基于Retinex理論的眼底彩色圖像增強(qiáng)算法

劉玉紅 顏紅梅

1(電子科技大學(xué)生命科學(xué)與技術(shù)學(xué)院，成都 610054)2(成都醫(yī)學(xué)院物理教研室，成都 610500)

引言

高質(zhì)量的眼底圖像對(duì)于病變的檢測(cè)以及獲得可靠的診斷結(jié)果具有至關(guān)重要的作用[1-3]。由于眼底圖像可能會(huì)受到成像環(huán)境以及成像設(shè)備等條件的制約，所獲得的圖像效果較差，圖像的亮度和對(duì)比度較低，這些因素會(huì)導(dǎo)致對(duì)直接拍攝所獲得的眼底圖像進(jìn)行病理分析有一定的困難，甚至?xí)乖\斷結(jié)果出現(xiàn)偏差，因此需要提高此類(lèi)眼底圖像的亮度和對(duì)比度，增強(qiáng)細(xì)節(jié)部分，以便于分析。因此，在臨床上，眼底圖像的增強(qiáng)對(duì)于心血管疾病的診斷和治療具有重要的作用。

目前主要的眼底圖像增強(qiáng)方法有：直方圖均衡化(histogram equalization，HE)[4-5]、對(duì)比度受限自適應(yīng)直方圖均衡化(contrast limited adaptive histogram equalization，CLAHE)[6-7]、數(shù)學(xué)形態(tài)學(xué)方法[8]以及Hessian矩陣增強(qiáng)等方法[9-11]。直方圖均衡化是應(yīng)用得比較多的方法，但利用此方法增強(qiáng)處理后會(huì)使圖像的灰度級(jí)減少，造成圖像細(xì)節(jié)丟失的情況。為彌補(bǔ)此類(lèi)的不足，人們提出了CLAHE算法。這種方法雖然很大程度上提高了對(duì)比度，但是會(huì)放大背景噪聲，并且將病灶部分視為背景區(qū)域等，對(duì)于灰度級(jí)比較集中的圖像增強(qiáng)效果不明顯。數(shù)學(xué)形態(tài)學(xué)濾波可以很好地提取圖像亮暗區(qū)域以及細(xì)節(jié)部分，但主要針對(duì)灰度圖像來(lái)進(jìn)行提取。基于Hessian矩陣的濾波方法，對(duì)實(shí)現(xiàn)視網(wǎng)膜圖像的全局增強(qiáng)是不合適的。一方面，已有的眼底圖像增強(qiáng)方法主要增強(qiáng)血管的信息，以便進(jìn)一步提取血管進(jìn)行分析，但較少能夠?qū)ρ鄣讏D像中的視神經(jīng)盤(pán)、眼底血管以及病灶等有用信息進(jìn)行整體的增強(qiáng)；另一方面，已有眼底圖像增強(qiáng)方法大部分是將彩色圖像轉(zhuǎn)化為對(duì)灰度圖形進(jìn)行增強(qiáng)的，因此很難實(shí)現(xiàn)圖像視覺(jué)效果保真。在具體的增強(qiáng)方法中需要多方面考慮，不僅要突出圖像的某些細(xì)節(jié)部分，還要對(duì)圖像的動(dòng)態(tài)范圍和色彩信息等有所考慮。

