余成波，孔庆达，田桐

　　（重庆理工大学 远程测试与控制研究所，重庆 400054）

       摘要：针对角膜内皮细胞图像由于非均匀光照造成的明暗不均问题，提出一种基于限制对比度自适应直方图均衡化(Contrast Limited Adaptive Histogram Equalization,CLAHE)与同态滤波进行组合的角膜内皮细胞图像增强新方法。CLAHE方法提高了图像的局部对比度，不损伤图像细节，同时避免图像噪声随图像对比度增大而放大。同态滤波方法增强图像暗部细节，提升图像的分辨率。实验结果表明本文方法对角膜内皮细胞图像的分辨率和对比度增强有显著的效果。

　　关键词：图像增强；自适应直方图均衡化；同态滤波

　　中图分类号：TP391.4文献标识码：ADOI： 10.19358/j.issn.1674-7720.2017.04.015

　　引用格式：余成波，孔庆达，田桐.基于CLAHE与同态滤波的细胞图像增强新方法［J］.微型机与应用，2017,36（4）：51-52,62.

0引言

　　重庆市高校优秀成果转化资助项目（KJZH14213）在对角膜内皮细胞图像病变的分析中，使角膜内皮细胞图像能够清晰地展现出细胞的形态特点是角膜内皮细胞图像处理算法的关键。在实际的采集过程中由于曝光不均匀、噪声等难以避免的因素影响，常常使采集到的图像明暗不均、噪点过多、细胞轮廓模糊不清，为了使采集得到的图像清晰可辨，应该对图像进行前期的预处理。目前一般的细胞图像增强方法包括直方图均衡化、单尺度Retinex图像增强算法［1］等。直方图均衡化［2］(Histogram Equalization,HE)是图像增强领域中常用的一种方法，通过观察图像的直方图能够看到图像灰度范围、对比度的变化等，从而利用直方图来调整图像的对比度。它的主要思想是把原图中灰度比较密集的区域转化成在全部灰度范围内的均匀分布［3］。算法的核心用到了累积分布函数变换的数学理论［4］。直方图均衡化虽然改善了图像的对比度，但是直方图均衡化的方法也有缺点，该方法属于图像全局处理方法，对光照不均匀的图像进行处理时会使暗部更暗，亮部更亮，图像细节损失严重，因此对角膜内皮细胞图像的处理是有缺陷的。文献［1］中提出采用单尺度Retinex图像增强算法对于彩色细胞图像的去雾、增强和色彩校正效果比较好，但是算法较复杂，且在处理灰度图像时使图像的边缘部分细节有缺失，无法满足要求。

　　上述方法对角膜内皮细胞图像的增强效果并不理想，本文提出了采用CLAHE方法结合同态滤波来进行图像增强的方法，在抑制图像噪声放大的同时，图像光线较暗区域的细节不会损失，使细胞的轮廓清晰可见［5］。

1角膜内皮细胞图像增强流程

　　图1本文图像增强的过程图像采集过程中的非均匀照射以及噪声影响，使采集到的图片会出现明暗不均问题，为了使图像边缘细节能够清晰显示，对原细胞灰度图像进行图像增强，本文提出如图1所示的方法。

　　本文的图像增强流程概述：

　　（1）采用CLAHE方法，局部动态地增强图像对比度，保留图像细节和形态特征，并抑制噪声的放大。

　　（2）对上述处理后的图像采用同态滤波方法，增强图像细节，平滑图像，降低图像噪声，提升图像的分辨力，得到增强后的图像。

2限制对比度自适应直方图均衡化方法

　　自适应直方图均衡化方法(Adaptive Histogram Equalization, AHE)不同于普通的直方图均衡算法,该方法通过计算图像局部直方图来分配亮度，最后达到改善图像对比度的目的［6］。自适应直方图均衡化使图像的局部对比度增强，获得更多的图像细节，但是该方法也有缺点，在图像处理的过程中无法抑制图像噪声的增强。

　　限制对比度自适应直方图均衡化方法［7］（Contrast Limited Adaptive Histogram Equalization, CLAHE)是对自适应直方图均衡化方法的改进。该算法先通过如图2所示的方式截取直方图，然后再求解转化函数达到抑制图像中噪声放大的目的，同时继承了对比度自适应直方图均衡化算法的优点，使图像的细节和轮廓更加清晰。因此本文采用了该算法来对细胞图像进行增强，CLAHE方法的具体实现步骤如下［8］：

　　（1）将图像分为M×N个不叠加子区域。

　　（2）计算每块区域的灰度直方图，并使每个区域上的灰度级得到相同的像素数，即平均像素数：

　　式(1)中，Ngray是子区域中灰度级的数量；Nx是子区域x轴方向的像素数；Ny是子区域y轴方向的像素数。

　　（3）将直方图中大于K的像素数截取掉（K为截取系数），并求出截取部分的像素总数∑Nv，截取过程如图2所示，再运用∑NvNgray求出截取到的像素总数分配到每个灰度级的像素数。

