劉玉紅，李梓妍，王 欣，顏紅梅

(1. 成都醫(yī)學(xué)院生物醫(yī)學(xué)工程教研室 成都 610500；2. 電子科技大學(xué)生命科學(xué)與技術(shù)學(xué)院 成都 610054)

眼底是唯一能夠直接無(wú)創(chuàng)觀測(cè)到全部深層次的微血管和神經(jīng)的部位，利用眼底圖像不僅可以觀察到眼部疾病的狀況，還能對(duì)糖尿病、高血壓等心腦血管疾病提供診療依據(jù)。但是，由于采集的過(guò)程中圖像質(zhì)量容易受鏡頭、光照條件以及采集人員的經(jīng)驗(yàn)等不可控因素的影響，導(dǎo)致彩色眼底圖像的對(duì)比度差、亮度低、細(xì)節(jié)信息模糊不清或者信息丟失等問(wèn)題，使得圖像的質(zhì)量降低，影響臨床的診斷和治療效果。通過(guò)對(duì)眼底圖像進(jìn)行增強(qiáng)處理，將有助于提高臨床診斷的準(zhǔn)確性和高效性。

目前的眼底圖像增強(qiáng)方法主要以直方圖均衡化算法[1]、小波變換[2]、對(duì)比度受限自適應(yīng)直方圖均衡化算法(CLAHE)[3]、Retinex 算法[4]和形態(tài)學(xué)高帽變化[5-6]等算法為主。原始的眼底圖像大部分都是彩色圖像，采用上述方法處理后，從一定程度上可提高圖像的對(duì)比度和亮度，但增強(qiáng)后的彩色圖像卻存在泛白、容易出現(xiàn)光暈等色彩失真的問(wèn)題[7]。因此大部分的眼底圖像增強(qiáng)處理方式是將彩色眼底圖像轉(zhuǎn)變?yōu)閮H有綠色通道的灰度圖像，雖然灰度圖像便于后期處理，但卻丟失紅、藍(lán)顏色通道的細(xì)節(jié)信息，影響后續(xù)的圖像分割和識(shí)別[8]。

為了實(shí)現(xiàn)眼底圖像的顏色保真，提高圖像的清晰度和對(duì)比度，本文將眼底圖像增強(qiáng)過(guò)程分解為顏色保真任務(wù)、亮度均一化、細(xì)節(jié)增強(qiáng)任務(wù)。顏色保真任務(wù)主要通過(guò)色彩空間轉(zhuǎn)換分離出顏色信息。亮度均一化的任務(wù)主要對(duì)亮度信息進(jìn)行基于亮度的自適應(yīng)冪律變換的方法；細(xì)節(jié)增強(qiáng)任務(wù)主要通過(guò)對(duì)Lab 空間中的亮度成分進(jìn)行CLAHE 處理，最后將所得到的結(jié)果進(jìn)一步轉(zhuǎn)換為RGB 圖像。

1 算法理論基礎(chǔ)

1.1 CLAHE 算法理論

CLAHE 算法主要使用分塊方法來(lái)限制局部直方圖的幅度，以避免局部對(duì)比度過(guò)增強(qiáng)[9]，算法原理如圖1 所示，具體的實(shí)現(xiàn)步驟如下[10]。

圖1 CLAHE 理論

1) 將原始圖像分為N個(gè)相同大小且不重疊的子塊，N可根據(jù)實(shí)際需要設(shè)置；

2) 統(tǒng)計(jì)每個(gè)子塊的直方圖，并對(duì)其幅度進(jìn)行剪切，計(jì)算子塊的像素平均值：

4)得到所有子塊的f(x)后，并將這些點(diǎn)作為參考點(diǎn)，對(duì)各子塊進(jìn)行雙線性差值計(jì)算以消除塊效應(yīng)的影響，從而進(jìn)一步得到新像素值。

CLAHE 能把超限的部分均勻分布到其他部分，并非直接去除，因此改善了原始圖像的細(xì)節(jié)，提高了圖像的質(zhì)量。

1.2 冪律算法理論

冪律算法本質(zhì)上是調(diào)整圖像亮度的變換函數(shù)：

式中，S為結(jié)果圖像；r為輸入圖像；γ 為冪級(jí)數(shù)；c為系數(shù)。算法主要通過(guò)改變?chǔ)?值將部分區(qū)域映射到更寬或更窄的區(qū)域以達(dá)到不同的增強(qiáng)效果。當(dāng)γ＞1 時(shí)，高灰度值區(qū)域得到增強(qiáng)；γ＜1 時(shí)，低灰度值區(qū)域得到增強(qiáng)。

2 本文算法

2.1 算法流程

為了能夠保持原始圖像的色彩信息，并獲得更多的細(xì)節(jié)信息，本文提出一種顏色保真性的眼底圖像增強(qiáng)方法，使得處理后的圖像兼顧顏色保真與細(xì)節(jié)亮度相匹配，有效提高了眼底圖像的質(zhì)量。