基于人類(lèi)視覺(jué)感知的Retinex圖像增強(qiáng)算法有傳統(tǒng)圖像增強(qiáng)算法所不能比擬的顏色恒常效果[12]，增強(qiáng)后的圖像局部對(duì)比度顯著提高，能夠有效地提高圖像暗區(qū)域內(nèi)的細(xì)節(jié)部分，且色彩信息可得到很好的恢復(fù)，對(duì)提高醫(yī)生的臨床準(zhǔn)確性有很大幫助。最早的單尺度Retinex (single scale retinex, SSR)算法可以提高圖像的對(duì)比度，但不能兼顧動(dòng)態(tài)范圍壓縮及色調(diào)恢復(fù)，并有光暈現(xiàn)象的產(chǎn)生。為了改善SSR算法的缺點(diǎn)，Rahman等提出多尺度Retinex (multi-scale retinex, MSR)算法[13]，但該算法顏色失真較大，隨后又提出了帶色彩恢復(fù)的多尺度Retinex (multi-scale retinex with color restoration, MSRCR)算法[14]。由于MSRCR在計(jì)算過(guò)程中需要進(jìn)行大量的卷積運(yùn)算，導(dǎo)致運(yùn)算的效率降低，并且經(jīng)對(duì)數(shù)處理后的圖像可能會(huì)超出顯示器的顯示范圍，容易引起圖像顏色的失真。因此，對(duì)處理眼底彩色圖像增強(qiáng)方法鮮見(jiàn)報(bào)道，主要原因是眼底圖像的結(jié)構(gòu)明暗對(duì)比度明顯，動(dòng)態(tài)范圍比較大，采用MSRCR方法處理后發(fā)現(xiàn)光暈現(xiàn)象明顯，無(wú)法觀察到視神經(jīng)盤(pán)，并且細(xì)節(jié)部分丟失嚴(yán)重，圖像顏色總體泛白化。因此，本研究在現(xiàn)有Retinex理論基礎(chǔ)上，提出一種改進(jìn)的眼底彩色圖像增強(qiáng)方法，稱(chēng)為CP-MSR(color preserve based on MSR)。該方法不是直接對(duì)圖像的R、G、B分量進(jìn)行處理，而是先把顏色信息轉(zhuǎn)換為亮度信息后提取亮度信息進(jìn)行MSR處理，接著再利用SCB(simplest possible color balance algorithm)方法[15]對(duì)結(jié)果進(jìn)行g(shù)ain/offset校正后做顏色恢復(fù)處理，最后對(duì)亮度信息進(jìn)行恢復(fù)。實(shí)驗(yàn)結(jié)果表明，經(jīng)過(guò)本算法處理的眼底圖像血管對(duì)比度提升，色彩保護(hù)較好，圖像細(xì)節(jié)清晰。

1 方法

1.1 Retinex理論基礎(chǔ)

Land 和McCann提出的Retinex理論十分適合于人類(lèi)視覺(jué)系統(tǒng)，他們認(rèn)為物體的顏色是由光的反射分量來(lái)確定的，與入射分量無(wú)關(guān)，而圖像主要是由入射光和物體的反射光相互作用形成的[16]。所以，Retinex圖像增強(qiáng)的原理主要通過(guò)估計(jì)并去除或降低原始圖像的入射分量，從而獲取反映圖像本質(zhì)信息的反射分量，求解出物體本身的特性，從而實(shí)現(xiàn)圖像增強(qiáng)。

假設(shè)一幅原始的圖像為I(x,y),那么可表示為

I(x,y)=L(x,y)·R(x,y)

(1)

式中：R(x,y)表示反射分量，代表的是圖像的本質(zhì)信息；L(x,y)表示入射分量。

由于人眼感知亮度的信息具有非線性特征，所以把式(1)轉(zhuǎn)換到對(duì)數(shù)域中進(jìn)行處理，從而該式中的乘法運(yùn)算被轉(zhuǎn)換為對(duì)數(shù)域中的加法運(yùn)算，有

lnI(x,y)=lnL(x,y)+lnR(x,y)

(2)

Retinex的核心思想是獲得代表本質(zhì)信息的反射分量，主要通過(guò)分離入射分量來(lái)減弱因光照因素產(chǎn)生的對(duì)圖像的影響，從而增強(qiáng)圖像的細(xì)節(jié)信息。將L(x,y)從I(x,y)中去除，得到反射分量R(x,y)。

1.2 Retinex算法

目前，基于Retinex理論的算法中具有代表性的有單尺度Retinex算法(SSR)、多尺度Retinex算法(MSR)和帶色彩恢復(fù)的多尺度Retinex算法(MSRCR)。

1.2.1SSR 算法

Ri(x,y)=lnIi(x,y)-ln[G(x,y)*Ii(x,y)]

(3)

式中：i=1,2,3代表彩色圖像的三原色；*表示卷積運(yùn)算;G(x,y)是高斯環(huán)繞函數(shù)，其形式為

(4)

式中：c表示高斯函數(shù)的尺度參數(shù)，其值越小動(dòng)態(tài)范圍壓縮越大，圖像的細(xì)節(jié)越突出，其值越大圖像的整體效果越好，圖像顏色越自然，但局部細(xì)節(jié)不清晰；K為歸一化因子，使高斯環(huán)繞函數(shù)滿足

?G(x,y,c)dxdy=1

(5)

