目前DR圖像由于具有低輻射、高分辨率和高速等優(yōu)點(diǎn)，被廣泛應(yīng)用[1]。但由于噪聲及曝光不當(dāng)?shù)纫蛩兀瑢?dǎo)致圖像的細(xì)節(jié)模糊、分辨率低，不便于輔助醫(yī)生進(jìn)行診斷，如果不對(duì)其進(jìn)行增強(qiáng)處理，會(huì)增大醫(yī)生的誤診率[2]。對(duì)DR圖像增強(qiáng)方法，普遍缺乏自適應(yīng)性，為了達(dá)到最優(yōu)的增強(qiáng)效果需要調(diào)節(jié)增強(qiáng)方法中的某些參數(shù)值，而這些參數(shù)值的選取直接影響著增強(qiáng)效果[3-4]。本文在DR圖像增強(qiáng)中引入人工魚群算法及多尺度金字塔分解重建來提高增強(qiáng)效果和自適應(yīng)性。

1 醫(yī)學(xué)DR圖像自適應(yīng)增強(qiáng)
1.1 增強(qiáng)方案
    本文對(duì)醫(yī)學(xué)DR圖像的自適應(yīng)增強(qiáng)，主要采用圖像多尺度金字塔分解重建完成，對(duì)分解后的高頻部分和低頻部分分別做增強(qiáng)處理，自適應(yīng)體現(xiàn)在增強(qiáng)處理過程中的參數(shù)值非由人工設(shè)定，而是通過智能仿生算法、人工魚群算法尋優(yōu)實(shí)現(xiàn)，從而使增強(qiáng)算法拋棄了對(duì)不同問題參數(shù)值需要人工多次設(shè)定的問題。面對(duì)不同問題，人工魚群算法都能自適應(yīng)地求出當(dāng)前最佳參數(shù)值。增強(qiáng)過程如圖1所示。

1.2 多尺度金字塔分解重建方法
    對(duì)于圖像的多尺度金字塔分解重建方法設(shè)計(jì)流程如圖2所示。

1.3 增強(qiáng)工作流程
    增強(qiáng)的工作步驟如下：
    (1) 原始圖像經(jīng)過多尺度金字塔分解為高頻部分和低頻部分。
    (2) 采用人工魚群算法自適應(yīng)地找到最佳參數(shù)值，實(shí)現(xiàn)對(duì)高頻部分的增強(qiáng)處理。
    (3)基于人眼視覺系統(tǒng)和考慮圖像整體特征實(shí)現(xiàn)低頻部分的增強(qiáng)。
    (4)對(duì)增強(qiáng)后的高頻部分和低頻部分進(jìn)行圖像多尺度金字塔重建。
    (5) 經(jīng)過圖像的重建得到了增強(qiáng)后的圖像。
 

算法步驟設(shè)計(jì)如下：
    (1) 初始化魚群：初始魚群由條人工魚組成。
    (2) 公告板賦值：通過食物濃度公式求解初始魚群中每個(gè)人工魚的狀態(tài)h，把h最大值賦給公告板。判斷公告板的值是否達(dá)到滿意的誤差界內(nèi)(<p)，若滿足，轉(zhuǎn)到步驟(6)；否則轉(zhuǎn)到步驟(3)。
    (3) 行為選擇：每個(gè)人工魚依次進(jìn)行追尾行為和聚群行為，衡量行動(dòng)后的值，選取值最大的行為真正執(zhí)行，缺省的情況下為覓食行為。
    (4) 公告板：魚群迭代后，比較當(dāng)前魚群最優(yōu)魚h值和公告板中的值，取最優(yōu)值的賦給公告板。
    (5) 終止條件判斷：是否已達(dá)到的最大迭代次數(shù)MaxIteration,或最優(yōu)值是否達(dá)到了滿意的誤差界內(nèi)(<p)，若不滿足，則返回步驟(3)，進(jìn)行下一代魚群優(yōu)化過程；否則轉(zhuǎn)到步驟(6)。
    (6) 算法終止：輸出公告板中人工魚和函數(shù)值。
3 低頻增強(qiáng)
     多尺度金字塔分解后得到的低頻部分包含了整個(gè)圖像的總體特征，這部分的增強(qiáng)效果會(huì)影響視覺效果。通過人眼視覺系統(tǒng)模型觀察，如果能使圖像的直方圖盡量地均勻化，即可增強(qiáng)圖像的對(duì)比度，使圖像更清晰。綜上所述低頻部分的增強(qiáng)處理如式(4)所示。