算法流程如圖2 所示。

圖2 本文算法流程圖

2.2 顏色空間轉(zhuǎn)換

對(duì)于彩色圖像來(lái)說(shuō)，RGB 各通道與亮度通道有密切關(guān)系，如果直接對(duì)RGB 通道進(jìn)行處理會(huì)造成各通道顏色比例失調(diào)，引起圖像顏色失真。為了顏色保真，需要處理后圖像的各顏色通道間的比例關(guān)系保持不變[11-12]。

HSV 空間模型是由色調(diào)(H)、飽和度(S)和亮度(V)組成的彩色空間模型，適用于對(duì)圖像亮度進(jìn)行增強(qiáng)。因此，本文首先將RGB 顏色空間的眼底圖像轉(zhuǎn)換到HSV 空間，對(duì)V 分量進(jìn)行基于亮度的自適應(yīng)冪律變換，使得眼底圖像的亮度和對(duì)比度達(dá)到平衡。

Lab 顏色空間模型由亮度L 分量和顏色a、b分量組成。L 分量與人的亮度感知非常匹配，通過(guò)對(duì)Lab 空間的L 分量進(jìn)行CLAHE 算法，提高圖像的細(xì)節(jié)信息和對(duì)比度，保持色度通道不變，避免了圖像的顏色失真。

2.3 自適應(yīng)的冪律算法

冪律算法又稱為伽馬算法(式4)，不同的γ 值映射的曲線不同，合適的γ 值，可使圖像的亮度和對(duì)比度達(dá)到平衡。傳統(tǒng)冪律算法的γ 值是固定的，因此無(wú)法根據(jù)圖像的實(shí)際亮度進(jìn)行自適應(yīng)調(diào)節(jié)。為了解決這個(gè)問(wèn)題，本文提出了一種基于亮度的自適應(yīng)冪律校正方法。

亮度是圖像的一個(gè)重要參數(shù)，圖像的平均亮度為[13]：

通過(guò)式(6) 可求得圖像最佳亮度為127.5，以此參數(shù)作為基準(zhǔn)，如果圖像亮度均值A(chǔ)L 超過(guò)127.5，則視為偏亮，否則，視為偏暗。

圖像均值偏離127.5 的歸一化作為冪律算法的自適應(yīng)參數(shù)：

式中，AL 為圖像整體亮度的平均值。圖3 為經(jīng)過(guò)亮度自適應(yīng)變換與原圖的對(duì)比結(jié)果。

從圖3 可以看出，原始眼底圖像照度低，亮度分布不均，除視盤外，血管、黃斑、眼底的整體輪廓等信息比較模糊。直方圖同樣可看到G、B 兩通道的直方圖均集中在低灰度部分，難以分辨，灰度級(jí)范圍較狹窄。經(jīng)過(guò)亮度自適應(yīng)冪律變換后，眼底圖像的全局亮度得到了調(diào)整，亮度的分布更加均勻，能分辨出視盤，黃斑的位置以及眼底的整體輪廓，但從圖像的細(xì)節(jié)來(lái)看，細(xì)節(jié)信息還不夠清晰。

圖3 自適應(yīng)冪律運(yùn)算的結(jié)果圖與原圖的對(duì)比結(jié)果

2.4 CLAHE 變換

為了進(jìn)一步提高眼底圖像的質(zhì)量，需要對(duì)眼底圖像的細(xì)節(jié)進(jìn)行增強(qiáng)處理。CLAHE 是目前直方圖增強(qiáng)方法中提高圖像局部對(duì)比度的最有效方法。因此，將自適應(yīng)冪律計(jì)算后的結(jié)果圖轉(zhuǎn)化為L(zhǎng)ab 空間后對(duì)L 通道進(jìn)行CLAHE 處理。只對(duì)L 通道處理是為了不影響空間中另外兩個(gè)通道的顏色信息，從而保證圖像的顏色保真性。圖4 為處理結(jié)果，與圖3對(duì)比可看出，加入CLAHE 處理后提高了眼底圖像的細(xì)節(jié)信息，增強(qiáng)了圖像的清晰度，使得眼底的血管及周邊的滲透物更加清晰。

圖4 CLAHE 轉(zhuǎn)換后的圖像

3 實(shí)驗(yàn)結(jié)果和分析

為了驗(yàn)證本文算法的有效性，將本文算法與常用的眼底圖像增強(qiáng)方法Retinex 算法、CLAHE 算法進(jìn)行對(duì)比分析。實(shí)驗(yàn)數(shù)據(jù)來(lái)源于DIABETED0 數(shù)據(jù)庫(kù)[13]。

3.1 主觀評(píng)價(jià)

選取數(shù)據(jù)庫(kù)中的正常、出血和有滲出物的眼底圖像進(jìn)行增強(qiáng)算法的主觀評(píng)價(jià)，實(shí)驗(yàn)結(jié)果如圖5～圖7 所示。

