基于局部熵最大化的乳腺图像融合增强

沙特国王大学学报基于局部熵最大化的乳腺图像融合增强Meenakshi Pawara，Sanjay Talbarba印度马哈拉施特拉邦索拉普尔潘达普尔SVERI工程学院电子和电信系b电子和电信工程，S.G.G.S.I.E. T，Nanded，马哈拉施特拉邦，印度阿提奇莱因福奥文章历史记录：2017年11月29日收到2018年1月29日修订2018年2月19日接受2018年2月21日在线提供保留字：乳房造影对比度增强局部熵DWT图像融合A B S T R A C T早期发现乳腺癌可以提高生存的机会。对比度增强提供了改进的视觉信息，可用于乳房X线照片图像的准确分割。本文提出了一种基于局部熵最大化算法的小波系数融合对比度增强方法.该算法利用Haar小波对原始图像和CLAHE增强后的图像进行在每一层分解中，近似系数采用平均运算进行融合，细节系数采用计算5 × 5滑动窗口的熵值并选择最大熵值对应的像素值进行融合。最后，结合近似系数和细节系数重建乳房X线图像。所提出的算法进行了评估与性能指标，如边缘内容（EC），基于边缘的对比度测量（EBCM），特征相似性指数测量（FSIM）和绝对平均亮度误差（AMBE）与医学上可用的MIAS（乳腺图像分析协会）数据集包括322幅图像和TMCH（塔塔纪念癌症医院）数据集包括100幅图像。所提出的算法显示了EC值的改善，1.24 ~ 1.87，EBCM值从64.24 ~ 120.1，FSIM值为0.97，更接近1，AMBE值为2.01并与目前比较流行的对比度增强方法HE、BBHE、CLAHE进行了比较。结果表明，该方法在对比度和亮度方面都有较好的效果©2018作者制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍乳腺癌主要发生在全世界的妇女中，导致印度妇女的死亡率很高。据估计，到2020年，印度的乳腺癌病例将高达1，797，900例（Malviaet al.，2017年）。它通常在早期阶段使用乳房X线摄影图像进行诊断。数字乳腺摄影图像是使用有限灰度范围的低剂量X射线图像。X射线图像降低了乳腺组织的放射性，因为致密乳腺组织、乳腺肿块或肿瘤吸收大量辐射，而脂肪组织允许X射线更容易通过。因此，灰度的变化降低了对比度*通讯作者。电子邮件地址：mmpawar@coe.sveri.ac.in（M. Pawar），sntalbar@sggs.ac.in（S. Talbar）。沙特国王大学负责同行审查由于散射辐射、高X射线穿透性和导致假阳性结果的乳房X射线照相胶片的有限容量，2017），其中良性和恶性乳腺肿块看起来像白色区域，而乳房的脂肪区域发展为黑色区域，并且其他组分如钙沉积、腺体和结缔组织在乳房X线摄影图像上的灰度级阴影中表现为更亮的强度（Jenifer等人，2016年）。因此，致密乳腺组织和乳腺肿瘤显示为白色，因为致密组织可能隐藏一些肿瘤，而脂肪组织在乳腺X线片上看起来较暗，更容易发现异常。这些不同的灰色调范围使得乳房X线照片难以解释，其中癌性病变可能被误解为非癌性病变，反之亦然。这可能导致痛苦的活检。各种研究表明，放射科医生误解了10 - 30%的乳房X线照片（Pawar和Talbar，2016; Muramatsu等人，2016; Dheeba等人，2014; Eltoukhy等人，2012年）。此外，灰度范围的多样性导致分割时出现更多的假阳性。因此，乳房X线照片对比度增强至关重要，因为它可 以 有 效 地 用 于 诊 断 系 统 的 预 处 理 工 具 （ Anand 和 Gayathri ，2015）。https://doi.org/10.1016/j.jksuci.2018.02.0081319-1578/©2018作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comM. 帕瓦尔，S。Talbar/ Journal of King Saud University151×乳腺X线图像对比度增强是计算机辅助检测与诊断（CAD）系统中的预处理阶段，其目的是提高输入图像的视觉效果。对比度增强算法分为1）变换域; 2）空间域算法（Celik，2012）。