魏德志，梁光明

(1.湘潭大學(xué) 信息工程學(xué)院，湖南 湘潭 411105；2.湖南友哲科技有限公司，湖南 長(zhǎng)沙 410075)

0 引 言

顯微圖像增強(qiáng)是目前比較熱門的一個(gè)研究領(lǐng)域[1]。其目的是為了提高圖像的顯示效果，方便在后期處理中更易于人機(jī)識(shí)別[2-3]。

目前，顯微鏡采集到的圖像大多是RGB三通道的彩色圖像?？紤]到RGB三種色彩的相關(guān)性，因此一般在操作前轉(zhuǎn)換到其他空間模型，如HSV、HIS、YCrcB等。HSV空間模型是由色調(diào)(H)、飽和度(S)和亮度(V)參數(shù)組成的空間模型。這種顏色模型用Munsell三維空間坐標(biāo)系統(tǒng)表示[4]，有較強(qiáng)的感知度，因此應(yīng)用HSV顏色空間模型更符合人的肉眼判斷。無(wú)論是RGB空間模型還是HSV空間模型，直方圖均衡化(histogram equalization，HE)都是常用的增強(qiáng)方法。直方圖均衡化主要分為全局增強(qiáng)和局部增強(qiáng)，全局直方圖均衡是對(duì)圖像的整體增強(qiáng)，容易實(shí)現(xiàn)，但在低對(duì)比度圖像處理中效果不佳。一般的全局直方圖均衡化算法存在過(guò)度增強(qiáng)和放大噪聲或引入噪聲的問(wèn)題[5-6]，因此增強(qiáng)的效果不是很理想。局部增強(qiáng)方法考慮了像素點(diǎn)的位置和灰度信息，增強(qiáng)的效果往往優(yōu)于全局增強(qiáng)。局部增強(qiáng)算法有雙直方圖均衡(Brightness preserving bihistogram equalization，BBHE)[7]、等面積雙遠(yuǎn)子圖均衡(equal area dualistic sub-image histogram equalization，DSIHE)[8]、彩色視網(wǎng)膜圖像CLAHE增強(qiáng)(color retinal image enhancement using CLAHE)[9]等,其中較經(jīng)典的是受限對(duì)比度自適應(yīng)直方圖均衡化(contrast limited adaptive histogram equalization，CLAHE)[10]。CLAHE結(jié)合了直方圖均衡化和低對(duì)比度受限兩項(xiàng)技術(shù)的優(yōu)點(diǎn),特別適用于低對(duì)比度圖像增強(qiáng)。

文中將低對(duì)比度顯微細(xì)胞圖像分別轉(zhuǎn)換到灰度圖像和HSV顏色空間，然后在傳統(tǒng)CLAHE算法的基礎(chǔ)上，改變每個(gè)子塊的像素點(diǎn)重新分配的范圍，從而提出了一種改進(jìn)的CLAHE算法。

1 限制對(duì)比度直方圖均衡化

CLAHE是一種限制圖像對(duì)比度提高的局部直方圖增強(qiáng)算法[11-12]，基本過(guò)程如下：

(1)輸入一幅圖像，將該圖像平均分成大小一樣的連續(xù)不重疊的子區(qū)域。

(2)對(duì)分割好的區(qū)域進(jìn)行直方圖裁剪，計(jì)算平均分配像素?cái)?shù)的平均值，公式如下：

Ave=uxuy/Nxy

(1)

其中，Nxy為該局部子區(qū)域中灰度級(jí)數(shù)；ux、uy分別是該子區(qū)域x和y方向的像素個(gè)數(shù)。

計(jì)算對(duì)比度受限值：

Cl=NclipAve

(2)

其中，Nclip為設(shè)定的裁剪系數(shù)。

設(shè)裁剪后像素的總個(gè)數(shù)為S，則平均分配的像素?cái)?shù)為：

av=S/Nxy

(3)

計(jì)算分配剩余像素?cái)?shù)步長(zhǎng)：

L=LG/S

(4)

其中，L為分配像素步長(zhǎng)；LG為灰度范圍長(zhǎng)度。

按步長(zhǎng)循環(huán)搜索灰度級(jí)小于裁剪閾值的位置并分配一個(gè)像素值。如果沒有分配完像素，則重新計(jì)算步長(zhǎng)和循環(huán)搜索，直到分配完所有剩余像素。