圖5 正常圖像處理結(jié)果圖

圖6 出血點(diǎn)圖像處理結(jié)果

圖7 滲出物圖像處理結(jié)果

從結(jié)果來(lái)看，無(wú)論正?；虿±淼牟噬鄣讏D像，現(xiàn)有的CLAHE 算法與原始圖像相比，圖像中血管、視盤、黃斑等局部的亮度有所增強(qiáng)，但圖像整體亮度仍然較暗，血管、視盤、黃斑等重要部位對(duì)比度不高，細(xì)節(jié)信息不夠清晰，眼底部分與背景部分的對(duì)比度不高。Retinex 算法能很好地保留血管、視盤、黃斑等關(guān)鍵部位的信息，并提高了圖像的整體亮度和對(duì)比度，但圖像整體偏白，色彩嚴(yán)重失真。本文算法使得血管、黃斑、視神經(jīng)盤等部位細(xì)節(jié)更加清晰，對(duì)比度有明顯提高，且保留了原始圖像的顏色信息，并無(wú)失真、泛白等現(xiàn)象。

從主觀結(jié)果來(lái)看，無(wú)論正?；虿±韴D片，本文算法提高了圖像的清晰度和對(duì)比度，并能實(shí)現(xiàn)眼底圖像的顏色保真。

3.2 客觀評(píng)價(jià)結(jié)果

為了進(jìn)一步驗(yàn)證本文算法的效果，分別對(duì)DIABETED0 數(shù)據(jù)庫(kù)中的130 幅圖像進(jìn)行CLAHE算法與本文算法處理，并采用客觀評(píng)價(jià)指標(biāo)進(jìn)行定量比較。

增強(qiáng)圖像由于缺乏對(duì)應(yīng)的“完美”圖片，如采用均方誤差(mean squared error, MES)、峰值信噪比(peak signal-to-noise ratio, PSNR)指標(biāo)則不能很好反應(yīng)增強(qiáng)后圖像的質(zhì)量[14]。因此，本文采用質(zhì)量評(píng)價(jià)指標(biāo)，顏色評(píng)價(jià)指標(biāo)，清晰度評(píng)價(jià)指標(biāo)以及保真度評(píng)價(jià)指標(biāo)等多個(gè)維度指標(biāo)綜合衡量算法性能，具體指標(biāo)包括色彩濃度綜合指標(biāo)(underwater color image quality evaluation, UCIQE)[15]， 梯度指標(biāo)(average gradient, AG)[16]，無(wú)參圖像質(zhì)量評(píng)價(jià)指標(biāo)(color image assessment function, CAF)[17]，圖像保真率(total fidelity rate, TFR)[18]以及顏色保真度指標(biāo)(color of rate, COR)。

UCIQE 主要用來(lái)定量評(píng)價(jià)彩色圖像的色偏，值越大，說(shuō)明圖像的色偏度越小。AG 用來(lái)評(píng)價(jià)圖像的清晰程度，如果圖像清晰度較高則具有較大的梯度值。CAF 指標(biāo)是無(wú)參考質(zhì)量評(píng)價(jià)指標(biāo)，主要用于評(píng)價(jià)增強(qiáng)圖像的質(zhì)量，值越大，說(shuō)明圖像質(zhì)量越好。TFR 用以評(píng)估信息損失情況，值越高，相對(duì)于原始圖像所丟失的信息就越少。COR 為顏色保真度指標(biāo)，是指顏色通道之間的相關(guān)性，COR 越大，顏色保真性越好。

從表1 可以看出，本文算法的顏色濃度綜合指標(biāo)UCIQE 較高，說(shuō)明本文算法色偏??；AG 指標(biāo)較高，說(shuō)明算法的清晰度較好；CAF 指標(biāo)較高，說(shuō)明算法所得到的圖像質(zhì)量較好； TFR 保真度和顏色保真度數(shù)據(jù)也比CLAHE 算法高，說(shuō)明本文增強(qiáng)算法的總體保真性和顏色保真度較好。

表1 不同算法指標(biāo)分析

從客觀指標(biāo)可得出，本文算法無(wú)論從色偏、清晰度、質(zhì)量評(píng)價(jià)指標(biāo)還是保真性方面都比CLAHE方法要好。

4 結(jié) 束 語(yǔ)

本文提出一種具有顏色保真性的眼底圖像增強(qiáng)算法，將RGB 顏色空間的眼底圖像分別轉(zhuǎn)換為HSV 顏色空間和Lab 顏色空間后分別對(duì)亮度通道進(jìn)行基于亮度的自適應(yīng)冪律變換與CLAHE 增強(qiáng)處理。此算法提高了眼底彩色原始圖像的亮度和對(duì)比度，且有效地保留了原始圖像的色彩信息。

DIABETED0 數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果表明本研究算法在保證圖像顏色信息的同時(shí)展示出了更多的細(xì)節(jié)信息，能更好地改善圖像質(zhì)量，為彩色眼底圖像增強(qiáng)處理提供了一種新的方法，也為后續(xù)彩色眼底圖像的識(shí)別、分割和分類等處理提供應(yīng)用價(jià)值。