基于CLAHE和引导滤波的图像增强算法

Image Enhancement Algorithm Based on CLAHE and Guided Filtering

摘要: 为了解决荧光图像信号微弱和边界模糊的问题，提出了一种基于改进CLAHE和引导滤波的图像增强算法。该算法首先通过伽马变换调整图像整体亮度，方便后续图像操作。随后，利用小波变换分离图像低频和高频分量。对低频分量应用改进的CLAHE算法，通过自适应裁剪阈值控制图像对比度的增强幅度。同时对高频分量进行引导滤波，以突出更多细节。本文将改进的算法应用于膀胱脱落细胞的荧光染色图像，并与其他增强算法进行对比。结果表明，所提出来的算法克服了CLAHE算法处理后图像亮度过暗的问题，避免了HE和AHE算法在增强过程中常见的过度增强及细节丢失问题。该算法不仅有效提升图像对比度，还有效改善边缘和纹理细节的表现，对低照度或细节模糊图像的增强处理具有一定参考价值。

Abstract: An image enhancement algorithm based on improved CLAHE and guided filtering is proposed to solve the problem of weak signal and fuzzy boundary of fluorescence image. The algorithm first adjusts the overall brightness of the image by gamma transform, which is convenient for the subsequent image operation. Then, the low frequency and high frequency components of the image are separated by wavelet transform. The improved CLAHE algorithm is applied to the low frequency component, and the enhancement amplitude of image contrast is effectively controlled by adaptive clipping threshold. At the same time, the high frequency component is guided by filtering to highlight more details. In this paper, the improved algorithm is applied to the fluorescent staining images of bladder shedding cells and compared with other enhancement algorithms. The results show that the proposed algorithm can overcome the problem of too dark image brightness after CLAHE algorithm processing, and avoid the common problems of excessive enhancement and detail loss during the enhancement process of HE and AHE algorithm. This algorithm not only improves the image contrast, but also improves the performance of edge and texture details effectively, and has certain reference value for the enhancement processing of low illumination or blurred details.

1. 引言

荧光图像技术因其优异的灵敏度和特异性，广泛应用于生物医学研究和临床诊断中，尤其在细胞标记、分子探测以及组织成像等领域表现突出[1]。然而，荧光信号的强度往往受到样本中目标分子浓度以及标记效率的限制。在低浓度或稀疏细胞样本中，荧光信号可能会变得微弱，导致目标结构的边界难以分辨[2]。这种荧光信号弱的情况使得细胞或分子结构的可视化和分析变得更加困难。为应对这一挑战，图像增强处理显得尤为关键。通过提高信号对比度、减少背景噪声等，图像增强技术能够提升荧光图像的质量，使目标结构更加清晰可见。这不仅改善了图像的视觉效果，还提高了对细胞和组织病理特征的识别准确性，对科学研究和临床诊断具有重要的意义。

图像增强技术可根据其处理空间的不同分为两大类：空域方法和变换域方法[3]。常见的空域增强方法包括直方图法[4]、Retinex [5]和对比度拉伸[6]等。其中直方图法通过调整图像灰度的分布来提高图像的对比度。在直方图法中，除了最常见的直方图均衡化(Histogram Equalization, HE)，还包括局部自适应直方图均衡化[7] (Adaptive Histogram Equalization, AHE)和对比度限制自适应直方图均衡化[8] (Contrast Limited Adaptive Histogram Equalization, CLAHE)。这些方法通过将图像划分为若干个小区域，并在每个小区域内进行直方图均衡化，从而提升图像的细节和局部对比度。

变换域方法则是通过将图像从空间域转换到变换域来实现增强，这种方法通过对图像的变换系数进行操作，以提升图像的质量和细节。相比于傅里叶变换，小波变换能够同时提供信号在时域和频域的局部信息，因此在处理图像中的细节和纹理特征时表现更为优越[9]。

