1 Introduzione

Nella vita quotidiana, la possibilità di migliorare la tecnologia è necessaria per fornire un servizio migliore all’umanità. Diventa difficile diagnosticare i pazienti a causa della bassa qualità delle immagini diagnostiche in alcune procedure complesse di imaging che forniscono informazioni sbagliate. Il numero di morti per diagnosi sbagliate sta aumentando ogni anno secondo le ultime indagini pubblicate in riviste rinomate. L’imaging medico è una tecnologia avanzata per diagnosticare varie parti del corpo umano. Generalmente, durante l’elaborazione, le immagini ottenute utilizzando varie attrezzature subiscono distorsioni e il rumore si aggiunge degradando così la qualità dell’immagine. Quindi, diventa difficile analizzare la criticità del paziente, portando così alla necessità di migliorare le immagini. Le varie tecniche di imaging medico per l’analisi delle parti umane sono la tomografia computerizzata (CT), la risonanza magnetica (MRI), la tomografia a emissione di positroni (PET), i raggi X, ecc. Il basso contrasto è il problema principale nelle immagini mediche, che deteriora la qualità dell’immagine, e il miglioramento di tali immagini è necessario per una diagnosi corretta. I lavori precedenti delle tecniche di miglioramento si basavano sulla deblurring, il filtraggio e l’affinamento delle caratteristiche dell’immagine come i bordi, i confini o il contrasto per rendere l’immagine adatta a una migliore analisi e per migliorare la componente di luminanza, che aumenta solo la luminosità dell’immagine. Le tecniche di miglioramento delle immagini grigie includono principalmente metodi convenzionali come l’equalizzazione degli istogrammi (HE), l’equalizzazione locale degli istogrammi (LHE) e l’equalizzazione globale degli istogrammi (GHE). Tuttavia, le principali limitazioni di queste tecniche sono sgradevoli artefatti visivi come l’eccessivo miglioramento, la saturazione del livello e l’aumento del livello di rumore. Per superarli, sono state suggerite tecniche come Brightness-Preserving Bihistogram Equalization (BBHE) e Dualistic Subimage Histogram Equalization (DSIHE), che non sono riuscite a rimuovere il rumore impulsivo.

Nel lavoro proposto, è stato eseguito il miglioramento dell’immagine medica sia a colori che in grigio. Il miglioramento dell’immagine a colori comporta l’applicazione della tecnica Adaptive Histogram Equalization (AHE) alle componenti di saturazione (S) e valore (V); la tecnica Contrast Stretching viene applicata per migliorare la gamma dinamica complessiva delle immagini e l’ulteriore componente di luminanza V viene migliorata utilizzando il feedback adattivo di saturazione. Nella tecnica di miglioramento delle immagini grigie, la nitidezza dei bordi è ottenuta usando il filtro Laplacian seguito da AHE che supera gli svantaggi dei metodi convenzionali. Negli ultimi anni, la tendenza crescente è quella di registrare i dati del paziente per la documentazione medica e l’analisi della ricerca. Il filtraggio del rumore o del miglioramento soddisfa l’obiettivo principale della diagnosi e aiuta i medici a decidere l’anormalità.

Il miglioramento delle immagini mediche coinvolge vari metodi come la trasformata wavelet stazionaria, la moltiplicazione PLIP (Parameterized Logarithmic Image Processing), la soglia adattiva, l’Adaptive Unsharp Masking, l’Adaptive Histogram Equalization, l’Adaptive Neighborhood Contrast Enhancement, Global Contrast Stretching, e le tecniche Sharp Contrast-Limited Adaptive Histogram Equalization (SCLAHE). Gohshi ha proposto un nuovo metodo di elaborazione del segnale non lineare che crea le componenti ad alta frequenza, migliorando così la risoluzione dell’immagine sfocata. Il modello è molto semplice da installare in sistemi video in tempo reale come i sistemi di telecamere per gastroscopia. Raj Mohan e Thirugnanam hanno proposto tecniche dualistiche di miglioramento e segmentazione basate sull’equalizzazione dell’istogramma dell’immagine. I risultati mostrano che il metodo proposto è più efficiente della tecnica di raggruppamento gerarchico. Sengee et al. hanno proposto l’equalizzazione dell’istogramma con cluster di peso, dove assegna ogni bin non zero dell’istogramma di un’immagine originale per separare un cluster e calcolare il suo peso. Questi numeri di cluster sono poi ridotti da tre criteri di suggerimento e ci si aspetta che acquisiscano le stesse partizioni dell’istogramma dell’immagine risultante. Infine, le funzioni di trasformazione per il sotto-istogramma di ogni cluster sono calcolate e analizzate in base al tradizionale metodo GHE nelle nuove partizioni ottenute dell’istogramma dell’immagine risultante, e i livelli di grigio del sotto-istogramma sono mappati nell’immagine risultante dalle rispettive funzioni di trasformazione.

