一种改进CLAHE算法在医学试纸条图像增强中的应用

孙冬梅 陆剑锋 张善卿

(杭州电子科技大学图形图像研究所，杭州 310018)

一种改进CLAHE算法在医学试纸条图像增强中的应用

孙冬梅 陆剑锋 张善卿*

(杭州电子科技大学图形图像研究所，杭州 310018)

在图像对比度增强算法中，结合自适应直方图均衡化和对比度受限两项技术的对比度受限自适应直方图均衡化算法(CLAHE)是一种常用的低对比度图像增强算法。为了解决快速诊断试剂中的过敏原检测试纸条图像对比度低的问题，尝试给出一种改进的CLAHE图像增强新算法。新算法在传统的CLAHE算法的基础上，通过引入一个自适应参数T来自动调整图像每个子块的像素点重新分配的范围，从而达到增强图像细节的目的。通过对过敏原检测试纸条图像增强的实验对比分析，表明改进后的CLAHE算法可有效地改善该类医学试纸条图像的增强视觉效果，为后续医学试纸条的分割和识别奠定基础。与此同时，以图像均方根对比度为定量统计依据，与传统CLAHE算法的结果比较得出：改进的CLAHE算法明显提高图像均方根对比度，传统的CLAHE算法平均提高原图像均方根对比度1～2倍，而改进的CLAHE算法平均提高3～4倍，进一步验证新算法是一种对过敏原检测试纸条图像增强更为有效的方法。

图像增强；对比度受限自适应直方图均衡(CLAHE)；医学试纸条图像

引言

目前，医学试纸条检测结果主要依靠肉眼来判定，如快速诊断试剂中的过敏原检测试纸条，其检测原理是通过电泳分离的方法检测过敏原成分，然后使用免疫印迹的方法检测其过敏原反应性，最后在试纸条上完成功能测试。但是，该类试纸条检测结果一般只能用于定性判定，当遇到被测对象含量很低、颜色很浅时，肉眼判定很容易造成误判，而且效率极低。要想准确地判定试纸条，首先要对试纸条进行增强。图像增强[1]是医学试纸条检测过程中的关键技术之一。

直方图均衡化是最常用的图像增强方法。直方图均衡化主要分为全局方法和局部方法两类。全局方法对整幅图像的直方图进行均衡处理，实现简单，但对低对比度图像处理效果不佳。一般的全局直方图均衡化算法存在直方图均衡化结果不是很“均衡”的问题，因此增强的效果并不是很理想。局部方法综合考虑像素点的位置和灰度信息，处理效果往往优于全局方法。经典的局部直方图均衡技术包括对比度受限自适应直方图均衡化(contrast limited adaptive histogram equalization，CLAHE)[2]、子块重叠直方图均衡化、子块部分重叠直方图均衡化[3]。其中，CLAHE方法结合了自适应直方图均衡化和对比度受限两项技术的优点，特别适用于低对比度图像，而且实现过程不复杂。

本研究采用的试纸条图像是将原始彩色试纸条进行浓度转换后得到的灰度图像，然后在CLAHE算法的基础上，通过引入一个自适应参数T来自动调整图像每个子块的像素点重新分配的范围，从而提出一种改进的CLAHE算法，并将改进后的算法应用到该类医学试纸条的增强中。通过实验对比分析，改进后的算法可有效地提高医学试纸条图像的视觉效果，为后续试纸条的识别和分类奠定基础。

1 对比度受限自适应均衡化

CLAHE通过限制局部直方图的高度来限制局部对比度的增强幅度，从而限制噪声的放大及局部对比度的过度增强。首先将图像分为若干子块，然后对每个子块进行直方图“剪切”(见图1(a))，再对每个子块进行直方图均衡(见图1(b))，最后对每个像素通过插值运算得到变换后的灰度值，从而实现对比度受限自适应图像增强[4]。

图1 CLAHE算法。(a)直方图剪切；(b)CLAHE重分配后的直方图Fig.1 The procedure of CLAHE algorithm. (a) The clip of histogram; (b)The histogram of CLAHE algorithm after reallocation

