基于改进的MSR和CLAHE的图像增强方法及系统

基于改进的msr和clahe的图像增强方法及系统
技术领域
1.本发明涉及图像增强技术领域，更具体的说是涉及一种基于改进的msr和clahe的图像增强方法及系统。


背景技术：

2.医学图像增强主要是对医学图像执行一系列处理，以增强图像的整体效果或局部细节，从而提高整体和局部对比度，抑制不必要的细节信息，并获得高分辨率医学图像和更清晰的患者组织和器官信息。现有研究提出了许多医学图像增强方法，主要分为传统的医学图像增强法和基于深度学习的图像增强方法。
3.传统的医学图像增强算法主要为两类，根据处理图像的作用域不同分为基于空域的医学图像增强方法和基于频域的医学图像增强方法。其中，基于空域的医学图像增强方法的作用对象是图像的灰度域，重心在于根据处理的场景选取合适的映射变换函数，而基于频域的医学图像增强算法核心在于调整图像变换域中的变换函数。典型的基于空域的图像增强算法有基于直方图均衡化及其改进算法、retinex算法和灰度变换算法等，基于频域的图像增强算法主要包括有基于傅里叶变换增强算法、基于小波变换的增强算法等。
4.以上基于传统方法的医学图像增强算法在宫颈癌变图像增强过程中存在以下缺点，比如细节不足、颜色失真、亮度不均匀等等，仅仅使用已有的传统增强算法无法针对宫颈图像特点进行处理，效果难以达到要求。
5.因此，如何提供一种基于改进的多尺度视网膜理论(msr)和对比度受限双重自适应直方图拉伸(cldahe)的图像增强方法及系统成为本领域技术人员急需解决的技术问题。


技术实现要素：

6.有鉴于此，针对已有的医学图像增强方法在宫颈癌变图像上处理存在的细节突出不明显、对比度较低、亮度不均衡、颜色失真等问题，本发明提供了一种基于改进的msr和clahe的图像增强方法及系统。
7.为了实现上述目的，本发明提供如下技术方案：
8.一种基于改进的msr和clahe的图像增强方法，包括以下步骤：
9.将输入的待增强图像分离到红色通道、绿色通道、蓝色通道；
10.基于改进的msr算法分通道提取所述红色通道、所述绿色通道、所述蓝色通道的反射分量并量化回rgb图像得到第一红色通道、第一绿色通道、第一蓝色通道，对待增强图像进行细节增强；
11.对所述第一绿色通道和所述第一蓝色通道进行clahe得到第二绿色通道、第二蓝色通道，对待增强图像的颜色进行拉伸；
12.将所述第一红色通道、所述第二绿色通道、所述第二蓝色通道合并为第一图像；
13.对所述第一图像进行导向滤波得到第二图像，并利用多尺度方法提取所述第一图像的细节信息并放大得到第三图像，将所述第二图像和所述第三图像融合为第四图像；
14.将所述第四图像转换到hsv颜色空间，并对v通道进行自适应伽马校正；
15.合并所述hsv颜色空间下h通道、s通道以及自适应伽马校正后的v通道，得到增强后的图像并输出。
16.优选的，基于改进的msr算法分通道提取所述红色通道、所述绿色通道、所述蓝色通道的反射分量并量化回rgb图像得到第一红色通道、第一绿色通道、第一蓝色通道的具体过程包括：
17.a.对输入的待增强图像进行取对数操作，得到对数图像；
18.b.将所述对数图像分别进行三个尺度的高斯模糊，得到三个低频图像；
19.c.利用所述待增强图像分别和三个低频图像做差，然后加权累加；
20.d.根据改进的量化公式，将对数图像量化到rgb图像。
21.优选的，所述改进的量化公式为：
[0022][0023]
其中i∈{r,g,b}表示三个颜色通道，ψ是一个动态参数，实验值为500，其中i
mean
表示输入图像的像素均值，i
pr
，i
pg
和i
pb
分别表示该图像rgb通道直方图中峰值所在的像素值。
[0024]
优选的，对所述第一绿色通道和所述第一蓝色通道进行clahe得到第二绿色通道、第二蓝色通道的具体过程为：
[0025]
a.将输入的所述第一红色通道、所述第一绿色通道、所述第一蓝色通道通道分成多个n*n的区域块，并以所述区域块为下一步的单位；
[0026]
b.计算所述第一红色通道的像素均值r_mean；
[0027]
c.计算所述第一蓝色通道、所述第一绿色通道的直方图；
[0028]
d.根据cliplimit＝0.01*r_mean对直方图裁剪并均衡化；
[0029]
e.遍历所述多个n*n的区域块，进行区域块间双线性插值，得到所述第二绿色通道、所述第二蓝色通道。