针对荧光图像信号弱和边界模糊的问题，本文提出了一种基于CLAHE和引导滤波的图像增强算法。该算法首先通过伽马变换调整图像亮度，随后利用小波变换对图像进行分解。低频部分采用改进的CLAHE方法，以自适应控制对比度的增强程度，而高频部分则通过引导滤波进行处理。该算法通过限制对比度的提升，更加有效地增强图像的纹理细节，从而在改善信号强度的同时保持边界的清晰度。

2. 小波变换

2.1. 小波函数选择

小波基函数是小波变换的核心组成部分，负责将图像分解为不同的小波分量。为了提升计算效率并优化边缘检测能力，本文选择了Haar小波，并对图像进行了二层小波分解。

2.2. 小波变换原理

小波变换作为一种重要的信号处理技术，具有多分辨率分析和可逆性等显著特点。它能够在时域和频域上有效分析信号，因此在图像处理领域被广泛应用。

离散二维Haar小波变换是通过逐步应用Haar小波变换，来实现对图像多尺度分析和解构。该过程首先对原始图像进行水平小波变换，将其分解为低频L和高频H部分。接下来，对这些分解结果进行垂直小波变换，从而进一步细化图像，得到新的低频部分$L{L}_1$ 以及水平$H{L}_1$ 、垂直$L{H}_1$ 和对角$H{H}_1$ 方向的高频细节。在此基础上，对低频部分$L{L}_1$ 再进行一次水平和垂直小波变换，进一步细化图像，分解得到更精细的频率成分。二层小波分解和重构过程示意图如图1所示：

Figure 1. Second level decomposition and reconstruction of discrete two-dimensional wavelet transform

图1. 离散二维小波变换的二级分解和重构

3. CLAHE算法

3.1. CLAHE算法

CLAHE算法是对传统直方图均衡化的一种改进。针对低灰度自体荧光图像，CLAHE不仅能够提升对比度，同时有效增强图像的细节表现、改善图像视觉质量，并减少因直方图均衡化可能带来的伪影和噪声。算法实现步骤如下[10]：

步骤一将图像分为N × N个大小相同的不重叠子块。

步骤二对每个子块计算其直方图。

步骤三计算裁剪阈值

1) 计算每个块的裁剪阈值T

$T=\frac{L\ast \text{nclip}}{H}$

其中L是该子块的总像素数，H是该子块中所包含的灰度级数，nclip是裁剪限制因子。

2) 像素值重分配

当子块直方图某灰度级的频数大于裁剪阈值T，将该灰度级的频数改为T，并将超出部分的频数均匀分配到其他灰度级上。

步骤四分别对每个子块裁剪后的直方图，计算累计分布函数并进行直方图均衡化。

步骤五通过双线性插值重构图像，得到最终增强图像。

3.2. 改进的CLAHE算法

对于CLAHE算法而言，对比度的提升取决于裁剪限制因子nclip的值。由于每幅图像在亮度分布和对比度特征上存在差异，固定的nclip在处理过程中无法达到最优效果：当nclip较高时，图像对比度的增强更显著，但同时会引入额外的噪声；当nclip较低时，对比度的增强会被抑制，从而导致对比度提升不足。

在一定程度上，标准差的平方反映了图像的对比度，而均值影响了图像的亮度水平。基于这一点，为了在CLAHE算法中实现对比度的自适应调整，提出一种改进的裁剪限制因子表达式：

$\text{nlip}=\frac{{\mu }^2}{\sigma +1}+d$

其中μ是图像的标准差，σ是图像的均值，d是调整常数。

针对低照度荧光图像，为了避免nclip值过低导致对比度增强不足，常数d的最佳选择范围为3.0至5.0。这一范围经过实验验证，能够有效地平衡对比度的提升与噪声的引入，从而实现图像增强效果的最优化。

3.3. 改进的CLAHE算法与小波变换结合

Figure 2. Grayscale fluorescence staining of bladder exfoliated cells

图2. 膀胱脱落细胞荧光染色灰度图

Figure 3. Two level wavelet decomposition graph

图3. 二级小波分解图

1) 伽马变换

伽马变换通过对图像的每个像素应用非线性变换来调整图像的亮度和对比度[11]。其数学表达式为：

$I_{out}^{}=I_{in}{}^{\gamma }$ (1)

