基于人眼视觉特性的多尺度DR图像增强方法(3)

　　LPS{T(i,j)｝+AS×HPS{T(i,j)｝

　　(4)结合Retinex理论，可以将大窗口滤波下的低频分量看成是滤去图像细节的照明部分，对这一部分进行修正——直方图均衡，使图像照明分量有更为均衡的灰度分布，则

　　T″(i,j)=LP″L+AL×HPL{T(i,j)｝+

　　LPM{T(i,j)｝+AM×HPM{T(i,j)｝+

　　LPS{T(i,j)｝+AS×HPS{T(i,j)｝

　　(5)对这三通道增强结果平均，最后利用指数变换将结果变换到灰阶域，得到最终的增强结果。

　　流程见图3。

　　图3 算法整体流程图

　　Fig 3 Flow chart of the algorithm

3 实验结果与分析

　　图4所示是人体侧脊DR图像在不同处理方法下的效果图。图4(a)为原始图像;4(b)为基于直方图均衡方法处理后的效果图;4(c)为多尺度的局部增强算法处理后的效果图;4(d)是本研究论述的算法处理后的效果图。可以看出，基于直方图均衡方法处理后的图像有明显的动态范围增大，但细节丢失严重，有“洗白”现象发生，无法清晰看到侧脊形态和细节，不利于医生诊断。而图4(c)中多尺度局部增强算法的使用，明显增强了图像局部对比度，对于细节部分表现良好，但图像整体偏暗，人工处理痕迹明显，失去DR图像真实感，视觉上有所欠缺。

　　而图4(d)，对比((b)、(c)图像，可以发现，本研究论述的方法结合了直方图均衡方法和局部增强两种方法的优点，提高图像动态范围的同时，局部对比度也显著提高，凸显图像细节。

　　图4(a)原图;(b)基于直方图均衡处理效果图;(c)多尺度局部对比度增强效果图;(d)本文论述算法处理后的效果图。

　　Fig 4 (a) Original image; (b) Enhancement result by HE method; (c) Enhancement result by multi-scale local enhancement method; (d) Enhancement result by the proposed method of our article