[0030]
优选的，对所述第一图像进行导向滤波得到第二图像，具体包括：
[0031]
对所述第一图像进行导向滤波，假设所述第一图像中任意一个位置k的滤波窗口为ωk，则表达式如下所示：
[0032]
oi＝ak·gi
+bk，i∈ωk[0033]
其中oi是输出图像，gi是引导图像，ak和bk的求解公式如下：
[0034][0035][0036]
其中cov(
·
)表示求协方差，var(
·
)表示求方差，ε是控制因数，目的是避免分母为零出现错误，mean(
·
)表示求均值；
[0037]
优选的，利用多尺度方法提取所述第一图像的细节信息并放大得到第三图像，具体包括：
[0038]
使用三个不同尺度的高斯滤波器对输入所述第二蓝色通道、所述第二绿色通道通道进行滤波，得到所述第二图像；
[0039]
对所述第二蓝色通道、所述第二绿色通道对应做差，得到不同尺度的细节信息，并
进行加权融合，将所述第二蓝色通道、所述第二绿色通道的细节图像放大2倍，得到所述第三图像；
[0040]
优选的，将所述第二图像和所述第三图像融合为第四图像，具体包括：
[0041]
将所述第二图像和所述第三图像进行加权融合，对所述第二图像的细节进行填补：
[0042][0043][0044]
b5＝αb3+(1-α)(2
·
b4)
[0045]
g5＝αg3+(1-α)(2
·
g4)
[0046]iimg5
＝merge(b5,g5,r3)
[0047]
其中bi，gi，ri分别表示imgi对应的颜色通道，guk表示高斯核，ωk是不同尺度细节信息融合时的权重系数，这里按照滤波核从小到大对应的ω1，ω2，ω3分别是0.2，0.3，0.5，k表示不同尺度，α表示权重系数，这里的实验值是0.8，i
img5
表示滤波和细节融合后的图像，merge(
·
)表示合并通道。
[0048]
对v通道的自适应伽马校正过程具体包括：构造自适应伽马参数，并对所述第四图像的v通道进行自适应伽马校正，公式如下：
[0049]
x
γ
＝θ；
[0050]
γ＝log
x
θ；
[0051]
其中，其中，x是图像中所有像素归一化后的均值，θ是合理的设定值，这里设定为0.5，γ是伽马参数，由x和θ共同决定。
[0052]
一种基于改进的msr和clahe的图像增强系统，用于实现上述的任意一项基于改进的msr和clahe的图像增强方法，所述系统包括：
[0053]
通道分离模块，用于将输入的待增强图像分离到红色通道、绿色通道、蓝色通道；
[0054]
图像细节增强模块，用于基于改进的msr算法分通道提取所述红色通道、所述绿色通道、所述蓝色通道的反射分量并量化回rgb图像得到第一红色通道、第一绿色通道、第一蓝色通道；
[0055]
颜色拉伸模块，用于对所述第一绿色通道和所述第一蓝色通道进行clahe得到第二绿色通道、第二蓝色通道；
[0056]
第一通道合并模块，用于将所述第一红色通道、所述第二绿色通道、所述第二蓝色通道合并为第一图像；
[0057]
图像融合模块，用于对所述第一图像进行导向滤波得到所述第二图像，并利用多尺度方法对所述第一图像的细节进行放大，得到第三图像；将所述第二图像和所述第三图像融合为第四图像；
[0058]
颜色模型转换模块，用于将所述第四图像转换到hsv颜色空间，并对v通道进行自适应伽马校正；
[0059]
图像输出模块，合并所述hsv颜色空间下h通道、s通道以及自适应伽马校正后的v通道，得到增强后的图像并输出。
[0060]
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于改进的msr和clahe的图像增强方法及系统，本发明在保证颜色不失真的基础上，最大程度拉伸颜色，利于医生更清晰地观察到图像变化细节；其次利用retinex理论提取反射分量，得到图像的本质属性，有效增强了图像的细节，使得图像中观察对象的边缘、状态更加清晰；然后再在消除噪声时提前提取了图像的细节信息，极大程度避免了滤波导致的细节丢失问题；最后针对图像采集过程中存在的亮度不均匀问题，采取了自适应伽马校正亮度，进一步优化图像的视觉效果。
附图说明
[0061]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0062]
