房 濤，方琳靈，劉 艷，潘樹(shù)文

(1.浙大城市學(xué)院信息與電氣工程學(xué)院，浙江 杭州 310005；2.中國(guó)移動(dòng)杭州研發(fā)中心融合通信系統(tǒng)部，浙江 杭州 311121)

圖像是人們獲取外界信息的主要方式，但現(xiàn)實(shí)生活中圖像在獲取、處理、傳輸和顯示的過(guò)程中，都會(huì)難以避免地受到各種各樣外界噪聲的干擾，使得圖像的成像質(zhì)量嚴(yán)重退化，這是非常不利于后續(xù)更高層次的圖像處理任務(wù)的，比如圖像分類、目標(biāo)檢測(cè)等等[1-2]。因此，如何提高圖像的質(zhì)量，對(duì)于后續(xù)相關(guān)的圖像分析研究是非常有意義的。

圖像增強(qiáng)的方法是非常豐富多樣的，很多的學(xué)者依據(jù)自己的研究?jī)?nèi)容也在不斷地提出新的圖像增強(qiáng)算法[3-4]。首先是基于灰度變換和直方圖均衡化等空域的圖像增強(qiáng)算法，灰度變換主要通過(guò)變換函數(shù)改變像素灰度的動(dòng)態(tài)變化范圍，以增強(qiáng)圖像灰度級(jí)細(xì)節(jié)，一般包括線性變換、分段線性變換、非線性變換等等[5]；直方圖均衡化則是通過(guò)對(duì)圖像進(jìn)行非線性拉伸變換，對(duì)原始圖像的像素值進(jìn)行重新分配，使得不同灰度級(jí)別范圍內(nèi)的像素?cái)?shù)量保持均勻性[6]。在空域的基礎(chǔ)上，研究人員進(jìn)一步借助傅里葉變換等方法將圖像變換到頻率空間域后通過(guò)非線性濾波算法處理，實(shí)現(xiàn)圖像的增強(qiáng)處理，其主要包含低通濾波、高通濾波以及同態(tài)濾波等等[7]。隨著仿生視覺(jué)的發(fā)展，基于視網(wǎng)膜-大腦皮層(Retinex)理論在圖像增強(qiáng)方面也得到了快速發(fā)展與應(yīng)用，單尺度Retinex 和多尺度Retinex 圖像增強(qiáng)算法陸續(xù)被提出，在實(shí)際應(yīng)用過(guò)程中也具有比較好的效果[8]；同時(shí)在考慮到圖像存在局部細(xì)節(jié)色彩失真的情況，研究人員在多尺度Retinex 算法的基礎(chǔ)上又進(jìn)一步提出了包含色彩恢復(fù)因子的Retinex 圖像增強(qiáng)算法[9]。另外，由于深度學(xué)習(xí)在圖像處理領(lǐng)域中應(yīng)用的廣泛，對(duì)于不同的外部場(chǎng)景，研究人員也提出了很多有針對(duì)性的圖像增強(qiáng)算法，比如解決低光照強(qiáng)度下圖像增強(qiáng)的LLNet[10]和LightenNet 網(wǎng)絡(luò)[11]，以及基于生成對(duì)抗網(wǎng)絡(luò)(GAN)的低質(zhì)CT 圖像增強(qiáng)等等[12]。

然而，上述的這些方法多是利用先驗(yàn)知識(shí)消除導(dǎo)致圖像質(zhì)量退化的噪聲，使得被高斯噪聲干擾的圖像能夠被較好地增強(qiáng)。但是在實(shí)際操作過(guò)程中圖像質(zhì)量退化過(guò)程的信息往往是比較匱乏的，這也導(dǎo)致模型參數(shù)是難以被準(zhǔn)確估計(jì)的[13]。此外，傳統(tǒng)的方法多是盡可能把噪聲作為干擾而加以消除，然后保留圖像中的有用信號(hào)。這種策略對(duì)處理高信噪比圖像是有效果的，但對(duì)于噪聲與有用信號(hào)的特征差異很細(xì)微的低信噪比圖像，最終也是很難取得理想的圖像增強(qiáng)結(jié)果[14]。在近些年來(lái)，當(dāng)Benzi 等人[15]在研究周期性復(fù)發(fā)的冰河期問(wèn)題時(shí)，發(fā)現(xiàn)在偏心率如此小的周期性下，地球的氣候不足以發(fā)生這么大的變化，為了合理地解釋這種現(xiàn)象，他們提出了雙穩(wěn)態(tài)的非線性氣候模型，完美地解釋了周期性冰河期的原因，并將這種現(xiàn)象稱之為隨機(jī)共振。自此之后，隨機(jī)共振吸引了大批學(xué)者的研究關(guān)注，同時(shí)為噪聲與弱信號(hào)的處理提供了一種新的思路。部分學(xué)者利用隨機(jī)共振機(jī)制在處理相關(guān)圖像任務(wù)時(shí)也取得了很好的實(shí)驗(yàn)結(jié)果，比如Marks 等[16]研究了閾值系統(tǒng)在圖像增強(qiáng)方面的應(yīng)用，使得含噪聲圖像能夠具有最佳的視覺(jué)效果。

