直方图均衡增强低亮度视网膜图像早期检测糖尿病视网膜病变

工程科学与技术，国际期刊22（2019）736完整文章直方图均衡化技术增强低亮度视网膜图像以早期检测糖尿病视网膜病变Navdeep Singha， Kaur a，Lakhwinder Kaura，Kuldeep Singhba部。计算机科学工程师，Punjabi University，Patiala 147001，Punjab，Indiab中央研究实验室，巴拉特电子有限公司，Ghaziabad 201010，印度阿提奇莱因福奥文章历史记录：收到2018年2019年1月7日修订2019年1月28日接受在线提供2019年保留字：直方图均衡辐射视网膜图像增强熵A B S T R A C T图像有时会受到不适当照明的影响而变暗。这通常发生在医学图像或在低光条件下获取的图像针对视网膜成像的低光照问题，该技术在由可调参数w确定的分裂值处将直方图分离成子直方图。RIHE-RVE递归每-在每次分割后形成直方图积分，然后进行均衡，而在RIHE-RRVE直方图中，可以对任何电平（由参数r决定）进行分离，然后进行均衡和积分。从全面的文献调查中已经观察到，存在非常少的增强视网膜图像质量的算法。所提出的方法有效地解决了低光辐射问题。从信息量（熵）、峰值信噪比（PSNR）、结构相似性指数（SSIM）、欧氏距离和视觉质量检测等方面对该技术进行了性能评价。为了证明所 提 出 的 方 法 的 鲁 棒 性 ， 这 些 技 术 不 仅 专 门 应 用 于 公 开 可 用 的 视 网 膜 数 据 库 DRIVE ， STARE 和CHASE_DB1，而且还应用于从公开可用的OASIS数据库中获取的一些MRI图像。结果表明，所提出的技术优于最先进的技术，特别是在低辐射图像。©2019 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍视网膜疾病在世界各地的工作人群和老年人群中呈上升趋势糖尿病视网膜病变是导致失明的主要原因，据估计，糖尿病视网膜病变患者将从2011年的1.266亿增加到2030年的1.91亿[1，2]。黄斑变性是另一种疾病，到2020年将影响1.96亿人，到2040年将进一步上升到2.88亿人[3]。通过仔细检查视网膜图像，不仅可以诊断视网膜疾病，还可以诊断其他疾病，例如糖尿病[4]、高血压（到2025年，将影响全世界约16亿人的血压升高疾病）[5]和中风[6]血管结构在糖尿病视网膜病变的诊断中起着非常重要的作用。医生可以很容易地确定糖尿病视网膜病变的阶段，只需检查血管的结构，例如，微小凸起的存在，*通讯作者。电子邮件地址：navdeepsony@gmail.com（N. Singh）。由Karabuk大学负责进行同行审查血管的高度弯曲表明糖尿病视网膜病变的开始，而从主血管分支出的许多微小血管的存在表明增殖性糖尿病视网膜病变的存在[7]，增殖性糖尿病视网膜病变是糖尿病视网膜病变的晚期并且是个体失明的原因为了分析血管，需要从视网膜提取血管。血管与视网膜的准确分割不幸的是，由于各种因素，例如成像设备与视网膜的距离、眼球的移动和眼睑的不适当扩张等，并不总是能够获得高质量的图像。因此，视网膜图像遭受低且不均匀的辐射。这项工作的主要目标是解决在图像采集过程中发生的总的来说，本文侧重于处理的预处理步骤，在照明方面的图像质量这一预处理步骤在从视网膜有效准确地分割血管中更高质量的图像导致更好的血管分割[8]。可诊断https://doi.org/10.1016/j.jestch.2019.01.0142215-0986/©2019 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestchN. Singh等人/工程科学与技术，国际期刊22（2019）736737ωω通过观察视网膜血管结构的变化[9]。糖尿病视网膜病变如果早期发现，可以及时治疗，并可以挽救患者的视力威胁不可逆转的问题。在 这 项 工 作 中 ， 已经提出了两 种技 术 ， RIHE-RVE （ Radianceindicatorbasedhistogramequalizationforretinalvesselenhancement ） 和 RIHE-RRVE （ Radianceindicatorbasedhistogramequalizationforrecursiveretinalvesselenhancement）来提高图像的质量。在这两种技术中，直方图基于控制增强级别的可调参数w的值来分割。RIHE-RVE将直方图分解成两个子直方图，均衡两个直方图，然后将它们积分。根据从连续增强图像获得的辐射值之间的差异，重复进行这一操作。RIHE-RRVE根据参数r决定的水平递归地将直方图划分为多个子直方图。除了上述技术之外，还提出了一种用于裁剪直方图的新技术。两种方法都是基于累积中值进行直方图削波，以避免过度增强。