　　（4）分别对每块区域得到的裁剪后的新直方图进行直方图均衡化，并使用变换函数得到新的灰度值。

　　3CLAHE处理后的结果分析

　　光学显微镜获得角膜内皮细胞图像后，运用本文CLAHE方法进行图像处理，与文献［4］中的普通的直方图均衡化方法和文献［1］中单尺度Retinex图像增强算法的结果进行了对比分析，实验结果如图3所示，以上方法均基于MATLAB R2008a实现。

　　对图3(b)和(d)进行比较可以发现：直方图均衡化后的图像对比度增强，但是图3(b)右侧部分出现明显的暗影，细节几乎全部缺失，而限制对比度自适应直方图均衡化［9］后的图像细节和轮廓比普通的直方图均衡化后的图像效果更佳。图3(c)虽然也能够突出细胞的边缘纹路，但是对于消除光照影响明显不如本文方法。

4同态滤波方法

　　同态滤波［10］方法是一种图像频域处理方法，该方法的原理是对图像的灰度范围进行调整，消除图像上照明不均的问题，在不损失亮区的图像细节的情况下，增强暗区的图像细节，对于明暗不均的图像来说非常适用。

　　照明函数fi(x,y)和反射函数fr(x,y)的乘积就构成了图像函数f(x,y)，可以用下式表示：

　　f(x,y)=fi(x,y)fr(x,y)(2)

　　0<fi(x,y)<∞，0<fr(x,y)<1

　　式中，fi(x,y)表示了景物的照明，与景物无关；fr(x,y)表示了景物的细节，与照明无关。

　　同态滤波方法就是基于式(2)对两个相乘的分量分别进行滤波，该方法的过程步骤如下。

　　（1）对数变换

　　lnf(x,y)=lnfi(x,y)+lnfr(x,y)（3）

　　（2）傅里叶变换

　　F(u,v)=FI(u,v)+FR(u,v)（4）

　　（3）将F(u,v)乘上同态滤波函数H(u,v)得

　　GIn(u,v)=H(u,v)F(u,v)=H(u,v)FI(u,v)+H(u,v)FR(u,v)（5）

　　（4）对傅里叶求反变换得

　　gln(x,y)=giln(x,y)+grln(x,y)（6）

　　（5）求指数变换得到同态滤波后的图像

　　g(x,y)=exp(gi(x,y)gr(x,y))（7）

　　通过上述同态滤波过程可以压缩照明函数的灰度范围，同时增强反射函数的频谱成分，实验结果如图4所示。

　　从图4可以看出，通过本文CLAHE方法处理过的图像经过同态滤波后明显变得更平滑，细节更清楚，图像的整体亮度变高，细胞的形态特征的分辨率更高。

5结论

　　本文在对角膜内皮细胞进行增强处理的过程中，针对非均匀光照情况下采集到的角膜内皮细胞图像依次采用如下方法:(1)限制对比度自适应直方图均衡化算法，局部动态地提升了图像的对比度，突出了图像的细节显示；(2)同态滤波算法，提高图像暗部的亮度，同时不损伤图像的细节并使图像更平滑，提高了图像的分辨率。实验结果表明本文的方法能够对角膜内皮细胞进行增强，在突出了细胞边缘细节的同时也消除了图像的噪点，能为病变观察、后期图像分割及形态判别提供有效的支持，对于医学细胞图像的增强也具有可行性借鉴。

参考文献

　　［1］ 嵇晓强，程掲章，李琦，等. 细胞工厂光学显微成像与图像处理［J］. 光学学报，2015,44(7)：150157.

　　［2］ GONZALEZ R C, WOODS R E, EDDINS S L. Digital image processing using MATLAB［M］. 北京：电子工业出版社，2005.

　　［3］ 沈晶, 刘海波, 周长健. 数字图像处理典型案例详解［M］.北京: 机械工业出版社, 2012.

　　［4］ 畅博. 红外图像增强和目标检测跟踪技术研究［D］. 成都：电子科技大学, 2014.

　　［5］ 胡窦明，赵海生，李云川，等. 一种基于同态滤波的红外图像增强新方法［J］. 红外技术，2012,34(4):225228.

　　［6］ 杨骥，杨亚东，梅雪，等. 基于改进的限制对比度自适应直方图的视频快速去雾算法［J］. 计算机工程与设计， 2015,36(1): 221226.

　　［7］ BENGIO S, WESTON J, GRANGIER D,Label embedding trees for large muliticlass tasks［C］. Neural Information Processing System, 2010: 163171.

　　［8］ 许志远，王庸凯，孙康等. 基于CLAHE的DSP实时去雾系统［J］. 沈阳大学学报(自然科学版)， 2014,26(4): 296299.

　　［9］ ZUIDERVELD K. Contrast limited adaptive histogram equalization［M］. Pittsburgh: Academic Press Professional, Inc., 1994.

　　［10］ 刘刚，王立香，董延. MATLAB数字图像处理［M］. 北京: 机械工业出版社，2010.