1 Bevezetés

A mindennapi életben a technológia fejlesztése szükséges az emberiség jobb kiszolgálása érdekében. A betegek diagnosztizálása nehézzé válik a diagnosztikai képek alacsony minősége miatt bizonyos összetett képalkotó eljárásokban, amelyek téves információkat szolgáltatnak. A neves folyóiratokban közzétett legújabb felmérések szerint a téves diagnózisok miatt bekövetkező halálesetek száma évről évre nő. Az orvosi képalkotás fejlett technológia az emberi test különböző részeinek diagnosztizálására. Általában a feldolgozás során a különböző berendezések használatával nyert képek torzulnak, és a zaj hozzáadódik, ami rontja a képminőséget. Ezért nehéz lesz elemezni a beteg kritikusságát, ami a képek javításának követelményéhez vezet. Az emberi testrészek elemzésére szolgáló különböző orvosi képalkotó eljárások a következők: komputertomográfia (CT), mágneses rezonancia képalkotás (MRI), pozitronemissziós tomográfia (PET), röntgen stb. Az alacsony kontraszt a fő probléma az orvosi képeken, ami rontja a képminőséget, és az ilyen képek képjavítása elengedhetetlen a megfelelő diagnózishoz. A képjavítási technikák korábbi munkái a képjellemzők, például az élek, a határok vagy a kontrasztok elmosásán, szűrésén és élesítésén alapultak, hogy a kép alkalmas legyen a jobb elemzésre és a fénysűrűségi komponens növelésére, ami csak a kép fényerejét növeli. A szürke képjavító technikák közé elsősorban olyan hagyományos módszerek tartoznak, mint a hisztogram kiegyenlítés (HE), a helyi hisztogram kiegyenlítés (LHE) és a globális hisztogram kiegyenlítés (GHE). Ezeknek a technikáknak a fő korlátai azonban a kellemetlen vizuális műtermékek, mint például a túlhangsúlyozás, a szinttelítettség és a megemelkedett zajszint. Ezek leküzdésére olyan technikákat javasoltak, mint a Brightness-Preserving Bihistogram Equalization (BBHE) és a Dualistic Subimage Histogram Equalization (DSIHE), amelyek nem távolították el az impulzus-zajt.

A javasolt munkában mind a színes, mind a szürke orvosi kép javítását elvégezték. A színes kép javítása magában foglalja az adaptív hisztogramkiegyenlítési (AHE) technika alkalmazását a telítettség (S) és az érték (V) komponensekre; a kontrasztnyújtási technikát a képek általános dinamikatartományának javítására alkalmazzák, és a további V fénysűrűségi komponenst adaptív telítettségi visszacsatolással javítják. A szürke képjavító technikában az élek élesítését Laplacian-szűrővel, majd AHE-vel érik el, ami kiküszöböli a hagyományos módszerek hátrányait. Az utóbbi években egyre növekvő tendencia, hogy a beteg adatait orvosi dokumentáció és kutatási elemzés céljából rögzítik. A zajszűrés vagy a javítás kielégíti a diagnózis fő célját, és segíti az orvosokat a rendellenesség eldöntésében.

Az orvosi képjavítás különböző módszereket foglal magában, mint például a stacionárius wavelet transzformáció, a paraméterezett logaritmikus képfeldolgozás (PLIP) szorzása, az adaptív küszöbérték, az adaptív színtelen maszkolás, az adaptív hisztogram kiegyenlítés, az adaptív szomszédsági kontrasztjavítás, a globális kontrasztnyújtás és az éles kontrasztkorlátozású adaptív hisztogram kiegyenlítés (SCLAHE) technikák. Gohshi egy új, nemlineáris jelfeldolgozási módszert javasolt, amely létrehozza a nagyfrekvenciás komponenseket, és ezáltal javítja a homályos kép felbontását. A modell nagyon egyszerűen telepíthető valós idejű videorendszerekbe, például gasztroszkópos kamerarendszerekbe. Raj Mohan és Thirugnanam dualisztikus alkép-hisztogram kiegyenlítésen alapuló javítási és szegmentálási technikákat javasolt. Az eredmények azt mutatják, hogy a javasolt módszer hatékonyabb a hierarchikus csoportosítási technikával szemben. Sengee et al. súly-klaszterező hisztogramkiegyenlítést javasolt, amelyben az eredeti kép hisztogramjának minden egyes nem nulla binjét egy klaszter elkülönítéséhez és súlyának kiszámításához rendeli. Ezeket a klaszterszámokat ezután három javaslati kritériummal csökkentik, és várhatóan ugyanazokat a partíciókat kapják, mint az eredményül kapott képhisztogram. Végül az egyes klaszterek szubhisztogramjának transzformációs függvényeit a hagyományos GHE-módszer alapján kiszámítják és elemzik az eredménykép hisztogramjának újonnan kapott partícióiban, és a szubhisztogram szürke szintjeit a megfelelő transzformációs függvények segítségével leképezik az eredményképre.