基于变换的图像增强算法通过将输入图像分解为不同的子带系数并对其进行处理来实现多尺度分析。在变换域中已经报道了各种方法（Lidong等人，2015; Demirel等人，2010; Yoshida等人，1995; Kim等人，2016年; Tang等人， 2009年;Mrsoza等人，2013年; Yang等人，2010; Wan和Shi，2007）。基于变换的图像增强算法具有某些限制，如：1）引入某些伪影; 2）不能同时进行图像的所有部分的增强（Agaian等人， 2007年）。空域增强算法直接对图像的灰度值进行在空间域增强中已经报道了几种方法（Bhateja等人，2017;Jenifer等人，2016; Anand和Gayathri ， 2015; Celik ， 2012;Zuiderveld ， 1994; Sundaram 等人，2011; Wang，2013; Singh和Kapoor，2014; Santhi和Banu，2015; Atta和Abdel-Kader，2015; Lin等人，2015; Isa等人，2017;Shakeri等人，2017;Gandhamal等人，2017年; Kim等人， 1997年）。在空间域增强算法中，全局直方图均衡化（HE）算法由于其简单易实现而受到广泛关注。HE使用输入图像的空间直方图的累积分布函数（CDF），其与均匀分布的CDF紧密匹配这里，映射函数将大像素映射到较大范围的灰度级，而将其他灰度级映射到较小范围。这往往会过度增强图像，在增强的输出图像中产生视觉数据的不必要通过亮度保持双直方图均衡化（BBHE）、等面积二元子图像直方图均衡化（DSIHE ）和对比度受限自适应直方图均衡化（CLAHE）等算法这些方法可以获得较好的对比度增强效果，但灰度分布的多样性可能会产生不希望的伪影并丢失细节。如前所述，两种方法都有优点和缺点，然后结合两种方法的特性，可以开发称为变换直方图的新方法（Agaian等人，2007; Kaur和Singh，2017;Lim等人，2017）使用融合方法。图像融合是指利用一定的算法将两幅或多幅来自不同来源的图像组合成一幅新的图像。已经开发了各 种 图 像 融 合 方 法 （ Maurya 等 人 ， 2017; Goshtasby ， 2005;Mertens等人， 2009年）。图像融合算法利用一定的融合规则，在不引入空域增强的某些缺陷（如过增强、强度饱和等）的情况下，融合图像的最佳特征 它可以作为两种方法的解决方案（Maurya等人，2017年）。因此，本文提出了一种新的乳腺X线图像对比度增强策略，即利用图像的高频成分，参考熵的最大值，将该算法利用离散小波变换和熵信息将CLAHE与原始图像相结合，改善了图像的边缘内容，保持了图像的原始性 将CLAHE与DWT相结合的想法源于研究工作（Lidong等人， 2015年）。该算法利用Haar小波提取边缘像素信息，利用大小为5 ~ 5pix-els的滑动窗口计算局部熵，从而得到边缘信息最大的像素.最大信息像素的考虑有助于减少过度增强，噪声，同时它保持了图像的原始性。所提出的算法进行了评估，使用免费提供的乳腺摄影图像分析协会（MIAS）（Suckling等人，1994）数据集和Tata纪念癌症医院（TMCH）数据集，所述Tata纪念癌症医院（TMCH）数据集包括322个图像。剩下的论文是组织为CLAHE方法的简要描述，提出了融合的DWT系数与局部熵最大化的方法，实验结果和讨论，最后的结论。2. 一种基于局部熵最大化基于原始乳房X线照片的DWT系数与CLAHE乳房X线照片的DWT系数的融合的乳房X线照片对比度增强的示意图如图所示。1.一、该算法由输入级、小波分解级、小波系数融合级、逆小波重构级或输出级组成。输入阶段包括在输出处增强的原始乳房X线照片和应用于DWT分解阶段的CLAHE乳房X线照片DWT分解阶段将两个乳房X线片分别分解到三个分解级别。在每一级分解的DWT系数组合使用融合规则，其中近似系数的平均和细节系数组合使用最大熵和最大信息像素被保留。最后，输出级用于通过应用逆DWT从DWT系数重构乳房X线图像。对比度增强使用MATLAB R2015a使用图像处理和计算机视觉处理器（Mathworks Inc.USA）。每个阶段的详细描述在随后的章节中给出。2.1. 