图1为本发明实施例的一种基于改进的msr和clahe的图像增强方法的流程示意图；
[0063]
图2(a)为宫颈癌变原图，图2(b)为本发明图像增强方法的效果图，图2(c)为clahe算法处理后的效果图，图2(d)为自动色彩均衡算法(ace)处理后的效果图，图2(e)为msr算法处理后的效果图，图2(f)为带颜色修复的msr算法处理后的效果图；
[0064]
图3为本发明实施例的一种基于改进的msr和clahe的图像增强系统的结构框架图。
具体实施方式
[0065]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0066]
本发明实施例公开了一种基于改进的msr和clahe的图像增强方法，如图1所示，包括以下步骤：
[0067]
将输入的待增强图像img1分离到红色通道r、绿色通道g、蓝色通道b；
[0068]
基于改进的msr算法分通道提取红色通道r、绿色通道g、蓝色通道b的反射分量并量化回rgb图像得到第一红色通道r1、第一绿色通道g1、第一蓝色通道b1，对待增强图像img1进行细节增强；
[0069]
由于不同颜色对光的吸收和反射差异较大，因此本实施例只对得到的绿色通道g1和蓝色通道b1进行clahe得到第二绿色通道g2、第二蓝色通道b2，对待增强图像img1的颜色进行拉伸；
[0070]
将第一红色通道r1、第二绿色通道g2、第二蓝色通道b2合并为第一图像img2；
[0071]
对第一图像img2进行导向滤波得到第二图像img3，消除在增强过程中产生的噪音，并利用多尺度方法提取第一图像img2的细节信息并放大得到第三图像img4，将第二图像img3和第三图像img4进行融合为第四图像img5；
[0072]
将第四图像img5转换到hsv颜色空间，并对v通道进行自适应伽马校正，改善图像亮度；
[0073]
合并hsv颜色空间下h通道、s通道以及自适应伽马校正后的v通道，得到增强后的图像并输出。
[0074]
进一步的，本发明实施例中，retinex理论认为物体的形状和颜色是由物体对光线的反射能力来决定的，物体的表面特征不受光照非均匀性的影响，具有一致性。通过估计入射分量，从原始图像中分离出反射分量，进而得到物体的表面特性。视觉图像s(x,y)可由入射分量l(x,y)和物体反射分量r(x,y)来组成，它们之间的关系由下式表示：
[0075]
s(x,y)＝l(x,y)
·
r(x,y)
ꢀꢀꢀ
(1)
[0076]
其中，l(x,y)为入射分量，受到光影环境因素的影响，决定图像s(x,y)的动态范围；r(x,y)为反射分量，反映物体本身的反射性质，物体吸收和反射光线的能力与物体表面的性质有关。为了更好地分离入射分量和反射分量，对公式(1)进行对数表示：
[0077]
log(r(x,y))＝log(s(x,y))-log(l(x,y))
ꢀꢀꢀ
(2)
[0078]
其中，在retinex理论中假设了光照是缓慢变化的，所以l(x,y)为低频分量，可以用高斯模糊近似取得，则公式(2)可写为：
[0079][0080]
其中代表卷积，g(x,y)表示高斯核。最后，需要将log(r(x,y))量化为0到255范围的像素值，作为最终的输出，量化公式如下：
[0081]
r(x,y)＝(value-min/max-min)
·
(255-0)
ꢀꢀꢀ
(4)
[0082]
其中max和min分别代表log(r(x,y))的最大值和最小值，value表示像素值。
[0083]
以上是单尺度的retinex理论，为了平衡局部对比度和色彩保真的图像增强效果，兼顾大、中、小多个尺度的优点，可选取多尺度的retinex算法来实现更好的图像增强效果。表达式改写为：
[0084][0085]
其中k表示三个不同的高斯核尺度，i表示三个颜色通道r、g、b，ωk表示三个尺度对应的权重，一般取ω1＝ω2＝ω3＝1/3
[0086]
无论是单尺度retinex理论还是多尺度retinex理论，在量化到0-255范围内时，都使用的是直接线性量化，这样导致的问题是处理后的图像整体偏灰。这是由于原始的彩色值经过对数处理后的数据范围变小，各通道之间的差异也变小，而之后的线性量化比指数曲线要平滑很多，因此整个图像颜色失真。为了解决这个问题，本文对多尺度retinex算法的量化公式针对医学图像进行了改进，量化公式改写为：
