1 Wprowadzenie

W codziennym życiu, zakres poprawy technologii jest niezbędny do zapewnienia lepszych usług dla ludzkości. Staje się trudne do zdiagnozowania pacjentów z powodu niskiej jakości obrazów diagnostycznych w niektórych złożonych procedur obrazowania, który dostarcza błędnych informacji. Liczba zgonów przez błędną diagnozę wzrasta każdego roku według najnowszych badań opublikowanych w renomowanych czasopismach. Obrazowanie medyczne jest zaawansowaną technologią do diagnozowania różnych części ciała ludzkiego. Ogólnie rzecz biorąc, podczas przetwarzania, obrazy uzyskane przy użyciu różnych urządzeń ulegają zniekształceniu, a szum zostanie dodany, co pogarsza jakość obrazu. W związku z tym, staje się trudne do analizy pacjenta krytyczność tym samym prowadząc do wymogu poprawy obrazów. Różne techniki obrazowania medycznego do analizy części ludzkich są Tomografia Komputerowa (CT), Rezonans Magnetyczny (MRI), Pozytonowa Tomografia Emisyjna (PET), X-ray, itp. Niski kontrast jest głównym problemem w obrazach medycznych, co pogarsza jakość obrazu, a wzmocnienie takich obrazów jest konieczne dla prawidłowej diagnozy. Dotychczasowe prace nad technikami poprawy obrazu opierały się na usuwaniu zamazań, filtrowaniu i wyostrzaniu cech obrazu, takich jak krawędzie, granice lub kontrast, aby obraz nadawał się do lepszej analizy i wzmocnienia składowej luminancji, co tylko zwiększa jasność obrazu. Techniki poprawiania obrazu w odcieniach szarości obejmują głównie konwencjonalne metody, takie jak wyrównywanie histogramu (HE), lokalne wyrównywanie histogramu (LHE) i globalne wyrównywanie histogramu (GHE). Jednak głównym ograniczeniem tych technik są nieprzyjemne artefakty wizualne, takie jak nadmierne rozjaśnienie, nasycenie poziomu i podwyższony poziom szumu. W celu ich przezwyciężenia zaproponowano techniki takie jak Brightness-Preserving Bihistogram Equalization (BBHE) oraz Dualistic Subimage Histogram Equalization (DSIHE), które jednak nie zdołały usunąć szumu impulsowego. Poprawa obrazu kolorowego polega na zastosowaniu techniki Adaptacyjnej Korekcji Histogramu (AHE) do składowych nasycenia (S) i wartości (V); technika Rozciągania Kontrastu jest stosowana w celu poprawy ogólnego zakresu dynamiki obrazów, a ponadto składowa luminancji V jest poprawiana przy użyciu adaptacyjnego sprzężenia zwrotnego nasycenia. W technice poprawy obrazu w odcieniach szarości, wyostrzenie krawędzi uzyskuje się stosując filtr Laplacian, a następnie AHE, co pozwala przezwyciężyć wady metod konwencjonalnych. W ostatnich latach coraz częstszym trendem jest rejestrowanie danych pacjenta dla potrzeb dokumentacji medycznej i analiz badawczych. Filtrowanie szumu lub wzmocnień spełnia główny cel diagnozy i pomaga lekarzom w określeniu nieprawidłowości.

Wzmocnienie obrazu medycznego obejmuje różne metody, takie jak stacjonarna transformata falkowa, parametryzowane logarytmiczne przetwarzanie obrazu (PLIP) mnożenie, adaptacyjny próg, adaptacyjne maskowanie nieostre, adaptacyjne wyrównywanie histogramu, adaptacyjne wzmocnienie kontrastu sąsiedztwa, globalne rozciąganie kontrastu i ostre kontrastowe ograniczone techniki adaptacyjnego wyrównywania histogramu (SCLAHE). Gohshi zaproponował nowatorską metodę nieliniowego przetwarzania sygnału, która tworzy składowe o wysokiej częstotliwości, poprawiając tym samym rozdzielczość rozmytego obrazu. Model ten jest bardzo prosty do zainstalowania w systemach wizyjnych czasu rzeczywistego, takich jak systemy kamer gastroskopowych. Raj Mohan i Thirugnanam zaproponowali dualistyczną, opartą na wyrównywaniu histogramów podobrazu, technikę wzmacniania i segmentacji obrazu. Wyniki pokazują, że proponowana metoda jest bardziej efektywna niż technika grupowania hierarchicznego. Sengee et al. zaproponował wyrównywanie histogramu metodą weight-clustering, w której przypisuje każdemu niezerowemu binowi histogramu oryginalnego obrazu oddzielenie klastra i oblicza jego wagę. Te numery klastrów są następnie redukowane przez trzy sugerujące kryteria i oczekuje się, że uzyskają te same partycje, co wynikowy histogram obrazu. Wreszcie, funkcje transformacji dla każdego podhistogramu klastra są obliczane i analizowane w oparciu o tradycyjną metodę GHE w nowo uzyskanych partycjach histogramu obrazu wynikowego, a poziomy szarości podhistogramu są mapowane do obrazu wynikowego przez odpowiednie funkcje transformacji.

