummern werden dann anhand von drei Kriterien reduziert, und es wird erwartet, dass sie die gleichen Unterteilungen wie das resultierende Bildhistogramm erhalten. Schließlich werden Transformationsfunktionen für das Subhistogramm jedes Clusters berechnet und auf der Grundlage der traditionellen GHE-Methode in den neu erhaltenen Partitionen des resultierenden Bildhistogramms analysiert, und die Graustufen des Subhistogramms werden durch die entsprechenden Transformationsfunktionen auf das resultierende Bild abgebildet.

Wang et al. schlugen eine neuartige Histogramm-Mapping-Methode vor, die einen schnellen Mechanismus zur Erzeugung lokaler Merkmale verwendet, um ein kombiniertes Histogramm zu erstellen, das die lokalen Mittelwerte der Voxel und auch die Graustufen darstellt. Die verschiedenen Teile dieses kombinierten Histogramms, die durch einzelne Peaks getrennt sind, werden unabhängig voneinander auf die Zielhistogrammskala abgebildet, wobei das endgültige Histogramm so einheitlich wie möglich sein muss. Yu und Wang schlugen eine automatische globale Kontrastverbesserung durch Variationsoptimierung vor. Die Energiefunktion wird als eine vollständige Kombination aus Histogrammausgleich und quadratischer Verzerrungsregulierung formuliert. Die erwartete Graustufentransformation des Bildes wird durch einen Mini-Max-Optimierungsprozess ermittelt, der einen allgemeinen Rahmen für die Einrichtung von Mechanismen zur Histogrammausgleichung mit Verzerrungsregulierung für die globale oder räumlich adaptive Kontrastverbesserung bildet.

Somasekar und Eswara Reddy schlugen einen effizienten Algorithmus vor, um die wesentlichen Details mikroskopischer Bilder von malariainfiziertem Blut mit Hilfe der Gamma-Entzerrung zu erhalten. Das Hauptthema dieser Methode ist die Umwandlung des farbigen Blutbildes in ein Graustufenbild und die anschließende Berechnung des Bereichswertes für das Bild γ-ter Ordnung eines Graustufenbildes. Anschließend werden die Werte der Look-Up-Table (LUT) berechnet und die Pixelintensitätswerte des Graustufenbildes in LUT-Werte umgewandelt, die später die Endergebnisse des kontrastverstärkten Bildes ergeben, wobei die wesentlichen Details erhalten bleiben.

Moradi et al. schlugen eine Methode zur Verbesserung der Qualität der Bilder vor, die von einem nichtinvasiven Gerät namens Wireless Capsule Endoscopy (WCE) durch Rauschentfernung und Kontrastverstärkung (RNCE) zur Identifizierung von Magen-Darm-Problemen gewonnen wurden. Die Parameter zur Bewertung der Bildqualität wie der strukturelle Ähnlichkeitsindex (SSIM), das Signal-Rausch-Verhältnis (PSNR) und die kantenbasierte strukturelle Ähnlichkeit (ESSIM) scheinen sich durch diese Technik effizient zu verbessern, was wiederum bedeutet, dass die Qualität der WCE-Bilder durch diese Technik effizient verbessert wurde. Tiwari und Gupta schlugen eine globale Kontrastverbesserung mit Gammakorrektur und anschließender homomorpher Filterung zur Bildschärfung vor, um die Helligkeit medizinischer Bilder zu erhalten.

Der Kontrast eines Bildes wird mit Hilfe von Singular Value Decomposition, Dynamic Range Enhancement und Superresolution-Methoden verbessert, die in den Referenzen vorgeschlagen werden. Die kontrastbegrenzte adaptive Histogramm-Entzerrung (CLAHE), die Konzepte des LMS-Algorithmus (Least Mean Square) verwendet, wird mit homomorphen Filtern zusammen mit der AHE implementiert, die bessere Ergebnisse liefern. Darüber hinaus wird die modifizierte Histogramm-basierte Kontrastverbesserung mit homomorphen Filtern, Top-Hat-Transformation und anisotropen Diffusionsfiltern in der medizinischen Bildverbesserung eingesetzt. Chaira schlug eine neuartige Methode zur Verbesserung der Bildkanten vor, bei der ein intuitionistischer, unscharfer mengentheoretischer Ansatz verwendet wird; die Kanteninformationen werden mit Hilfe eines Filters mit Rangfolge verbessert, indem die Gesamtvariation zwischen den Pixeln im Bildfenster und dem Median berechnet wird. Rui et al. schlugen eine hybride Methode auf der Grundlage der anisotropen Diffusion (AD) zur Unterdrückung von Flecken und zur Verbesserung der Kanten vor. Die Rauschunterdrückungseigenschaften von drei Techniken – Medianfilterung, verbesserte AD-Filterung und isotrope Diffusionsfilterung – wurden genutzt.

Hossain et al. schlugen eine nichtlineare Bildverbesserungstechnik in der Transformationsdomäne durch Transformationskoeffizienten-Histogrammausgleich vor, bei der das Enhancementmaß (EME) als Leistungsmaß für die Bildverbesserung verwendet wird. Die Bildverarbeitung umfasst eine globale Dynamikbereichskorrektur und eine lokale Kontrastverbesserung. Wen et al. schlugen einen Bildverbesserungsalgorithmus für Röntgenbilder mit geringer Helligkeit, geringem Kontrast und Rauschen vor, der auf homomorpher Filterung im Wavelet-Bereich und kontrastbegrenzter adaptiver Histogrammentzerrung basiert. Zunächst wird das Bild durch Wavelet-Transformation in niederfrequente und hochfrequente Koeffizienten der ersten Wavelet-Schicht zerlegt. Die niederfrequenten Koeffizienten werden mit einem verbesserten homomorphen Filter verarbeitet und dann linear verstärkt, während die hochfrequenten Koeffizienten mit einer Wavelet-Schwellenwertschrumpfung verarbeitet werden. Schließlich wird die kontrastbegrenzte adaptive Histogrammentzerrung angewendet, um das Bildhistogramm zu verändern und die Verarbeitung abzuschließen. Diese Technik ist hilfreich bei der Verbesserung von Helligkeit und Kontrast sowie bei der Verringerung des Rauschens besser als herkömmliche Verbesserungsalgorithmen.

Jindal et al. schlugen eine neue Technik zur Verbesserung biomedizinischer Bilder vor, die die Qualität der Bilder verbessert. Die Technik umfasst hauptsächlich Methoden wie Kantenerkennung, Glättung, Potenzgesetz-Transformation und High-Boost-Filter. Diese Technik wird hauptsächlich auf dunkle medizinische Bilder angewandt, und das Ergebnis wird durch den Vergleich der Entropie bei verschiedenen Gamma-Werten überprüft; die weitere Überprüfung umfasst auch die menschliche Visualisierung. Diese Technik bietet eine bessere Qualität und ist daher für die Vorverarbeitung medizinischer Bilder geeignet.