SSR圖像增強(qiáng)中由于選擇c的局限性太大，往往不能使圖像的局部細(xì)節(jié)信息、色彩保真性能以及動(dòng)態(tài)壓縮范圍等特性達(dá)到一個(gè)比較好的綜合效果。為了彌補(bǔ)SSR算法的缺陷，將不同尺度大小的SSR處理所得到的結(jié)果進(jìn)行加權(quán)平均求和，即采用MSR算法，目的在于色彩和細(xì)節(jié)方面達(dá)到一個(gè)平衡。

1.2.2MSR算法

圖1 幾種Retinex算法處理結(jié)果。(a)原圖；(b)SSR；(c)MSR；(d)MSRCRFig.1 Different retinex enhancement methods for fundus images. (a)Original image;(b)SSR;(c)MSR;(d)MSRCR

MSR算法是多個(gè)SSR的加權(quán)求和，通過(guò)選取不同的尺度來(lái)對(duì)圖像細(xì)節(jié)信息突出，同時(shí)保證其色彩信息，其表達(dá)式如下：

(6)

式中，RMSRi(x,y)為MSR在第i個(gè)顏色通道的輸出，Wn為不同尺度的加權(quán)系數(shù),N為尺度個(gè)數(shù)。

實(shí)驗(yàn)發(fā)現(xiàn)，MSR算法擅長(zhǎng)處理灰度圖像，在處理彩色圖像的時(shí)候出現(xiàn)“泛白、顏色失真”等現(xiàn)象。所以，對(duì)MSR考慮顏色恢復(fù)因子改進(jìn)，得到帶顏色恢復(fù)的多尺度Retinex算法(MSRCR)。

1.2.3MSRCR算法

Jobson等給多尺度MSR的輸出乘以一個(gè)色彩恢復(fù)函數(shù)，提出了帶色彩恢復(fù)的多尺度算法，其表達(dá)式如下：

RMSRCRi(x,y)=Ci(x,y)RMSRi(x,y)

(7)

式中，Ci(x,y)稱(chēng)為彩色恢復(fù)函數(shù)，可以表示為

(8)

式中，β為增益常數(shù),α為非線性強(qiáng)度控制因子。

MSRCR算法利用彩色圖像的各個(gè)色彩通道間的比例關(guān)系，解決了處理彩色圖像時(shí)色彩失真嚴(yán)重的問(wèn)題。

1.3 經(jīng)典Retinex算法的缺陷

在日常光照環(huán)境下，大部分圖像基本上都能通過(guò)MSR或者M(jìn)SRCR增強(qiáng)算法來(lái)提高圖像質(zhì)量，但依然有很多地方需要改進(jìn)，MSRCR在明暗交替的地方容易出現(xiàn)光暈現(xiàn)象，并且可能會(huì)導(dǎo)致不可預(yù)知的顏色失真，甚至出現(xiàn)顏色反轉(zhuǎn)。通過(guò)分析，發(fā)現(xiàn)在彩色圖像中某些像素點(diǎn)比如R通道的值接近0，而G通道的值接近255。這些值經(jīng)過(guò)MSR算法后，得到的反射分量的像素值可能會(huì)變成負(fù)數(shù)；在MSRCR算法中，需要與比色變換因子相乘，如果比色變換因子也是負(fù)數(shù)，那最終得到的結(jié)果可能是一個(gè)正的像素，隨后經(jīng)過(guò)線性拉伸后就會(huì)導(dǎo)致色調(diào)的失真，甚至出現(xiàn)顏色反轉(zhuǎn)現(xiàn)象，因此需要對(duì)映射方法以及顏色恢復(fù)因子算法進(jìn)行改進(jìn)。圖1給出了經(jīng)典Retinex算法(SSR、MSR、MSRCR)處理后的結(jié)果。