对比度受限自适应直方图均衡CLAHE（Zuiderveld，1994）是一种经典的对比度增强方法，它能更有效地增强图像的局部细节。CLAHE涉及的步骤包括步骤1：将图像分为连续和不重叠的瓷砖。步骤2：裁剪阈值以上的每个图块的直方图，并在整个直方图上均匀地重新分布裁剪后的像素。步骤3：在每个瓷砖上涂抹HE。步骤4：应用双线性插值到相邻图块之间的映射。映射的像素是来自四个相邻图块的强度映射的内插的结果（Lidong等人，2015年）。从图中可以看出。 2、与原始乳腺X线照片图像相比，CLAHE提高了图像的对比度，同时病变区域的其他部分也被过度增强，这可能会误导分割算法。在CLAHE算法中，裁剪和裁剪后像素的重新分布在一定程度上增强了噪声.因此，由于过度增强，它可能会错过图像某些区域的细节因此，它不适用于具有非常精细细节的乳房X线照片图像（Anand和Gayathri，2015; Sundaram等人，2011; Anand等人，2013年）。为了克服过增强和噪声放大的问题，本文提出了一种融合方法，该方法通过计算原始图像和CLAHE图像高频分量系数的熵值，找到最有信息量的像素2.2. 离散小波变换在多分辨率技术（Mallat，1999）中，小波滤波器组使用高通滤波器g（n）和低通滤波器h（n）来解压缩，152M. 帕瓦尔，S。Talbar/ Journal of King Saud University2J×2J2JFig. 1. 建议的对比度增强方法示意图。图二. 使用CLAHE进行图像增强。将信号变换成保留低频和高频信息的子带。对于图像，沿图像行计算1D-DWT，并将另一个1D-DWT应用于图像列，从而得到近似系数fA2jfff f和三个详细的（如水平的）近似系数fA 2 j f f f f。z_D_h_f、垂直D_v_f和对角D_d_f）子带系数使用大小为5 × 5的滑动窗口来定位μ m熵或最大信息承载系数，这将在随后的部分中详细讨论。2.3. 小波系数在频域中的第（j + 1）级。图3示出了高达三级分解的乳房X线照片如图3所示，在低频分量中存在非常低且不显著的噪声，而更多的噪声与高频分量相关联。因此，对来自原始乳房X线照片和CLAHE乳房X线照片的近似子带系数或低频分量进行平均，而为了避免高频分量中的细节信息的过度估计，小波系数的融合包括对近似系数的平均运算和利用原始图像和CLAHE图像的细节子带系数的熵值的计算和与最大熵值相关的像素的保留在图4中描绘。如图4所示，细节子带中的每个系数充当中心像素，其中（n- 1）/2个相邻像素形成大小为n x的局部滑动窗口。M. 帕瓦尔，S。Talbar/ Journal of King Saud University153Xð Þ ð Þk¼0--组件图三. 基于小波变换的乳腺X线图像分解。见图4。 详细的子带系数融合方案。n. 计算每个滑动窗口的中心像素的熵来自原始乳房X线照片图像的nX n滑动窗口的熵表示为Eq.而根据CLAHE乳房X线照片图像，在等式（1）中表示为ENT_CLAHE（二）、255耳鼻喉科组织- p组织检查日志p组织检查日志1页算法1：基于局部熵最大化的小波系数融合的对比度增强输入：I_Orig（m，n）; m =行数，n =列数输出：对比度增强的输出图像初始化：k¼0-255//对I_Orig应用 DWT并分解I_Orig[CA，CH，CV，CD] = DWT（I）//对I_Clahe应用 DWT并分解I_ClaheENTCLAHE¼-XpCLAHEklogpCLAHEk2其中p org k 和p CLAHE k 是第k像素的概率。两-来自原始mammogram和CLAHE的高频率使用最大熵标准融合乳房X线照片，如图所示。 四、具有更多熵值的中心系数被保留。详细的子带系数已被计算的所有层次的分解。在算法1中解释了所提出的用于对比度增强的方法，并且用算法2解释了局部熵如图所示，通过以相反的方式组合系数来重建原始图像。 五、I_CLAHE = CLAHE（I）[CA1，CH 1，CV 1，CD 1]= DWT（I_Clahe）//对近似子带系数使用平均操作CA_f = avg（CA，CA1）//对细节子带系数应用局部熵最大化算法CH_f = entropy_max（CH，CH1）CV_f=entropy_max（CV，CV1）CD_f=entropy_max（CD，CD1）//使用IDWT重建输出增强图像I_Rec=IDWT（CA_f，CH_f，CV_f，CD_f）154M. 