(3)對(duì)每個(gè)子區(qū)域?qū)Ρ榷仁芟藓蟮幕叶戎抵狈綀D進(jìn)行均衡化。

(4)獲得每個(gè)子區(qū)域中心點(diǎn)，將其作為樣本點(diǎn)。

(5)進(jìn)行灰度雙線性插值，即在垂直與水平2個(gè)方向進(jìn)行線性插值計(jì)算。

假設(shè)函數(shù)f(x)與函數(shù)上已知4個(gè)點(diǎn)的值:Q11=(x1,y1),Q12=(x1,y2),Q21=(x2,y1),Q22=(x2,y2),在f(x)上的點(diǎn)p=(x,y)可通過(guò)線性插值近似求出。

首先在x方向進(jìn)行線性插值，得到：

(5)

R1=(x,y1)

(6)

(7)

R2=(x,y2)

(8)

然后在y方向進(jìn)行線性插值，得到：

(9)

R1=(x,y1)

(10)

R2=(x,y2)

(11)

將上式應(yīng)用于圖像增強(qiáng)，其中f(Q11)、f(Q12)、f(Q21)和f(Q22)分別表示輸入像素在相鄰4個(gè)子塊中均衡后的直方圖的灰度值，其系數(shù)分別表示輸入像素點(diǎn)到相鄰塊的距離。

通過(guò)雙線性插值計(jì)算，解決了CLAHE產(chǎn)生的塊效應(yīng)。CLAHE算法分配方式如圖1所示。

圖1 裁剪分配示意圖

2 改進(jìn)的CLAHE顯微圖像增強(qiáng)

算法流程如圖2所示。

圖2 文中算法流程

2.1 顏色空間轉(zhuǎn)換

RGB轉(zhuǎn)化到HSV的公式如下:

(12)

(13)

(14)

V=max(R,G,B)/255

(15)

HSV轉(zhuǎn)化到RGB的公式如下:

(16)

(17)

p=V×(1-S)

(18)

q=V×(1-f×S)

(19)

t=V×(1-(1-f)×S)

(20)

(21)

2.2 基于CLAHE的改進(jìn)算法

(1)將待處理的圖像均分成x行、y列的子圖像，x和y分別為子圖像的行數(shù)和列數(shù)。

(2)統(tǒng)計(jì)子圖像灰度直方圖，求出平均像素?cái)?shù)為：

(22)

其中，Ngray表示子圖像的灰度級(jí)個(gè)數(shù)；Nx表示子圖像x軸方向的像素個(gè)數(shù)；Ny表示子圖像y軸方向的像素個(gè)數(shù)。

圖3 改進(jìn)后裁剪分配示意圖

(4)對(duì)經(jīng)過(guò)以上處理后的子圖像進(jìn)行直方圖增強(qiáng)，最后使用雙線性插值變換函數(shù)得到新的像素值。

2.3 灰度圖像直方圖均衡化

傳統(tǒng)的直方圖增強(qiáng)在醫(yī)學(xué)細(xì)胞圖像處理的過(guò)程中，當(dāng)一些區(qū)域接近純色時(shí)，這些區(qū)域很多情況下都是圖像背景，因此不希望這些背景區(qū)域被增強(qiáng)。改進(jìn)算法的具體步驟如下：

(1)求以原始圖像f(x,y)為中心的區(qū)域梯度值。若梯度值大于閾值K，則說(shuō)明當(dāng)前像素點(diǎn)有內(nèi)容，參與到直方圖均衡化。

1933年，Cragoe基于大量油品摻混測(cè)試實(shí)驗(yàn)結(jié)果，提出表征油品流動(dòng)能力的流函數(shù)L，并與油品黏度相關(guān)聯(lián)[15]，從而創(chuàng)造性地提出一種新的油品摻混黏度計(jì)算模型，如式(12)。據(jù)報(bào)道，該模型適用范圍較廣泛，可用于黏度比大于1000的情況[16]。

max|Nu|>K

(23)

(2)統(tǒng)計(jì)所有參與直方圖均衡化的灰度級(jí)概率密度函數(shù)：

(24)

