基于重构的多尺度Tophat变换医学图像亮度的增强算法及其性能评估.

可在www.sciencedirect.com在线获取理论计算机科学电子笔记349（2020）69-80www.elsevier.com/locate/entcs基于重构的多尺度Tophat变换医学图像亮度胡里奥·塞萨尔·梅洛·罗姆安a，1，里卡多·埃斯科瓦尔b，2，法比奥拉·马尔特内兹b，3，何塞·路易斯·瓦兹奎兹·诺格拉a，4，Horacio Legal-Ayalaa，5和Diego P. Pinto-Roaa，6aFacultadPolit'ecnica，UniversidadNacionaldeAsunci'on，SanLorenzo2160，Paraguayb巴拉圭国立大学Concepcio'n，Concepcio'on8700摘要医学成像帮助医生为患者提供更快、更有效的诊断。医学图像的质量直接关系到医学诊断的成败。然而，当获取医学图像时，它们通常呈现诸如差的细节或低对比度的劣化。 这项工作提出了一种算法，提高对比度和细节，保持医学图像的自然亮度。该方法是基于多尺度top-hat变换重构。它从图像中提取多个特征，然后用于增强医学图像。为了量化所提出的方法的性能，公共数据库中的数据。实验结果表明，该方法提高了对比度，引入较少的失真，并保持了医学图像的平均亮度关键词：医学成像，低对比度，自然亮度，多尺度礼帽变换重建1引言医学成像在诊断和监测疾病的选定治疗效果方面具有重要作用[9]。紧急情况、环境噪声、摄影患者的特殊情况、照明条件和成像设备的技术限制是图像质量可能较低的一些原因[29，7]。1电子邮件：juliomello@pol.una.py2电子邮件：ricardoescobar@unc.edu.py3电子邮件：fabiolamartinez@unc.edu.py4电子邮件：jlvazquez@pol.una.py5电子邮件：hlegal@pol.una.py6电子邮件：dpinto@pol.una.pyhttps://doi.org/10.1016/j.entcs.2020.02.0131571-0661/© 2020作者。出版社：Elsevier B.V.这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。70JCM Román et al. /Electronic Notes in Theoretical Computer Science 349（2020）69在这种情况下，图像增强技术可能是有用的，特别是当它是不可能重新创建图像。这些技术用于改善医学图像的视觉质量。目前，已经提出了几种对比度增强技术，其增强所有类型的图像（包括医学图像）的视觉质量。一种非常流行的改善医学成像的技术是直方图均衡化（HE）[15]，它通过增加灰度级的分布来改善图像对比度。通过HE获得的结果不一定对医学图像的所有区域都是好的，因为它可能损坏图像及其边界区域。出于这个原因，已经提出了新的方法来提高HE的性能[20，2，5，14，16]。数学形态学是处理和分析图像的另一种广泛使用的方法[6，8，12，19，27，22]。形态学算子可以从医学图像中提取不同类型的特征，最终用于增强图像的视觉质量。此外，提出了顶帽变换的多尺度方法，以提高其在图像增强中的性能[24，17，4，23，1，13，25]。礼帽变换的多尺度方法已用于改善视网膜血管[11]、手部静脉图像[28]、超声图像[21]、乳房X线摄影图像[10]和其他使用医学成像的应用。本文提出了一种在医学成像中增强对比度、保持细节和亮度的技术。该建议受到Bai等人的算法的启发。[4]并且基于通过重建的多尺度顶帽变换。通过测地线重建，在变换后的礼帽中，我们试图保留图像中连接的一些特征。因此，通过引入这种变化，我们获得了低失真，对比度增强，细节改善和保留其自然亮度的医学图像本文在第2节中介绍了形态学算子和图像改进的建议，在第3节中，数值和视觉实验结果是可视化的;最后，在第4节中给出了工作的结论。2基于多尺度top-hat变换的重构方法数学形态学方法是基于物体的结构特性而提出的。这些方法利用数学原理和类别之间的关系来提取图像的分量，这些分量对于描述区域的形状是有用的。形态学算子是非线性的，有两组数据作为输入。第一组包含原始图像，第二组描述结构元素[27]。设f是原始图像，B是结构元素。两种基本的形态学运算是膨胀（δB（f））和腐蚀（εB（f）），定义为JCM Román et al. /Electronic Notes in Theoretical Computer Science 349（2020）6971- -GGGGB[8]：δB（f）（u，v）=max（f（ux，v y）），（1）（x，y）∈BεB（f）（u，v）=min（x，y）∈B（f（u+x，v+y）），（2）其中（u，v）和（x，y）分别是f和B的像素坐标。