帕瓦尔，S。Talbar/ Journal of King Saud University¼ ðÞ¼-¼ð Þ¼ ðÞGq“#Ip;qI1@q¼ðÞP×Qj j ¼pQð Þ图五.基于IDWT的乳腺X线图像重建。算法2：局部熵最大化。输入：//I_Orig和I_Clahe的细节系数子带详细信息I1I Clahe detail m;n输出：//熵最大化融合图像I fused;n初始化：滑动窗口坐标：k2： 2For i = 1 to m doFor j = 1 to n do//准备本地窗口I local<$Iik;jkI1local<$I1ik;jk中心像素<$Ii;j中心像素 1I 1i;j//计算I_local的熵I1_localI熵熵I局部熵熵I1局部//如果I_entropy>I1_entropy，则检查最大熵I_fused =中心像素3.1. 业绩计量算法的性能通过定量分析参数来衡量，如边缘内容（EC）：与图像梯度有关;基于边缘的对比度测度（EBCM）：基于人类对边缘更敏感的感知机制;特征相似性指数测度（FSIM）：发现对比度增强对原始图像特征的影响;EC测量整个图像中图像对比的梯度幅度的变化（Gandhamal等人，2017; Gupta andPorwal，2016）. EC表示输出图像的对比度增强，如果输出图像的EC值大于原始图像。EC包含由于对比增强而引起的每个相邻像素的变化，并且被给出为EC1 XXjGp;qj3pQ其中P×Q是图像的大小，使得1≤p≤P，1≤q≤Q，GqG2G24其他I1_fused = center_pixel1其中，G表示图像I的梯度向量，并且被写为：结束结束Gp;qGp@@p@Ip;qð5Þ3. 实验结果和讨论在实验中，所提出的DWT系数与熵最大化算法的融合已经在如表1所述的Mammographic Image Analysis Society（MIAS）数据库和本地获得的Tata Memorial Cancer Hospital（TMCH）数据库上进行了测试。此外，所提出的算法的性能进行了评估，使用定量分析。使用不同 的 性 能 指 标 ， 如 边 缘 内 容 （ EC ） ， 基 于 边 缘 的 对 比 度 测 量（EBCM），特征相似性指数测量（FSIM）和绝对平均亮度误差（AMBE）进行定量所提出的系统的性能指标进行了比较，与现有的对比度增强方法，即HE，基于双直方图的HE（BBHE）和CLAHE证明现有的方法在乳腺X线照片分析的适用性。表2使用来自MIAS数据库的乳腺X线照片图像mdb315比较所提出方法的小波滤波器。Sr. 号原始小波滤波器性能测量ECEBCMFSIMAmbe1mdb3151.2359.631.000.002haar2.01100.20.963.113DB21.6192.070.926.834DB31.6789.920.906.655DB41.5989.090.896.476db81.6484.770.896.487DB101.6580.340.926.838DB151.7377.100.906.679头巾1.7392.240.916.6510Bior1.6186.350.937.0211迈尔1.6778.770.916.7212sym1.5688.230.896.48表1有关乳房X线照片图像数据库的信息。Sr.号数据库名称乳房X线照片的详细描述乳房X线照片数据集来源1乳腺摄影图像分析学会（MIAS）分辨率：1024像素X 1024像素（200微米像素边缘）322数字化胶片英国乳腺摄影图像分析学会2塔塔纪念馆png格式8-位真彩色乳房X线片100全数字乳腺摄影（Suckling，1994年）TMCH，孟买肿瘤医院（TMCH）DICOM格式4096 ×3328（FFDM）图像M. 帕瓦尔，S。Talbar/ Journal of King Saud University155XX;表3haar小波对mdb315乳腺图像分解层次的比较。其中Gp<$Ip;q-Ip< $1;q和Gq<$Ip;q<$-Ip;q<$1<$。