基于FHN 神經(jīng)元自適應(yīng)多通道隨機(jī)共振圖像增強(qiáng)*

房 濤，方琳靈，劉 艷，潘樹文

(1.浙大城市學(xué)院信息與電氣工程學(xué)院，浙江 杭州 310005；2.中國移動杭州研發(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、傳輸和顯示的過程中，都會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)檢測等等[1-2]。因此，如何提高圖像的質(zhì)量，對于后續(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)自己的研究內(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，灰度變換主要通過變換函數(shù)改變像素灰度的動態(tài)變化范圍，以增強(qiáng)圖像灰度級細(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對圖像進(jìn)行非線性拉伸變換，對原始圖像的像素值進(jìn)行重新分配，使得不同灰度級別范圍內(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，對于不同的外部場景，研究人員也提出了很多有針對性的圖像增強(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)際操作過程中圖像質(zhì)量退化過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。這種策略對處理高信噪比圖像是有效果的，但對于噪聲與有用信號的特征差異很細(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，當(dāng)Benzi 等人[15]在研究周期性復(fù)發(fā)的冰河期問題時(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信息流進(jìn)行并行處理，通過遺傳算法來確定每一個(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；最終對多通道的輸出特征增強(qiáng)信息進(jìn)行融合，再通過一個(gè)級聯(lián)的FHN 神經(jīng)元模型對融合后的信息流進(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、圖像輸入信號以及FHN 神經(jīng)元三者之間的隨機(jī)共振，完成對原始輸入圖像增強(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)量的下降往往會對后續(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)對退化圖像的有效增強(qiáng)。因此對于特定的受噪聲干擾的原始輸入圖像信號，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內(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、亮度以及亮度對比度等關(guān)鍵特征信息提取出來，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，并通過遺傳算法自動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；然后通過對特征獨(dú)立通道的最優(yōu)輸出特征增強(qiáng)信息進(jìn)行融合，再通過一個(gè)級聯(lián)FHN 神經(jīng)元對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]通過一定的簡化，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)下簡化的一維FHN 神經(jīng)元模型，在外加信號刺激的情況下，其Langevin 方程模型如下:

確定性方程的勢函數(shù)為

式中，v、u分別表示FHN 神經(jīng)元的膜電壓動作電位與離子通道慢過程恢復(fù)變量；a反映了膜電壓動作電位v的快變程度，b反映了離子通道慢過程恢復(fù)變量u對系統(tǒng)的影響，γ為正常數(shù)；s(t)為輸入信號，ξ(t)為高斯白噪聲。令，當(dāng)系統(tǒng)參數(shù)b/γ＜時(shí)，勢函數(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)，通過改變參數(shù)a使其逐漸增大，此時(shí)勢函數(shù)的穩(wěn)定點(diǎn)會由一個(gè)演變?yōu)閮蓚€(gè)再變?yōu)橐粋€(gè)，二者的勢阱深度也會動態(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)的勢阱深度則會慢慢減小，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)中勢函數(shù)的示意圖

通過上面的分析，在輸入信號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)過隨機(jī)共振系統(tǒng)輸出信號的信噪比相對于輸入信號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)共振的弱信號增強(qiáng)方法。

1.2 隨機(jī)共振信號增強(qiáng)評價(jià)指標(biāo)

圖像增強(qiáng)效果的評價(jià)方法一般可以分為主觀評價(jià)和客觀評價(jià)，而主觀評價(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。

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、魚群算法等優(yōu)化方法[20]，本文采用遺傳算法，對各個(gè)特征獨(dú)立通道以及級聯(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 評價(jià)指標(biāo)作為適應(yīng)度函數(shù)，構(gòu)建以多通道并-級聯(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:

對系統(tǒng)參數(shù)a、b進(jìn)行整體編碼，獲取相對應(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，對培養(yǎng)后皮氏培養(yǎng)皿上所生長的菌落進(jìn)行了千萬像素級的成像。

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

通過對菌落圖實(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)圖像具有更高的對比度，圖像銳化效果比較突出，但這也會導(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)過低通濾波后增強(qiáng)的圖像菌落和背景圖之間的對比度沒有得到有效的改善。單尺度Retinex算法則會導(dǎo)致菌落圖像目標(biāo)區(qū)域與背景區(qū)域的對比度下降，增強(qiáng)后的菌落圖像細(xì)節(jié)部分不突出，整體看起來菌落圖像增強(qiáng)效果不夠明顯。多尺度Retinex 算法對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比度，還能很好地解決了灰度化現(xiàn)象的問題。

另外，為了更好地對不同算法的增強(qiáng)結(jié)果進(jìn)行量化分析，本文采用在圖像質(zhì)量評價(jià)方面比較有統(tǒng)一性的PSNR 值作為定量評價(jià)的依據(jù)，具體結(jié)果如表1 所示。通過對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，對于不同的實(shí)驗(yàn)對象，PSNR 值波動較大，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Colony_3、Colony_4 以及Colony_5 等相對于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，面對不同的實(shí)驗(yàn)對象都具有比較穩(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)通過對比，也可以明顯直觀地發(fā)現(xiàn)對于相同的實(shí)驗(yàn)對象，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)本文對不同算法在圖像平均檢測處理速度上進(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)勢的；另外，根據(jù)實(shí)驗(yàn)結(jié)果對比分析，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，輪廓與背景的對比度差異性不明顯。

圖6 是對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，通過實(shí)驗(yàn)結(jié)果的對比分析，可以看到單尺度Retinex 很難去除較大強(qiáng)度的噪聲，而且經(jīng)過濾波還會對圖像產(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)過增強(qiáng)處理之后的圖像幾乎沒有顆粒噪聲的存在，所以從圖像上看起來目標(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不同實(shí)驗(yàn)方法圖像增強(qiáng)結(jié)果進(jìn)行分析對比，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分布，相對于單尺度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、圖像信號以及噪聲之間的共振協(xié)同作用，使噪聲能量向圖像信號能量實(shí)現(xiàn)轉(zhuǎn)移，從而對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比度提升以及圖像細(xì)節(jié)增強(qiáng)方面，相對于傳統(tǒng)算法具有更好的實(shí)驗(yàn)效果。因此，對基于遺傳算法優(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。