2.1形态学重构形态学重建是基于形态学算子与测地线原则。测地线变换使用两个输入图像[27]。然而，经典形态变换使用一个图像和一个结构元素作为输入。测地线膨胀（δ（s））和侵蚀（ε（s））定义为[3]：G gδ（s）（f）=δ（1）（δ（s−1）（f）），（3）g g gε（s）（f）=ε（1）（ε（s−1）（f）），（4）g g g其中g是掩模图像，δ（1）（f）表示g和f的膨胀之间的最小像素，ε（1）（f）是g和f的侵蚀之间的最大像素;在两种情况下，以迭代方式使用结构元素B，如下所示：δ（1）（f）=min（g，δ（1）（f）），（5）GBε（1）（f）= max（g，ε（1）（f））。（六）GB扩张重建（Rδ）[3]被定义为f关于g的迭代测地线扩张，直到它达到稳定：Rδ（f）=δ（s）（f），其中δ（s）（f）=δ（s+1）（f），（7）g g g g侵蚀重建（Rε）[3]被定义为迭代测地线侵蚀，f相对于g，直到它达到稳定：R ε（f）= ε（s）（f），其中ε（s）（f）= ε（s+1）（f）。 （八）g g g g通过重建打开（γR）被定义为通过重建图像f的膨胀，从f与结构元素B的侵蚀中，如下所示：72JCM Román et al. /Electronic Notes in Theoretical Computer Science 349（2020）69BγR（f）=Rδ（εB（f）），（9）B f通过重建闭合（φR）被定义为通过用结构元素B从f的膨胀重建图像f的侵蚀，如下所示：φ R（f）= R ε（δ B（f））。（十）B fJCM Román et al. /Electronic Notes in Theoretical Computer Science 349（2020）6973BBB我B1B2B3BnB我RR2.2重构Top-hat变换根据通过重构的打开和关闭，通过重构的白顶帽变换（RWTH）和通过重构的黑顶帽变换（RBTH）被定义如下[3]：RWTH（f）=f−γR（f），（11）RBTH（f）= φ R（f）− f。（十二）RWTH用于从图像中提取亮特征，RBTH用于从图像中提取暗特征。2.3该方法所提出的方法用于医学图像对比度增强是由白等人描述[4]对于灰度图像，称为多尺度对比度增强（MMCE）。该方法利用经典的礼帽变换从图像中提取多个亮暗特征所提出的变化包括使用的概念，测地线重建的顶帽变换。这允许增强图像的视觉质量。该方法考虑了图像中连接的算子，使得改进后的图像失真较小，保留了图像的细节和平均亮度。以下是对所提出的方法的描述给定图像f、盘形结构元素B和迭代次数n。其中B的半径在每次迭代中以1的大小增加。第一步是获得亮区的多个特征，这些特征由RWTH提取如下：RWTHi（f）=f−γR（f），（13）其中RWTHi是从图像中提取的亮度的i尺度。图像明亮区域的多个尺度可以表示如下：RWTH1 （ f ） =f−γR（ f ） RWTH2 （ f ）=f−γ （ f ） RWTH3（f）=f−γ（f）···RWTHn（f）=f−γR（f）类似地，图像的暗区的多个特征获得如下：RBTHi（f）=φR（f）−f，（14）74JCM Román et al. /Electronic Notes in Theoretical Computer Science 349（2020）69其中RBTHi是从图像中提取的暗度的i尺度。图像的暗区的多个尺度可以表示如下：JCM Román et al. /Electronic Notes in Theoretical Computer Science 349（2020）6975B1B2B3BnRBTH1 （ f ） =φR（f）−f RBTH2（f）=φR （ f ） −f RBTH3（f）=φR（f）−f···RBTHn（f）=φR（f）−f第二步将获得图像的亮区域的多个尺度之间的减法，如下所示：RWTHS i−1（f）= RWT H i（f）− RWTH i−1（f）。 （十五）图像的亮区域的不同尺度的多次相减可以表示如下：RWTHS1（f）=RWTH2（f）−RWT H1（ f ） RWTHS2 （ f ） =RWTH3 （ f ）−RWT H2（f）RWTHS3（f）=RWTH4（f）−RWT H3（f）···RWTHSn−1（f）=RWTHn（f）−RWT Hn−1（f）类似地，将如下获得图像的暗区域的多个尺度之间的减法RBTH i−1（f）= RBTH i（f）− RBTH i−1（f）。