1 Introduction

Dans la vie quotidienne, la portée de l’amélioration de la technologie est nécessaire pour fournir un meilleur service à l’humanité. Il devient difficile de diagnostiquer les patients en raison de la mauvaise qualité des images diagnostiques dans certaines procédures complexes d’imagerie qui fournissent des informations erronées. Le nombre de décès dus à un diagnostic erroné augmente chaque année selon les dernières études publiées dans des revues réputées. L’imagerie médicale est une technologie avancée pour diagnostiquer les différentes parties du corps humain. En général, lors du traitement, les images obtenues à l’aide de divers équipements subissent des déformations et le bruit s’ajoute, ce qui dégrade la qualité de l’image. Il devient donc difficile d’analyser la criticité du patient, d’où la nécessité d’améliorer les images. Les différentes techniques d’imagerie médicale pour l’analyse des parties humaines sont la tomographie par ordinateur (CT), l’imagerie par résonance magnétique (IRM), la tomographie par émission de positons (PET), les rayons X, etc. Le faible contraste est le principal problème des images médicales, qui détériore la qualité de l’image, et l’amélioration de ces images est indispensable pour un bon diagnostic. Les travaux antérieurs sur les techniques d’amélioration étaient basés sur le débrouillage, le filtrage et l’accentuation des caractéristiques de l’image telles que les bords, les frontières ou le contraste, afin de rendre l’image apte à une meilleure analyse et d’améliorer la composante de luminance, ce qui ne fait qu’augmenter la luminosité de l’image. Les techniques d’amélioration des images grises comprennent principalement des méthodes conventionnelles comme l’égalisation d’histogramme (HE), l’égalisation d’histogramme local (LHE) et l’égalisation d’histogramme global (GHE). Cependant, les principales limites de ces techniques sont des artefacts visuels désagréables tels qu’un rehaussement excessif, une saturation du niveau et un niveau de bruit élevé. Pour les surmonter, des techniques comme l’égalisation du bihistogramme préservant la luminosité (BBHE) et l’égalisation du histogramme de sous-image dualiste (DSIHE) ont été suggérées, mais elles n’ont pas réussi à éliminer le bruit d’impulsion.

Dans le travail proposé, l’amélioration de l’image médicale en couleur et en gris a été effectuée. L’amélioration de l’image couleur implique l’application de la technique d’égalisation adaptative d’histogramme (AHE) aux composantes de saturation (S) et de valeur (V) ; la technique d’étirement du contraste est appliquée pour améliorer la gamme dynamique globale des images et la composante de luminance V est améliorée en utilisant une rétroaction adaptative de saturation. Dans la technique d’amélioration des images grises, la netteté des bords est obtenue en utilisant le filtre Laplacien suivi de l’AHE qui surmonte les inconvénients des méthodes conventionnelles. Ces dernières années, la tendance croissante est d’enregistrer les données du patient pour la documentation médicale et l’analyse de recherche. Le filtrage du bruit ou de l’amélioration satisfait l’objectif principal du diagnostic et aide les médecins à décider de l’anomalie.

L’amélioration des images médicales fait appel à diverses méthodes telles que la transformée en ondelettes stationnaires, la multiplication du traitement d’image logarithmique paramétré (PLIP), le seuil adaptatif, le masquage non net adaptatif, l’égalisation d’histogramme adaptatif, l’amélioration du contraste adaptatif de voisinage, l’étirement du contraste global et les techniques d’égalisation d’histogramme adaptatif à contraste limité (SCLAHE). Gohshi a proposé une nouvelle méthode non linéaire de traitement du signal qui crée les composantes haute fréquence, améliorant ainsi la résolution de l’image floue. Le modèle est très simple à installer dans les systèmes vidéo en temps réel tels que les systèmes de caméras de gastrocopie. Raj Mohan et Thirugnanam ont proposé des techniques de rehaussement et de segmentation basées sur l’égalisation d’histogrammes de sous-images dualistes. Les résultats montrent que la méthode proposée est plus efficace que la technique de regroupement hiérarchique. Sengee et al. ont proposé une égalisation d’histogramme par regroupement de poids, dans laquelle chaque case non nulle de l’histogramme d’une image originale est affectée à la séparation d’un groupe et au calcul de son poids. Ces nombres de clusters sont ensuite réduits par trois critères de suggestion et sont censés acquérir les mêmes partitions que l’histogramme de l’image résultante. Enfin, les fonctions de transformation pour le sous-histogramme de chaque cluster sont calculées et analysées sur la base de la méthode traditionnelle GHE dans les nouvelles partitions obtenues de l’histogramme de l’image résultante, et les niveaux de gris du sous-histogramme sont mis en correspondance avec l’image résultante par les fonctions de transformation respectives.