EBCM是基于人类的感知机制，这是更敏感的边缘（Beghdadi和LeNegrate，1989年;Sr. 号性能措施乳腺X线照片图像mdb315的原始Gandhamal等人，2016年）。通过取灰度级的平均值，并通过其边缘值加权，计算与边缘处的对象宽度相关的灰度级。因此，图像I的EBCM参数被计算为平均对比度值，并表示为PQEBCM¼Cp;q=PQ6p<$1q<$1其中C（p，q）是位于（p，q）处的图像的像素的对比度值，并表示为表4熵计算中不同大小滑动窗口的比较Sr. 号业绩计量C p qjIp;q-ep;qjjIp;qep;qj其中平均灰度级为ð7ÞEC EBCM FSIMAMBEe p qXg k l I k l，Xg kl81 5× 5 2.01 100.2 0.96 3.112 7× 7 1.81 99.16 0.96 3.123 9× 9 1.73 99.45 0.96 3.12;k;l;k;l;见图6。 使用不同技术的输出增强图像的主观评估。Level1Level2Level3级别41EC1.231.961.942.012.102EBCM59.63100.1100.1100.298.53FSIM1.000.9320.940.960.9184Ambe0.003.113.113.113.11156M. 帕瓦尔，S。Talbar/ Journal of King Saud UniversityðÞPPCxmxX××图6（续）这里，N=p;q=所有相邻像素的集合，中心像素在（p，q）处，g = k;l是边缘值，其是图像梯度幅度。对于EBCM，如果输出图像的EBCM值为大于原始图像，表明输出图像的对比度更好。FSIM是图像质量评估参数（Agaian等人，2001），其使用相位一致性和梯度幅度作为主要特征来评估图像质量。FSIM值接近于1表示图像的原始性被保留。FSIM分两步进行：第一步，计算局部相似性图，并在第二阶段将局部相似性图映射到相似性得分。FSIM表示为在输出增强图像中保持良好的亮度。AMBE在数学上可以表示为AMBE¼EG-EI10其中E是期望值函数，G I分别表示输出增强图像和原始图像。3.2. 示范性成果在本工作中，表2-4中说明了用于实施所提出的技术的参数的选择表2表示使用四种不同小波滤波器的比较研究。性能指标，很明显，haar小波更好，FSIM¼PxXsCxPCmxð9Þ与其它小波滤波器相比，其性能参数EC为2.01，EBCM为100.2，FSIM为0.96，AMBE为3.11。根据表3，分解的乳房X线照片图像按照其中SC是总相似性，PC m是原始图像和输出增强图像之间的最大相位一致性（Agaian等人， 2001年）。AMBE是原始图像和输出增强图像之间由于增强而产生的平均照明差异的度量（Gupta和Porwal，2016此度量计算亮度失真的程度;AMBE的较低值表示与级别2和级别4相比，级别3的分层测量更好，因此选择级别3进行乳房X线照片的分解。此外，表4描述了用于熵计算的滑动窗口的不同大小的比较研究5- 5滑动窗口为每个性能指标提供了更好的值因此，5 5滑动被选择用于实施所提出的技术。最后，所提出的技术使用haar小波，M. 帕瓦尔，S。Talbar/ Journal of King Saud University157×3用于乳腺X线图像的分解，5 5滑动窗口用于熵计算。此外，所提出的算法的平均执行时间是6.86分钟，这是在具有4GBRAM的Intel（R）Core（TM）i3-4170处理器上记录的。此外，所提出的技术与大多数流行的HE、BBHE CLAHE对比度增强技术相比，许多研究人员（Isa等人，2017; Shakeri等人，2017;Gandhamal例如，2017; Kaur和Singh，2017）仍然更喜欢这些技术作为比较其性能指标的基准。我们还将我们的技术与最近开发的局部灰度级S曲线变换技术（Gandhamal等人，2017年）。使用EC、EBCM、FSIM和AMBE等性能指标对不同的乳腺X线从以往的研究中发现，图7.第一次会议。MIAS和TMCH数据库的输入乳腺X线照片图像和输出增强图像的直方图158M. 帕瓦尔，S。