孫冬梅 陸劍鋒 張善卿

(杭州電子科技大學(xué)圖形圖像研究所，杭州 310018)

一種改進(jìn)CLAHE算法在醫(yī)學(xué)試紙條圖像增強(qiáng)中的應(yīng)用

孫冬梅 陸劍鋒 張善卿*

(杭州電子科技大學(xué)圖形圖像研究所，杭州 310018)

在圖像對(duì)比度增強(qiáng)算法中，結(jié)合自適應(yīng)直方圖均衡化和對(duì)比度受限兩項(xiàng)技術(shù)的對(duì)比度受限自適應(yīng)直方圖均衡化算法(CLAHE)是一種常用的低對(duì)比度圖像增強(qiáng)算法。為了解決快速診斷試劑中的過(guò)敏原檢測(cè)試紙條圖像對(duì)比度低的問(wèn)題，嘗試給出一種改進(jìn)的CLAHE圖像增強(qiáng)新算法。新算法在傳統(tǒng)的CLAHE算法的基礎(chǔ)上，通過(guò)引入一個(gè)自適應(yīng)參數(shù)T來(lái)自動(dòng)調(diào)整圖像每個(gè)子塊的像素點(diǎn)重新分配的范圍，從而達(dá)到增強(qiáng)圖像細(xì)節(jié)的目的。通過(guò)對(duì)過(guò)敏原檢測(cè)試紙條圖像增強(qiáng)的實(shí)驗(yàn)對(duì)比分析，表明改進(jìn)后的CLAHE算法可有效地改善該類醫(yī)學(xué)試紙條圖像的增強(qiáng)視覺(jué)效果，為后續(xù)醫(yī)學(xué)試紙條的分割和識(shí)別奠定基礎(chǔ)。與此同時(shí)，以圖像均方根對(duì)比度為定量統(tǒng)計(jì)依據(jù)，與傳統(tǒng)CLAHE算法的結(jié)果比較得出：改進(jìn)的CLAHE算法明顯提高圖像均方根對(duì)比度，傳統(tǒng)的CLAHE算法平均提高原圖像均方根對(duì)比度1～2倍，而改進(jìn)的CLAHE算法平均提高3～4倍，進(jìn)一步驗(yàn)證新算法是一種對(duì)過(guò)敏原檢測(cè)試紙條圖像增強(qiáng)更為有效的方法。

圖像增強(qiáng)；對(duì)比度受限自適應(yīng)直方圖均衡(CLAHE)；醫(yī)學(xué)試紙條圖像

引言

目前，醫(yī)學(xué)試紙條檢測(cè)結(jié)果主要依靠肉眼來(lái)判定，如快速診斷試劑中的過(guò)敏原檢測(cè)試紙條，其檢測(cè)原理是通過(guò)電泳分離的方法檢測(cè)過(guò)敏原成分，然后使用免疫印跡的方法檢測(cè)其過(guò)敏原反應(yīng)性，最后在試紙條上完成功能測(cè)試。但是，該類試紙條檢測(cè)結(jié)果一般只能用于定性判定，當(dāng)遇到被測(cè)對(duì)象含量很低、顏色很淺時(shí)，肉眼判定很容易造成誤判，而且效率極低。要想準(zhǔn)確地判定試紙條，首先要對(duì)試紙條進(jìn)行增強(qiáng)。圖像增強(qiáng)[1]是醫(yī)學(xué)試紙條檢測(cè)過(guò)程中的關(guān)鍵技術(shù)之一。

直方圖均衡化是最常用的圖像增強(qiáng)方法。直方圖均衡化主要分為全局方法和局部方法兩類。全局方法對(duì)整幅圖像的直方圖進(jìn)行均衡處理，實(shí)現(xiàn)簡(jiǎn)單，但對(duì)低對(duì)比度圖像處理效果不佳。一般的全局直方圖均衡化算法存在直方圖均衡化結(jié)果不是很“均衡”的問(wèn)題，因此增強(qiáng)的效果并不是很理想。局部方法綜合考慮像素點(diǎn)的位置和灰度信息，處理效果往往優(yōu)于全局方法。經(jīng)典的局部直方圖均衡技術(shù)包括對(duì)比度受限自適應(yīng)直方圖均衡化(contrast limited adaptive histogram equalization，CLAHE)[2]、子塊重疊直方圖均衡化、子塊部分重疊直方圖均衡化[3]。其中，CLAHE方法結(jié)合了自適應(yīng)直方圖均衡化和對(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，而且實(shí)現(xiàn)過(guò)程不復(fù)雜。