Wang et al. zaproponował nowatorską metodę mapowania histogramu, która wykorzystuje szybki mechanizm generowania cech lokalnych do zbudowania połączonego histogramu, który reprezentuje lokalne środki wokseli, a także poziomy szarości. Różne części tego połączonego histogramu, które są segregowane przez poszczególne szczyty, są niezależnie mapowane do docelowej skali histogramu pod warunkiem, że ostateczny histogram wynikowy musi pozostać tak jednolity, jak to tylko możliwe. Yu i Wang zaproponowali automatyczną globalną poprawę kontrastu przy użyciu optymalizacji zmienności. Funkcja energii jest sformułowana jako kompletna kombinacja wyrównania histogramu i regularyzacji ograniczeń zniekształceń kwadratowych. Oczekiwana transformacja poziomu szarości obrazu jest uzyskiwana poprzez proces optymalizacji mini-max, co wyznacza ogólne ramy dla ustanowienia mechanizmów wyrównania histogramu z regulacją zniekształceń dla globalnego lub przestrzennie adaptacyjnego wzmocnienia kontrastu.

Somasekar i Eswara Reddy zaproponowali efektywny algorytm zachowania istotnych szczegółów mikroskopowych obrazów krwi zakażonej malarią przy użyciu wyrównania gamma. Głównym tematem tej metody jest wstępna konwersja wejściowego kolorowego obrazu krwi do skali szarości, a następnie obliczenie wartości zakresu dla obrazu γ rzędu obrazu w skali szarości. Wartości Look-Up-Table (LUT) są następnie obliczane, a wartości intensywności pikseli obrazu w skali szarości są konwertowane na wartości LUT, które później dają ostateczne wyniki obrazu wzmocnionego kontrastowo poprzez zachowanie istotnych szczegółów.

Moradi i wsp. zaproponowali metodę poprawy jakości obrazów uzyskanych przez nieinwazyjne urządzenie o nazwie Wireless Capsule Endoscopy (WCE) poprzez usunięcie szumów i wzmocnienie kontrastu (RNCE) w celu identyfikacji problemów żołądkowo-jelitowych. Parametry oceny jakości obrazu takie jak wskaźnik podobieństwa strukturalnego (SSIM), szczytowy stosunek sygnału do szumu (PSNR) oraz podobieństwo strukturalne oparte na krawędziach (ESSIM) wydają się być efektywnie poprawiane dzięki tej technice, co z kolei oznacza, że dzięki tej technice jakość obrazów WCE uległa efektywnej poprawie. Tiwari i Gupta zaproponowali globalne wzmocnienie kontrastu przy użyciu korekcji gamma, a następnie filtracji homomorficznej do wyostrzania obrazu w celu zachowania jasności obrazów medycznych.

Kontrast obrazu jest wzmocniony przy użyciu dekompozycji wartości pojedynczych, zwiększenia zakresu dynamicznego, metod super rozdzielczości zaproponowanych w Refs. Metoda Contrast-Limited Adaptive Histogram Equalization (CLAHE) wykorzystująca koncepcje algorytmu Least Mean Square (LMS) jest implementowana przy użyciu filtru homomorficznego wraz z AHE, co zapewnia lepsze rezultaty. Ponadto, zmodyfikowana metoda Histogram-Based Contrast Enhancement wykorzystująca filtr homomorficzny, transformatę top-hat i filtry dyfuzji anizotropowej jest stosowana do poprawy jakości obrazów medycznych. Chaira zaproponował nowatorską metodę wzmacniania krawędzi obrazu przy użyciu intuicyjnej teorii zbiorów rozmytych; informacja o krawędzi jest wzmacniana przy użyciu filtru uporządkowanego szeregowo poprzez obliczenie całkowitej zmienności pomiędzy pikselami w oknie obrazu a medianą. Rui i in. zaproponowali hybrydową metodę opartą na dyfuzji anizotropowej (AD) do tłumienia plamek i wzmacniania krawędzi. Wykorzystano właściwości denoizacyjne trzech technik – filtrowania medianowego, ulepszonego filtrowania AD oraz filtrowania dyfuzji izotropowej.

Hossain et al. zaproponował nieliniową technikę poprawy obrazu w domenie transformaty poprzez wyrównanie histogramu współczynnika transformaty z wykorzystaniem Measure of Enhancement (EME) jako miary wydajności do poprawy obrazu. Przetwarzanie obrazów obejmuje globalną korekcję zakresu dynamiki i lokalne wzmocnienie kontrastu. Wen et al. zaproponował algorytm poprawy obrazu dla zdjęć rentgenowskich o niskiej jasności, niskim kontraście i szumie, oparty o filtrowanie homomorficzne w domenie falkowej i adaptacyjne wyrównywanie histogramu z ograniczeniem kontrastu. Początkowo obraz jest dekomponowany za pomocą transformacji falkowej na współczynniki niskiej i wysokiej częstotliwości w pierwszej warstwie domeny falkowej. Współczynniki niskiej częstotliwości są przetwarzane przez ulepszony filtr homomorficzny, a następnie wzmacniane liniowo, podobnie współczynniki wysokiej częstotliwości są przetwarzane przy użyciu progowego kurczenia falkowego, a następnie wykonywana jest rekonstrukcja falkowa. W końcu, adaptacyjne wyrównanie histogramu z ograniczeniem kontrastu jest stosowane do modyfikacji histogramu obrazu w celu zakończenia przetwarzania. Technika ta jest pomocna w zwiększaniu jasności i kontrastu, redukcji szumu lepiej niż tradycyjne algorytmy poprawy.

Jindal et al. zaproponował nową technikę poprawy obrazu biomedycznego, która poprawia jakość obrazów. Technika ta składa się głównie z metod takich jak wykrywanie krawędzi, wygładzanie, transformata prawa mocy i filtr high boost. Technika ta jest stosowana głównie na ciemnych obrazach medycznych, a wynik jest weryfikowany poprzez porównanie entropii przy różnych wartościach gamma; dalsza weryfikacja obejmuje również wizualizację przez człowieka. Technika ta zapewnia lepszą jakość, co czyni ją odpowiednią do wstępnego przetwarzania aplikacji obrazów medycznych.