[0087][0088]
其中i∈{r,g,b}表示三个颜色通道，ψ是一个动态参数，实验值为500，其中i
mean
表示输入图像的像素均值，i
pr
，i
pg
和i
pb
分别表示该图像rgb通道直方图中峰值所在的像素值，计算过程中需要注意超过255即置为255，防止溢出。
[0089]
改进的msr算法中，利用各通道直方图峰值所在像素值配合动态参数提高量化公式的斜率，能够根据不同图像自适应地扩大数据范围以及各通道直接的差异，从而起到保持颜色的作用，同时利用图像直方图均值作为亮度补偿因子，确保每个输入图像能够保持良好的亮度，也能避免像素值出现负值。
[0090]
基于改进的msr算法分通道提取红色通道r、绿色通道g、蓝色通道b的反射分量并量化回rgb图像得到第一红色通道r1、第一绿色通道g1、第一蓝色通道b1的具体过程包括：
[0091]
a.对输入的待增强图像img1进行取对数操作，得到对数图像；
[0092]
b.将对数图像分别进行三个尺度的高斯模糊，得到三个低频图像；
[0093]
c.利用待增强图像img1分别和三个低频图像做差，然后加权累加；
[0094]
d.根据改进的量化公式，将对数图像量化到rgb图像。
[0095]
优选的，将图像的细节增强后，还需要对图像的颜色进行拉伸，直方图均衡化可以有效进行颜色拉伸。直方图均衡是将直方图的分布(概率密度)调整为均匀分布，全局直方图均衡考虑的是图像的整体对比度，当图像中同时存在亮区域范围和暗区域范围灰度值变化比较大的情况时，全局直方图的效果并不好，并且会增强背景噪声。为了解决以上两个问题，研究者提出了自适应直方图均衡化解决全局性问题，对比度受限直方图均衡化则解决了背景噪声增强的问题，两者结合起来就形成了对比度受限的自适应直方图均衡化算法(clahe)。
[0096]
在经典的clahe算法中，通常是对图像的亮度通道进行均衡化，或者对图像rgb三个通道分别均衡化后再合并通道，但是对宫颈癌变图像这样处理的效果甚微。本发明根据人体对不同波长光线吸收能力具有差异性的特点，将clahe算法应用在g和b通道上，然后与原有的r通道合并，来增强颜色拉伸的效果。同时，在经典clahe算法中，对比度限制参数cliplimit是一个固定值，然而宫颈癌变图像的病灶区域具有多变性、整体颜色上具有相对的单一性，用固定的对比度限制参数会导致颜色拉伸不足或者颜色拉伸过度等问题，经过大量的实验观察，发现图像需要进行颜色拉伸的程度与r通道像素的均值成正比，因此本发明将用r通道像素的均值来控制cliplimit，得到了良好的颜色拉伸效果。
[0097]
对第一绿色通道g1和第一蓝色通道b1进行clahe得到第二绿色通道g2、第二蓝色通道b2的具体过程为：
[0098]
a.将输入的第一红色通道r1、第一绿色通道g1、第一蓝色通道b1通道分成多个n*n的区域块，并以区域块为下一步的单位；
[0099]
b.计算第一红色通道r1的像素均值r_mean；
[0100]
c.计算第一蓝色通道b1、第一绿色通道g1的直方图；
[0101]
d.根据cliplimit＝0.01*r_mean对直方图裁剪并均衡化；
[0102]
e.遍历多个n*n的区域块，进行区域块间双线性插值，得到第二绿色通道g2、第二蓝色通道b2。
[0103]
优选的，由于图像在增强过程中噪音也会被增强，所以需要对图像进行滤波去噪。本算法中采用了导向滤波器对经过clahe处理后的图像进行滤波，引导图选择输入图像，能够起到保持边缘滤波的作用。但是，图像一经滤波，必然丢失一些细节，为了最大可能保留图像细节，本发明在进行导向滤波的同时，对经过clahe处理后的图像进行多尺度提取细节，然后将细节信息放大与滤波图像加权融合，得到一个低噪音、细节保留的图像。
[0104]
导向滤波最基本的假设是滤波输出是引导图像的局部线性变换，对图像的任意一个位置k，滤波窗口为ωk，根据上述假设，表达式如下所示：
[0105]
oi＝ak·gi
+bk，i∈ωkꢀꢀꢀ
(7)
[0106]
其中oi是输出图像，gi是引导图像，ak和bk的求解公式如下：
[0107][0108][0109]
其中cov(
·
)表示求协方差，var(
·
)表示求方差，ε是控制因数，目的是避免分母为零出现错误，mean(
·
)表示求均值。结合公式(7)-(8)可以得到滤波后的图像img3.