（十六）图像的暗区域的不同尺度的多次相减可以表示如下：RBTH1 （ f ） =RBTH2 （ f ） −RBTH1（ f ） RBTH2 （ f ） =RBTH3 （ f ）−RBTH2（f）RBTH3（f）=RBTH4（f）−RBTH3（f）···RBTHSn−1（f）=RBTHn（f）−RBTHn−1（f）第三步计算在不同步骤中获得的所有多个尺度之间的最大值。从图像中提取的所有亮和暗尺度的最大值定义为：fC=max{RWTHi（f）}，（17）W1≤i≤n76JCM Román et al. /Electronic Notes in Theoretical Computer Science 349（2020）69fC= max {RBTH i（f）}。（十八）B1≤i≤nJCM Román et al. /Electronic Notes in Theoretical Computer Science 349（2020）6977B我WB我WBBBB通过减法从图像中提取的所有亮和暗尺度的最大值定义为：fD=max {RWTHSi−1（f）}，（19）W1≤i≤n −1fD=max {RBTHS i−1（f）}。（二十）B1≤i≤n −1最后一步是如下获得医学图像的对比度增强fE=f+（fC+fD）−（fC+fD），（21）其中fE是具有对比度增强的医学图像。在以下算法1中描述了被称为测地线重建MMCE（GR-MMCE）的医学图像对比度增强过程。算法1测地线重建MMCE。输入：f，B，n输出：fE（增强图像）图像：B1：对于i= 1到n，2：通过重构计算顶帽变换。RWT Hi（f）=f−γR（f），（等式（13））RBTH i（f）= φ R（f）−f。（等式（14））3：从通过重建的顶帽变换获得的相邻尺度的减法的计算。RWTHSi−1（f）=RWT Hi（f）−RWT Hi−1（f），（等式（15））RBTH i−1（f）= RBTH i（f）− RBTH i−1（f）。（等式（16））4：结束5：获得的所有多个尺度的最大值。fC=max{RWTHi（f）}，（等式（17））W1≤i≤nfC=max{RBTHi（f）}，（等式（18））1≤i≤nfD=max{RWTHSi-1（f）}，（等式（19））W1≤i≤n −1fD=max {RBTHSi-1（f）}（等式（20））1≤i≤n −16：医学图像对比度增强计算。.fE=f+（fC+fD）-（fC+fD）（等式（21））ww b b78JCM Román et al. /Electronic Notes in Theoretical Computer Science 349（2020）697：返回fEJCM Román et al. /Electronic Notes in Theoretical Computer Science 349（2020）6979”。，3结果和讨论本节介绍了所提出的方法和文献中的其他方法之间的比较分析。对比度增强算法，直方图用于比较：直方图均衡化（HE）、对比度受限自适应直方图均衡化（CLAHE）[30]。并与基于多尺度数学形态学的MMCE算法进行了比较。3.1评估度量四个指标用于评估图像增强：标准差（SD）[22，23]，该指标评估灰度图像的全局对比度，定义为：L−1标准差（f）=q=0（q−E（f））2×P（q），（22）其中q是图像f的像素灰度强度水平（u，v），L-1表示图像的最大灰度强度水平，E（f）表示图像的平均亮度，P（q）是强度水平q的出现概率。在增强图像的SD（fE）高于原始图像的SD（f）的情况下，则图像中存在增强。峰值信噪比（PSNR），该度量用于测量在所得图像中引入的噪声量，由[4]给出：PSNR（f，fE）= 10log10（L−1）2MSE（f，fE），（二十三）其中，均方误差（MSE）定义为：M[f（u，v）−fE（u，v）]2MSE（f，fE）=u=1v=1，（24）M ×N其中M×N是图像大小f。PSNR值越高，表明增强后的图像中引入的噪声越少，因此图像质量越好。绝对平均亮度误差（AMBE）[2，20]用于衡量保持平均亮度的性能，定义为：A MBE（f，fE）=|E（f）−E（fE）|.（二十五）应该注意的是，AMBE的值越低，亮度的保持越好ΣΣ80JCM Román et al. /Electronic Notes in Theoretical Computer Science 349（2020）69PL率[4]用于测量噪声条件和改进的JCM Román et al. /Electronic Notes in Theoretical Computer Science 349（2020）6981MN图像清晰度。 