由圖1可以看到，經(jīng)過(guò)Retinex算法處理后的眼底圖像在邊緣細(xì)節(jié)上有了提升，暗處的細(xì)節(jié)突顯出來(lái)。SSR使邊緣血管較明顯，增強(qiáng)了邊緣信息，但中央的視神經(jīng)盤(pán)信息幾乎完全丟失(見(jiàn)圖1(b))。MSR相對(duì)SSR來(lái)說(shuō)，眼底圖像信息基本上存在，并且中央的視神經(jīng)盤(pán)信息也突顯出來(lái)，但在增強(qiáng)過(guò)程中，每個(gè)像素和它相鄰的像素進(jìn)行比較，輸出此像素與相鄰像素均值的差，因此有些原本色彩很好的區(qū)域求均值差后卻變小了，導(dǎo)致輸出的色彩存在變淡的情況，出現(xiàn)圖像中的色彩失真，整體顏色呈現(xiàn)灰白色調(diào)(見(jiàn)圖1(c))。MSRCR方法對(duì)血管信息有很好的增強(qiáng)效果，但在明暗對(duì)比強(qiáng)烈的地方視神經(jīng)盤(pán)的位置出現(xiàn)光暈現(xiàn)象(見(jiàn)圖1(d))，而且總體的顏色比例失調(diào)，也出現(xiàn)偏白情況，視覺(jué)效果并不好。雖然這種“泛灰化”不會(huì)造成視覺(jué)誤差，但對(duì)圖像的后續(xù)處理可能會(huì)產(chǎn)生影響。因此，在醫(yī)學(xué)圖像處理中，Retinex方法大多用來(lái)處理灰度圖像，很少用來(lái)處理彩色的醫(yī)學(xué)圖像。另外，原始的Retinex算法是基于空域卷積處理，運(yùn)算量較大，加之MSRCR的顏色恢復(fù)算子是對(duì)每個(gè)像素來(lái)操作，因此導(dǎo)致運(yùn)算時(shí)間較長(zhǎng)。本研究主要針對(duì)MSRCR方法對(duì)眼底圖像處理后顏色失真的問(wèn)題，提出一種基于Retinex理論改進(jìn)的眼底彩色圖像增強(qiáng)方法(CP-MSR)。

1.4 算法流程

本研究提出了眼底圖像增強(qiáng)的算法，其框架如圖2所示，總體流程如下描述：首先，輸入彩色RGB圖像，并將RGB圖像轉(zhuǎn)為亮度圖像；其次，采用Ana Belén所提出的方法[17]，將多尺度的Retinex算法應(yīng)用到亮度圖像上，由于只需要計(jì)算單一的亮度通道，因此提高了算法的處理效率；然后，采用SCB方法對(duì)所獲得的亮度值進(jìn)行映射修正，并根據(jù)增益因子對(duì)各個(gè)通道進(jìn)行染色處理；最后，對(duì)亮度通道(R通道)進(jìn)行恢復(fù)。

圖2 CP-MSR算法框架Fig.2 The algorithm flow chart for CP-MSR

1.4.1亮度調(diào)整

由于HSI空間中的亮度信息與顏色信息無(wú)關(guān)，因此對(duì)亮度信息進(jìn)行處理并不會(huì)改變圖像原本的顏色。首先根據(jù)HSI色彩空間，獲得RGB彩色圖像的亮度信息I(x,y)，有

I(x,y)=(R(x,y)+G(x,y)+B(x,y))/3

(9)

式中，R(x,y)、G(x,y)、B(x,y)分別為(x,y)處像素的紅色、綠色、藍(lán)色分量。

根據(jù)MSR算法對(duì)此亮度通道進(jìn)行MSR處理，有

(10)

式中，RMSR(x,y)表示多尺度的輸出結(jié)果,G(x,y,δ)表示高斯核。

分別選擇小尺度、中尺度、大尺度的高斯核,這樣就可以兼顧圖像整體效果和局部突出，也同時(shí)保證動(dòng)態(tài)范圍壓縮和色彩的一致性。

1.4.2Gain/Offset 修正方法的改進(jìn)

傳統(tǒng)的MSRCR算法是對(duì)數(shù)域的輸出，可能會(huì)出現(xiàn)負(fù)值，也有可能會(huì)超出顯示器的顯示范圍，因此必須要對(duì)像素進(jìn)行適當(dāng)?shù)男拚?，使之壓縮到顯示器所能顯示的范圍[0,255]內(nèi)。這個(gè)映射的算法(增益補(bǔ)償算法)具有重要的意義，其好壞直接決定了最后輸出的圖像質(zhì)量。傳統(tǒng)的增益補(bǔ)償算法公式描述如下：

(11)