仅通过改变可调参数w的值，就可以控制增强的水平。所提出的技术有效地提高了低质量和非均匀照明的图像，而没有任何信息损失。这些技术不会产生任何不需要的伪影，本质上是鲁棒的，并且可以应用于各种类型的图像。2. 相关工作血管的准确分割是诊断目的所必需的，并且只有在图像清晰并且具有高且均匀的辐射度时才能做到。已经开发了很少的技术[10这些技术仅仅关注于使辐射均匀，而不考虑辐射量和图像中已经存在已经观察到，即使这些技术成功地获得了均匀的辐射图像，但是它以熵的高水平损失为代价，这是尤其在医学图像中从未期望的，因为即使是信息内容的小损失也可能导致完全不同的诊断。所提出的方法作出了有意识的努力，考虑到辐射水平和信息内容，同时提高视网膜图像的质量，使它们适合分割。现有的大多数技术，在低辐射图像的工作集中在均衡图像的直方图，以提高图像的视觉质量直方图均衡化[14]是最基本的技术，通过将窄范围的强度水平映射到可用的更宽范围的强度水平来均衡图像。这种技术极大地改善了图像的辐射，但相反，它在图像中产生过度增强，结果丢失了关键产生过增强是因为它总是倾向于将图像的平均亮度改变到可用强度范围直方图均衡的另一个限制是，它会产生令人讨厌的伪影，使其对大多数应用都有效BBHE（亮度保持双直方图均衡化）[15]通过将原始直方图划分为基于图像均值的两个子直方图，然后独立地进行均衡这种技术的主要优点是，它保留了增强图像的平均值近似等于原始图像的平均值，除了抑制令人讨厌的伪影，从而提供更逼真的图像。MMBEBHE （ Minimum Mean Brightness Error Bi-histogramEqualization，最小平均亮度误差双直方图均衡化）[16]BBHE的扩展发现最佳阈值将直方图分离成子直方图以执行图像增强，使得绝对平均亮度误差最小。DSIHE（二元子图像直方图均衡化）[17]是另一种基于中值而不是平均值执行直方图划分的技术。高水平的熵是使用这种技术。RMSHE（Recursive Mean Separate Histogram Equalization）[18]通过递归地将直方图划分为子直方图来保留平均亮度，从而产生明亮的图像。RSIHE（递归子图像直方图均衡化）[19]递归地将直方图划分为基于累积概率密度之和的子直方图。RSWHE（递归分离和加权直方图均衡化）[20]通过基于幂律函数的加权过程修改子直方图，然后对子直方图应用直方图均衡化过程。 BHEPL（Bi-histogram Equalizationwith a Plateau Limit for Digital Image Enhancement）[21]是另一种将原始直方图分为两个子直方图并基于平台值剪辑直方图的技术。这种技术是非常有效的，在产生增强图像所需的计算时间较少。DOTHE（基于主导方向的纹理直方图均衡化）[22]基于具有主导方向的图像块构建直方图。这种技术的主要亮点是，由于不包括非纹理区域的像素，它有助于抑制直方图均衡技术出现的恼人的伪影。RWMPHE（递归加权多平台直方图均衡化）[23]将直方图细分为子直方图，这些子直方图使用各种平台限制进行进一步裁剪。然后，这些子直方图被单独地均衡化以获得更高质量的图像。QDHE（Quadrants Dynamic HistogramEqualization for Contrast Enhancement）[24]根据输入图像的中值将直方图分为四个子直方图。然后根据输入数据平均值对所有四个象限进行限幅并进行均衡。该技术在没有任何噪声放大或过度增强的情况下给出了良好的结果。Singh等人[25]提出了改进低曝光图像的技术。该技术基于输入图像的曝光值分离直方图。SRHE（子区域直方图均衡化）[26]在图像上应用高斯滤波器以获得平滑的强度值，然后将其用于将图像划分为直方图，然后单独均衡。Chaudhuri等人。[27]做了专门关注视网膜图像的先驱工作。使用5 5过滤器以减少图像中存在的寄生噪声的影响，没有注意到低的和不均匀的辐射。马林等人[28]使用3 3均值滤波器来降低噪声，然后使用高斯滤波器来进一步平滑视网膜图像。噪声去除后，背景均匀化，使图像的辐射均匀。该技术在一定程度上成功地获得了均匀明亮的图像，但并非没有牺牲图像的大量信息内容。Joshi等人[29]提出了一种增强技术，用于改善非均匀照明暗图像的质量。他们使用成像几何形状和校正因子的知识来消除图像照明的可变性的差异。通过这种方法获得的视觉结果不是很令人鼓舞，并提出了改进的范围。Wan等人[30]提出了一种基于自适应直方图分割和亮度校正的红外图像增强方法来提高图像质量。基于灰度密度的度量用于区分前景和背景子直方图。使用基于局部对比度的分布来均衡前景直方图，以确保前景和背景像素之间的可区分的差异。在[31]中，提出了一种基于局部熵的粒子群优化技术，用于直方图相等，738N. Singh等人/工程科学与技术，国际期刊22（2019）736XXP1ð ÞL联系我们L-h i1/4化。