(3)計(jì)算各灰度級(jí)的變換函數(shù)，公式如下：

(25)

(4)建立灰度映射表：rk～sk(k=0,1,…,L-1)。

(5)根據(jù)步驟4中映射表完成新圖像映射變換。

2.4 歸一化調(diào)整

f(x,y)=(VG+VL)/2

(26)

3 實(shí)驗(yàn)結(jié)果與分析

從顯微細(xì)胞圖像數(shù)據(jù)庫(kù)中挑選了3張對(duì)比度偏低、細(xì)節(jié)不明顯的顯微細(xì)胞圖像作為本次的實(shí)驗(yàn)對(duì)象。

3.1 評(píng)價(jià)指標(biāo)

為了客觀評(píng)價(jià)圖像增強(qiáng)效果，采用的評(píng)價(jià)指標(biāo)是圖像的標(biāo)準(zhǔn)差[13]、平均梯度[14]和信息熵[15]，分別為：

(27)

(28)

(29)

3.2 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證文中算法的有效性，將其與CLAHE、文獻(xiàn)[8]等算法作比較，從主觀和客觀二個(gè)方面來(lái)驗(yàn)證增強(qiáng)效果，如圖4所示。

圖4 圖像增強(qiáng)效果

通過(guò)人眼視覺觀察發(fā)現(xiàn)，圖像整體對(duì)比度都有所增加。文獻(xiàn)[8]算法產(chǎn)生了色彩的偏移現(xiàn)象，文中算法在圖像信息豐富程度和視覺效果上優(yōu)于傳統(tǒng)的CLAHE和文獻(xiàn)[8]算法，圖像包含更多信息，擁有更好的對(duì)比度，更適合人眼觀看。

3.3 實(shí)驗(yàn)分析

實(shí)驗(yàn)結(jié)果表明，文中算法和CLAHE、文獻(xiàn)[8]算法在標(biāo)準(zhǔn)差、平均梯度和信息熵三個(gè)評(píng)價(jià)指標(biāo)上都有明顯提高，說(shuō)明都對(duì)原始圖像起到了很好的增強(qiáng)作用，即圖像信息的豐富程度變大，提高了圖像清晰度，減小了圖像噪聲。

根據(jù)表1的數(shù)據(jù)可以得出，三種算法在對(duì)圖像處理的過(guò)程中都起到了增強(qiáng)效果，而且文中算法得出的3項(xiàng)評(píng)價(jià)數(shù)據(jù)都明顯優(yōu)于CLAHE、文獻(xiàn)[8]算法。

表1 實(shí)驗(yàn)結(jié)果

分別測(cè)試到三種增強(qiáng)算法的運(yùn)行耗時(shí)如表2所示?？梢钥闯觯闹兴惴ê臅r(shí)較多于傳統(tǒng)的CLAHE和文獻(xiàn)[8]算法，主要原因是文中算法在灰度圖像局部直方圖均衡和歸一化時(shí)所需耗時(shí)長(zhǎng)。這也是文中算法存在的不足，需要在后續(xù)工作中優(yōu)化其執(zhí)行效率，以更好地應(yīng)用到工程項(xiàng)目中。

表2 運(yùn)行時(shí)間

s

4 結(jié)束語(yǔ)

提出了一種改進(jìn)的CLAHE與直方圖均衡血細(xì)胞增強(qiáng)算法，并依據(jù)標(biāo)準(zhǔn)差、平均梯度和信息熵等紋理分析的定量標(biāo)準(zhǔn)，對(duì)增強(qiáng)后的圖像做了對(duì)比分析。實(shí)驗(yàn)結(jié)果表明，改進(jìn)算法效果優(yōu)于傳統(tǒng)的CLAHE算法，證明了它的有效性。同時(shí)，可以有效提高低對(duì)比度顯微細(xì)胞圖像的視覺效果，具有很好的工程應(yīng)用，為醫(yī)療器械的后期分割、識(shí)別處理奠定基礎(chǔ)。但是該算法也有不足之處，就是處理時(shí)間較長(zhǎng)，所以下一步的研究重點(diǎn)是對(duì)算法進(jìn)行優(yōu)化，以達(dá)到更好的效率。