因此，本文受隨機(jī)共振思路的啟發(fā)，提出一種基于FHN 神經(jīng)元自適應(yīng)的多特征并行通道級(jí)聯(lián)隨機(jī)共振圖像增強(qiáng)方法。首先將原始圖像分解為朝向、亮度以及亮度對(duì)比度等特征信息獨(dú)立通道；然后構(gòu)建基于遺傳算法的自適應(yīng)隨機(jī)共振多特征并行通道對(duì)信息流進(jìn)行并行處理，通過(guò)遺傳算法來(lái)確定每一個(gè)通道FHN 神經(jīng)元隨機(jī)共振系統(tǒng)的最優(yōu)參數(shù)，以實(shí)現(xiàn)特定噪聲自適應(yīng)最優(yōu)FHN 神經(jīng)元參數(shù)設(shè)置；最終對(duì)多通道的輸出特征增強(qiáng)信息進(jìn)行融合，再通過(guò)一個(gè)級(jí)聯(lián)的FHN 神經(jīng)元模型對(duì)融合后的信息流進(jìn)行深度優(yōu)化，實(shí)現(xiàn)FHN 神經(jīng)元非線性系統(tǒng)和帶噪聲輸入圖像的最佳匹配，達(dá)到噪聲、圖像輸入信號(hào)以及FHN 神經(jīng)元三者之間的隨機(jī)共振，完成對(duì)原始輸入圖像增強(qiáng)的目的。

1 基本原理

圖像由于受到采集設(shè)備以及外界噪聲干擾的原因，會(huì)導(dǎo)致圖像質(zhì)量出現(xiàn)不同程度的退化，這種圖片質(zhì)量的下降往往會(huì)對(duì)后續(xù)圖像處理任務(wù)產(chǎn)生直接的影響，傳統(tǒng)的方法也大多采用濾波等方法去除圖像中存在的噪聲，這具有一定的局限性。受隨機(jī)共振思路的啟發(fā)，將輸入圖像進(jìn)行降維，利用隨機(jī)共振系統(tǒng)，將圖像中存在的噪聲有效利用實(shí)現(xiàn)對(duì)退化圖像的有效增強(qiáng)。因此對(duì)于特定的受噪聲干擾的原始輸入圖像信號(hào)，如何尋找合適的共振系統(tǒng)參數(shù)就成為了非常重要的研究?jī)?nèi)容。為了避免圖像信息特征的單一性，本文將輸入圖像的朝向、亮度以及亮度對(duì)比度等關(guān)鍵特征信息提取出來(lái)，建立單獨(dú)特征通道；然后在每一個(gè)特征通道上構(gòu)建FHN 神經(jīng)元自適應(yīng)求解的隨機(jī)共振方法，建立多特征通道并行信息處理的機(jī)制，并通過(guò)遺傳算法自動(dòng)快速迭代求解確定每一個(gè)通道FHN 神經(jīng)元隨機(jī)共振系統(tǒng)的最優(yōu)參數(shù)，以實(shí)現(xiàn)不同特征信息通道的最優(yōu)輸出；然后通過(guò)對(duì)特征獨(dú)立通道的最優(yōu)輸出特征增強(qiáng)信息進(jìn)行融合，再通過(guò)一個(gè)級(jí)聯(lián)FHN 神經(jīng)元對(duì)并行特征通道融合數(shù)據(jù)做深度優(yōu)化，實(shí)現(xiàn)FHN 神經(jīng)元非線性系統(tǒng)和帶噪聲輸入圖像的最佳匹配，實(shí)現(xiàn)輸入圖像信噪比的增強(qiáng)，方法原理的整體結(jié)構(gòu)圖如圖1 所示。