式中：$I_{in}$ 是输入图像的像素值，$I_{out}$ 是输出图像的像素值，γ是伽马值。

荧光显微图像往往存在大面积黑色背景，通过适当调整伽马值，可以显著改善图像中暗部区域的可见性，提高荧光信号的显著性。

2) 小波分解

小波变换的分解层级越多，空间分辨率越高，但相应地计算时间也会增强[12]。为了在保证增强质量的同时优化计算效率，本文对膀胱脱落细胞荧光染色灰度图进行二层小波分解。膀胱脱落细胞荧光染色灰度图及其二级小波分解图如图2和图3所示。

3) 低频采用改进的CLAHE算法，其他高频信号进行引导滤波处理

经小波变换后得到的低频子带包括了图像的主要特征和轮廓信息[13]。通过对低频子带应用改进的CLAHE算法，可以在保留主要结构特征的同时，自适应控制对比度的增强程度，避免过度增强。

引导滤波[14]通过利用引导图像的结构对输入图像进行加权平滑，从而实现去噪、平滑和细节增强等效果。引导滤波的公式为：

$q_i=a_k{I}_i+b_k,\forall i\in {\omega }_k$ (2)

式中：$I_i$ 为输入引导图像，$q_i$ 为输出图像，${\omega }_k$ 为滤波窗口，$a_k$ 和$b_k$ 为引导图和输出图呈现线性关系的系数和常数项。

高频子带的小波系数反映了图像边缘、纹理和局部细节等高频成分信息。通过将这些高频成分图像作为引导图像，并应用于引导滤波技术，滤波器能够根据引导图像的细节特征进行加权处理。这种方法不仅有效减少了图像的平滑效应，而且更加关注和强调图像中的细节和边缘，使得输出图像在细节和边缘方面的表现更加突出和明显。

4) 通过小波逆变换对分解后的小波系数进行重构，得到增强后的图像

本文的算法流程如下图4所示。

Figure 4. Flow chart of the algorithm in this paper

图4. 本文算法流程图

4. 实验结果

本文算法的实验硬件平台为操作系统Windows 10的电脑，处理器Inter(R) Core(TM) i7-7700HQ CPU @2.80GHz，内存16 GB。实验软件平台为OpenCV4.9和支持Python3.9的PyCharm 2023编译器。实验图像样本选自膀胱脱落细胞荧光染色数据集，分别对低、中等、高密度荧光细胞图像进行处理，其图片大小均为612 × 512像素。为了验证本文提出算法的有效性，分别与Gama算法、HE算法、AHE算法和CLAHE算法做比较。在实验结果分析中，采用主观评价与客观评价相结合的方式，对不同算法处理后的效果进行比较。

4.1. 主观评价

图5~7为不同密度荧光细胞图像经不同算法处理后的效果对比图。作为全局增强技术的Gama变换，在处理低亮度图像时主要对图像整体亮度进行调整。HE算法虽然显著提升图像对比度，但是图6(c)与图7(c)荧光信号过度增强导致细胞边缘扩展，从而引发细胞形态的失真。AHE算法通过图像的每个局部窗口进行直方图均衡化，来增强局部区域的对比度。然而，如图6(d)所示，在某些亮度极低的区域，AHE算法未能有效改善这些区域的对比度，导致细胞信号微弱且轮廓模糊。CLAHE算法通常会对图像的对比度增强进行限制，来避免过度增强。因此CLAHE算法处理后的图像对比度不及AHE算法，进一步导致细胞信号更加微弱，见图5(d)与图5(e)、图6(d)与图6(e)和图7(d)与图7(e)。本文算法同样弱化图像的对比度增强，增强细胞轮廓的细节，避免了HE算法处理后的过度增强和AHE算法中出现的细节丢失现象，见图6(d)与图6(f)和图7(c)与图7(f)。此外，通过采用了Gama变换对图像的整体亮度进行调整，本文算法有效克服了CLAHE算法处理后图像亮度过暗的缺陷[15]，见图5(e)与图5(f)。综上所述，相比其他算法，本文提出的算法在处理不同密度的荧光细胞图像时适应度更广，综合表现最优。