本研究采用的試紙條圖像是將原始彩色試紙條進(jìn)行濃度轉(zhuǎn)換后得到的灰度圖像，然后在CLAHE算法的基礎(chǔ)上，通過(guò)引入一個(gè)自適應(yīng)參數(shù)T來(lái)自動(dòng)調(diào)整圖像每個(gè)子塊的像素點(diǎn)重新分配的范圍，從而提出一種改進(jìn)的CLAHE算法，并將改進(jìn)后的算法應(yīng)用到該類醫(yī)學(xué)試紙條的增強(qiáng)中。通過(guò)實(shí)驗(yàn)對(duì)比分析，改進(jìn)后的算法可有效地提高醫(yī)學(xué)試紙條圖像的視覺(jué)效果，為后續(xù)試紙條的識(shí)別和分類奠定基礎(chǔ)。

1 對(duì)比度受限自適應(yīng)均衡化

CLAHE通過(guò)限制局部直方圖的高度來(lái)限制局部對(duì)比度的增強(qiáng)幅度，從而限制噪聲的放大及局部對(duì)比度的過(guò)度增強(qiáng)。首先將圖像分為若干子塊，然后對(duì)每個(gè)子塊進(jìn)行直方圖“剪切”(見(jiàn)圖1(a))，再對(duì)每個(gè)子塊進(jìn)行直方圖均衡(見(jiàn)圖1(b))，最后對(duì)每個(gè)像素通過(guò)插值運(yùn)算得到變換后的灰度值，從而實(shí)現(xiàn)對(duì)比度受限自適應(yīng)圖像增強(qiáng)[4]。

圖1 CLAHE算法。(a)直方圖剪切；(b)CLAHE重分配后的直方圖Fig.1 The procedure of CLAHE algorithm. (a) The clip of histogram; (b)The histogram of CLAHE algorithm after reallocation

CLAHE具體實(shí)現(xiàn)主要包括6個(gè)步驟。

步驟1：分塊。將輸入圖像劃分為大小相等的不重疊子塊，每個(gè)子塊含有的像素?cái)?shù)為M。子塊越大，增強(qiáng)效果越明顯，但圖像細(xì)節(jié)丟失越多。

步驟2：計(jì)算直方圖。用h(x)表示子塊的直方圖，x代表灰度級(jí)，它的取值范圍是[0，L-1]，L為可能出現(xiàn)的灰度級(jí)數(shù)。

步驟3：計(jì)算剪切閾值clipLimit[5]，有

(1)

式中，normClipLimit是對(duì)比度增強(qiáng)值，它決定了對(duì)比度增強(qiáng)的幅度。

步驟4：像素點(diǎn)重分配。對(duì)每個(gè)子塊，使用對(duì)應(yīng)的clipLimit值對(duì)h(x)進(jìn)行剪切，將剪切下來(lái)的像素?cái)?shù)目均勻地重新分配到直方圖的各灰度級(jí)中，有

(2)

avgBIncr=totalE/L

(3)

式中，totalE是指超過(guò)clipLimit的像素值總數(shù)。avgBIncr是指直方圖中平均每個(gè)灰度級(jí)增加的像素?cái)?shù)。

重復(fù)上述分配過(guò)程，直至將所有被剪切的像素點(diǎn)分配完畢，如圖1(b)所示。若用h′(x)表示h(x)經(jīng)重分配處理后的直方圖，則有

(4)

式中，upperLimit=clipLimit-avgBIncr。

步驟5：直方圖均衡。對(duì)h′(x)進(jìn)行直方圖均衡化處理，均衡結(jié)果用f(x)表示。

步驟6：像素點(diǎn)灰度值重構(gòu)。根據(jù)f(x)，得到各子塊中心像素點(diǎn)的灰度值，將它們作為參考點(diǎn)，采用雙線性插值技術(shù)[6]，計(jì)算輸出圖像中各點(diǎn)的灰度值。

2 改進(jìn)的對(duì)比受限自適應(yīng)均衡化算法

相對(duì)于傳統(tǒng)的CLAHE，本研究提出改進(jìn)的對(duì)比受限自適應(yīng)均衡化算法(CLAHE)，對(duì)每個(gè)子塊的像素點(diǎn)重分配范圍做出了調(diào)整。傳統(tǒng)的CLAHE在每個(gè)子塊的像素點(diǎn)重分配時(shí)，是將剪切下來(lái)的像素?cái)?shù)均勻地分配到直方圖的各個(gè)灰度級(jí)。筆者提出的方法是將剪切下來(lái)的像素?cái)?shù)分配到直方圖中間色調(diào)的灰度級(jí)[7]。具體來(lái)講, 最終的分配動(dòng)態(tài)范圍由概率密度函數(shù)P(x)決定。