圖1 多通道自適應(yīng)FHN 神經(jīng)元隨機(jī)共振原理框圖

1.1 FHN 神經(jīng)元模型隨機(jī)共振機(jī)制

在上世紀(jì)50 年代Hodgkin 和Huxley[17]基于烏賊巨軸突的大量電生理實(shí)驗(yàn)數(shù)據(jù)建立了著名的Hodgkin-Huxley(H-H)模型，可以很好地用來(lái)研究神經(jīng)元的相關(guān)脈沖發(fā)放特性，在保留H-H 模型生物特性的基礎(chǔ)上FitzHugh 和Nagumo[18]通過(guò)一定的簡(jiǎn)化，提出了二維FHN 神經(jīng)元模型，具體表達(dá)形式如下:

為便于計(jì)算，本文考慮高斯白噪聲激勵(lì)下簡(jiǎn)化的一維FHN 神經(jīng)元模型，在外加信號(hào)刺激的情況下，其Langevin 方程模型如下:

確定性方程的勢(shì)函數(shù)為

式中，v、u分別表示FHN 神經(jīng)元的膜電壓動(dòng)作電位與離子通道慢過(guò)程恢復(fù)變量；a反映了膜電壓動(dòng)作電位v的快變程度，b反映了離子通道慢過(guò)程恢復(fù)變量u對(duì)系統(tǒng)的影響，γ為正常數(shù)；s(t)為輸入信號(hào)，ξ(t)為高斯白噪聲。令，當(dāng)系統(tǒng)參數(shù)b/γ＜時(shí)，勢(shì)函數(shù)有兩個(gè)穩(wěn)定點(diǎn):其中，vsp1表示神經(jīng)元細(xì)胞的膜電位處于靜息狀態(tài)，vsp2則表示神經(jīng)元細(xì)胞的膜電位處于激發(fā)態(tài)；以及一個(gè)不穩(wěn)定的點(diǎn)vup，具體表達(dá)式如下:

通過(guò)消融實(shí)驗(yàn)可以發(fā)現(xiàn)當(dāng)FHN 神經(jīng)元的參數(shù)b和γ保持固定不變時(shí)，通過(guò)改變參數(shù)a使其逐漸增大，此時(shí)勢(shì)函數(shù)的穩(wěn)定點(diǎn)會(huì)由一個(gè)演變?yōu)閮蓚€(gè)再變?yōu)橐粋€(gè)，二者的勢(shì)阱深度也會(huì)動(dòng)態(tài)變化，一個(gè)加深另一個(gè)則相應(yīng)地減弱，不穩(wěn)定點(diǎn)則會(huì)跟著發(fā)生相應(yīng)的改變，其具體變化如圖2(a)所示；同理，當(dāng)FHN神經(jīng)元的參數(shù)a和γ保持固定不變時(shí)，通過(guò)改變參數(shù)b使其逐漸增大，神經(jīng)元細(xì)胞的膜電位處于靜息狀態(tài)時(shí)的勢(shì)阱變化不大，而神經(jīng)元細(xì)胞膜電位處于激發(fā)態(tài)時(shí)的勢(shì)阱深度則會(huì)慢慢減小，直至變得不再穩(wěn)定，具體如圖2(b)所示。

圖2 FHN 神經(jīng)元系統(tǒng)中勢(shì)函數(shù)的示意圖

通過(guò)上面的分析，在輸入信號(hào)和噪聲一定的情況下，如何確定一維非線性FHN 神經(jīng)元模型最優(yōu)的系統(tǒng)參數(shù)a和b，使經(jīng)過(guò)隨機(jī)共振系統(tǒng)輸出信號(hào)的信噪比相對(duì)于輸入信號(hào)的信噪比之間的信噪比增益可以達(dá)到最大值，便成為了一個(gè)非常具有價(jià)值的研究方向。針對(duì)這種情況，本文提出了基于遺傳算法的FHN 神經(jīng)元系統(tǒng)多參數(shù)自適應(yīng)隨機(jī)共振的弱信號(hào)增強(qiáng)方法。

1.2 隨機(jī)共振信號(hào)增強(qiáng)評(píng)價(jià)指標(biāo)