[0110]
使用三个不同尺度的高斯滤波器对输入第二蓝色通道b2、第二绿色通道g2通道进行滤波，得到第二图像img3；对第二蓝色通道b2、第二绿色通道g2对应做差，得到不同尺度的细节信息，并进行加权融合，将第二蓝色通道b2、第二绿色通道g2的细节图像放大2倍，得到第三图像img4；将第二图像img3和第三图像img4进行加权融合，对第二图像img3的细节进行填补：
[0111][0112][0113]
b5＝αb3+(1-α)(2
·
b4)
ꢀꢀꢀ
(12)
[0114]
g5＝αg3+(1-α)(2
·
g4)
ꢀꢀꢀ
(13)
[0115]iimg5
＝merge(b5,g5,r3)
ꢀꢀꢀ
(14)
[0116]
其中bi，gi，ri分别表示imgi对应的颜色通道，guk表示高斯核，ωk是不同尺度细节信息融合时的权重系数，这里按照滤波核从小到大对应的ω1，ω2，ω3分别是0.2，0.3，0.5，k表示不同尺度，α表示权重系数，这里的实验值是0.8，i
img5
表示滤波和细节融合后的图像，merge(
·
)表示合并通道。
[0117]
经过前面的处理后，图像的颜色得到拉伸、细节得到增强、噪声得到降低，图像更加清晰，但是由于宫颈癌变图像获取的方式、条件、设备等的限制，部分图像的亮度并非最佳，为了更好的优化视觉效果，还需要对图像的亮度进行校正。本算法采取了自适应伽马算法来校正图像的亮度。
[0118]
伽马校正是对输入单通道图像的灰度值进行非线性操作，使输出图像灰度值与输入图像灰度值呈指数关系，具体公式如下所示：
[0119]
f(i)＝i
γ
ꢀꢀꢀ
(15)
[0120]
其中f(i)是输出图像，i是输出图像，γ是伽马参数，其值直接影响伽马校正的效果。当γ＜1时，在低灰度值区域内，动态范围变大，进而图像对比度增强；在高灰度值区域内，动态范围变小，图像整体对比度降低；γ》1时，低灰度值区域的动态范围变小，高灰度值区域在动态范围变大，降低了低灰度值区域对比度，提高了高灰度值区域图像对比度，同时，图像整体的灰度值变小。
[0121]
进行伽马校正时，不同图像的γ值不同，每张图像都手动调整γ参数值时间和精力成本极高，所以本发明实施例采用了自适应的伽马校正，即假定一副合理的图像其所有像素(归一化后)的均值x在θ左右，那么自动伽马校正的伽马值就要使得目标图像向这个目
标前进：
[0122]
x
γ
＝θ
ꢀꢀꢀ
(16)
[0123]
γ＝log
x
θ
ꢀꢀꢀ
(17)
[0124]
其中，x是图像中所有像素归一化后的均值，θ是合理的设定值，本实施例将其值设定为0.5，γ是伽马参数，由x和θ共同决定。
[0125]
将融合后的图像img5转换到hsv空间后，根据公式(15)-(17)对v通道进行自适应伽马校正，可以获得亮度均衡且更清晰的输出图像。
[0126]
如图2(a)-图2(b)是各经典算法与本发明的实验效果对比图，从(a)-(b)依次是原图、本发明效果图、clahe效果图、自动色彩均衡算法(ace)算法效果图、msr算法效果图、带颜色修复的msr算法效果图。在对比中可以看出，本发明提出的算法处理后的图像质量更好。
[0127]
一种基于改进的msr和clahe的图像增强系统，用于实现上述的任意一项基于改进的msr和clahe的图像增强方法，如图3所示，该系统包括：
[0128]
通道分离模块，用于将输入的待增强图像分离到红色通道r、绿色通道g、蓝色通道b；
[0129]
图像细节增强模块，用于基于改进的msr算法分通道提取红色通道r、绿色通道g、蓝色通道b的反射分量并量化回rgb图像得到第一红色通道r1、第一绿色通道g1、第一蓝色通道b1；
[0130]
颜色拉伸模块，用于对第一绿色通道g1和第一蓝色通道b1进行clahe得到第二绿色通道g2、第二蓝色通道b2；
