1 Introduction

No dia-a-dia, a margem de melhoria da tecnologia é necessária para fornecer um melhor serviço à humanidade. Torna-se difícil diagnosticar os pacientes devido à baixa qualidade das imagens de diagnóstico em certos procedimentos complexos de imagem que fornecem informações erradas. O número de mortes por diagnóstico errado está aumentando a cada ano de acordo com as últimas pesquisas publicadas em revistas de renome. As imagens médicas são uma tecnologia avançada para diagnosticar várias partes do corpo humano. Geralmente, durante o processamento, as imagens obtidas através de vários equipamentos sofrem distorção, e o ruído será somado degradando assim a qualidade da imagem. Assim, torna-se difícil analisar a criticidade do paciente, o que leva à necessidade de melhorar as imagens. As várias técnicas de imagens médicas para análise de partes humanas são a Tomografia Computadorizada (TC), Ressonância Magnética (RM), Tomografia por Emissão de Pósitrons (PET), Raio-X, etc. O baixo contraste é o principal problema nas imagens médicas, o que deteriora a qualidade da imagem, e o melhoramento da imagem de tais imagens é necessário para um diagnóstico adequado. Os trabalhos anteriores de técnicas de realce foram baseados na desobstrução, filtragem e nitidez das características da imagem, como bordas, limites ou contraste, para tornar a imagem adequada para uma melhor análise e realce da componente de luminância, o que só aumenta o brilho da imagem. As técnicas de melhoramento da imagem cinzenta incluem principalmente métodos convencionais como a equalização Histograma (HE), Equalização Histográfica Local (LHE) e Equalização Histográfica Global (GHE). No entanto, as principais limitações destas técnicas são artefatos visuais desagradáveis, tais como sobre realce, saturação de nível, e aumento do nível de ruído. Para superar estas, técnicas como a Equalização de Biistograma Brightness-Preserving (BBHE) e a Equalização de Histograma de Subimagem Dualística (DSIHE) foram sugeridas, que falharam em remover o ruído de impulso.

No trabalho proposto, foi realizado o realce tanto da cor como da imagem médica cinzenta. O realce da imagem colorida envolve a aplicação da técnica de Equalização de Histograma Adaptativo (AHE) aos componentes Saturação (S) e Valor (V); a técnica de Alongamento de Contraste é aplicada para melhorar a faixa dinâmica geral das imagens e o componente de luminância adicional V é realçado usando feedback de saturação adaptativa. Na técnica de melhoria de imagem cinza, a nitidez das bordas é obtida usando filtro Laplacian seguido por AHE que supera os inconvenientes dos métodos convencionais. Nos últimos anos, a tendência crescente é registrar os dados do paciente para documentação médica e análise de pesquisa. A filtragem de ruídos ou realce satisfaz o objetivo principal do diagnóstico e auxilia os médicos a decidir sobre a anormalidade.

A melhoria da imagem médica envolve vários métodos, tais como Transformada de Wavelet Estacionária, Processamento de Imagem Logarítmica Parametrizada (PLIP) Multiplicação, Limiar Adaptativo, Máscara Adaptativa de Unsharp, Equalização de Histograma Adaptativo, Melhoria do Contraste de Bairro Adaptativo, Alongamento de Contraste Global e Técnicas de Equalização de Histograma Adaptativo de Contraste Nítido (SCLAHE). Gohshi propôs um novo método de processamento de sinal não-linear que cria os componentes de alta frequência, melhorando assim a resolução da imagem desfocada. O modelo é muito simples de ser instalado em sistemas de vídeo em tempo real, tais como sistemas de câmeras gastrocopiadoras. Raj Mohan e Thirugnanam propuseram técnicas de melhoramento e segmentação baseadas em histograma de equalização dualista de subimagens. Os resultados mostram que o método proposto é mais eficiente em relação à técnica de agrupamento hierárquico. Sengee et al. propuseram a equalização do histograma de agregação de peso onde nele se atribui cada contentor não zerado de um histograma de imagem original para separar um agrupamento e calcular o seu peso. Estes números de cluster são então reduzidos em três critérios sugestivos e espera-se que adquiram as mesmas partições que o histograma de imagem resultante. Finalmente, funções de transformação para cada sub-histograma de cluster são calculadas e analisadas com base no método tradicional GHE nas novas partições obtidas do histograma da imagem resultante, e os níveis de cinza do sub-histograma são mapeados para a imagem resultante pelas respectivas funções de transformação.