4 仿真結(jié)果與分析
4.1 增強(qiáng)的總體效果
    在Windows 7操作系統(tǒng)下,仿真硬件環(huán)境：PC Intel酷睿 i7 3 930 K,內(nèi)存16 GB DDR3，顯卡NVIDIA GeForce GTX5；仿真軟件環(huán)境：MATLAB 7.0。實(shí)驗(yàn)素材為真實(shí)病人DR圖像，如圖3所示。病人原始圖像的細(xì)節(jié)信息模糊、對(duì)比度低，采用本文算法和參考文獻(xiàn)[3]算法都使原來的DR圖像得到了不同程度的增強(qiáng)，但明顯可見本文算法增強(qiáng)的效果更佳，不僅消除了噪聲，而且病人的關(guān)注區(qū)細(xì)節(jié)信息清晰可見。
4.2 增強(qiáng)的亮度和對(duì)比度
    將參考文獻(xiàn)[3]算法和本文算法的綜合性能進(jìn)行對(duì)比實(shí)驗(yàn)，采用圖像的亮度、對(duì)比度作為評(píng)價(jià)標(biāo)準(zhǔn)。
    (1)亮度具體計(jì)算公式為：
　

    從表1圖像亮度對(duì)比結(jié)果可知，相對(duì)于參考文獻(xiàn)[3]算法，本文算法圖像亮度值有了較大提升，圖像的細(xì)節(jié)信息更加清晰。圖像對(duì)比度比較結(jié)果可看出，相對(duì)于原始圖像，參考文獻(xiàn)[3]算法處理后的圖像對(duì)比度值有所下降，本文增強(qiáng)算法的圖像對(duì)比度值有所提高。因此本文算法是魯棒性較好的圖像增強(qiáng)算法。
4.3 細(xì)節(jié)增強(qiáng)性能評(píng)價(jià)
　在醫(yī)學(xué)DR圖像的增強(qiáng)處理中，對(duì)于細(xì)節(jié)的增強(qiáng)是最重要的，因?yàn)榍逦募?xì)節(jié)信息會(huì)為醫(yī)生診斷帶來更重要的價(jià)值。對(duì)本文算法增強(qiáng)后DR圖像的細(xì)節(jié)增強(qiáng)效果進(jìn)行分析，評(píng)價(jià)標(biāo)準(zhǔn)采用細(xì)節(jié)-背景方差比(DV/BV)[5]，其中DV為圖像細(xì)節(jié)區(qū)域局部方差均值，BV為背景區(qū)域局部方差，DV/BV的值越大,則表示DR圖像細(xì)節(jié)信息越豐富，噪聲越小，細(xì)節(jié)增強(qiáng)效果最佳。對(duì)比試驗(yàn)采用直方圖均衡化方法、線性反銳化掩膜方法及參考文獻(xiàn)[3]算法進(jìn)行對(duì)比分析，分析結(jié)果如表2所示。

    從表2可知，本文算法和參考文獻(xiàn)[3]算法明顯優(yōu)于直方圖均衡及線性反銳化掩膜方法，同時(shí)本文算法的DV/BV值是最高的，從而表明本文算法對(duì)DR圖像的細(xì)節(jié)增強(qiáng)是最優(yōu)的。
    本文將人工魚群算法和多尺度金字塔型分解與重建用于對(duì)醫(yī)學(xué)DR圖像的增強(qiáng)處理中，對(duì)DR圖像的增強(qiáng)采用多層次的增強(qiáng)方案。仿真結(jié)果表明本文提出的算法有效地消除了DR圖像中的噪聲，增強(qiáng)后的DR圖像細(xì)節(jié)信息更加清楚，具有較高的有效性和魯棒性,能夠輔助醫(yī)生做出科學(xué)正確地診斷。
參考文獻(xiàn)
[1] 岡薩雷斯．?dāng)?shù)字圖像處理(第3版)[M]．北京：電子工業(yè)出版社，2012．
[2] 侯艷芹．醫(yī)學(xué)圖像增強(qiáng)算法研究[D]．浙江：寧波大學(xué)，2006．
[3] 豐國棟．?dāng)?shù)字化X線攝影圖像增強(qiáng)方法研究[D]．合肥：中國科學(xué)技術(shù)大學(xué)，2008．
[4] 袁麗婷，邱力軍．基于Matlab的X線醫(yī)學(xué)圖像增強(qiáng)與直方圖處理方法[J]．第四軍醫(yī)大學(xué)學(xué)報(bào)，2007，28(4)：376-378．
[5] 張明慧，張曉禹．基于像素灰階熵的自適應(yīng)增強(qiáng)算法在乳腺CR圖像中的應(yīng)用[J]．光學(xué)技術(shù)，2010,36(1)：48-50．