基于人工鱼群的医学DR图像自适应增强算法*

2013-10-24杜晓昕张剑飞

电子技术应用 2013年6期

杜晓昕，张剑飞

（齐齐哈尔大学计算机与控制工程学院，黑龙江齐齐哈尔 161006）

目前DR图像由于具有低辐射、高分辨率和高速等优点，被广泛应用[1]。但由于噪声及曝光不当等因素，导致图像的细节模糊、分辨率低，不便于辅助医生进行诊断，如果不对其进行增强处理，会增大医生的误诊率[2]。对DR图像增强方法，普遍缺乏自适应性，为了达到最优的增强效果需要调节增强方法中的某些参数值，而这些参数值的选取直接影响着增强效果[3-4]。本文在DR图像增强中引入人工鱼群算法及多尺度金字塔分解重建来提高增强效果和自适应性。

1 医学DR图像自适应增强

1.1 增强方案

本文对医学DR图像的自适应增强，主要采用图像多尺度金字塔分解重建完成，对分解后的高频部分和低频部分分别做增强处理，自适应体现在增强处理过程中的参数值非由人工设定，而是通过智能仿生算法、人工鱼群算法寻优实现，从而使增强算法抛弃了对不同问题参数值需要人工多次设定的问题。面对不同问题，人工鱼群算法都能自适应地求出当前最佳参数值。增强过程如图1所示。

1.2 多尺度金字塔分解重建方法

对于图像的多尺度金字塔分解重建方法设计流程如图2所示。

图2 图像多尺度金字塔分解重建方法流程图

1.3 增强工作流程

增强的工作步骤如下：

(1)原始图像经过多尺度金字塔分解为高频部分和低频部分。

(2)采用人工鱼群算法自适应地找到最佳参数值，实现对高频部分的增强处理。

(3)基于人眼视觉系统和考虑图像整体特征实现低频部分的增强。

(4)对增强后的高频部分和低频部分进行图像多尺度金字塔重建。

(5)经过图像的重建得到了增强后的图像。

2 高频增强

2.1 非线性高频映射

本文高频增强选择非线性映射方案。经过多尺度金字塔分解后的高频分量为Gi=(i=1…L),其中包含了更多的图像细节信息，因此对高频部分的增强也就是对细节信息进行增强。高频映射函数如式(1)所示：

其中,自变量x为像素点(i,j)的像素值，M为非线性变换范围内的最大像素值，G为对比度增益因子。根据金字塔不同层中Gi的特点，通过人工鱼群算法寻找参数G和P的最优值，以达到最好的增强效果。

2.2 G和P的自适应寻优

为叙述方便,记Visual为人工鱼的视野范围；Step为人工鱼最大移动的步长；δ为拥挤度因子。人工鱼个体的状态定义为参数值(G，P)=(Gi，Pi)(1≤i≤L)为寻优变量，人工鱼群食物浓度定义为式(2)和式(3)，以此来构造人工鱼群，最终找到最优解即最优参数值(G*，P*)。

其中灰度范围为 {0,1…,L-1}；pi为DR图像的直方图，即灰度值等于i的像素数与图像总像素数之比。

其中，CE为对比度改善率，pi为原DR图像，pi为增强后的 DR 图像i。

算法步骤设计如下：

(1)初始化鱼群：初始鱼群由条人工鱼组成。

(2)公告板赋值：通过食物浓度公式求解初始鱼群中每个人工鱼的状态h，把h最大值赋给公告板。判断公告板的值是否达到满意的误差界内(＜p)，若满足，转到步骤(6)；否则转到步骤(3)。

(3)行为选择：每个人工鱼依次进行追尾行为和聚群行为，衡量行动后的值，选取值最大的行为真正执行，缺省的情况下为觅食行为。

(4)公告板：鱼群迭代后，比较当前鱼群最优鱼h值和公告板中的值，取最优值的赋给公告板。

(5)终止条件判断：是否已达到的最大迭代次数MaxIteration,或最优值是否达到了满意的误差界内(＜p)，若不满足，则返回步骤(3)，进行下一代鱼群优化过程；否则转到步骤(6)。

(6)算法终止：输出公告板中人工鱼和函数值。

3 低频增强

多尺度金字塔分解后得到的低频部分包含了整个图像的总体特征，这部分的增强效果会影响视觉效果。通过人眼视觉系统模型观察，如果能使图像的直方图尽量地均匀化，即可增强图像的对比度，使图像更清晰。综上所述低频部分的增强处理如式(4)所示。

其中，M为图像像素总和，Hmax为图像像素中最大数，mj为图像的像素值为j的像素点数目，k为像素点的值。

4 仿真结果与分析

4.1 增强的总体效果

在Windows 7操作系统下,仿真硬件环境：PC Intel酷睿 i7 3 930 K,内存 16 GB DDR3，显卡 NVIDIA GeForce GTX5；仿真软件环境：MATLAB 7.0。实验素材为真实病人DR图像，如图3所示。病人原始图像的细节信息模糊、对比度低，采用本文算法和参考文献[3]算法都使原来的DR图像得到了不同程度的增强，但明显可见本文算法增强的效果更佳，不仅消除了噪声，而且病人的关注区细节信息清晰可见。

4.2 增强的亮度和对比度

[3]算法和本文算法的综合性能进行对比实验，采用图像的亮度、对比度作为评价标准。

(1)亮度具体计算公式为：

式中，G(x,y)为像素点(x,y)的梯度值。

(2)对比度计算为：

式中，I(x,y)为像素点(x,y)的灰度值，mn为图像分辨率。

对于图3(a)图像进行仿真实验，原始图像和两种算法图像增强后的亮度、对比度结果如表1所示。

表1 对比度和亮度对比结果

从表1图像亮度对比结果可知，相对于参考文献[3]算法，本文算法图像亮度值有了较大提升，图像的细节信息更加清晰。图像对比度比较结果可看出，相对于原始图像，参考文献[3]算法处理后的图像对比度值有所下降，本文增强算法的图像对比度值有所提高。因此本文算法是鲁棒性较好的图像增强算法。

4.3 细节增强性能评价

在医学DR图像的增强处理中，对于细节的增强是最重要的，因为清晰的细节信息会为医生诊断带来更重要的价值。对本文算法增强后DR图像的细节增强效果进行分析，评价标准采用细节-背景方差比(DV/BV)[5]，其中DV为图像细节区域局部方差均值，BV为背景区域局部方差，DV/BV的值越大,则表示DR图像细节信息越丰富，噪声越小，细节增强效果最佳。对比试验采用直方图均衡化方法、线性反锐化掩膜方法及参考文献[3]算法进行对比分析，分析结果如表2所示。

从表2可知，本文算法和参考文献[3]算法明显优于直方图均衡及线性反锐化掩膜方法，同时本文算法的DV/BV值是最高的，从而表明本文算法对DR图像的细节增强是最优的。