Talbar/ Journal of King Saud University图7（续）通过BBHE和CLAHE提出了HE的改进，其中CLAHE提供了相对非常好的因此，我们使用了所有方法来比较我们提出的方法。随后的章节讨论了所提出的技术的主观/定性评估和客观/定量评估。3.2.1. 主观评价图5表示使用HE、BBHE、CLAHE和我们提出的方法的乳房X线照片图像的增强结果。明确了HE、BBHE和CLAHE导致过亮和过增强。此外，这些方法在输出增强图像中引入了噪声。然而，当地的结果M. 帕瓦尔，S。Talbar/ Journal of King Saud University159表5比较HE，BBHE，CLAHE和所提出的方法使用MIAS数据库的四个性能指标的平均值。Sr. 号业绩计量原始他BBHECLAHES曲线变换提出1EC1.241.451.922.571.461.872EBCM64.74183.5857.4960.0163.76120.13FSIM1.000.850.890.910.920.974Ambe0.00104.9026.485.050.652.53表6比较HE，BBHE，CLAHE和所提出的方法使用TMCH数据库的四个性能指标的平均值。Sr. 号业绩计量原始他BBHECLAHES曲线变换提出1EC0.350.630.880.900.510.722EBCM91.56196.6264.1286.4586.14124.953FSIM1.000.860.860.910.940.964Ambe0.0091.3125.933.890.982.01基于熵最大化的小波变换系数融合算法在保持原始性的同时，改善了图像的特征，使图像更趋于自然。这意味着该算法能够保持原始灰度值。从图5中可以注意到，在HE、BBHE和CLAHE的情况下，灰度值的变化更多，换句话说，所提出的对比度增强技术能够保持整个图像的灰度值。因此，预处理不改变图像的像素图，这意味着保留了强度值，这将进一步有助于乳房X线照片的后处理，其中亮度敏感特征在诸如分割、特征提取等方面发挥重要作用。也与最近的局部灰度级S曲线变换（Gandhamal等人，2017），从图6中，S曲线遭受块效应，因为它取决于块大小以便应用S变换，而DWT显示较少的块效应，因为我们已经使用了3级分解。3.2.2. 客观评估目前的工作，局部熵最大化的DWT系数融合进行了评估，使用四个不同的性能指标，如前所述，在第3节。这些性能指标的比较见表2和表3。客观评估的结果表明，与HE、BBHE和CLAHE相比，所提出的对比度增强给出了更好的结果，其中灰度值的变化最小，如图6所示。因此，该方法可以有效地用于预处理阶段的分割和分类的乳房X线照片。图7指示乳房X线照片（来自MIAS和TMCH数据库）的直方图及其输出增强图像。样本乳房X线图像的直方图具有窄的动态范围和不均匀性。HE还具有有限的直方图动态范围，并且直方图中的宽间隙呈现由过量化导致的分离的箱。此外，图像的模式也发生了变化，这可能会丢失图像的信息。BBHE覆盖了动态范围，并且还开发了直方图的均匀性。然而，由于直方图中的宽间隙而遭受过量化，并且直方图的形式不被保持，这可能改变图像中的信息并且不能保持图像的原始性。在CLAHE的情况下，直方图的动态范围被扩展而没有直方图中的任何间隙，并且直方图的均匀性被保持为具有减少的峰值。因此，图像内容略有变化。S曲线变换将低值像素进一步降低，并且将高值像素进一步升高，这导致直方图形式的变化。所提出的方法的直方图覆盖略大于原始乳房X线照片图像乳房X线照片的动态范围，并保留直方图的形状更可能的原始乳房X线照片图像。如表5和表6所示，所提出的算法给出了EC值的改进，即在MIAS的情况下，EC值从1.24增加到1.87，在TMCH数据集的情况下，EC值从0.35增加到0.72。然而，BBHE和CLAHE给出更好的EC值相比，建议的算法。然而，BBHE和CLAHE的EBCM和FSIM值较小，这表明BBHE和CLAHE不能保持图像的原始性。同时，BBHE的AMBE值在MIAS的情况下为26.45，在TMCH的情况下为25.93，而CLAHE的AMBE值为26.45。5.05对于MIAS和TMCH，亮度误差分别为3.89和3.89，这表明与我们提出的方法相比，亮度误差较大。该算法的EBCM值大于原始图像的EBCM值。它从64.24提高到120.1，这表明输出图像的对比度更好。