"Разработка методов и алгоритмов обработки медицинских изображений с использованием методов искусственного интеллекта"

Третий этап рассматриваемого метода состоит в нелинейном усилении локального контраста
(2.20), где:
 - нелинейная монотонная функция, которая удовлетворяет условиям:
(2.21)
Функция является монотонно возрастающей и определенной на промежутке [0,1]. За функции принимаются степенные, экспоненциальные, логарифмические и гиперболические функции. Реальные изображения имеют различную природу происхождения и разнообразное семантическое наполнение. Исходные локальные контрасты в тех или иных областях изображения также разные. В некоторых областях они достаточны, а в некоторых потенциально информативных областях их нужно усиливать. Исходя из этого, функции преобразования локальных контрастов бывают двух видов - условно "постоянные" и адаптивные. "Постоянные" обеспечивают одинаковое усиление локальных контрастов в каждой точке изображения. Адаптивные функции преобразования локальных контрастов проводят преобразование (усиление) локальных контрастов в зависимости от характеристик локальных областей. Такой подход обеспечивает более эффективное улучшение изображений с точки зрения их визуального восприятия.
На четвертом этапе происходит восстановление элемента изображения с координатами (i, j) и скорректированного контрастом . Для этого используют выражение, которое определяется из выражения (2.17) определения локальных контрастов:
(2.22)
Расчет с помощью выражений (2.17) - (2.22) проводят для каждого элемента изображения L. Экспериментальные исследования и компьютерное моделирование данного метода показали его недостаточную эффективность , поскольку при таком подходе результирующее изображение получается размытым . Для устранения этого недостатка предложено использовать вместо усредненного значения значение центрального элемента L(i, j). То есть область W1 вырождается в центральный элемент L(i, j) и принимает размеры n=1. Учитывая это, в дальнейшем будем считать, что:
(2.23)
(2.24)
Рассмотренный метод является классическим примером методов класса преобразования локальных контрастов. Эти методы позволяют решать задачи не только улучшения визуального качества изображений, но и реализовывать как высокочастотную, так и низкочастотную фильтрацию с помощью применения различных функций преобразования.
2.2 Постановка задачи и её реализация