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。

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。
 

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。

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
    将参考文献[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：
　

    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。
    本文将人工鱼群算法和多尺度金字塔型分解与重建用于对医学DR图像的增强处理中，对DR图像的增强采用多层次的增强方案。仿真结果表明本文提出的算法有效地消除了DR图像中的噪声，增强后的DR图像细节信息更加清楚，具有较高的有效性和鲁棒性,能够辅助医生做出科学正确地诊断。
参考文献
[1] 冈萨雷斯．数字图像处理(第3版)[M]．北京：电子工业出版社，2012．
[2] 侯艳芹．医学图像增强算法研究[D]．浙江：宁波大学，2006．
[3] 丰国栋．数字化X线摄影图像增强方法研究[D]．合肥：中国科学技术大学，2008．
[4] 袁丽婷，邱力军．基于Matlab的X线医学图像增强与直方图处理方法[J]．第四军医大学学报，2007，28(4)：376-378．
[5] 张明慧，张晓禹．基于像素灰阶熵的自适应增强算法在乳腺CR图像中的应用[J]．光学技术，2010,36(1)：48-50．