HE在EBCM值方面表现出色，但在其他参数（如EC、FSIM和AMBE值）的情况下表现不佳。FSIM值为0.97的MIAS和0.96的TMCH的建议算法表示，给定的方法是能够保持图像的原始性，即灰度值不会改变太多的输出增强图像。最后，本文算法的AMBE值MIAS为2.53，TMCH为2.01，与其他算法相比，该算法的AMBE值非常小，这表明输出增强图像的亮度误差非常小。S-曲线变换导致非常小的AMBE值，对于MIAS为0.65，对于TMCH为0.98，这小于我们提出的技术。然而，其他的性能指标，如EC，EBCM和FSIM的我们提出的技术是远远优于S曲线变换。4. 结论本文提出了一种基于局部熵最大化的小波系数融合方法，用于乳腺图像的对比度增强。使用EC，EBCM，FSIM和AMBE性能指标与现有方法的性能进行了比较。结果表明，所提出的方法提供了改进的对比度增强相比，现有的方法。主观和客观评估也很有希望。因此，本文提出的基于局部熵最大化的小波系数融合方法可以作为乳腺X线图像分割和分类的预处理工具。利益冲突声明没有人申报。160M. 帕瓦尔，S。Talbar/ Journal of King Saud University确认作者要感谢孟买塔塔纪念中心无线电诊断部门的以下人员，感谢他们 的 宝 贵 支 持 ， 并 同 意 使 用 乳 房 X 线 照 片 数 据 集 ： Dr.AbhishekMahajan，放射诊断（助理教授，放射诊断系）和Meenakshi Thakur博士，放射科医生（教授和放射诊断系主任引用Agaian，S.S.，Panetta，K.，格里戈良，上午，2001.基于变换的图像增强算法及其性能评价。IEEE Trans.图像处理。10（3），367-382.Agaian，S.S.，西尔弗，B.，帕内塔，K.A.，2007.基于变换系数直方图的对比度熵图像增强算法。IEEE传输图像处理。16（3），741-758。阿南德，S。例如，2013.基于Directionlet变换的乳腺X射线图像锐化与增强。BioMed.信号处理。对照8（4），391-399。阿南德，S.，Gayathri，S.，2015.基于两阶段自适应直方图均衡的乳腺图像增强。Optik-Int. J. 光电子 光学126（21），3150阿塔河Abdel-Kader，R.F.，2015.基于奇异值分解的亮度保持图像对比度增强。光学-国际光电光学杂志126（7），799-803。Beghdadi，A.，Le Negrate，A.，一九八九年 基于局部边缘检测的对比度增强技术。Comput.视觉、图形、图像处理。46（2），162-174。Bhateja，V.，米斯拉，M.，Urooj，S.，2017.基于人类视觉系统的反锐化掩模增强乳腺摄影图像。 J. Co m put . Sci. 21 ，387-393。Celik，T.，2012.二维直方图均衡化和对比度增强。模式n。45（10），3810-3824。Demirel，H.，Ozcinar角，Anbarjafari，G.，2010.基于离散小波变换和奇异值分解的卫星图像对比度增强。 IEEE地球科学远程传感器字母7（2），333-337。Dheeba，J.，Singh，N.A.，塞尔维，S.T.，2014.计算机辅助检测乳腺癌的乳房X光片：群体智能优化小波神经网络方法。J.生物医学。Inf. 49，45-52.Eltoukhy，M.M.，菲伊岛萨米尔，B. B.，2012.一种基于统计的乳腺癌诊断特征提取方法。Comput. Biol.Med.42（1），123-128。Gandhamal，A.例如，2017.局部灰度S曲线变换--一种医学图像的广义对比度增强技术Comput. Biol.Med.83，120-133.Gandhamal，A.，例如，膝关节MR图像的广义对比度增强方法。在：信号和信息处理（IConSIP），国际会议上。2016。美国电气与电子工程师协会。Goshtasby，A.A.，2005年多曝光图像的融合图像可见Comput. 23（6），611-618。古普塔，S.，波瓦尔河2016.脑和乳腺癌图像的适当对比度增强措施。Int. J. BioMed.Imaging 2016.