The early detection of tumor is necessary to save a number of lives. In women, the temperature of the affected area of the tumor is warmer than the unaffected area; therefore the thermography technique can be used to capture the cancerous breast images with a thermal infrared by identifying the temperature difference between them. Color enhancement of the captured breast image is an important consideration for early detection of tumor at this stage. Therefore, in this paper, we propose a self‐adaptive gray level histogram equalization approach to enhance the color of the IR image for early detection of the tumor. This approach does not require any manual feeding of parameters toward images. The final classification of tumorous and non‐tumorous breast images can obtain through certain procedures, which includes, image acquisition, pre‐processing, segmentation, feature extraction and classification. This paper emphasizes the support vector machine (SVM) technique to classify the tumor IR thermography images. The proposed approach is implemented in MATLAB and the experimental results shows an outstanding color enhancement of IR images and better classification compared to other existing methods such as CLAHE, BIi‐histogram equalization and adaptive histogram equalization. The performance was evaluated by using evaluation metrics such as sensitivity, accuracy, and specificity of thermography breast image by the SVM classifier adapted with various color enhancement approaches are found to be 91.6%, 90%, and 87.5%. This approach helps in medical field for early diagnosis with high reliability.

中文翻译：

---

自适应灰度直方图均衡色彩增强方法基于热成像的乳腺癌检测

早期发现肿瘤对于挽救许多生命是必不可少的。在女性中，肿瘤受影响区域的温度比未受影响区域的温度高。因此，通过识别热乳腺图像之间的温差，可将热成像技术用于捕获带有热红外图像的乳腺图像。捕获的乳房图像的颜色增强是此阶段早期检测肿瘤的重要考虑因素。因此，在本文中，我们提出了一种自适应的灰度直方图均衡方法，以增强IR图像的颜色，以便于肿瘤的早期检测。这种方法不需要向图像手动输入参数。肿瘤和非肿瘤乳腺图像的最终分类可以通过某些程序获得，包括图像采集，预处理，分割，特征提取和分类。本文强调了支持向量机（SVM）技术对肿瘤IR热成像图像进行分类。与MATLAB CLAHE，BIi直方图均衡化和自适应直方图均衡化等其他现有方法相比，该方法在MATLAB中得以实现，并且实验结果显示出红外图像的显着色彩增强和更好的分类。通过使用适应各种颜色增强方法的SVM分类器，通过使用诸如敏感性，准确性和热成像乳房图像的特异性之类的评估指标对性能进行评估，发现其为91.6％，90％和87.5％。这种方法有助于在医学领域以高可靠性进行早期诊断。本文强调了支持向量机（SVM）技术对肿瘤IR热成像图像进行分类。与MATLAB CLAHE，BIi直方图均衡化和自适应直方图均衡化等其他现有方法相比，该方法在MATLAB中得到了实现，实验结果表明，红外图像具有出色的色彩增强和更好的分类效果。通过使用适应各种颜色增强方法的SVM分类器，通过使用诸如敏感性，准确性和热成像乳房图像的特异性之类的评估指标对性能进行评估，发现其为91.6％，90％和87.5％。这种方法有助于在医学领域以高可靠性进行早期诊断。本文强调了支持向量机（SVM）技术对肿瘤IR热成像图像进行分类。与MATLAB CLAHE，BIi直方图均衡化和自适应直方图均衡化等其他现有方法相比，该方法在MATLAB中得到了实现，实验结果表明，红外图像具有出色的色彩增强和更好的分类效果。通过使用适应各种颜色增强方法的SVM分类器，通过使用诸如敏感性，准确性和热成像乳房图像的特异性之类的评估指标对性能进行评估，发现其为91.6％，90％和87.5％。这种方法有助于在医学领域以高可靠性进行早期诊断。与MATLAB CLAHE，BIi直方图均衡化和自适应直方图均衡化等其他现有方法相比，该方法在MATLAB中得到了实现，实验结果表明，红外图像具有出色的色彩增强和更好的分类效果。通过使用适应各种颜色增强方法的SVM分类器，通过使用诸如敏感性，准确性和热成像乳房图像的特异性之类的评估指标对性能进行评估，发现其为91.6％，90％和87.5％。这种方法有助于在医学领域以高可靠性进行早期诊断。与MATLAB CLAHE，BIi直方图均衡化和自适应直方图均衡化等其他现有方法相比，该方法在MATLAB中得到了实现，实验结果表明，红外图像具有出色的色彩增强和更好的分类效果。通过使用适应各种颜色增强方法的SVM分类器，通过使用诸如敏感性，准确性和热成像乳房图像的特异性之类的评估指标对性能进行评估，发现其为91.6％，90％和87.5％。这种方法有助于在医学领域以高可靠性进行早期诊断。通过使用各种颜色增强方法的SVM分类器，热成像乳房图像的特异性分别为91.6％，90％和87.5％。这种方法有助于在医学领域以高可靠性进行早期诊断。通过使用各种颜色增强方法的SVM分类器，热成像乳房图像的特异性分别为91.6％，90％和87.5％。这种方法有助于在医学领域以高可靠性进行早期诊断。