基于改進的CLAHE顯微細胞圖像增強算法

魏德志，梁光明

(1.湘潭大學 信息工程學院，湖南 湘潭 411105；2.湖南友哲科技有限公司，湖南 長沙 410075)

0 引 言

顯微圖像增強是目前比較熱門的一個研究領(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識別[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。考慮到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三維空間坐標系統(tǒng)表示[4]，有較強的感知度，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)都是常用的增強方法。直方圖均衡化主要分為全局增強和局部增強，全局直方圖均衡是對圖像的整體增強，容易實現(xiàn)，但在低對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度增強和放大噪聲或引入噪聲的問題[5-6]，因此增強的效果不是很理想。局部增強方法考慮了像素點的位置和灰度信息，增強的效果往往優(yōu)于全局增強。局部增強算法有雙直方圖均衡(Brightness preserving bihistogram equalization，BBHE)[7]、等面積雙遠子圖均衡(equal area dualistic sub-image histogram equalization，DSIHE)[8]、彩色視網(wǎng)膜圖像CLAHE增強(color retinal image enhancement using CLAHE)[9]等,其中較經(jīng)典的是受限對比度自適應(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比度受限兩項技術(shù)的優(yōu)點,特別適用于低對比度圖像增強。

文中將低對比度顯微細胞圖像分別轉(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，改變每個子塊的像素點重新分配的范圍，從而提出了一種改進的CLAHE算法。

1 限制對比度直方圖均衡化

CLAHE是一種限制圖像對比度提高的局部直方圖增強算法[11-12]，基本過程如下：

(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)對分割好的區(qū)域進行直方圖裁剪，計算平均分配像素數(shù)的平均值，公式如下：

Ave=uxuy/Nxy

(1)

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

計算對比度受限值：

Cl=NclipAve

(2)

其中，Nclip為設(shè)定的裁剪系數(shù)。

設(shè)裁剪后像素的總個數(shù)為S，則平均分配的像素數(shù)為：

av=S/Nxy

(3)

計算分配剩余像素數(shù)步長：

L=LG/S

(4)

其中，L為分配像素步長；LG為灰度范圍長度。

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

(3)對每個子區(qū)域?qū)Ρ榷仁芟藓蟮幕叶戎抵狈綀D進行均衡化。

(4)獲得每個子區(qū)域中心點，將其作為樣本點。

(5)進行灰度雙線性插值，即在垂直與水平2個方向進行線性插值計算。

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

首先在x方向進行線性插值，得到：

(5)

R1=(x,y1)

(6)

(7)

R2=(x,y2)

(8)

然后在y方向進行線性插值，得到：

(9)

R1=(x,y1)

(10)

R2=(x,y2)

(11)

將上式應(yīng)用于圖像增強，其中f(Q11)、f(Q12)、f(Q21)和f(Q22)分別表示輸入像素在相鄰4個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到相鄰塊的距離。

通過雙線性插值計算，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 改進的CLAHE顯微圖像增強

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)計子圖像灰度直方圖，求出平均像素數(shù)為：

(22)

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

圖3 改進后裁剪分配示意圖

(4)對經(jīng)過以上處理后的子圖像進行直方圖增強，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)的直方圖增強在醫(yī)學細胞圖像處理的過程中，當一些區(qū)域接近純色時，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。改進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，則說明當前像素點有內(nèi)容，參與到直方圖均衡化。

1933年，Cragoe基于大量油品摻混測試實驗結(jié)果，提出表征油品流動能力的流函數(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算模型，如式(12)。據(jù)報道，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)計所有參與直方圖均衡化的灰度級概率密度函數(shù)：

(24)

(3)計算各灰度級的變換函數(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 實驗結(jié)果與分析

從顯微細胞圖像數(shù)據(jù)庫中挑選了3張對比度偏低、細節(jié)不明顯的顯微細胞圖像作為本次的實驗對象。

3.1 評價指標

為了客觀評價圖像增強效果，采用的評價指標是圖像的標準差[13]、平均梯度[14]和信息熵[15]，分別為：

(27)

(28)

(29)

3.2 實驗結(jié)果

為了驗證文中算法的有效性，將其與CLAHE、文獻[8]等算法作比較，從主觀和客觀二個方面來驗證增強效果，如圖4所示。

圖4 圖像增強效果

通過人眼視覺觀察發(fā)現(xiàn)，圖像整體對比度都有所增加。文獻[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[8]算法，圖像包含更多信息，擁有更好的對比度，更適合人眼觀看。

3.3 實驗分析

實驗結(jié)果表明，文中算法和CLAHE、文獻[8]算法在標準差、平均梯度和信息熵三個評價指標上都有明顯提高，說明都對原始圖像起到了很好的增強作用，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，三種算法在對圖像處理的過程中都起到了增強效果，而且文中算法得出的3項評價數(shù)據(jù)都明顯優(yōu)于CLAHE、文獻[8]算法。

表1 實驗結(jié)果

分別測試到三種增強算法的運行耗時如表2所示。可以看出，文中算法耗時較多于傳統(tǒng)的CLAHE和文獻[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所需耗時長。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)用到工程項目中。

表2 運行時間

s

4 結(jié)束語

提出了一種改進的CLAHE與直方圖均衡血細胞增強算法，并依據(jù)標準差、平均梯度和信息熵等紋理分析的定量標準，對增強后的圖像做了對比分析。實驗結(jié)果表明，改進算法效果優(yōu)于傳統(tǒng)的CLAHE算法，證明了它的有效性。同時，可以有效提高低對比度顯微細胞圖像的視覺效果，具有很好的工程應(yīng)用，為醫(yī)療器械的后期分割、識別處理奠定基礎(chǔ)。但是該算法也有不足之處，就是處理時間較長，所以下一步的研究重點是對算法進行優(yōu)化，以達到更好的效率。