其定义如下：P L（f，fE）=PSNR（f，fE），（26）λ（fE）其中λ表示线性模糊指数，由下式给出：M Nλ（fE）=2min（r（u，v），1−r（u，v）），（27）u=1v=1r（u，v）=sin（π×（1−fE（u，v），（28）2fmax其中fmax表示fE图像的最大灰度级。PL值越高，表示图像包含的噪声越少，越清晰。3.2实验结果实验包括比较所提出的算法（GR-MMCE）与文献中的其他技术，考虑SD，PSNR，AMBE和PL作为评估指标。目的是显示如何很好的增强对比度和保持医学成像中的亮度所提出的方法。此外，相对于其他方法获得的优点将是已知的。为了分析结果，从公共数据库中选择了100张医学图像[18]。在这里，我们可以找到牙科X光，手，腿，背，胸部，视网膜血管，超声波等图像。使用HE，CLAHE，MMCE算法和所提出的方法进行测试使用MATLAB程序（使用CLAHE的默认参数）实现HE和CLAHE算法。MMCE和所提出的算法在ImageJ框架[26]中实现，输入参数是原始医学图像f，迭代次数n=7，以及半径r=1的初始圆盘结构元素B表1示出了通过用于增强医学成像的SD、AMBE、PSNR和PL度量中的算法获得的平均值表1用HE、CLAHE、MMCE算法和本文提出的算法对100幅增强后的医学图像进行了评价。方法SDAmbePSNRPL原始61.05---他70.6541.2215.0844.96CLAHE64.8311.0519.4667.22MMCE65.901.0324.2582.81该算法63.200.9529.83100.3782JCM Román et al. /Electronic Notes in Theoretical Computer Science 349（2020）69表1中的结果表明，HE算法提高了医学图像的对比度，但使其失真，损失了平均亮度，并且失真与清晰度之间的关系最低。CLAHE提高了对比度，失真程度比HE小，但损失了平均亮度，并且在失真和清晰度之间的关系方面，它也具有较低的性能。MMCEJCM Román et al. /Electronic Notes in Theoretical Computer Science 349（2020）6983提高对比度，在图像中引入与HE和CLAHE比例较小的失真，保持平均亮度，并且失真和清晰度之间的关系保持良好。该方法增强了医学图像的对比度，保持了医学图像的平均亮度，图像失真较小，失真与清晰度的关系高于其他算法。图从图1、图2、图3和图4可以看出，所有算法都改善了医学图像。此外，我们看到HE方法过度暴露了导致引入高亮度噪声的光细节。CLAHE和MMCE算法表现出良好的亮度增强，但也引入了大量的噪声。该建议增强了明亮区域，并进一步加深了黑暗区域，同时保留了细节，与原始图像非常相似。(a)（b）（c）（d）（e）Fig. 1. (a) 原 始 图 像 20.png ， SD = 62.81; （ b ） HE 算 法 增 强 图 像 ， SD=74.67 ， AMBE=68.12 ，PSNR=10.76 ;（c）CLAHE算法增强图像，SD=64.65，AMBE=15.01，PSNR=19.76;（d）MMCE算法增强图像，SD=65.48，AMBE=1.14和PSNR=27.17;以及（e）用所提出的算法增强的图像，其中SD=63.49，AMBE=0.33和PSNR=34.49。(a)（b）（c）（d）（e）图二. (a)原始图像21.png，SD = 56.15;（b）HE算法增强图像，SD=68.93，AMBE=87.28，PSNR=8.68 ;（c）CLAHE 算法增强图像，SD=66.84，AMBE=20.30，PSNR=18.88;（d）MMCE 算法增强图像，SD=68.53，AMBE=3.32和PSNR=19.75;以及（e）用所提出的算法增强的图像，其中SD=61.08，AMBE=0.89和PSNR=27.43。(a)（b）（c）（d）（e）图 三 . (a) 原 始 图 像 51.png ， SD = 57.53; （ b ） HE 算 法 增 强 图 像 ， SD=75.02 ， AMBE=21.89 ，PSNR=18.98 ;（c）CLAHE算法增强图像，SD=60.67，AMBE=8.10，PSNR=19.28;（d）MMCE算法增强图像，SD=61.49，AMBE=0.57和PSNR=25.78;以及（e）用所提出的算法增强的图像，其中SD=59.25，AMBE=0.55和PSNR=31.31。