這種數(shù)據(jù)處理后具有高動(dòng)態(tài)的特性，數(shù)據(jù)分布也廣，但在光照分布不均勻情況下，會(huì)出現(xiàn)兩極化的現(xiàn)象，難以獲得好的增強(qiáng)結(jié)果。在對(duì)MSRCR算法的增強(qiáng)圖像進(jìn)行直方圖統(tǒng)計(jì)分析后，發(fā)現(xiàn)直方圖都類(lèi)似于正態(tài)分布，兩端存在很多小概率值，如果按照傳統(tǒng)的式(11)增益補(bǔ)償方法，兩端的小概率值會(huì)在同時(shí)被拉伸后擁有大量的灰度級(jí)，使原本表現(xiàn)圖像增強(qiáng)的主要細(xì)節(jié)信息灰度級(jí)偏少，導(dǎo)致圖像的效果不好。為了解決這個(gè)問(wèn)題，本研究利用基于直方圖的simplest color balance(SCB)方法對(duì)增益進(jìn)行補(bǔ)償，對(duì)直方圖的兩端數(shù)據(jù)按照一定的百分比進(jìn)行截取處理，然后把中間保留的部分線性映射到[0，255]之間，獲得相應(yīng)的值，有

(12)

式中，S1、S2分別為兩端的截取百分比，N為所輸入圖像像素?cái)?shù)。

在這里，把S1、S2都設(shè)置為1，使圖像中的R、G、B每個(gè)通道上的值通過(guò)式(12)變換映射到[0,255]之間，因此，剪切了增強(qiáng)圖像的直方圖中兩端的小概率值，使更大范圍的灰度級(jí)用于表示圖像的細(xì)節(jié)，從而提高了圖像對(duì)比度。

1.4.3顏色恢復(fù)因子的改進(jìn)

上面只是對(duì)圖像的亮度做了處理，以獲得增強(qiáng)后的亮度圖像，此外還需要對(duì)圖像進(jìn)行顏色恢復(fù)。但是，傳統(tǒng)方法的顏色恢復(fù)因子可能會(huì)產(chǎn)生顏色反轉(zhuǎn)的風(fēng)險(xiǎn)，因此引入一個(gè)新的顏色恢復(fù)因子，分別對(duì)R、G、B這3個(gè)色彩通道的各像素點(diǎn)做顏色恢復(fù)，以此來(lái)解決存在的顏色失真問(wèn)題，使圖像具有更好的視覺(jué)效果，顏色恢復(fù)表達(dá)式如下：

(13)

雖然經(jīng)過(guò)顏色恢復(fù)后的算法對(duì)圖像質(zhì)量有很大的提高，但從單一的R、G、B通道分析發(fā)現(xiàn)，G、B通道亮度信息基本保持不變，而R通道的亮度信息丟失較為嚴(yán)重?；谏鲜龅娜毕?，需要對(duì)紅色通道進(jìn)行恢復(fù)處理。

1.4.4紅色通道的恢復(fù)

眼底圖像是采用 RGB 模型來(lái)描述的彩色圖像。一幅圖像由 R(紅色通道)、G(綠色通道)、B(藍(lán)色通道)組成，而紅色通道的亮度信息最多。由于首先對(duì)亮度通道進(jìn)行處理，因此經(jīng)過(guò)調(diào)整后的亮度信息可能存在丟失情況，未經(jīng)過(guò)紅色通道恢復(fù)的圖像整體偏紅，因此需要對(duì)紅色通道進(jìn)行恢復(fù)處理。對(duì)紅色通道進(jìn)行的處理如下：

(14)

經(jīng)過(guò)處理后，得到紅色通道的多尺度變換，將結(jié)果采用本文第1.4.2節(jié)提出的方法進(jìn)行修正，并且與得出的結(jié)果進(jìn)行比較，取最大值，有

(15)

后續(xù)處理與本文第1.4.3節(jié)中的處理一致。

1.5 算法驗(yàn)證

為了對(duì)增強(qiáng)效果進(jìn)行客觀評(píng)價(jià)，本文采用3個(gè)基本的評(píng)價(jià)指標(biāo)：信息熵(IE)、均值(MAE)和峰值信噪比(PSNR)，對(duì)圖像結(jié)果進(jìn)行定量分析。

信息熵(IE)指的是圖像中的信息量大小，定義為

(16)

式中，pm表示灰度值為m的像素出現(xiàn)的概率。

平均絕對(duì)誤差(MAE)在圖像處理中主要反映亮度信息，定義為

(17)

