1 Introducción

En el día a día, el margen de mejora de la tecnología es necesario para ofrecer un mejor servicio a la humanidad. Se hace difícil diagnosticar a los pacientes debido a la baja calidad de las imágenes de diagnóstico en ciertos procedimientos complejos de imagen que proporcionan información errónea. El número de muertes por diagnósticos erróneos aumenta cada año según los últimos estudios publicados en revistas de renombre. La imagen médica es una tecnología avanzada para diagnosticar diversas partes del cuerpo humano. Por lo general, durante el procesamiento, las imágenes obtenidas mediante el uso de diversos equipos se distorsionan y se añade ruido, lo que degrada la calidad de la imagen. Por lo tanto, resulta difícil analizar la criticidad del paciente, por lo que es necesario mejorar las imágenes. Las diversas técnicas de imagen médica para el análisis de las partes humanas son la tomografía computarizada (TC), la resonancia magnética (RM), la tomografía por emisión de positrones (PET), los rayos X, etc. El bajo contraste es el principal problema en las imágenes médicas, que deteriora la calidad de la imagen, y la mejora de la imagen de tales imágenes es necesaria para un diagnóstico adecuado. Los trabajos anteriores de las técnicas de mejora se basaban en desdibujar, filtrar y afinar las características de la imagen, como los bordes, los límites o el contraste, para hacer que la imagen fuera adecuada para un mejor análisis y para mejorar el componente de luminancia, que sólo aumenta el brillo de la imagen. Las técnicas de mejora de imágenes grises incluyen principalmente métodos convencionales como la ecualización de histogramas (HE), la ecualización local de histogramas (LHE) y la ecualización global de histogramas (GHE). Sin embargo, las principales limitaciones de estas técnicas son los desagradables artefactos visuales como el sobreenvejecimiento, la saturación de niveles y el aumento del nivel de ruido. Para superarlas, se propusieron técnicas como la ecualización de bihistograma con preservación de la luminosidad (BBHE) y la ecualización de subimagen dualista (DSIHE), que no consiguieron eliminar el ruido impulsivo.

En el trabajo propuesto, se ha realizado una mejora de la imagen médica tanto en color como en gris. La mejora de la imagen en color implica la aplicación de la técnica de Ecualización Adaptativa de Histogramas (AHE) a los componentes de Saturación (S) y Valor (V); se aplica la técnica de Estiramiento del Contraste para mejorar el rango dinámico global de las imágenes y además se mejora el componente de luminancia V utilizando la retroalimentación de saturación adaptativa. En la técnica de mejora de imágenes grises, la nitidez de los bordes se obtiene utilizando el filtro Laplaciano seguido de AHE que supera los inconvenientes de los métodos convencionales. En los últimos años, la tendencia creciente es registrar los datos del paciente para la documentación médica y el análisis de la investigación. El filtrado de ruido o mejora satisface el objetivo principal del diagnóstico y ayuda a los médicos a decidir la anormalidad.

La mejora de la imagen médica implica varios métodos como la Transformada Wavelet Estacionaria, el Procesamiento de Imagen Logarítmica Parametrizada (PLIP) Multiplicación, Umbral Adaptativo, Máscara de Nitidez Adaptativa, Ecualización de Histograma Adaptativa, Mejora de Contraste de Vecindario Adaptativo, Estiramiento de Contraste Global, y técnicas de Ecualización de Histograma Adaptativa de Contraste Limitado (SCLAHE). Gohshi propuso un novedoso método de procesamiento no lineal de señales que crea los componentes de alta frecuencia, mejorando así la resolución de la imagen borrosa. El modelo es muy sencillo de instalar en sistemas de vídeo en tiempo real, como los sistemas de cámaras de gastrocopia. Raj Mohan y Thirugnanam propusieron técnicas de mejora y segmentación basadas en la ecualización del histograma de subimágenes. Los resultados muestran que el método propuesto es más eficiente que la técnica de agrupación jerárquica. Sengee et al. propusieron la ecualización de histogramas por agrupación de pesos, en la que se asigna a cada casilla no nula del histograma de una imagen original para separar un clúster y calcular su peso. A continuación, estos números de cluster se reducen mediante tres criterios sugerentes y se espera que adquieran las mismas particiones que el histograma de la imagen resultante. Finalmente, las funciones de transformación para el subhistograma de cada cluster se calculan y analizan basándose en el método tradicional GHE en las nuevas particiones obtenidas del histograma de la imagen resultante, y los niveles de gris del subhistograma se asignan a la imagen resultante mediante las respectivas funciones de transformación.

Wang et al. propusieron un novedoso método de mapeo de histogramas, que utiliza un mecanismo rápido de generación de características locales para construir un histograma combinado, que representa las medias locales de los vóxeles y también los niveles de gris. Las distintas partes de este histograma combinado, que están segregadas por picos individuales, se mapean independientemente en la escala del histograma objetivo bajo la restricción de que el histograma resultante final debe permanecer lo más uniforme posible. Yu y Wang propusieron una mejora automática del contraste global utilizando la optimización de la variación. La función de energía se formula como una combinación completa de ecualización del histograma y regularización de la restricción de distorsión cuadrática. La transformación de nivel de gris de la imagen esperada se adquiere a través de un proceso de optimización mini-max, que establece un marco genérico para establecer mecanismos de ecualización de histograma regularizados por la distorsión para la mejora del contraste global o espacialmente adaptable.