84JCM Román et al. /Electronic Notes in Theoretical Computer Science 349（2020）69(a)（b）（c）（d）（e）见 图 4 。 (a) 原 始 图 像 98.png ， SD = 49.79; （ b ） HE 算 法 增 强 图 像 ， SD=74.84 ， AMBE=15.29 ，PSNR=16.53 ;（c）CLAHE算法增强图像，SD=50.07，AMBE=13.33，PSNR=18.64;（d）MMCE算法增强图像，SD=56.76，AMBE=0.78和PSNR=21.99;以及（e）用所提出的算法增强的图像，其中SD=51.58，AMBE=0.35和PSNR=33.93。图5显示了这一点：（a）原始医学图像的缩放，（b）利用MMCE算法的增强医学图像的缩放，以及（c）利用所提出的算法的增强医学图像的缩放。与MMCE算法相比，该方法增强后的图像对比度得到了提高，且失真(a)(b)（c）第（1）款图五. (a)原始图像62.png的缩放，（b）使用MMCE算法增强的图像的缩放，以及（c）使用所提出的算法增强的图像的缩放4结论在这项工作中，我们提出了一种算法，以改善医学图像使用多尺度顶帽变换测地线重建。形态学重建使我们能够保留图像的细节。所提出的方法的性能进行了评估与测量对比度增强，平均亮度的保存数值实验结果表明，该方法在PSNR、PL和AMBE指标上都有较好的性能。它还根据SD提高了原始图像的对比度。这表明改进的图像具有低失真，保持其自然亮度并具有增强的对比度。JCM Román et al. /Electronic Notes in Theoretical Computer Science 349（2020）6985确认该研究由国家科学技术委员会巴拉圭通过POSG 17 -53项目资助。引用[1] A lharbi，S. 美国，萨扎克角，纳尔逊角，澳-地J.， 和Obara，B.，在2D/3D图像中使用多个Top-Hat张量进行Curvilin e ar Structur e Enhance c ement。IEEE生物信息学和生物医学国际会议（BIBM），2018年。[2] Aquino-Mo rınigo，P. B、卢戈-索利斯，F。R.， Pi nto-Roa，D. P.， Ayala，H. L.， 和Noguera，J. L.五，使用两个平台限制的双直方图均衡。信号，图像和视频处理，11（5）：857-864，2017。[3] Bai，X.，基于Top-hat重构算子的多尺度多结构元多线性特征检测方法，后处理简单。Optik-InternationalJournal for Light and Electron Optics，124（20）：4246-4251，2013。[4] Bai，X.，Zhou ，F.，中 国科学院 院士， 和Xue，B.， 利用礼 帽变换。 Optics Laser Technology， 44（2）：328-336，2012.[5] 卡瓦列罗河D. M.，皮内达岛A. B、 罗曼岛，J。C. M.， Noguera，J. L. 五、 和Sil va，J. J. C.的方法， 基于每个直方图的大小，使用截断限对红外图像进行直方图均衡化。红外物理技术，99：257-264，2019。[6] Facon，J.，玛 塔玛提的女儿摩福，是个孤儿，也是个孤儿。 EditoraUni versit'ariaChampagnatdaPo ntif'ıciaUni veradescadeCa t'olicadoParan'a，1996年。[7] 菲罗斯河，阿里，M。美国，汗，M。N.美国、侯赛因，M。K.，伊斯兰，M。K.，和Shahinuzzaman，M.，基于形态学变换的医学图像增强。Journal of Data Analysis and Information Processing，4（01）：1，2016.[8] 冈萨雷斯河，巴西-地C.的方法，和Woods，R.E、数字图像处理。Prentice Hall，2002年。[9] Hassanpour，H.，Samadiani，N.，和Salehi，S. M.，利用形态学变换增强医学图像对比度。埃及放射学与核医学杂志，46（2）：481-489，2015。[10] Kamra，A.，和Jain，V.K.，利用多尺度形态学方法。IEEE床旁医疗保健技术（PHT），2013年。[11] 廖，M.，Zhao，Y.问：Wang，X. H、和戴，附，基于多尺度礼帽变换和直方图拟合拉伸的。光学激光技术，58：56-62，2014。[12] Maragos，P.，微分形态学与图像处理。