Wang et al. propuseram um novo método de mapeamento de histograma, que usa um mecanismo de geração rápida de características locais para construir um histograma combinado, que representa os meios locais do voxel e também os níveis de cinza. As várias partes deste histograma combinado, que são segregadas por picos individuais, são mapeadas independentemente em escala de histograma alvo sob a restrição de que o histograma resultante final deve permanecer tão uniforme quanto possível. Yu e Wang propuseram um aumento automático do contraste global usando a otimização da variação. A função de energia é formulada como uma combinação completa de equalização do histograma e regularização da restrição de distorção quadrática. A transformação esperada do nível de cinza da imagem é adquirida através de um processo de otimização mini-máxima, que estabelece uma estrutura genérica para estabelecer mecanismos de equalização de histograma regularizado por distorção para melhoria de contraste global ou adaptável espacialmente.

Somasekar e Eswara Reddy propuseram um algoritmo eficiente para conservar os detalhes essenciais das imagens microscópicas do sangue infectado com malária usando equalização gama. O tema principal deste método é inicialmente converter a imagem de sangue colorida de entrada em escala de cinza e depois calcular o valor da faixa para a imagem de ordem γth de uma imagem em escala de cinza. Os valores da Look-Up-Table (LUT) são então calculados e os valores da intensidade dos pixels da imagem em escala de cinza são convertidos em valores LUT, que mais tarde dão resultados finais de imagem com contraste, preservando os detalhes essenciais.

Moradi et al. propuseram um método para melhorar a qualidade das imagens obtidas por um dispositivo não invasivo chamado Wireless Capsule Endoscopy (WCE) através da remoção de ruído e melhoria do contraste (RNCE) para a identificação de problemas gastrointestinais. Os parâmetros de avaliação da qualidade da imagem, tais como o Índice de Semelhança Estrutural (SSIM), a Relação Pico de Sinal/Ruído (PSNR) e a Semelhança Estrutural Baseada na Borda (ESSIM) parecem estar a melhorar de forma eficiente através desta técnica, o que por sua vez significa que através desta técnica a qualidade das imagens WCE melhorou de forma eficiente. Tiwari e Gupta propuseram o aumento global do contraste usando a correção gama seguida pela filtragem homomórfica para a nitidez da imagem a fim de preservar o brilho das imagens médicas.

O contraste da imagem é aumentado usando a decomposição de valor singular, o aumento dinâmico da faixa, métodos de super-resolução propostos em Refs. A Equalização de Histograma Adaptativo Limitado por Contraste (CLAHE) usando conceitos do algoritmo do Quadrado Menos Médio (LMS) é implementada usando filtro homomórfico juntamente com o AHE, o que proporciona melhores resultados . Além disso, o aprimoramento do contraste com base no histograma modificado usando filtro homomórfico, transformador de chapéu e filtros de difusão anisotrópicos são usados no aprimoramento da imagem médica. Chaira propôs um novo método para melhorar as bordas da imagem usando uma abordagem teórica de conjunto obscuro intuicionista; a informação das bordas é melhorada usando um filtro por ordem de classificação, calculando uma variação total entre os pixels na janela da imagem e a mediana. Rui et al. propuseram um método híbrido baseado em Anisotropic Diffusion (AD) para supressão de manchas e melhoramento das bordas. As propriedades de denoising de três técnicas – filtragem médiana, filtragem de AD melhorada e filtragem de difusão isotrópica – foram usadas.

Hossain et al. propuseram uma técnica de melhoria de imagem não linear no domínio da transformação através da equalização do histograma de coeficiente de transformação usando a Measure of Enhancement (EME) como uma medida de desempenho para melhorar a imagem. O processamento de imagens inclui a correção da faixa dinâmica global e melhoria do contraste local. Wen et al. propuseram um algoritmo de melhoria de imagem para as imagens de raios X com baixo brilho, baixo contraste e ruído com base na filtragem homomórfica de domínio wavelet e equalização de histograma adaptativo limitado por contraste. Inicialmente, a imagem é decomposta pela transformação de wavelet em baixa frequência e coeficientes de alta frequência do domínio wavelet de primeira camada. Os coeficientes de baixa frequência são processados por um filtro homomórfico melhorado e depois amplificados linearmente, e de forma semelhante os coeficientes de alta frequência são processados utilizando a contracção do limiar wavelet e depois é feita a reconstrução do wavelet. Finalmente, a equalização do histograma adaptativo limitado ao contraste é aplicada para modificar o histograma da imagem para completar o processamento. Esta técnica é útil para melhorar o brilho e o contraste, reduzindo o ruído melhor do que os algoritmos tradicionais de melhoramento.

Jindal et al. propuseram uma nova técnica de melhoramento biomédico da imagem que melhora a qualidade das imagens. A técnica compreende principalmente métodos como detecção de bordas, suavização, transformação da lei de potência e filtro de alto impulso. Esta técnica é aplicada principalmente em imagens médicas escuras e o resultado é verificado pela comparação da entropia em diferentes valores gama; uma verificação posterior também envolve a visualização humana. Esta técnica proporciona uma melhor qualidade, o que a torna adequada para o pré-processamento de aplicações de imagens médicas.