该方法将直方图划分为子直方图，并采用粒子群优化算法减少过增强。每个子直方图均衡使用的局部熵。已经观察到，大多数均衡算法致力于增加图像对比度，并且很少关注解决不适当照明的问题。 而且，大多数现有技术的结果是遭受过度增强其信息内容受到严重影响。在这项工作中，不适当的照明的问题是解决这样一种方式，整体信息内容的影响最小。为了保证图像不被过度增强，提出了一种新的直方图裁剪算法，并在此基础上提出了两种算法RIHE-RVE和RIHE-RRVE。本论文的组织如下：第3节介绍了所提出的算法，结果在第4节。第5节对所提出的技术进行了分析。第六节是论文的总结。参考文献列表在本文末尾提供3. 提算法所提出的算法确定图像具有的欠辐射量，并且基于该欠辐射量执行适当的增强水平，这导致具有接近原始图像的非常高的熵值这些技术注意到曝光不足的区域比已经高辐射率的区域被增强得更多在所提出的工作中，设计了一种简单的技术，可以很容易地控制水平增强。为此目的，使用可调参数w来确定将直方图分成子直方图的分割值直方图拆分值Bv如等式2所示计算（1）pcihi=N对于0≤i≤L- 1：≤10KCkp Ci对于0≤k≤L- 1：1/4h是图像的直方图，N是图像中像素的总数，L是强度等级的总数，且C包含归一化直方图计数和累积归一化直方图计数。分别对输入图像的togram计数。需要找到控制参数Cp的值，使得CP吉吉夫为 任何0：1 ≤w ≤ 0：9：130j¼0因此，高端强度像素在小得多的范围内被均衡，从而限制了过度增强。在这项工作中，提出了三项技术：● 直方图裁剪● RIHE-RVE● RIHE-RRVE3.1. 直方图裁剪增强图像常常导致过度增强的问题。在直方图裁剪中，阈值用作限制值。将大于阈值的面元数减少到阈值，以减少过度增强的影响，得到更自然的图像。在这项工作中，提出了一种新的直方图裁剪算法。基于平均中值对直方图进行裁剪，更好地降低了过度增强的影响。3.1.1. 直方图裁剪(1) 按升序重新排列直方图值(2) 从排序的值列表中查找唯一值(3) 从唯一值的集合计算中值M，其中如果唯一值的数量是奇数，则中值是中间值，或者如果唯一值的数量是偶数，则中值是中间两个值的平均值(4) 计算阈值，Tv¼M=Cp 5其中Cp是在等式中找到的控制参数。（三）、的价值Tv必须四舍五入到最接近的整数。(5) 阈值，Tv发现在方程。（5）用于裁剪直方图。直方图h中所有高于Tv的值都被裁剪为Tv值，以创建新的直方图hN。低于阈值Tv的值不被修改。该操作在Eq.（六）如果hn n nn≥Tv，则设置h N n n n elsehNhi：63.2. 用于视网膜血管增强的基于辐射度指示器的直方图均衡（RIHE-RVE）该算法递归地调用自身，直到连续辐射值v1和v2（计算的）之间Bv¼mL-1-Cp- 1：144可调参数w的值决定了图像所需的增强水平。w的值越小，增强越多。这是正确的，因为较小的w值将导致较低的Cp值，如在等式中可以看出的（三）、从等式（4）、可以得出，较低的Cp将产生将直方图分离成子直方图的较大的分离值Bv该过程可以从以下事实来理解：对于低辐射图像，图像的像素密度更朝向直方图的较低强度范围。因此，Eq。对于特定的w值，可以用小得多的Cp值来满足公式（3），从而得到扩展的第一子直方图。第一子直方图然后被单独从第二个子直方图。由于子直方图的扩展性，输入图像的像素的较小强度范围被映射到大得多的强度范围，从而增强了低辐射。使用等式（7））对于输入图像和增强图像分别是小于阈值误差s。在这项工作中，选择s的值是0.001。阈值s应仔细选择，使得其不应太高，这可能导致高计算时间，并且不应太小以避免增强不足。图1示出了RIHE-RVE的流程图。3.2.1. RIHE-RVE算法(1) 计算输入图像f的直方图h，其中直方图包含每个强度级别的出现频率。(2) 计算辐射值，L-1h i iv1 ¼i¼0：170区有效。相反，第二子直方图具有小得多的范围并且包含属于图像中的较高强度范围由于范围小得多其中i表示强度值，h是强度值i的出现频率，L是强度值iN. Singh等人/工程科学与技术，国际期刊22（2019）736739¼¼Fig. 1. RIHE-RVE技术流程图。等级，这里是L256。这个公式决定了图像中的曝光量。(3) 根据方程计算分裂值Bv。（3）和（4）将直方图分成子直方图。(4) 根据等式计算阈值Tv（5）用于裁剪直方图以避免过度增强。(5) 在阈值Tv处剪切直方图h，以从等式（6）.(6) 基于在算法的步骤3中计算的分裂值Bv，将剪切直方图hN分离成强度范围分别为0至Bv和Bv= 1至L-1的两个子直方图hl和hu(7) 在它们各自的强度范围内分别对两个直方图h_l和h_u进行量化。较暗的区域将比较亮的区域增强得更多。(8) 将hl和hu积分以重新创建直方图h。(9) 重复步骤2以找到均衡图像的辐射值v2(10) 应用步骤1如中所示|v1-v2j

下载后可阅读完整内容，剩余1页未读，立即下载