圖像增強(qiáng)效果的評(píng)價(jià)方法一般可以分為主觀評(píng)價(jià)和客觀評(píng)價(jià)，而主觀評(píng)價(jià)很容易受到觀察者個(gè)體不同主觀因素的影響，所以本文采用峰值信噪比(Peak Signal to Noise Ratio，PSNR)作為FHN 神經(jīng)元隨機(jī)共振效應(yīng)的評(píng)價(jià)指標(biāo)，同時(shí)也是本文作為參數(shù)優(yōu)化算法的適應(yīng)度函數(shù)，是一種使用比較廣泛且客觀的圖像質(zhì)量評(píng)價(jià)方法[19]，其具體計(jì)算方式如式(5)、式(6)所示:

式中，MSE 表示增強(qiáng)后的復(fù)原圖像與原始圖像的均方誤差，M和N分別表示增強(qiáng)后的復(fù)原圖像和原始圖像的行數(shù)和列數(shù)，I(i，j)和K(i，j)分別表示原始圖像和增強(qiáng)復(fù)原后圖像的第i行和j列的像素灰度值，L表示實(shí)驗(yàn)圖像的灰度等級(jí)。

1.3 自適應(yīng)FHN 神經(jīng)元隨機(jī)共振多參數(shù)優(yōu)化

目前針對(duì)隨機(jī)共振系統(tǒng)參數(shù)自適應(yīng)優(yōu)化主要有蟻群算法、魚(yú)群算法等優(yōu)化方法[20]，本文采用遺傳算法，對(duì)各個(gè)特征獨(dú)立通道以及級(jí)聯(lián)中使用的FHN 神經(jīng)元隨機(jī)共振系統(tǒng)的參數(shù)a、b進(jìn)行自適應(yīng)實(shí)時(shí)同步優(yōu)化，并將上述介紹的PSNR 評(píng)價(jià)指標(biāo)作為適應(yīng)度函數(shù)，構(gòu)建以多通道并-級(jí)聯(lián)FHN 神經(jīng)元模型為核心的自適應(yīng)最優(yōu)隨機(jī)共振系統(tǒng)，具體結(jié)構(gòu)如圖3 所示。

圖3 基于遺傳算法優(yōu)化FHN 神經(jīng)元參數(shù)示意圖

首先，定義不同特征通道下的FHN 神經(jīng)元系統(tǒng)參數(shù)a、b的搜索空間和精度，設(shè)aε[amin，amax]，bε[bmin，bmax]，搜索精度δa＝0.1，δb＝0.01。并根據(jù)系統(tǒng)參數(shù)的搜索空間和搜索精度，將系統(tǒng)參數(shù)a、b二進(jìn)制編碼長(zhǎng)度分別設(shè)為u_la、u_lb，本實(shí)驗(yàn)根據(jù)FHN 神經(jīng)元參數(shù)變化特性，可以令u_la＝4、u_lb＝4，即:

對(duì)系統(tǒng)參數(shù)a、b進(jìn)行整體編碼，獲取相對(duì)應(yīng)的編碼字節(jié)

其次，進(jìn)行種群初始化，本實(shí)驗(yàn)設(shè)定總的種群規(guī)模為20，然后根據(jù)隨機(jī)性選取部分個(gè)體構(gòu)成一個(gè)初始種群。同時(shí)對(duì)不同特征通道根據(jù)一維FHN 神經(jīng)元隨機(jī)共振系統(tǒng)輸出信息，計(jì)算增強(qiáng)評(píng)價(jià)指標(biāo)PSNR 作為適應(yīng)度函數(shù)，即PSNR ＝f(a，b)，根據(jù)式(5)和(6)，進(jìn)行適應(yīng)度計(jì)算，并求解出對(duì)應(yīng)的系統(tǒng)參數(shù)a、b。

最后，根據(jù)上述步驟中獲取的個(gè)體適應(yīng)度，采用輪盤賭的方式選擇優(yōu)良的個(gè)體，然后進(jìn)一步通過(guò)交叉、變異等操作形成新的種群。并設(shè)定最大迭代次數(shù)，當(dāng)滿足條件時(shí)，終止循環(huán)，并將系統(tǒng)每一個(gè)特征的獨(dú)立通道計(jì)算的最大輸出PSNR 對(duì)應(yīng)的系統(tǒng)參數(shù)a、b，作為各自獨(dú)立通道FHN 神經(jīng)元隨機(jī)共振系統(tǒng)的最優(yōu)參數(shù)。