Wang et al. egy új hisztogram-leképezési módszert javasolt, amely egy gyors helyi jellemzőgeneráló mechanizmust használ egy kombinált hisztogram létrehozására, amely a voxel helyi középértékeit és a szürke szinteket is reprezentálja. Ennek a kombinált hisztogramnak az egyes csúcsok által elkülönített különböző részeit egymástól függetlenül leképezik a célhisztogram skálájára, azzal a megkötéssel, hogy a végső eredményül kapott hisztogramnak a lehető legegységesebbnek kell maradnia. Yu és Wang automatikus globális kontrasztjavítást javasolt variációoptimalizálással. Az energiafüggvényt a hisztogramkiegyenlítés és a kvadratikus torzítási kényszer regularizációjának teljes kombinációjaként fogalmazták meg. A kép várható szürke-szintű transzformációját mini-max optimalizációs folyamaton keresztül szerzik meg, amely általános keretet állít fel a globális vagy térbeli adaptív kontrasztjavítás torzítás-regulált hisztogramkiegyenlítési mechanizmusainak létrehozásához.

Somasekar és Eswara Reddy hatékony algoritmust javasolt a maláriával fertőzött vérről készült mikroszkópos képek lényeges részleteinek megőrzésére gamma kiegyenlítéssel. A módszer fő témája, hogy a bemeneti színes vérképet először szürkeárnyalatossá alakítja, majd kiszámítja a szürkeárnyalatos kép γ-edik rendű képének tartományértékét. Ezután kiszámítják a Look-Up-Table (LUT) értékeket, és a szürkeárnyalatos kép pixelintenzitás-értékeit LUT-értékekké alakítják, amelyek később a lényeges részletek megőrzésével kontrasztjavított kép végeredményét adják.

Moradi et al. egy módszert javasolt a Wireless Capsule Endoscopy (WCE) nevű nem invazív eszköz által kapott képek minőségének javítására a zaj eltávolításával és kontrasztjavítással (RNCE) a gyomor-bélrendszeri problémák azonosítására. A képminőség-értékelési paraméterek, mint például a strukturális hasonlósági index (SSIM), a csúcsjel-zaj viszony (PSNR) és az élalapú strukturális hasonlóság (ESSIM) hatékonyan javulni látszanak ezzel a technikával, ami viszont azt jelenti, hogy ezzel a technikával a WCE-képek minősége hatékonyan javult. Tiwari és Gupta globális kontrasztjavítást javasolt gamma-korrekcióval, majd homomorfikus szűréssel a kép élesítésére az orvosi képek fényerejének megőrzése érdekében.

A kép kontrasztját szinguláris érték dekompozícióval, dinamikatartomány-növeléssel, szuperfelbontási módszerekkel javítják, amelyeket a hivatkozásokban javasoltak. A kontrasztkorlátozott adaptív hisztogram kiegyenlítés (CLAHE) a legkisebb átlagos négyzet (LMS) algoritmus fogalmait használó homomorf szűrővel együtt az AHE-vel együtt valósul meg, amely jobb eredményeket biztosít . Továbbá, a módosított hisztogram-alapú kontrasztjavítás homomorf szűrővel, top-hat transzformációval és anizotróp diffúziós szűrőkkel az orvosi képjavításban . Chaira új módszert javasolt a kép éleinek javítására intuitív fuzzy halmazelméleti megközelítéssel; az élinformációt egy rangsorolt szűrővel javítják a képablakban lévő pixelek és a medián közötti teljes eltérés kiszámításával. Rui et al. egy anizotróp diffúzión (AD) alapuló hibrid módszert javasolt a foltok elnyomására és az élek javítására. Három technika – mediánszűrés, továbbfejlesztett AD-szűrés és izotróp diffúziós szűrés – denoising tulajdonságait használták.

Hossain et al. egy nemlineáris képjavítási technikát javasolt transzformációs tartományban transzformációs együttható hisztogram kiegyenlítéssel, amely a képjavítás teljesítményének mértékét (EME) használja a kép javítására. A képek feldolgozása magában foglalja a globális dinamikatartomány-korrekciót és a helyi kontrasztjavítást. Wen et al. egy képjavító algoritmust javasolt az alacsony fényerősségű, alacsony kontrasztú és zajos röntgenképekhez, amely wavelet-tartománybeli homomorf szűrésen és kontrasztkorlátozott adaptív hisztogramegyenlítésen alapul. Kezdetben a képet wavelet-transzformációval az első rétegű wavelet-tartomány alacsony és magas frekvenciájú együtthatóira bontják. Az alacsony frekvenciájú együtthatókat egy továbbfejlesztett homomorf szűrővel dolgozzák fel, majd lineárisan felerősítik, és hasonlóképpen a magas frekvenciájú együtthatókat wavelet küszöbzsugorítással dolgozzák fel, majd elvégzik a wavelet-rekonstrukciót. Végül a feldolgozás befejezéséhez a kontrasztkorlátozott adaptív hisztogramkiegyenlítést alkalmazzuk a kép hisztogramjának módosítására. Ez a technika a hagyományos képjavító algoritmusoknál jobban segíti a fényerő és a kontraszt javítását, a zaj csökkentését.

Jindal et al. egy új technikát javasolt az orvosbiológiai képjavításra, amely javítja a képek minőségét. A technika főként olyan módszereket tartalmaz, mint az élérzékelés, a simítás, a hatványtörvény-transzformáció és a high boost filter. Ezt a technikát elsősorban sötét orvosi képeken alkalmazzák, és az eredményt az entrópia különböző gammaértékeknél történő összehasonlításával ellenőrzik; a további ellenőrzéshez emberi vizualizáció is tartozik. Ez a technika jobb minőséget biztosít, ami alkalmassá teszi az orvosi képalkalmazások előfeldolgozására.