医学图像处理-X射线图像增强 -对比度限制自适应直方图均衡化（CLAHE）、非锐化掩模（UM）和高频强调滤波（HEF）

当然，我们可以将文档内容进行更清晰的分段，并保持逻辑布局。以下是重新组织后的文档结构：

X射线图像增强

摘要

本项目的主要目标是使用三种图像增强算法来改善骨折骨骼的可视化：对比度限制自适应直方图均衡化（CLAHE）、非锐化掩模（UM）和高频强调滤波（HEF）。在实现这些算法后，我们将讨论结果以及项目开发过程中遇到的困难。

示例图片

图片来源：国家科学基金会

这个未处理的胸部X光片是由*Nikola Zivaljevic, M.D.*制作，并可以在国家科学基金会多媒体库中找到。它将用于本项目中。

图像来源

• 除了第一张图片(001.tif)，它来源于国家科学基金会多媒体库。
• 其他所有使用的图片均来自美国国家医学图书馆MedPix，这是一个免费的开源数据库，包含超过59,000张索引并经过整理的图片，供个人使用和机构内部教学免费使用。
  

X射线图像增强 - 最终报告

非锐化掩模 (Unsharp Masking)

非锐化掩模是一种能够放大图像高频部分的线性滤波器。这种技术首次记录于20世纪30年代的德国，目的是为了提高某些照片的分辨率。在现代，同样的滤波器被用作当前图像编辑软件（如GIMP或Photoshop）中的一个功能。

工作原理

1. 复制原始图像并对它应用高斯模糊（模糊强度由称为“半径”的设置定义）。
2. 从原始图像中减去模糊后的图像，得到非锐化掩模。
3. 通过以下公式获得增强后的图像：

   锐化后的图像 = 原始图像 + 强度 * (非锐化掩模)
   

结果

• 虽然这项技术非常简单，但它也非常强大，可以在线性时间复杂度O(n)的情况下得到令人满意的结果。
• 我们测试了多种不同的滤波器，包括高斯滤波、中值滤波、最大值滤波和最小值滤波。

| 原始图像 | 增强后的图像 |
| ------------------- | ----------------------------- | |

CLAHE (Contrast Limited Adaptive Histogram Equalization)

对比度限制自适应直方图均衡化方法是一种基于直方图的方法，用于改进图像的对比度。该技术计算每个像素周围的区域的直方图，以提高局部对比度并增强每个区域的边缘。由于AHE可能会过度放大图像中的噪声，因此CLAHE通过限制放大程度来防止这种情况。

实现步骤

1. 将图像转换为灰度，并进行归一化。
2. 对边界处的像素进行反射填充。
3. 计算每个像素周围区域的裁剪直方图。
4. 如果出现次数大于裁剪限值，削减超出的部分并重新分配给所有像素。
5. 计算CDF（累积分布函数），并将函数的每个值乘以255，以将图像的值限制在[0, 255]范围内。
6. 应用变换到区域中心的像素。

参数

• 窗口大小 (Window size): 待处理像素周围矩形区域的大小。
• 裁剪限值 (Clip limit): 直方图中像素的最大出现次数。
• 迭代次数 (Iterations): 裁剪迭代的次数。
  

结果

• CLAHE计算复杂度较高，需要大量的处理时间。
• 增强后的图像比未处理的图像好得多，通过增强边缘并放大其可见性来显示隐藏特征。
• 不同参数对结果影响很大，最佳组合通常是WS = 100, CL = 150 和 IT = 1。
  

图像之间的比较

为了比较参数的效果，我们进行了多次不同参数下的运行。结果如下表所示。

| 原始 | WS: 40, CL: 4, IT: 1 | 直方图 |

请注意，上述链接指向的是示例文件的位置，在实际文档中应替换为正确的路径。希望这样的结构能更好地帮助您理解和展示您的工作成果。