對(duì)于概率密度函數(shù)P(x)，有

(5)

式中，nx為第x級(jí)灰度的像素?cái)?shù)，N為數(shù)字圖像中的總像素?cái)?shù)。

可定義以下函數(shù)，有

(6)

(7)

dr=dmax-dmin

(8)

(9)

式中：為了保證dmax>dmin；T在[0,0.5]之間取值;dr就是需要分配的中間色調(diào)區(qū)域的動(dòng)態(tài)范圍，dmin是此動(dòng)態(tài)范圍的最小值，dmax是此動(dòng)態(tài)范圍的最大值(見(jiàn)圖2(a))；avgBIncr′是指在需要分配的動(dòng)態(tài)范圍內(nèi)平均每個(gè)灰度級(jí)需要增加的像素?cái)?shù)。

圖2 改進(jìn)的CLAHE算法。(a)重分配范圍設(shè)定；(b)直方圖重分配后再剪切Fig.2 The procedure of improved CLAHE algorithm. (a) Setting the range of reallocation;(b) Histogram reallocation after clip

分配后的直方圖函數(shù)為h″(x)，有

(10)

由于在h″(x)函數(shù)中可能仍然存在超過(guò)clipLimit的值(見(jiàn)圖2(b))，所以直方圖重分配后的函數(shù)h′(x)為

(11)

式中，upLimit′=clipLimit-avgBIncr′。

重分配后的直方圖如圖3所示。

圖3 改進(jìn)的CLAHE重分配后的直方圖Fig.3 The histogram of improves CLAHE algorithm after reallocation

上述改進(jìn)的CLAHE算法通過(guò)引入一個(gè)新的參數(shù)T，從而確定直方圖重分配的動(dòng)態(tài)范圍。T的取值不同，得到的重分配的動(dòng)態(tài)范圍也將不同，這就意味著圖像增強(qiáng)效果將有所差異。為了進(jìn)一步克服這種不足，筆者給出一種自動(dòng)確定參數(shù)T的方法。

設(shè)概率密度函數(shù)P(x)的灰度級(jí)x數(shù)學(xué)期望和方差分別為

(12)

D(x)=E(x2)-[E(x)]2

(13)

用μ和σ分別表示概率函數(shù)P(x)的期望和標(biāo)準(zhǔn)差，即

(14)

根據(jù)3σ準(zhǔn)則[8]，可定義T如下：

(15)

為了衡量改進(jìn)后的CLAHE算法圖像對(duì)比度增強(qiáng)的效果，可采用E. Peli于1990年提出的均方根對(duì)比度[9]，有

(16)

3 實(shí)驗(yàn)結(jié)果

選取的圖像是醫(yī)學(xué)上用于過(guò)敏原檢測(cè)的試紙條圖像，采用固定T=0.1的實(shí)驗(yàn)結(jié)果，如圖4所示。

圖4 CLAHE和改進(jìn)的CLAHE增強(qiáng)效果。(a)實(shí)驗(yàn)原圖；(b)CLAHE的結(jié)果；(c)改進(jìn)算法(T=0.1)Figure.4 The image enhancement of CLAHE and improved CLAHE. (a)Original image; (b)CLAHE; (c)Modified algorithm(T=0.1)

從圖4中可以看出，改進(jìn)的CLAHE算法對(duì)醫(yī)學(xué)試紙條的圖像增強(qiáng)效果更好。

為了進(jìn)一步定量說(shuō)明，取10組試紙條的灰度圖像，分別采用傳統(tǒng)的CLAHE和改進(jìn)的CLAHE處理，得到的均方根對(duì)比度統(tǒng)計(jì)結(jié)果，見(jiàn)表1?？梢钥闯?，改進(jìn)后的CLAHE相比傳統(tǒng)的CLAHE算法明顯提高了圖像的對(duì)比度[10]。通過(guò)計(jì)算，傳統(tǒng)的CLAHE算法平均提高原圖像均方根對(duì)比度1～2倍，而改進(jìn)的CLAHE算法平均提高3～4倍。

表1 均方根對(duì)比度Tab.1 RMS contrast

不同T的設(shè)置將影響增強(qiáng)效果，如圖5所示。其中，當(dāng)T=0時(shí)，得到的圖像增強(qiáng)效果與CLAHE的效果一致，驗(yàn)證了前面的理論推導(dǎo)(見(jiàn)圖5(a))。而(b)和(c)分別為T=0.2和T=0.4的結(jié)果。