2 實(shí)驗(yàn)結(jié)果及分析

本文所有的實(shí)驗(yàn)均在Ubuntu 20.04 LTS 版本上安裝MATLAB R2016b 版本進(jìn)行實(shí)驗(yàn)，主要硬件包括AMD Ryzen 5 5600H 的CPU 和16GB 的內(nèi)存。另外，本文以本實(shí)驗(yàn)室基于常規(guī)微生物學(xué)實(shí)驗(yàn)需要而采集的菌落圖作為實(shí)驗(yàn)對(duì)象，采用仿自然光懸浮式暗視野系統(tǒng)，以F/1.4 大光圈鏡頭，對(duì)培養(yǎng)后皮氏培養(yǎng)皿上所生長(zhǎng)的菌落進(jìn)行了千萬(wàn)像素級(jí)的成像。

本實(shí)驗(yàn)從采集的菌落圖像中，隨機(jī)挑選5 張菌落圖分別命名為Colony_1、Colony_2、Colony_3、Colony_4 和Colony_5，然后分別使用全局直方圖均衡化、低通濾波、單尺度Retinex、多尺度Retinex 以及本文提出的圖像增強(qiáng)算法在隨機(jī)挑選的5 張菌落圖上進(jìn)行實(shí)驗(yàn)，菌落圖增強(qiáng)實(shí)驗(yàn)結(jié)果如圖4 所示。其中，第1 行為菌落實(shí)驗(yàn)原圖；第2 行為全局直方圖均衡化菌落增強(qiáng)結(jié)果圖；第3 行為低通濾波菌落增強(qiáng)結(jié)果圖；第4 行為單尺度Retinex 算法菌落增強(qiáng)結(jié)果圖；第5 行為多尺度Retinex 算法菌落增強(qiáng)結(jié)果圖；第6 行為本文算法菌落增強(qiáng)結(jié)果圖。

圖4 菌落示意圖

通過(guò)對(duì)菌落圖實(shí)驗(yàn)結(jié)果的直觀觀察，可以發(fā)現(xiàn)利用全局直方圖均衡化對(duì)Colony_1～Colony_5 實(shí)驗(yàn)菌落圖像進(jìn)行增強(qiáng)處理后，增強(qiáng)圖像具有更高的對(duì)比度，圖像銳化效果比較突出，但這也會(huì)導(dǎo)致圖像背景發(fā)生較大的失真，丟失部分原圖像的背景信息，細(xì)節(jié)信息缺失，增強(qiáng)后的菌落圖像顆粒感明顯，噪聲無(wú)法得到有效的抑制。低通濾波算法增強(qiáng)處理后的結(jié)果相對(duì)原圖的邊緣細(xì)節(jié)部分變得模糊，甚至部分小的細(xì)菌會(huì)被當(dāng)成噪聲濾除了，這種現(xiàn)象在Colony_1 和Colony_2 這種細(xì)節(jié)信息豐富的菌落圖像中是比較明顯的，同時(shí)也可以發(fā)現(xiàn)，經(jīng)過(guò)低通濾波后增強(qiáng)的圖像菌落和背景圖之間的對(duì)比度沒(méi)有得到有效的改善。單尺度Retinex算法則會(huì)導(dǎo)致菌落圖像目標(biāo)區(qū)域與背景區(qū)域的對(duì)比度下降，增強(qiáng)后的菌落圖像細(xì)節(jié)部分不突出，整體看起來(lái)菌落圖像增強(qiáng)效果不夠明顯。多尺度Retinex 算法對(duì)于菌落圖雖然有比較好的增強(qiáng)效果，但增強(qiáng)之后的圖像失真比較嚴(yán)重，會(huì)有比較明顯的灰度化現(xiàn)象出現(xiàn)，破壞了原有圖像的色彩結(jié)構(gòu)。本文提出的方法不僅能較好地保持原有圖像的色彩結(jié)構(gòu)，同時(shí)對(duì)于細(xì)節(jié)的重構(gòu)也是比較理想的，不僅提高了菌落和背景的對(duì)比度，還能很好地解決了灰度化現(xiàn)象的問(wèn)題。