CLAHE具体实现主要包括6个步骤。

步骤1：分块。将输入图像划分为大小相等的不重叠子块，每个子块含有的像素数为M。子块越大，增强效果越明显，但图像细节丢失越多。

步骤2：计算直方图。用h(x)表示子块的直方图，x代表灰度级，它的取值范围是[0，L-1]，L为可能出现的灰度级数。

步骤3：计算剪切阈值clipLimit[5]，有

(1)

式中，normClipLimit是对比度增强值，它决定了对比度增强的幅度。

步骤4：像素点重分配。对每个子块，使用对应的clipLimit值对h(x)进行剪切，将剪切下来的像素数目均匀地重新分配到直方图的各灰度级中，有

(2)

avgBIncr=totalE/L

(3)

式中，totalE是指超过clipLimit的像素值总数。avgBIncr是指直方图中平均每个灰度级增加的像素数。

重复上述分配过程，直至将所有被剪切的像素点分配完毕，如图1(b)所示。若用h′(x)表示h(x)经重分配处理后的直方图，则有

(4)

式中，upperLimit=clipLimit-avgBIncr。

步骤5：直方图均衡。对h′(x)进行直方图均衡化处理，均衡结果用f(x)表示。

步骤6：像素点灰度值重构。根据f(x)，得到各子块中心像素点的灰度值，将它们作为参考点，采用双线性插值技术[6]，计算输出图像中各点的灰度值。

2 改进的对比受限自适应均衡化算法

相对于传统的CLAHE，本研究提出改进的对比受限自适应均衡化算法(CLAHE)，对每个子块的像素点重分配范围做出了调整。传统的CLAHE在每个子块的像素点重分配时，是将剪切下来的像素数均匀地分配到直方图的各个灰度级。笔者提出的方法是将剪切下来的像素数分配到直方图中间色调的灰度级[7]。具体来讲, 最终的分配动态范围由概率密度函数P(x)决定。

对于概率密度函数P(x)，有

(5)

式中，nx为第x级灰度的像素数，N为数字图像中的总像素数。

可定义以下函数，有

(6)

(7)

dr=dmax-dmin

(8)

(9)

式中：为了保证dmax>dmin；T在[0,0.5]之间取值;dr就是需要分配的中间色调区域的动态范围，dmin是此动态范围的最小值，dmax是此动态范围的最大值(见图2(a))；avgBIncr′是指在需要分配的动态范围内平均每个灰度级需要增加的像素数。

图2 改进的CLAHE算法。(a)重分配范围设定；(b)直方图重分配后再剪切Fig.2 The procedure of improved CLAHE algorithm. (a) Setting the range of reallocation;(b) Histogram reallocation after clip

分配后的直方图函数为h″(x)，有

(10)

由于在h″(x)函数中可能仍然存在超过clipLimit的值(见图2(b))，所以直方图重分配后的函数h′(x)为

(11)

式中，upLimit′=clipLimit-avgBIncr′。

重分配后的直方图如图3所示。

图3 改进的CLAHE重分配后的直方图Fig.3 The histogram of improves CLAHE algorithm after reallocation

上述改进的CLAHE算法通过引入一个新的参数T，从而确定直方图重分配的动态范围。T的取值不同，得到的重分配的动态范围也将不同，这就意味着图像增强效果将有所差异。为了进一步克服这种不足，笔者给出一种自动确定参数T的方法。

设概率密度函数P(x)的灰度级x数学期望和方差分别为

(12)

D(x)=E(x2)-[E(x)]2

(13)

用μ和σ分别表示概率函数P(x)的期望和标准差，即

(14)

根据3σ准则[8]，可定义T如下：

(15)

为了衡量改进后的CLAHE算法图像对比度增强的效果，可采用E. Peli于1990年提出的均方根对比度[9]，有

(16)

3 实验结果

选取的图像是医学上用于过敏原检测的试纸条图像，采用固定T=0.1的实验结果，如图4所示。

图4 CLAHE和改进的CLAHE增强效果。(a)实验原图；(b)CLAHE的结果；(c)改进算法(T=0.1)Figure.4 The image enhancement of CLAHE and improved CLAHE. (a)Original image; (b)CLAHE; (c)Modified algorithm(T=0.1)