Wang et al. hanno proposto un nuovo metodo di mappatura dell’istogramma, che usa un meccanismo veloce di generazione di caratteristiche locali per costruire un istogramma combinato, che rappresenta i mezzi locali del voxel e anche i livelli di grigio. Le varie parti di questo istogramma combinato, che sono segregate da picchi individuali, sono mappate indipendentemente nella scala dell’istogramma di destinazione sotto il vincolo che l’istogramma finale risultante deve rimanere il più uniforme possibile. Yu e Wang hanno proposto un miglioramento automatico del contrasto globale usando l’ottimizzazione della variazione. La funzione di energia è formulata come una combinazione completa di equalizzazione dell’istogramma e regolarizzazione del vincolo di distorsione quadratica. La trasformazione prevista del livello di grigio dell’immagine viene acquisita attraverso il processo di ottimizzazione mini-max, che stabilisce un quadro generico per stabilire meccanismi di equalizzazione dell’istogramma regolarizzati dalla distorsione per il miglioramento del contrasto globale o spazialmente adattivo.

Somasekar e Eswara Reddy hanno proposto un algoritmo efficiente per conservare i dettagli essenziali delle immagini microscopiche del sangue infettato dalla malaria usando l’equalizzazione gamma. Il tema principale di questo metodo è quello di convertire inizialmente l’immagine di sangue a colori di input in scala di grigi e poi calcolare il valore di gamma per l’immagine di ordine γ di un’immagine in scala di grigi. I valori della Look-Up-Table (LUT) sono poi calcolati e i valori di intensità dei pixel dell’immagine in scala di grigi sono convertiti in valori LUT, che poi danno i risultati finali dell’immagine contrast-enhanced preservando i dettagli essenziali.

Moradi et al. hanno proposto un metodo per migliorare la qualità delle immagini ottenute da un dispositivo non invasivo chiamato Wireless Capsule Endoscopy (WCE) rimuovendo il rumore e il contrasto (RNCE) per l’identificazione dei problemi gastrointestinali. I parametri di valutazione della qualità dell’immagine come Structural Similarity Index (SSIM), Peak Signal-to-Noise Ratio (PSNR), e Edge-Based Structural Similarity (ESSIM) sembrano migliorare in modo efficiente attraverso questa tecnica, che a sua volta significa che attraverso questa tecnica la qualità delle immagini WCE è migliorata in modo efficiente. Tiwari e Gupta hanno proposto il miglioramento del contrasto globale usando la correzione gamma seguita dal filtraggio omomorfico per la nitidezza dell’immagine al fine di preservare la luminosità delle immagini mediche.

Il contrasto dell’immagine è migliorato usando la decomposizione del valore singolare, il miglioramento della gamma dinamica, i metodi di super risoluzione proposti in Rif. Il Contrast-Limited Adaptive Histogram Equalization (CLAHE) utilizzando i concetti dell’algoritmo Least Mean Square (LMS) è implementato utilizzando il filtro omomorfico insieme all’AHE, che fornisce risultati migliori. Inoltre, il Modified Histogram-Based Contrast Enhancement utilizzando il filtro omomorfo, la trasformazione top-hat e i filtri di diffusione anisotropa sono utilizzati nel miglioramento dell’immagine medica. Chaira ha proposto un nuovo metodo per migliorare i bordi dell’immagine usando un approccio intuitivamente fuzzy set theoretic; l’informazione del bordo è migliorata usando un filtro ordinato a ranghi calcolando una variazione totale tra i pixel nella finestra dell’immagine e la mediana. Rui et al. hanno proposto un metodo ibrido basato sulla diffusione anisotropica (AD) per la soppressione dello speckle e il miglioramento dei bordi. Le proprietà di denoising di tre tecniche – filtraggio mediano, filtraggio AD migliorato e filtraggio di diffusione isotropica – sono state usate.

Hossain et al. hanno proposto una tecnica di miglioramento dell’immagine non lineare nel dominio della trasformazione mediante equalizzazione dell’istogramma del coefficiente di trasformazione usando la misura del miglioramento (EME) come misura delle prestazioni per migliorare l’immagine. L’elaborazione delle immagini include la correzione della gamma dinamica globale e il miglioramento del contrasto locale. Wen et al. hanno proposto un algoritmo di miglioramento dell’immagine per le immagini a raggi X con bassa luminosità, basso contrasto e rumore basato sul filtraggio omomorfico del dominio wavelet e sull’equalizzazione adattiva dell’istogramma limitata al contrasto. Inizialmente, l’immagine è decomposta dalla trasformazione wavelet in coefficienti a bassa frequenza e ad alta frequenza del primo strato del dominio wavelet. I coefficienti a bassa frequenza sono elaborati da un filtro omomorfo migliorato e poi amplificati linearmente, e allo stesso modo i coefficienti ad alta frequenza sono elaborati usando il restringimento della soglia wavelet e poi viene eseguita la ricostruzione wavelet. Infine, l’equalizzazione adattiva dell’istogramma limitata al contrasto viene applicata per modificare l’istogramma dell’immagine per completare l’elaborazione. Questa tecnica è utile per migliorare la luminosità e il contrasto, la riduzione del rumore meglio degli algoritmi di miglioramento tradizionali.

Jindal et al. hanno proposto una nuova tecnica di miglioramento delle immagini biomediche che migliora la qualità delle immagini. La tecnica comprende principalmente metodi come il rilevamento dei bordi, la lisciatura, la trasformazione della legge di potenza e il filtro high boost. Questa tecnica è applicata principalmente su immagini mediche scure e il risultato è verificato confrontando l’entropia a diversi valori gamma; un’ulteriore verifica coinvolge anche la visualizzazione umana. Questa tecnica fornisce una migliore qualità, il che la rende adatta per il preprocessing di applicazioni di immagini mediche.