峰值信噪比(PSNR)主要基于誤差敏感的圖像質(zhì)量評(píng)價(jià)，定義為

式中，MSE表示均方誤差(mean squared error, MSE)，f(i,j)表示原始圖像，y(i,j)表示增強(qiáng)后的圖像，m和n表示圖像的長(zhǎng)和寬，maxi表示圖像中取得的像素最大值。

IE值越大，表明圖像細(xì)節(jié)信息越豐富；MAE反映圖像的亮度，值越大表示圖像越亮，值越小表示圖像越暗。圖像太亮或者太暗，都會(huì)導(dǎo)致細(xì)節(jié)模糊不清；PSNR值越大，圖像質(zhì)量就越好。

2 結(jié)果

圖3為圖1(d)經(jīng)過(guò)本文第1.4.1～1.4.3節(jié)的步驟后得到的結(jié)果。從主觀對(duì)比來(lái)看，MSRCR方法(見(jiàn)圖1(d))雖然可以把圖像的黑暗區(qū)域恢復(fù)出來(lái)，但處理后的圖像在色彩上出現(xiàn)泛灰化，而經(jīng)過(guò)本研究顏色恢復(fù)處理后的眼底圖像顏色保持較好，亮度以及對(duì)比度都得到了較好的增強(qiáng)，如圖3所示。

圖3 顏色恢復(fù)后的眼底圖像Fig.3 Fundus images via color recovery

在眼底圖像中，由于R通道亮度信息最多，而本方法主要是針對(duì)亮度信息進(jìn)行處理，因此在對(duì)單一的R通道進(jìn)行處理后，發(fā)現(xiàn)視神經(jīng)盤(pán)、血管及背景信息丟失，如圖4所示。

因此，需要對(duì)R通道進(jìn)行恢復(fù)處理。圖5(b)、(c)兩幅圖像分別是未經(jīng)紅色通道恢復(fù)的圖像、經(jīng)過(guò)紅色通道恢復(fù)的圖像，從結(jié)果可以看出，經(jīng)過(guò)紅色通道恢復(fù)的圖像有較好的色彩保護(hù)性能，增強(qiáng)后的圖像依然保有紅色背景，圖像的細(xì)節(jié)信息比未經(jīng)過(guò)紅色通道恢復(fù)的圖像明顯要好，并且更能突出邊緣信息和視神經(jīng)盤(pán)等結(jié)構(gòu)的細(xì)節(jié)信息。

圖4 色彩恢復(fù)處理后單一的R通道圖像Fig.4 Single red channel information based color restoration

為了驗(yàn)證本算法對(duì)眼底圖像處理的有效性，從DIARETDB0數(shù)據(jù)庫(kù)[18]中隨機(jī)選擇正常和病理的眼底圖像來(lái)進(jìn)行對(duì)比，所選擇的3個(gè)尺度大小分別為15、80、250，實(shí)驗(yàn)結(jié)果如圖6所示?？梢钥闯?，無(wú)論正常還是病理圖像，本方法處理后的眼底圖像對(duì)比度增強(qiáng)，血管更加清晰，并且黃斑、視神經(jīng)盤(pán)以及病變區(qū)域都被保留，這有利于醫(yī)生的進(jìn)一步診斷。

為了證明本方法的有效性，將其和其他算法進(jìn)行比較。

2.1 本算法與其他算法的主觀比較結(jié)果

在實(shí)驗(yàn)中，將本算法與4種經(jīng)典算法作比較，對(duì)比的方法包括MSR算法、MSRCR算法、HE算法、CLAHE算法，圖7展示了本算法和這4種眼底圖像算法的增強(qiáng)效果。圖中第一行從左到右依次為原圖、MSR增強(qiáng)算法結(jié)果和MSRCR算法結(jié)果，第二行從左到右分別是HE算法、CLAHE算法和本算法對(duì)眼底彩色圖像的處理結(jié)果。

2.2 本算法與其他算法的客觀比較結(jié)果

圖6 不同眼底圖像的增強(qiáng)效果(每行從左至右分別為正常、出血、滲出物)。(a)原始圖像；(b)本方法Fig.6 CP-MRS for fundus images(Each row from left to right: normal one, the ones with bleeding and ooze). (a)Original image; (b)Proposed method