从图4中可以看出，改进的CLAHE算法对医学试纸条的图像增强效果更好。

为了进一步定量说明，取10组试纸条的灰度图像，分别采用传统的CLAHE和改进的CLAHE处理，得到的均方根对比度统计结果，见表1。可以看出，改进后的CLAHE相比传统的CLAHE算法明显提高了图像的对比度[10]。通过计算，传统的CLAHE算法平均提高原图像均方根对比度1～2倍，而改进的CLAHE算法平均提高3～4倍。

表1 均方根对比度Tab.1 RMS contrast

不同T的设置将影响增强效果，如图5所示。其中，当T=0时，得到的图像增强效果与CLAHE的效果一致，验证了前面的理论推导(见图5(a))。而(b)和(c)分别为T=0.2和T=0.4的结果。

图5 不同T的增强效果。(a)T=0；(b)T=0.2；(c)T=0.4Fig.5 The image enhancement of different T.(a)T=0; (b)T=0.2; (c)T=0.4

采用自适应T的设置方案，其实验结果如图6所示。可以看出，自适应T得到的增强效果和T=0.1的增强效果差不多，在某些局部图像中，反而自适应T取得的增强效果更好。

图6 T和自适应T的增强效果。(a)T=0.1；(b)自适应TFig.6 The image enhancement of T and adaptive T. (a)T=0.1; (b) Adaptive T

4 结论

本研究首先对快速诊断试剂中的过敏原检测试纸条进行浓度转换,得到试纸条的灰度图像；然后，在CLAHE算法的基础上，提出了一种改进的CLAHE算法，并成功应用于该类医学试纸条图像的增强。与传统的CLAHE方法比较,主要体现在如下两个方面：一是动态范围的决策参数T的引入；二是参数T的一种自适应设置方案。从实验结果来看，改进的CLAHE方法不仅有效改善医学试纸条的视觉效果，而且提高了试纸条图像的均方根对比度。

[1] Zhang Yongxia, Guo Fenghua, Zhao Guoling, et al. Comprehensive review of medical image enhancement technologies [J]. Computer Aided Drafting, Design and Manufacturing, 2012, 22(3): 1-11.

[2] Karel Z. Contrast limited adaptive histogram equalization [C]//Graphics Gems IV. San Diego: Academic Press Professional, 1994: 474-485.

[3] Okado W, Goto T, Hirano S, et al. Fast and high-quality regional histogram equalization [C]//2013 IEEE 2nd Global Conference on Consumer Electronics. Tokyo:IEEE, 2013: 445-446.

[4] 王建，庞彦伟. 基于CLAHE的X射线行李图像增强 [J]. 天津大学学报, 2010, 43(3): 194-198.

[5] 刘轩，刘佳宾. 基于对比度受限自适应直方图均衡的乳腺图像增强 [J]. 计算机工程与应用, 2008, 44(10): 173-175.

[6] Pizer SM, Amburn EP, Austin JD, et al. Adaptive histogram equalization and its variations [J]. Computer Vision, Graphics, and Image Processing, 1987, 39(3): 355-368.

[7] Li Yuecheng, Zhang Hong. Modified clipped histogram equalization for contrast enhancement [C]//2012 13th International Conference on Parallel and Distributed Computing, Applications and Technologies. Beijing: IEEE, 2012: 653-658.

[8] 贾俊平，何晓群，金勇进. 统计学 [M]. 北京: 中国人民大学出版社, 2000: 275-277.

[9] Peli E. Contrast in complex images [J]. JOSA A, 1990, 7(10): 2032-2040.

[10] Moniruzzaman M, Shafuzzaman M, Hossain MF. Detailed regions based medical image contrast enhancement [C]/2013 International Conference on Advances in Electrical Engineering. Dhaka: IEEE, 2013: 252-256.

The Application of an Improved CLAHE Algorithm in Image Enhancement of Medical Test Strip

Sun Dongmei Lu Jianfeng Zhang Shanqing*

(InstituteofGraphicsandImage,HangzhouDianziUniversity,Hangzhou310018,China)

image enhancement; contrast limited adaptive histogram equalization (CLAHE); medical test strip

10.3969/j.issn.0258-8021. 2016. 04.017

2015-07-15， 录用日期:2015-07-24

浙江省自然科学基金资助项目(LY14F020043); 国家自然科学基金(61370218)

R318

D

0258-8021(2016) 04-0502-05

*通信作者(Corresponding author)， E-mail: zhangsq71@126.com