40、低对比度医学图像增强与24倍频RoF系统性能分析

低对比度医学图像增强与24倍频RoF系统性能分析

1. 低对比度医学图像增强技术

在医学图像领域，低对比度图像的增强一直是重要的研究方向。有一种算法在这方面表现出色，它主要包含像素分类和像素值拉伸两个阶段。

1.1 算法原理

该算法针对不同类别的像素使用了两个不同的函数。像素分类借助模糊技术来完成，这种技术能够通过两个参数分别对医学图像的亮度和全局对比度进行增强。它可以有效控制像直方图均衡化（HE）、基于模糊的动态直方图均衡化（BPFDHE）等其他技术中出现的过度增强问题，并且不会产生边缘伪影。

1.2 性能分析

为了评估该算法（PA）的性能，将其与标准技术HE以及其他技术如BPFDHE和局部统计拉伸（LSS）进行了定性和定量分析比较。评估是在各种不同的标准样本医学图像上进行的。
- 定性分析 ：通过比较PA和其他技术的输出结果进行定性分析。从视觉结果来看，HE在某些图像（如图像a、c、f、h、j）中会导致过度对比度增强，从而使背景噪声增强；BPFDHE在图像i中也有类似问题，并且还会产生低对比度图像。而LSS和PA能够克服这些缺点，PA通过控制背景噪声的过度增强，相比其他三种技术能给出更好的结果。此外，通过放大图像的一部分观察边缘伪影效果，发现PA可以控制其他技术中出现的边缘伪影。但仅靠定性测量不能完全判断增强技术的结果图像质量，因此还需要进行定量测量。
- 定量分析 ：通过EME（边缘调制评价）、RMSC（均方根对比度）和CEF（对比度增强因子）三个指标对结果图像进行定量分析。从相关表格数据可以看出，除了图像b和j外，PA在所有图像上