[0131]
第一通道合并模块，用于将第一红色通道r1、第二绿色通道g2、第二蓝色通道b2合并为第一图像img2；
[0132]
图像融合模块，用于对第一图像img2进行导向滤波得到第二图像img3，并利用多尺度方法对第一图像img2的细节进行放大，得到第三图像img4；将第二图像img3和第三图像img4融合为第四图像img5；
[0133]
颜色模型转换模块，用于将第四图像img5转换到hsv颜色空间，并对v通道进行自适应伽马校正；
[0134]
图像输出模块，合并hsv颜色空间下h通道、s通道以及自适应伽马校正后的v通道，得到增强后的图像并输出。
[0135]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0136]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种基于改进的msr和clahe的图像增强方法，其特征在于，包括以下步骤：将输入的待增强图像分离到红色通道、绿色通道、蓝色通道；基于改进的msr算法分通道提取所述红色通道、所述绿色通道、所述蓝色通道的反射分量并量化回rgb图像得到第一红色通道、第一绿色通道、第一蓝色通道；对所述第一绿色通道和所述第一蓝色通道进行clahe得到第二绿色通道、第二蓝色通道；将所述第一红色通道、所述第二绿色通道、所述第二蓝色通道合并为第一图像；对所述第一图像进行导向滤波得到第二图像，并利用多尺度方法提取所述第一图像的细节信息并放大得到第三图像，将所述第二图像和所述第三图像融合为第四图像；将所述第四图像转换到hsv颜色空间，并对v通道进行自适应伽马校正；合并所述hsv颜色空间下h通道、s通道以及自适应伽马校正后的v通道，得到增强后的图像并输出。2.根据权利要求1所述的一种基于改进的msr和clahe的图像增强方法，其特征在于，基于改进的msr算法分通道提取所述红色通道、所述绿色通道、所述蓝色通道的反射分量并量化回rgb图像得到第一红色通道、第一绿色通道、第一蓝色通道的具体过程包括：a.对输入的待增强图像进行取对数操作，得到对数图像；b.将所述对数图像分别进行三个尺度的高斯模糊，得到三个低频图像；c.利用所述待增强图像分别和三个低频图像做差，然后加权累加；d.根据改进的量化公式，将对数图像量化到rgb图像。3.根据权利要求2所述的一种基于改进的msr和clahe的图像增强方法，其特征在于，所述改进的量化公式为：其中i∈{r,g,b}表示三个颜色通道，ψ是一个动态参数，实验值为500，其中i
mean
表示输入图像的像素均值，和分别表示该图像rgb通道直方图中峰值所在的像素值。4.根据权利要求1所述的一种基于改进的msr和clahe的图像增强方法，其特征在于，对所述第一绿色通道和所述第一蓝色通道进行clahe得到第二绿色通道、第二蓝色通道的具体过程为：a.将输入的所述第一红色通道、所述第一绿色通道、所述第一蓝色通道通道分成多个n*n的区域块，并以所述区域块为下一步的单位；b.计算所述第一红色通道的像素均值r_mean；c.计算所述第一蓝色通道、所述第一绿色通道的直方图；d.根据对比度限制参数cliplimit＝0.01*r_mean对直方图裁剪并均衡化；e.遍历所述多个n*n的区域块，进行区域块间双线性插值，得到所述第二绿色通道、所述第二蓝色通道。5.根据权利要求1所述的一种基于改进的msr和clahe的图像增强方法，其特征在于，对所述第一图像进行导向滤波得到第二图像具体包括：对所述第一图像进行导向滤波，假设所述第一图像中任意一个位置k的滤波窗口为ω
k
，
则表达式如下所示：o
i
＝a
k
·
g
i
+b
k
，i∈ω
k
其中o
i
是输出图像，g
i
是引导图像，a
k