(a) Original image (b) Gama algorithm (c) HE algorithm

(d) AHE algorithm (e) CLAHE algorithm (f) Our algorithm

Figure 5. The effect of low density fluorescence cell image processed by different algorithms

图5. 低密度荧光细胞图像经不同算法处理后的效果

(a) Original image (b) Gama algorithm (c) HE algorithm

(d) AHE algorithm (e) CLAHE algorithm (f) Our algorithm

Figure 6. The effect of medium density fluorescence cell image processed by different algorithms

图6. 中等密度荧光细胞图像经不同算法处理后的效果

(a) Original image (b) Gama algorithm (c) HE algorithm

(d) AHE algorithm (e) CLAHE algorithm (f) Our algorithm

Figure 7. The effect of high density fluorescence cell image processed by different algorithms

图7. 高密度荧光细胞图像经不同算法处理后的效果

4.2. 客观评价

主观评价标准缺乏统一性，往往受到个人意识的影响，从而存在较大偏差。为了实现对图像的更为客观和科学的评估，本文采用了标准差(std)、平均梯度(Ag)和信息熵(En)作为评价指标。其中，较高的标准差说明图像具有更高的对比度和更广的亮度范围；较高的平均梯度反映了图像中边缘和细节的丰富程度；而信息熵的增大则表明图像中包含的信息量更加丰富。

表1展示了不同算法对不同样本图像处理后的数据结果。

从上表的数据分析可以看出，HE算法由于其过度增强的特性，处理后的3张样本图像在标准差和平均梯度方面的提升幅度过大。虽然AHE算法在标准差和平均梯度的提升上超出了本文算法，但其信息熵水平却低于本文算法。这表明本文算法通过限制对比度的提升，能够更有效地增强图像的纹理细节。与此同时，Gamma变换和CLAHE算法在标准差、平均梯度以及信息熵等客观指标上均未能达到本文算法的表现水平，这表明本文算法在图像处理后能够更合理地分布灰度等级，从而实现了图像细节的显著增强。

Table 1. Objective evaluation index test results of different sample image processing results

表1. 不同样本图像处理结果的客观评价指标测试结果

算法	图像	标准差	平均梯度	信息熵
不加算法	低密度	0.5157	0.1317	0.0288
	中等密度	96.1964	4.40597	0.3151
	高密度	608.2222	16.8379	1.6696
Gama变换	低密度	5.8364	0.4648	0.0288
	中等密度	188.6417	6.3404	0.3137
	高密度	873.4259	20.7409	1.6647
HE算法	低密度	42.4642	1.2457	0.0288
	中等密度	506.0326	10.4618	0.3130
	高密度	3038.5957	41.6571	1.6270
AHE算法	低密度	14.8173	0.7059	0.0313
	中等密度	262.0248	7.3271	0.3329
	高密度	1917.1872	30.9177	1.7903
CLAHE算法	低密度	0.5759	0.1392	0.0291
	中等密度	84.1743	4.1615	0.3163
	高密度	1027.1442	23.0377	1.8372
本文算法	低密度	6.5443	0.4991	0.0601
	中等密度	202.1835	6.7288	0.4810
	高密度	1432.2133	27.6228	2.2890

综上所述，本文算法在综合成像效果方面优于其他算法，其结果也与主观评价结果相一致。

5. 结论

本文提出了一种基于CLAHE和引导滤波的图像增强算法，该算法通过小波变换将改进后的CLAHE算法与引导滤波算法相结合，实现了对图像对比度增强的自适应控制，并有效提升边缘和纹理细节的表现。针对不同类型的荧光显微细胞图像，本文分别应用了多种算法进行处理，实验结果表明，所提出的算法有效克服了CLAHE方法的局限性，避免了HE和AHE算法在增强过程中的过度增强及细节丢失问题。在综合成像效果和适用性方面，该算法表现出色，对于低对比度或细节模糊图像的增强处理具有一定的参考价值。

NOTES

^*第一作者。

^#通讯作者。