目前DR圖像由于具有低輻射、高分辨率和高速等優(yōu)點，被廣泛應用[1]。但由于噪聲及曝光不當?shù)纫蛩兀瑢е聢D像的細節(jié)模糊、分辨率低，不便于輔助醫(yī)生進行診斷，如果不對其進行增強處理，會增大醫(yī)生的誤診率[2]。對DR圖像增強方法，普遍缺乏自適應性，為了達到最優(yōu)的增強效果需要調節(jié)增強方法中的某些參數(shù)值，而這些參數(shù)值的選取直接影響著增強效果[3-4]。本文在DR圖像增強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效果和自適應性。

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

1.2 多尺度金字塔分解重建方法
    對于圖像的多尺度金字塔分解重建方法設計流程如圖2所示。

1.3 增強工作流程
    增強的工作步驟如下：
    (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地找到最佳參數(shù)值，實現(xiàn)對高頻部分的增強處理。
    (3)基于人眼視覺系統(tǒng)和考慮圖像整體特征實現(xiàn)低頻部分的增強。
    (4)對增強后的高頻部分和低頻部分進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后的圖像。
 

算法步驟設計如下：
    (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到滿意的誤差界內(<p)，若滿足，轉到步驟(6)；否則轉到步驟(3)。
    (3) 行為選擇：每個人工魚依次進行追尾行為和聚群行為，衡量行動后的值，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：是否已達到的最大迭代次數(shù)MaxIteration,或最優(yōu)值是否達到了滿意的誤差界內(<p)，若不滿足，則返回步驟(3)，進行下一代魚群優(yōu)化過程；否則轉到步驟(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
     多尺度金字塔分解后得到的低頻部分包含了整個圖像的總體特征，這部分的增強效果會影響視覺效果。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，即可增強圖像的對比度，使圖像更清晰。綜上所述低頻部分的增強處理如式(4)所示。

4 仿真結果與分析
4.1 增強的總體效果
    在Windows 7操作系統(tǒng)下,仿真硬件環(huán)境：PC Intel酷睿 i7 3 930 K,內存16 GB DDR3，顯卡NVIDIA GeForce GTX5；仿真軟件環(huán)境：MATLAB 7.0。實驗素材為真實病人DR圖像，如圖3所示。病人原始圖像的細節(jié)信息模糊、對比度低，采用本文算法和參考文獻[3]算法都使原來的DR圖像得到了不同程度的增強，但明顯可見本文算法增強的效果更佳，不僅消除了噪聲，而且病人的關注區(qū)細節(jié)信息清晰可見。
4.2 增強的亮度和對比度
    將參考文獻[3]算法和本文算法的綜合性能進行對比實驗，采用圖像的亮度、對比度作為評價標準。
    (1)亮度具體計算公式為：
　

    從表1圖像亮度對比結果可知，相對于參考文獻[3]算法，本文算法圖像亮度值有了較大提升，圖像的細節(jié)信息更加清晰。圖像對比度比較結果可看出，相對于原始圖像，參考文獻[3]算法處理后的圖像對比度值有所下降，本文增強算法的圖像對比度值有所提高。因此本文算法是魯棒性較好的圖像增強算法。
4.3 細節(jié)增強性能評價
　在醫(yī)學DR圖像的增強處理中，對于細節(jié)的增強是最重要的，因為清晰的細節(jié)信息會為醫(yī)生診斷帶來更重要的價值。對本文算法增強后DR圖像的細節(jié)增強效果進行分析，評價標準采用細節(jié)-背景方差比(DV/BV)[5]，其中DV為圖像細節(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圖像細節(jié)信息越豐富，噪聲越小，細節(jié)增強效果最佳。對比試驗采用直方圖均衡化方法、線性反銳化掩膜方法及參考文獻[3]算法進行對比分析，分析結果如表2所示。

    從表2可知，本文算法和參考文獻[3]算法明顯優(yōu)于直方圖均衡及線性反銳化掩膜方法，同時本文算法的DV/BV值是最高的，從而表明本文算法對DR圖像的細節(jié)增強是最優(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醫(yī)學DR圖像的增強處理中，對DR圖像的增強采用多層次的增強方案。仿真結果表明本文提出的算法有效地消除了DR圖像中的噪聲，增強后的DR圖像細節(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)生做出科學正確地診斷。
參考文獻
[1] 岡薩雷斯．數(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)學圖像增強算法研究[D]．浙江：寧波大學，2006．
[3] 豐國棟．數(shù)字化X線攝影圖像增強方法研究[D]．合肥：中國科學技術大學，2008．
[4] 袁麗婷，邱力軍．基于Matlab的X線醫(yī)學圖像增強與直方圖處理方法[J]．第四軍醫(yī)大學學報，2007，28(4)：376-378．
[5] 張明慧，張曉禹．基于像素灰階熵的自適應增強算法在乳腺CR圖像中的應用[J]．光學技術，2010,36(1)：48-50．