Somasekar y Eswara Reddy propusieron un algoritmo eficiente para conservar los detalles esenciales de las imágenes microscópicas de la sangre infectada por la malaria utilizando la ecualización gamma. El tema principal de este método es convertir inicialmente la imagen de sangre en color de entrada en escala de grises y, a continuación, calcular el valor de gama para la imagen de orden γ de una imagen en escala de grises. A continuación, se calculan los valores de Look-Up-Table (LUT) y los valores de intensidad de los píxeles de la imagen en escala de grises se convierten en valores LUT, que más tarde dan los resultados finales de la imagen mejorada por contraste preservando los detalles esenciales.

Moradi et al. propusieron un método para mejorar la calidad de las imágenes obtenidas por un dispositivo no invasivo llamado Endoscopia de Cápsula Inalámbrica (WCE) mediante la eliminación del ruido y la mejora del contraste (RNCE) para la identificación de problemas gastrointestinales. Los parámetros de evaluación de la calidad de la imagen, como el índice de similitud estructural (SSIM), la relación señal/ruido máxima (PSNR) y la similitud estructural basada en los bordes (ESSIM) parecen mejorar eficientemente a través de esta técnica, lo que a su vez significa que a través de esta técnica la calidad de las imágenes WCE ha mejorado eficientemente. Tiwari y Gupta propusieron la mejora del contraste global utilizando la corrección gamma seguida del filtrado homomórfico para la nitidez de la imagen con el fin de preservar el brillo de las imágenes médicas.

El contraste de la imagen se mejora utilizando la descomposición del valor singular, la mejora del rango dinámico y los métodos de superresolución propuestos en las referencias. La Ecualización Adaptativa del Histograma Limitada por el Contraste (CLAHE) utilizando los conceptos del algoritmo del Mínimo Cuadrado Medio (LMS) se implementa utilizando un filtro homomórfico junto con el AHE, que proporciona mejores resultados. Además, la mejora del contraste basada en el histograma modificado utilizando el filtro homomórfico, la transformación top-hat y los filtros de difusión anisotrópica se utilizan en la mejora de imágenes médicas. Chaira propuso un método novedoso para mejorar los bordes de la imagen utilizando un enfoque teórico de conjuntos difusos intuicionistas; la información de los bordes se mejora utilizando un filtro de rango ordenado mediante el cálculo de una variación total entre los píxeles de la ventana de la imagen y la mediana. Rui et al. propusieron un método híbrido basado en la difusión anisotrópica (AD) para la supresión del moteado y la mejora de los bordes. Se utilizaron las propiedades de eliminación de manchas de tres técnicas: el filtrado de la mediana, el filtrado AD mejorado y el filtrado de difusión isotrópica.

Hossain et al. propusieron una técnica de mejora de la imagen no lineal en el dominio de la transformación mediante la ecualización del histograma del coeficiente de transformación utilizando la Medida de Mejora (EME) como medida de rendimiento para mejorar la imagen. El procesamiento de las imágenes incluye la corrección del rango dinámico global y la mejora del contraste local. Wen et al. propusieron un algoritmo de mejora de la imagen para las imágenes de rayos X con bajo brillo, bajo contraste y ruido, basado en el filtrado homomórfico del dominio wavelet y la ecualización de histograma adaptativa limitada por el contraste. Inicialmente, la imagen se descompone mediante la transformación wavelet en coeficientes de baja y alta frecuencia del dominio wavelet de primera capa. Los coeficientes de baja frecuencia se procesan mediante un filtro homomórfico mejorado y, a continuación, se amplifican linealmente, y del mismo modo los coeficientes de alta frecuencia se procesan mediante la contracción del umbral wavelet y, a continuación, se realiza la reconstrucción wavelet. Por último, se aplica la ecualización adaptativa del histograma limitada por el contraste para modificar el histograma de la imagen y completar el procesamiento. Esta técnica ayuda a mejorar el brillo y el contraste, y a reducir el ruido mejor que los algoritmos de mejora tradicionales.

Jindal et al. propusieron una nueva técnica de mejora de imágenes biomédicas que mejora la calidad de las imágenes. La técnica comprende principalmente métodos como la detección de bordes, el suavizado, la transformada de ley de potencia y el filtro de alto impulso. Esta técnica se aplica principalmente en imágenes médicas oscuras y el resultado se verifica mediante la comparación de la entropía en diferentes valores gamma; la verificación adicional también implica la visualización humana. Esta técnica proporciona una mejor calidad, lo que la hace adecuada para el preprocesamiento de aplicaciones de imágenes médicas.