圖7 不同算法的增強(qiáng)效果。(a)原圖；(b)MSR算法；(c)MSRCR算法；(d)HE增強(qiáng)算法；(e)CLAHE增強(qiáng)算法；(f)本算法Fig.7 Results of different image enhancement methods. (a)Original image; (b) MSR;(c)MSRCR;(d) HE;(e)CLAHE;(f)Proposed method

為進(jìn)一步驗(yàn)證本方法的效果，在DIARETDB0數(shù)據(jù)庫(kù)上將本算法結(jié)果和MSR算法、MSRCR算法、HE增強(qiáng)算法、CLAHE增強(qiáng)算法進(jìn)行定量比較。DIARETDB0圖像數(shù)據(jù)庫(kù)包含有130幅彩色眼底圖像，其中20幅正常的眼底圖像、110幅病變的眼底圖像。該圖像與實(shí)際情況類(lèi)似，沒(méi)有經(jīng)過(guò)特殊的校準(zhǔn)處理，因此完全可以用來(lái)評(píng)估算法的性能。MSR、MSRCR和本算法均為多尺度的，為了保證公平對(duì)比，每種算法所選用的3個(gè)尺度(大、中、小)都是相同的：小尺度均為15，中尺度均為80，大尺度均為250。

采用圖像的信息熵、均值、峰值信噪比參數(shù)，衡量圖像增強(qiáng)的效果。圖像的均值反映的是圖像整體的明暗程度以及對(duì)比度，信息熵是衡量圖像所包含的信息量參數(shù)，峰值信噪比表示圖像的質(zhì)量。4種算法的圖像質(zhì)量客觀評(píng)價(jià)指標(biāo)如表1所示。為了評(píng)價(jià)的魯棒性，統(tǒng)計(jì)了130幅圖片，其中110幅病變的眼底圖像，20幅正常的眼底圖像(最優(yōu)的指標(biāo)以黑體在表1中標(biāo)出)。

表1 DIARETDB0數(shù)據(jù)庫(kù)本章算法和現(xiàn)有其他算法結(jié)果的客觀評(píng)價(jià)指標(biāo)比較Tab.1 Performance comparison of different image enhancement results on DIARETDB0 fundus image database

3 討論

3.1 各種算法結(jié)果的比較

從主觀和客觀兩個(gè)方面對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行討論。從圖7的實(shí)驗(yàn)結(jié)果可以得到，本算法顯著優(yōu)于其他4種增強(qiáng)算法，其他算法雖然對(duì)原圖都有增強(qiáng)的效果，但在一定程度上有顏色失真現(xiàn)象。利用文獻(xiàn)[12]的MSR算法得到的眼底圖像顏色灰白化，顏色出現(xiàn)失真；文獻(xiàn)[13]的MSRCR算法雖然將圖像的暗區(qū)域恢復(fù)出來(lái)，但是圖像在色彩上卻出現(xiàn)“泛白化”，圖像色彩較淡，并且有光暈現(xiàn)象的產(chǎn)生；文獻(xiàn)[5]的HE算法在一定程度上提高了圖像對(duì)比度，但依然存在圖像顏色失真；文獻(xiàn)[7]的CLAHE算法在細(xì)節(jié)上有一定增強(qiáng)，但是增強(qiáng)后整體的對(duì)比度不夠明顯，且圖片整體色調(diào)較暗；本算法不僅能夠提高圖像對(duì)比度，邊緣紋理細(xì)節(jié)相對(duì)清晰，而且可以完好地呈現(xiàn)出圖像原有的色彩，具有較強(qiáng)的原始色彩保護(hù)性能，并有效抑制了光暈現(xiàn)象的產(chǎn)生，圖像視覺(jué)效果更佳。

表1是上述5種算法處理結(jié)果的客觀評(píng)價(jià)參數(shù)。可以看出，亮度方面，本算法比MSR、MSRCR、HE結(jié)果要低，有效降低了亮度信息；而比CLAHE亮度高，更有力地突出細(xì)節(jié)部分信息；信息熵和PSNR比其他方法的值大，信息熵提高了5%～7%,峰值信噪比(PSNR)比其他方法提高了1～2倍，說(shuō)明本算法有效提高了圖像質(zhì)量，增強(qiáng)后的圖像細(xì)節(jié)更豐富，信息量更大。