IEEE图像处理汇刊，5（6）：922-937，1996.[13] 门德斯河卡多佐河Noguera，J. L. 五、 Legal-A yala，H.， Rom'an，J. C. M.，Grillo，S.， 和Gar c'ıa-Torres，M.，基于多尺度形态学的彩色图像增强。计算机科学– CACIC 2018, 109–123,[14] Menotti，D.， 纳杰曼湖， Facon，J.， 和Arau'jo，A. D. 一、 用于对比度增强和亮度保持的多组图像均衡方法。IEEE Transactions on Consumer Electronics，53（3）：1186-1194，2007。[15] 穆尔角，澳-地J.，医学影像处理：使用直方图熵表征显示变化。Image and Vision Computing，4（4）：197-202，1986。[16] 莫里湖G.，布里苏埃拉湾一、 A yala，H. L.， Pi nto-Roa，D. P.， 和Noguera，J. L. 五、基于多目标优化的CLAHE参数调整，以实现医学图像中的不同对比度水平。IEEE International Conference on ImageProcessing（ICIP），2015年。[17] Mukhopadhyay，S.，和Chanda，B.，局部对比度增强的多尺度形态学方法。Signal Processing，80（4）：685-696，2000.[18] 打开开放获取生物医学图像搜索引擎。网址：https://openi.nlm.nih.gov/。2019-02-01访问。86JCM Román et al. /Electronic Notes in Theoretical Computer Science 349（2020）69[19] Ortiz，F.，和Torres，F.，彩色图像亮度消除的矢量形态学重建。实时成像，10（6）：379-387，2004年。[20] 皮内达岛A. B、卡瓦列罗河D. M.， Sil va，J. J. C.的方法， Rom'an，J. C. M.， 和Noguera，J. L.五、四次直方图均衡化，使用基于每个直方图的大小的切割限制，保留平均亮度。信号，图像和视频处理，1-9，2019。[21] 彭，B.王玉，和Yang，X.，超声图像局部对比度增强的多尺度形态学方法。IEEE计算与信息科学国际会议，2010年。[22] Rom'an，J. C. M.， A yala，H. L.， 和Noguera，J. L. 五、 增强航空热像的顶帽变换。IEEE第30届图形，图案和图像会议（SIBGRAPI），2017年。[23] Rom'an，J. C. M.， A yala，H. L.， 和Noguera，J. L. 五、 利用多尺度形态学可以增强图像的彩色化。Journal of Computational Interdisciplinary Sciences，8（3），2017。[24] Rom 'an，J. C. M.，Noguera，J. L. 五、 Legal-A yala，H.， Pi nto-Roa，D. P.，Gomez-Guerrero，S.， 和Gar c'ıaTorres，M.，基于多尺度top-hat变换的红外热图像熵和对比度增强。Entropy，21（3）：244，2019.[25] Rom'an，J. C. M.，Noguera，J. L. 五、 Legal-A yala，H.， 莫里湖， 和Pi nto-Roa，D. P.，基于多尺度top-hat变换的图像亮度和细节保持增强。IEEE XXII图像，信号处理和人工视觉研讨会（STSIVA），2019年。[26] 施奈德 角一、Rasband，W.美国，Eliceiri，K. W.，NIH Image to ImageJ：25年的图 像分析NatureMethods，9（7）：671[27] Soille，P.，形态学图像分析：原理与应用。Springer Science Business Media，2013.[28] Wang ， G. ， 王 杰 ， Li ， M. ， 郑 宇 ， 和 Wang ， K. ， 基 于 多 尺 度 top-hat 变 换 的 。 Cybernetics andInformation Technologies，16（2），125-134，2016。[29] 杨，Y.，苏，Z.，和Sun，L.，基于小波变换的医学图像增强算法。Electronics Letters，46（2）：120-121，2010.[30] Zuiderveld，K.，对比度限制自适应直方图均衡，图形宝石。474