伊萨岛例如，2017. 基于自适应直方图均衡化的平均强度替换（AIR-AHE）脑MR图像自动对比度增强. Biocybernetics and Biomedical Engineering 37（1），24-34.Jenifer，S.，Parasuraman，S.，Kadirvelu，A.，2016.使用模糊裁剪对比度的数字乳腺X线照片的对比度增强和亮度保持有限自适应直方图均衡算法。Appl. 软计算42，167- 177.Kaur，A.，Singh，C.，2017.基于小波变换的改进自适应直方图均衡化头影测量图像对比度增强。应用软件计算51，180-191。Kim ，J.K.例如，1997.使用一阶导数和局部统计的自适应乳腺摄影图像增强。IEEETrans.Med. Imaging 16（5），495-502.Kim，S.E.，全，J.J.，Eom，I.K.，2016.基于小波域熵尺度的图像对比度增强。信号处理。127，1-11。Lidong，H.例如，2015.结合对比度限制自适应直方图均衡与离散小波变换的图像增强。IETImage Proc. 9（10），908-915。Lim，J.等人，2017.基于结构-纹理-噪声分解的弱光图像对比度增强。J. Vis. Commun.图像代表。45，107-121.Lin，S.C.- F.例如，2015.使用平均直方图均衡化（AVHEQ）方法进行图像增强，以提高对比度并保持亮度。Comput.电气工程46，356-370。Alzheoza，A. 例如，2013年。 基于小波系数局部统计的微光图像对比度自动增强。数字信号处理 23（6），1856-1866。Mallat，S.，1999年信号处理的小波之旅 学术出版社。Malvia，S.例如，2017.印度妇女乳腺癌的流行病学。亚太J. Clin. Oncol.孔雀湖，Mahapatra，P.K.，库马尔，A.，2017年。一种社会蜘蛛优化的对比度增强和亮度保持图像融合方法。应用软件计算52，575-592。Mertens，T.，Kautz，J.，Van Reeth，F.，2009.曝光融合：高动态范围摄影的一种简单实用的替代方法。 计算机图形学论坛. Wiley Online Library.村松角例如，2016.使用放射状局部三元模式对乳房X线照片进行乳房肿块分类。Comput.Biol. Med. 72，43-53。Pawar，M.M.，Talbar，S.N.，2016.基于遗传模糊系统的小波共生特征选择在乳腺癌诊断中的应用.透视。Sci. 8，247-250.Santhi，K.，Banu，R.W.，2015.基于改进直方图均衡的自适应对比度增强。Optik-Int.J. 光电子选购配件 126（19），1809-1814。Shakeri，M.例如，2017.基于自适应聚类参数模糊聚类和子直方图均衡的图像对比度增强。数字信号处理62，224-237.辛格，K.，卡普尔河，巴西-地2014.基于曝光的子图像直方图均衡图像增强。模式n。Lett.36，10-14。Suckling，J.，例如，乳腺摄影图像分析学会数字乳腺摄影数据库。在《医学杂志》上。国际会议系列。一九九四年Sundaram，M.例如，2011.直方图改进的局部对比度增强乳腺摄影图像。应用软件计算11（8），5809-5816。唐，J.，刘，X.，太阳，Q.，2009.一种用于筛查乳腺X线照片的小波域直接图像对比度增强算法。美国电气与电子工程师学会杂志信号处理。3（1），74-80。Wan，Y.，美国，Shi，D.，2007.通过小波变换联合精确的直方图描述和图像增强。IEEETrans.图像处理。 16（9），2245-2250。Wang，Y.例如，2013.使用亮通道先验对曝光不足图像进行自动局部曝光校正。信号处理。93（11），3227-3238。杨，Y.，苏，Z.，孙湖，加-地2010.基于小波变换的医学图像增强算法。电子。46（2），120-121。吉田，H。例如，一九九五年 基于监督学习的优化小波变换检测乳腺微钙化点。美 国 电气与电子工程师协会。Zuiderveld，K.，对比度受限自适应直方图均衡。在图形宝石四. 一九九四年Academic Press Professional，Inc.