在上述的實(shí)驗(yàn)中，綜合主觀和客觀評(píng)價(jià)結(jié)果可以看出，本算法優(yōu)于其他4種增強(qiáng)算法，能較好地保護(hù)原有的色彩，并克服了光暈現(xiàn)象的產(chǎn)生，取得比較好的增強(qiáng)效果。

3.2 所做的工作及其創(chuàng)新性

1)研究了Retinex的理論基礎(chǔ)及其算法，深入分析并實(shí)現(xiàn)了SSR、MSR、MSRCR算法對(duì)眼底彩色圖像的增強(qiáng)，指出此類(lèi)增強(qiáng)方法所存在的缺陷：SSR算法處理速度快，但是增強(qiáng)效果較差；MSR算法處理后的結(jié)果整體泛灰白化；MSRCR對(duì)MSR增強(qiáng)顏色不足進(jìn)行了改進(jìn)，但在明暗交替的部分容易發(fā)生光暈現(xiàn)象。

2)針對(duì)傳統(tǒng)Retinex算法缺陷，提出改進(jìn)的基于Retinex理論的眼底彩色圖像增強(qiáng)方法。將對(duì)R、G、B通道改為對(duì)圖像的亮度通道進(jìn)行處理，可以有效保留圖像的色彩信息。

3)算法中g(shù)ain/offset的設(shè)置在傳統(tǒng)的Retinex中很難找到一個(gè)通用的值，使得所有圖像都有好的處理效果。針對(duì)這個(gè)問(wèn)題，本研究采用文獻(xiàn)[15]中的SCB方法，對(duì)所獲得的亮度值進(jìn)行映射修正，從而得到更好的圖像增強(qiáng)效果。最后根據(jù)增益因子對(duì)各個(gè)通道進(jìn)行染色處理，更好地保護(hù)了圖像的原有色彩，并且解決了在明暗交替區(qū)域出現(xiàn)的光暈現(xiàn)象。實(shí)驗(yàn)證明，本研究所提出的算法解決了MSRCR方法顏色恒常性不足的問(wèn)題，增強(qiáng)了圖像的細(xì)節(jié)信息，保護(hù)了邊緣特性，能夠很好地改善圖像質(zhì)量。

4)目前的眼底圖像增強(qiáng)主要增強(qiáng)血管的信息，以便進(jìn)一步提取血管進(jìn)行分析，較少能夠?qū)崿F(xiàn)對(duì)眼底圖像中的視神經(jīng)盤(pán)、眼底血管以及病灶等有用信息的整體增強(qiáng)[9,11]；另外，已有眼底圖像增強(qiáng)方法大部分是將彩色圖像轉(zhuǎn)化為對(duì)灰度圖形來(lái)進(jìn)行增強(qiáng)的[10]，因此很難實(shí)現(xiàn)圖像視覺(jué)效果保真。本方法將Retinex應(yīng)用于眼底彩色圖像處理，達(dá)到了預(yù)想的效果，為處理彩色醫(yī)學(xué)圖像提供了新的思路和方法。

4 結(jié)論

針對(duì)當(dāng)前圖像增強(qiáng)方法對(duì)于眼底圖像存在顏色失真的問(wèn)題，本研究根據(jù)眼底圖像信息的特點(diǎn)，提出了一種改進(jìn)的基于Retinex理論的眼底圖像增強(qiáng)方法。根據(jù)實(shí)驗(yàn)結(jié)果的分析可以得出，本研究所提出的增強(qiáng)算法充分考慮了眼底圖像的各重要細(xì)節(jié)信息，較大程度改善了眼底圖像的對(duì)比度和亮度以及顏色信息，而且其性能優(yōu)于當(dāng)前眼底圖像增強(qiáng)方法的性能，實(shí)驗(yàn)結(jié)果驗(yàn)證了本方法的有效性，在改善眼底圖像的質(zhì)量以及后續(xù)的眼底圖像識(shí)別上具有重要的應(yīng)用價(jià)值。

后續(xù)還有許多可擴(kuò)展的工作，包括：

1)如何根據(jù)圖像本身的信息自適應(yīng)處理，得到更佳的增強(qiáng)效果。

2)Retinex算法在照射圖像的估計(jì)時(shí)，采用的是高斯濾波器進(jìn)行處理，今后還可考慮使用雙邊濾波等其他濾波方法，以適用于不同的場(chǎng)景，從而提高圖像的增強(qiáng)效果。