Canny加权引导滤波的Retinex算法提升医学图像对比度与边缘清晰度

本文主要探讨了一种基于Canny算子加权引导滤波的Retinex（CWGFR）医学图像增强算法，该方法在处理医学图像中存在的对比度低、动态范围窄、强度分布不对称以及边缘模糊等问题上展现出独特的优势。Canny算子在图像处理中扮演了关键角色，它首先通过精确地检测图像中的边缘来估计加权引导滤波器的权重，这一步确保了后续处理的精度。 加权引导滤波器在算法中被用于光照估计，通过对图像的光照成分进行分离，提取出入射光分量。这种分离是Retinex理论的核心，Retinex假定每个像素可以分解为入射光和反射光两部分，通过这种方法，算法能够在log域上生成增强图像，提高图像的对比度，使得细节更加明显。 论文着重于边缘保持和细节凸显，通过Canny算子和加权引导滤波器的结合，能够有效地减少"光晕"伪影，这是传统医学图像增强方法中常见的问题。这种方法不仅提升了图像的质量，还有助于医生更准确地识别病变区域，从而提高了计算机辅助诊断的效率。 值得注意的是，这项工作得到了国家自然科学基金项目（编号：61603190）和江苏省自然科学基金青年基金项目（编号：BK20140794）的资助，体现出该研究领域内学术界对于高质量医学图像处理方法的重视。作者陈韵竹和郭剑辉分别作为硕士研究生和博士副教授，他们的研究方向集中在图像处理和模式识别，他们的合作为医学图像增强技术的发展做出了贡献。 这篇论文提供了一个创新的解决方案，通过Canny算子和Retinex理论的结合，为医学图像的增强处理提供了一种有效且实用的方法，有望在未来临床实践中得到广泛应用。