和b
k
的求解公式如下：的求解公式如下：其中cov(
·
)表示求协方差，var(
·
)表示求方差，ε是控制因数，mean(
·
)表示求均值。6.根据权利要求1所述的一种基于改进的msr和clahe的图像增强方法，其特征在于，利用多尺度方法提取所述第一图像的细节信息并放大得到第三图像，具体包括：使用三个不同尺度的高斯滤波器对输入所述第二蓝色通道、所述第二绿色通道通道进行滤波，得到所述第二图像；对所述第二蓝色通道、所述第二绿色通道对应做差，得到不同尺度的细节信息，并进行加权融合，将所述第二蓝色通道、所述第二绿色通道的细节图像放大2倍，得到所述第三图像。7.根据权利要求1所述的一种基于改进的msr和clahe的图像增强方法，其特征在于，将所述第二图像和所述第三图像融合为第四图像，具体包括：将所述第二图像和所述第三图像进行加权融合，对所述第二图像的细节进行填补：将所述第二图像和所述第三图像进行加权融合，对所述第二图像的细节进行填补：b5＝αb3+(1-α)(2
·
b4)g5＝αg3+(1-α)(2
·
g4)i
img5
＝merge(b5,g5,r3)其中b
i
，g
i
，r
i
分别表示img
i
对应的颜色通道，gu
k
表示高斯核，ω
k
是不同尺度细节信息融合时的权重系数，k表示不同尺度，α表示权重系数，i
img5
表示滤波和细节融合后的图像，merge(
·
)表示合并通道。8.根据权利要求1所述的一种基于改进的msr和clahe的图像增强方法，其特征在于，对v通道的自适应伽马校正过程具体包括：构造自适应伽马参数，并对所述第四图像的v通道进行自适应伽马校正，公式如下：x
γ
＝θ；γ＝log
x
θ；其中，x是图像中所有像素归一化后的均值，θ是合理的设定值，这里设定为0.5，γ是伽马参数，由x和θ共同决定。9.一种基于改进的msr和clahe的图像增强系统，其特征在于，用于实现如权利要求1-8所述的任意一项基于改进的msr和clahe的图像增强方法，所述系统包括：通道分离模块，用于将输入的待增强图像分离到红色通道、绿色通道、蓝色通道；图像细节增强模块，用于基于改进的msr算法分通道提取所述红色通道、所述绿色通道、所述蓝色通道的反射分量并量化回rgb图像得到第一红色通道、第一绿色通道、第一蓝
色通道；颜色调整模块，用于对所述第一绿色通道和所述第一蓝色通道进行clahe得到第二绿色通道、第二蓝色通道；第一通道合并模块，用于将所述第一红色通道、所述第二绿色通道、所述第二蓝色通道合并为第一图像；图像融合模块，用于对所述第一图像进行导向滤波得到所述第二图像，并利用多尺度方法对所述第一图像的细节进行放大，得到第三图像；将所述第二图像和所述第三图像融合为第四图像；颜色模型转换模块，用于将所述第四图像转换到hsv颜色空间，并对v通道进行自适应伽马校正；图像输出模块，合并所述hsv颜色空间下h通道、s通道以及自适应伽马校正后的v通道，得到增强后的图像并输出。

技术总结
本发明公开了一种基于改进的MSR和CLAHE的图像增强方法及系统，属于图像增强技术领域，根据改进的MSR算法分通道提取反射分量后量化回0～255得到R1、G1、B1，并对绿色通道G1和蓝色通道B1进行CLAHE得到G2、B2，得到彩色图像img2，并对img2进行导向滤波以及利用多尺度方法提取img2的细节信息并放大，实现细节保留的作用，最后将图像转换到HSV颜色空间并对V通道进行自适应伽马校正，改善图像亮度。本发明提供的图像增强方法解决了已有的医学图像增强方法在宫颈癌变图像上处理存在的细节突出不明显、对比度较低、亮度不均衡、颜色失真等问题。题。题。


技术研发人员：李正平 任媛 徐超
受保护的技术使用者：安徽大学
技术研发日：2023.04.17
技术公布日：2023/7/12