另外，為了更好地對(duì)不同算法的增強(qiáng)結(jié)果進(jìn)行量化分析，本文采用在圖像質(zhì)量評(píng)價(jià)方面比較有統(tǒng)一性的PSNR 值作為定量評(píng)價(jià)的依據(jù)，具體結(jié)果如表1 所示。通過(guò)對(duì)Colony_1～Colony_5 實(shí)驗(yàn)菌落圖上不同增強(qiáng)算法實(shí)驗(yàn)結(jié)果的分析，可以發(fā)現(xiàn)全局直方圖均衡化和單尺度Retinex 圖像增強(qiáng)算法的穩(wěn)定性和魯棒性是比較差的，對(duì)于不同的實(shí)驗(yàn)對(duì)象，PSNR 值波動(dòng)較大，全局直方圖均衡化增強(qiáng)細(xì)節(jié)比較豐富的Colony_1 和Colony_2 菌落圖像時(shí)有一定不足，而單尺度Retinex 算法則與全局直方圖均衡化有所不同，受限于尺度單一的限制，它對(duì)Colony_3、Colony_4 以及Colony_5 等相對(duì)于Colony_1 和Colony_2 細(xì)節(jié)較少的圖像表現(xiàn)比較差。多尺度Retinex 增強(qiáng)算法則解決了單尺度Retinex 算法尺度單一的缺陷，在Colony_1～Colony_5 實(shí)驗(yàn)菌落圖上具有比較好的表現(xiàn)。另外，可以發(fā)現(xiàn)低通濾波、多尺度Retinex 以及本文提出的基于FHN 神經(jīng)元自適應(yīng)的多通道隨機(jī)共振圖像增強(qiáng)算法，面對(duì)不同的實(shí)驗(yàn)對(duì)象都具有比較穩(wěn)定的表現(xiàn)，這也證明算法具有很強(qiáng)的魯棒性，可以適應(yīng)不同實(shí)驗(yàn)環(huán)境。同時(shí)通過(guò)對(duì)比，也可以明顯直觀地發(fā)現(xiàn)對(duì)于相同的實(shí)驗(yàn)對(duì)象，本文的實(shí)驗(yàn)結(jié)果是要遠(yuǎn)遠(yuǎn)優(yōu)于其他算法的，如圖5 所示，這也證明本文算法的有效性和實(shí)用價(jià)值。

表1 菌落圖在不同圖像增強(qiáng)算法下的PSNR 值

圖5 增強(qiáng)算法的PSNR 值實(shí)驗(yàn)結(jié)果可視化

同時(shí)本文對(duì)不同算法在圖像平均檢測(cè)處理速度上進(jìn)行了統(tǒng)計(jì)，如表1 所中的每秒處理幀數(shù)(Frames Per Second，F(xiàn)PS)指標(biāo)所示，根據(jù)實(shí)驗(yàn)結(jié)果顯示，本文方法雖然相對(duì)于低通濾波這種直接濾波處理速度較慢，但其PSNR 值是有較大優(yōu)勢(shì)的；另外，根據(jù)實(shí)驗(yàn)結(jié)果對(duì)比分析，本文方法在處理速度上和增強(qiáng)效果上都是優(yōu)于全局直方圖均衡化、單尺度Retinex、多尺度Retinex 等方法的。這也進(jìn)一步證明了本文方法在圖像增強(qiáng)方面的實(shí)用性和有效性。

為了進(jìn)一步闡述本文所提方法在圖像去噪方面的優(yōu)越性和一般性，本文隨機(jī)選取三幅低劑量CT腦部圖像，從圖像中可以看出由于噪聲的干擾，原始圖像整體顯示比較暗淡，輪廓與背景的對(duì)比度差異性不明顯。