圖5 不同T的增強(qiáng)效果。(a)T=0；(b)T=0.2；(c)T=0.4Fig.5 The image enhancement of different T.(a)T=0; (b)T=0.2; (c)T=0.4

采用自適應(yīng)T的設(shè)置方案，其實(shí)驗(yàn)結(jié)果如圖6所示。可以看出，自適應(yīng)T得到的增強(qiáng)效果和T=0.1的增強(qiáng)效果差不多，在某些局部圖像中，反而自適應(yīng)T取得的增強(qiáng)效果更好。

圖6 T和自適應(yīng)T的增強(qiáng)效果。(a)T=0.1；(b)自適應(yīng)TFig.6 The image enhancement of T and adaptive T. (a)T=0.1; (b) Adaptive T

4 結(jié)論

本研究首先對(duì)快速診斷試劑中的過(guò)敏原檢測(cè)試紙條進(jìn)行濃度轉(zhuǎn)換,得到試紙條的灰度圖像；然后，在CLAHE算法的基礎(chǔ)上，提出了一種改進(jìn)的CLAHE算法，并成功應(yīng)用于該類醫(yī)學(xué)試紙條圖像的增強(qiáng)。與傳統(tǒng)的CLAHE方法比較,主要體現(xiàn)在如下兩個(gè)方面：一是動(dòng)態(tài)范圍的決策參數(shù)T的引入；二是參數(shù)T的一種自適應(yīng)設(shè)置方案。從實(shí)驗(yàn)結(jié)果來(lái)看，改進(jìn)的CLAHE方法不僅有效改善醫(yī)學(xué)試紙條的視覺(jué)效果，而且提高了試紙條圖像的均方根對(duì)比度。

[1] Zhang Yongxia, Guo Fenghua, Zhao Guoling, et al. Comprehensive review of medical image enhancement technologies [J]. Computer Aided Drafting, Design and Manufacturing, 2012, 22(3): 1-11.

[2] Karel Z. Contrast limited adaptive histogram equalization [C]//Graphics Gems IV. San Diego: Academic Press Professional, 1994: 474-485.

[3] Okado W, Goto T, Hirano S, et al. Fast and high-quality regional histogram equalization [C]//2013 IEEE 2nd Global Conference on Consumer Electronics. Tokyo:IEEE, 2013: 445-446.

[4] 王建，龐彥偉. 基于CLAHE的X射線行李圖像增強(qiáng) [J]. 天津大學(xué)學(xué)報(bào), 2010, 43(3): 194-198.

[5] 劉軒，劉佳賓. 基于對(duì)比度受限自適應(yīng)直方圖均衡的乳腺圖像增強(qiáng) [J]. 計(jì)算機(jī)工程與應(yīng)用, 2008, 44(10): 173-175.

[6] Pizer SM, Amburn EP, Austin JD, et al. Adaptive histogram equalization and its variations [J]. Computer Vision, Graphics, and Image Processing, 1987, 39(3): 355-368.

[7] Li Yuecheng, Zhang Hong. Modified clipped histogram equalization for contrast enhancement [C]//2012 13th International Conference on Parallel and Distributed Computing, Applications and Technologies. Beijing: IEEE, 2012: 653-658.

[8] 賈俊平，何曉群，金勇進(jìn). 統(tǒng)計(jì)學(xué) [M]. 北京: 中國(guó)人民大學(xué)出版社, 2000: 275-277.

[9] Peli E. Contrast in complex images [J]. JOSA A, 1990, 7(10): 2032-2040.

[10] Moniruzzaman M, Shafuzzaman M, Hossain MF. Detailed regions based medical image contrast enhancement [C]/2013 International Conference on Advances in Electrical Engineering. Dhaka: IEEE, 2013: 252-256.

The Application of an Improved CLAHE Algorithm in Image Enhancement of Medical Test Strip

Sun Dongmei Lu Jianfeng Zhang Shanqing*

(InstituteofGraphicsandImage,HangzhouDianziUniversity,Hangzhou310018,China)

image enhancement; contrast limited adaptive histogram equalization (CLAHE); medical test strip

10.3969/j.issn.0258-8021. 2016. 04.017

2015-07-15， 錄用日期:2015-07-24

浙江省自然科學(xué)基金資助項(xiàng)目(LY14F020043); 國(guó)家自然科學(xué)基金(61370218)

R318

D

0258-8021(2016) 04-0502-05

*通信作者(Corresponding author)， E-mail: zhangsq71@126.com