Wang et al. ont proposé une nouvelle méthode de mise en correspondance des histogrammes, qui utilise un mécanisme de génération rapide de caractéristiques locales pour construire un histogramme combiné, qui représente les moyennes locales du voxel et également les niveaux de gris. Les différentes parties de cet histogramme combiné, qui sont séparées par des pics individuels, sont mappées indépendamment dans l’échelle de l’histogramme cible sous la contrainte que l’histogramme final résultant doit rester aussi uniforme que possible. Yu et Wang ont proposé une amélioration automatique du contraste global en utilisant l’optimisation des variations. La fonction d’énergie est formulée comme une combinaison complète d’égalisation d’histogramme et de régularisation de contrainte de distorsion quadratique. La transformation attendue du niveau de gris de l’image est acquise par le biais d’un processus d’optimisation mini-maxi, ce qui établit un cadre générique pour établir des mécanismes d’égalisation d’histogramme régularisés par la distorsion pour l’amélioration du contraste global ou spatialement adaptatif.

Somasekar et Eswara Reddy ont proposé un algorithme efficace pour conserver les détails essentiels des images microscopiques du sang infecté par le paludisme en utilisant l’égalisation gamma. Le thème principal de cette méthode est de convertir initialement l’image de sang en couleur d’entrée en échelle de gris, puis de calculer la valeur de la gamme pour l’image d’ordre γ d’une image en échelle de gris. Les valeurs de Look-Up-Table (LUT) sont ensuite calculées et les valeurs d’intensité des pixels de l’image en échelle de gris sont converties en valeurs LUT, qui donnent plus tard les résultats finaux de l’image améliorée en contraste en préservant les détails essentiels.

Moradi et al. ont proposé une méthode pour améliorer la qualité des images obtenues par un dispositif non invasif appelé Wireless Capsule Endoscopy (WCE) par suppression du bruit et amélioration du contraste (RNCE) pour l’identification des problèmes gastro-intestinaux. Les paramètres d’évaluation de la qualité des images, tels que l’indice de similarité structurelle (SSIM), le rapport signal-bruit de pointe (PSNR) et la similarité structurelle basée sur les contours (ESSIM), semblent s’améliorer efficacement grâce à cette technique, ce qui signifie que la qualité des images WCE s’est améliorée de manière efficace grâce à cette technique. Tiwari et Gupta ont proposé une amélioration du contraste global en utilisant la correction gamma suivie d’un filtrage homomorphique pour l’accentuation de l’image afin de préserver la luminosité des images médicales.

Le contraste de l’image est amélioré en utilisant la décomposition de la valeur singulière, l’amélioration de la gamme dynamique, les méthodes de super résolution proposées dans les références . L’égalisation adaptative d’histogramme limitée par le contraste (CLAHE) utilisant les concepts de l’algorithme du moindre carré moyen (LMS) est mise en œuvre en utilisant un filtre homomorphique avec l’AHE, qui fournit de meilleurs résultats . En outre, l’amélioration du contraste basée sur l’histogramme modifié utilisant le filtre homomorphique, la transformée en chapeau et les filtres de diffusion anisotropique sont utilisés dans l’amélioration des images médicales. Chaira a proposé une nouvelle méthode pour améliorer les bords de l’image en utilisant l’approche de la théorie des ensembles flous intuitionnistes ; l’information sur les bords est améliorée en utilisant un filtre ordonné par rangs en calculant une variation totale entre les pixels de la fenêtre d’image et la médiane. Rui et al. ont proposé une méthode hybride basée sur la diffusion anisotropique (AD) pour la suppression du chatoiement et l’amélioration des contours. Les propriétés de débruitage de trois techniques – filtrage médian, filtrage AD amélioré et filtrage de diffusion isotrope – ont été utilisées.

Hossain et al. ont proposé une technique d’amélioration d’image non linéaire dans le domaine de la transformation par égalisation d’histogramme de coefficient de transformation en utilisant la mesure de l’amélioration (EME) comme mesure de performance pour améliorer l’image. Le traitement des images comprend la correction de la plage dynamique globale et l’amélioration du contraste local. Wen et al. ont proposé un algorithme d’amélioration d’image pour les images de rayons X avec une faible luminosité, un faible contraste et du bruit, basé sur un filtrage homomorphique dans le domaine des ondelettes et une égalisation d’histogramme adaptative limitée par le contraste. Initialement, l’image est décomposée par transformation en ondelettes en coefficients basse fréquence et haute fréquence du domaine d’ondelettes de première couche. Les coefficients de basse fréquence sont traités par un filtre homomorphique amélioré puis amplifiés linéairement. De même, les coefficients de haute fréquence sont traités en utilisant le rétrécissement du seuil d’ondelette, puis la reconstruction en ondelette est effectuée. Enfin, l’égalisation adaptative de l’histogramme limitée par le contraste est appliquée pour modifier l’histogramme de l’image afin de terminer le traitement. Cette technique est utile pour améliorer la luminosité et le contraste, la réduction du bruit mieux que les algorithmes d’amélioration traditionnels.

Jindal et al. ont proposé une nouvelle technique d’amélioration des images biomédicales qui améliore la qualité des images. La technique comprend principalement des méthodes telles que la détection des bords, le lissage, la transformation de la loi de puissance et le filtre à haut rendement. Cette technique est principalement appliquée sur des images médicales sombres et le résultat est vérifié en comparant l’entropie à différentes valeurs gamma ; une vérification supplémentaire implique également une visualisation humaine. Cette technique fournit une meilleure qualité, ce qui la rend appropriée pour le prétraitement des applications d’images médicales.