圖6 是對(duì)三幅含噪圖像采用單尺度Retinex、多尺度Retinex 以及本文提出方法的處理結(jié)果圖，通過(guò)實(shí)驗(yàn)結(jié)果的對(duì)比分析，可以看到單尺度Retinex 很難去除較大強(qiáng)度的噪聲，而且經(jīng)過(guò)濾波還會(huì)對(duì)圖像產(chǎn)生模糊的作用，這樣不利于觀察圖像中的細(xì)節(jié)信息。通過(guò)多尺度Retinex 方法處理獲得的CT 腦部圖像增強(qiáng)結(jié)果圖，可以發(fā)現(xiàn)對(duì)噪聲可以產(chǎn)生一定的屏蔽作用，同時(shí)可以增強(qiáng)圖像整體亮度，但是對(duì)于噪聲強(qiáng)度較大圖像的增強(qiáng)效果并不是很好。而本文提出的基于隨機(jī)共振的方法可以很好地處理噪聲，并利用噪聲的特點(diǎn)將其與圖像信息有機(jī)統(tǒng)一，最終達(dá)到增強(qiáng)圖像的目的，這一點(diǎn)也可以從圖中看出，經(jīng)過(guò)增強(qiáng)處理之后的圖像幾乎沒(méi)有顆粒噪聲的存在，所以從圖像上看起來(lái)目標(biāo)區(qū)域與背景區(qū)域?qū)Ρ榷容^為明顯，而且能很好地實(shí)現(xiàn)噪聲能量的轉(zhuǎn)化，改善了傳統(tǒng)方法在圖像處理時(shí)細(xì)節(jié)模糊的不足，最終提高了圖像的增強(qiáng)效果。

圖6 不同增強(qiáng)算法的低劑量腦部CT 圖實(shí)驗(yàn)結(jié)果

鑒于圖像信息熵是圖像質(zhì)量評(píng)價(jià)的常用指標(biāo)，它從信息論的角度反映圖像信息豐富程度。通常情況下，圖像信息熵越大，其信息量就越豐富，質(zhì)量越好。因此為了便于更好地說(shuō)明本文提出方法的有效性，本文計(jì)算低劑量腦部CT 圖增強(qiáng)實(shí)驗(yàn)結(jié)果的信息熵值，如表2 所示，從表中實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)，對(duì)于隨機(jī)選取的三幅圖像，本文方法的信息熵是要優(yōu)于另外兩種方法的，三種方法的信息熵分別為6.638 4、6.377 9、6.539 3，這也直接表明，本文方法在對(duì)低劑量腦部CT 圖處理時(shí)，可以獲得更多的圖像細(xì)節(jié)和圖像輪廓對(duì)比度。

表2 不同增強(qiáng)算法實(shí)驗(yàn)結(jié)果信息熵值

為了證明本文方法的有效性，進(jìn)一步對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行像素分布范圍統(tǒng)計(jì)，本文利用了直方圖對(duì)不同實(shí)驗(yàn)方法圖像增強(qiáng)結(jié)果進(jìn)行分析對(duì)比，如圖7 所示，可以直觀地發(fā)現(xiàn)本文提出方法的像素等級(jí)分布，相對(duì)于單尺度Retinex 方法、多尺度Retinex 方法是更加廣泛和均衡的。另外，單尺度Retinex 方法圖像增強(qiáng)之后的直方圖分布是比多尺度Retinex 方法要狹窄的，這個(gè)結(jié)果也與表2 中的信息熵計(jì)算結(jié)果相符。

圖7 低劑量腦部CT 圖不同方法增強(qiáng)結(jié)果直方圖

4 總結(jié)與展望

本文提出利用基于遺傳算法優(yōu)化的FHN 神經(jīng)元模型的自適應(yīng)多通道隨機(jī)共振機(jī)制實(shí)現(xiàn)弱信號(hào)的增強(qiáng)算法，提高受到噪聲干擾的圖像質(zhì)量。本文提出的與傳統(tǒng)增強(qiáng)方法抑制噪聲的思路是截然不同的，主要利用非線性FHN 神經(jīng)元、圖像信號(hào)以及噪聲之間的共振協(xié)同作用，使噪聲能量向圖像信號(hào)能量實(shí)現(xiàn)轉(zhuǎn)移，從而對(duì)受到噪聲干擾的菌落圖像實(shí)現(xiàn)增強(qiáng)效果。實(shí)驗(yàn)結(jié)果表明，本文方法在菌落圖的對(duì)比度提升以及圖像細(xì)節(jié)增強(qiáng)方面，相對(duì)于傳統(tǒng)算法具有更好的實(shí)驗(yàn)效果。因此，對(duì)基于遺傳算法優(yōu)化FHN 神經(jīng)元模型的自適應(yīng)多通道隨機(jī)共振機(jī)制實(shí)現(xiàn)弱信號(hào)增強(qiáng)算法的研究為圖像增強(qiáng)處理提供一種更加新穎的思路。