基于FOA优化模糊集的图像增强研究

刘定一

(三江学院 计算机基础教学部，江苏 南京 210012)



基于FOA优化模糊集的图像增强研究

刘定一

(三江学院 计算机基础教学部，江苏 南京 210012)

医学图像在采集和传输过程中，容易受到噪声的干扰而变得模糊不清，传统的模糊增强算法存在计算量大、适应性差和控制参数凭借经验由手动进行调整和控制，存在效率和增强效果较差的缺点，使得图像增强结果较差，无法达到最佳增强效果。果蝇优化算法存在调整参数少、计算量小、全局最优和快速寻优的能力，将果蝇优化算法引入医学图像模糊增强，以模糊熵为图像增强效果的评价指标，通过果蝇优化算法自动寻优实现图像模糊增强的参数的自适应选择。实验结果表明，果蝇优化算法优化可以有效地将医学图像变得清晰，同时可以突出某些特征，有效地改善了医学图像的视觉效果；与此同时，在保证图像增强结果的情况下，实现模糊增强参数的自适应选择。

果蝇优化算法；图像处理；适应度函数；模糊增强；模糊熵

引言

医学图像在实际的采集和传输过程中，极易被噪声污染，使得医学图像质量下降，视觉质量模糊不清，因此进行医学图像增强有利于提高医学图像的质量，同时可以增强图像区域中某些特征，增加医学图像区域对比度。目前，医学图像增强的算法包括模糊处理、频域法和空域法[1-3]。这些方法都需要人工确定渡越点和饱和点，由于这些缺点传统方法的应用受到限制。

针对传统的图像增强算法均存在计算量大、适用性差和参数需要凭经验进行人工设置等缺点，本文结合果蝇优化算法具有的快速寻优能力，提出一种基于FOA优化模糊集的医学图像自适应增强算法。通过FOA优化模糊集的医学图像增强，可以实现图像的自适应模糊增强，效果较好。

1 图像模糊处理

模糊增强由S.K. Pal等人于1981年[4-6]提出的一种新隶属度函数的图像对比度增强算法，该算法流程如下：

1) 依据公式(2)，针对不同图像和增强的目的，调整隶属度函数中的参数(Fe,Fd,gmax)，所有μmn构成的集合为模糊特征平面，gmn表示最大像素值，Fe为指数型模糊因子，Fd分为倒数型模糊因子，通过这些参数的调整可以控制模糊性大小。

因此选择好模糊参数Fe和Fd可以实现图像的有效增强。当μmn=G(gc) = 0.5时，该点叫做渡越点。渡越点gc和模糊参数的选择满足公式(1)的条件[7]：

(1)

确定渡越点gc之后，Fe已知时，由公式(2)能够计算获得Fd。

2) 通过G变换将图像从空间域映射到模糊域。

(2)

(3)

模糊增强的重点在于增强大于0.5的隶属度值μmn，同时减小小于0.5的隶属度值，达到减小G的模糊性的目的。

(4)

(a)原始图像 (b)Fe=1,Fd=32

(c)Fe=1,Fd=64 (d)Fe=1,Fd=128

(e)Fe=3,Fd=64 (f)Fe=5,Fd=64

(g)Fe=7,Fd=64

图1 不同Fe和Fd时，图像不同增强效果

2 果蝇优化算法

果蝇优化算法[11](Fruit Fly Optimization Algorithm，FOA)具有控制参数少和收敛速度快的优点，该算法模拟果蝇觅食行而提出的一种的群智能算法，算法流程如下：

Step1：初始化算法参数，果蝇群体大小popsize和最大迭代次数Iteration，果蝇初始位置为X_begin、Y_begin；

Step2：依据公式(5)和(6)，实现果蝇个体寻优方向和距离的计算；

xi=X_begin+Value×rand()

(5)

yt=Y_begin+Value×rand()

(6)

其中，xi和yi表示果蝇个体的位置，Value表示果蝇的搜索距离；

Step3：结合公式(7)和(8)，实现果蝇个体和原点之间的距离di的计算以及实现果蝇个体的味道浓度si的计算；

(7)

(8)

Step4：结合公式(9)，实现味道浓度判定函数的计算，获得果蝇个体当前位置的味道浓度；

Smellt=Funcyion(si)

(9)

Step5：搜寻到果蝇群体中最佳味道浓度值Smellb和最佳位置xb和yb；

Step6：记录并保留果蝇最佳位置和最佳味道浓度Smellbest=Snekkb，令X_begin=xb，Y_begin=yb，向果蝇群体最佳位置方向搜索；

Step7：进入寻优迭代过程，重复执行Step2-Step5，若味道浓度好于前一迭代味道浓度，则执行Step6；反之，则返回Step2-Step5。

3 FOA优化模糊增强

3.1 模糊增强的度量

图像模糊增强的效果主要是向图像信息熵减小的方向进行的，因此通过对比图像增强前后的信息熵可以实现模糊增强效果的度量[12-15]。

信息熵可由公式(10)进行定义：

(10)

其中，Pi表示归一化后的直方图

模糊熵由公式(11)进行定义：

(11)

其中，MN表示图像的尺寸大小，Sn表示Shannon函数，其中

Sn= -mA(xi)ln(mA(xi))

-(1-mA(xi))ln(1-mA(xi))

(12)

3.2 适应度函数

模糊熵是一种用来评价图像增强效果的参数，针对模糊熵主要反映图像的明亮程度，而对对比度敏感性较低，因此对模糊熵进行改进，其改进之后的表达式如公式(13)所示：

(13)

3.3 FOA模糊增强算法流程

图2FOA优化模糊集图像增强流程图

初始化时，随机产生一定数量的种群，计算每个种群所对应的Fitness(m)，寻找种群中适应度Fitness(m)的最大值，然后根据FOA算法规则更新粒子的速度和位置。直到计算给定的代数后，用寻得的最大适应度值所对应的模糊增强参数Fe,Fd进行医学图像模糊增强。

其算法步骤如下：

1)初始化果蝇群体位置和算法参数；

2)计算每个种群所对应的Fitness(m)，将个体历史最优值和群体历史最优值比较；若优于个体或群体历史最优值，则保留当前值的位置，同时更新个体或群体历史最优值，反之，则保留上一个历史最优值；

3) 按照果蝇优化位置的更新规则移动粒子到新的位置；

4)判断最大代数是否达到，若Lteration

5)以最终寻得的最大适应度值Fitness(m)所对应的模糊增强参数Fe,Fd进行医学图像模糊增强。

4 仿真实验

为了验证本文算法的有效性，设置种群大小为20，迭代次数为50，以2幅标准测试图像为测试对象，研究FOA算法图像模糊增强的效果，其增强效果如图3、图4、图5所示：

(a)Test1.jpg(a’)FOA增强图像

(b)Test2.jpg(b’)FOA增强图像

图3FOA模糊增强效果

(a)Test1.jpg(b)Test2.jpg

图4FOA模糊增强收敛图

(a)Test1.jpg原始直方图 (a’)Test1.jpg增强直方图

(b)Test2.jpg原始直方图 (b’)Test2.jpg增强直方图

图5FOA模糊增强前后直方图对比

通过FOA算法优化图像模糊增强结果对比可知，本文提出的方法可以有效地增强图像的特征，同时提高图像的视觉效果，提高效率，避免手工调整参数的不变，在保证图像质量最佳的情况下，配置最佳的模糊增强参数。

5 结论

通过将果蝇优化算法同图像模糊增强算法结合，利用果蝇优化算法优良的搜索性能，实现图像模糊增强参数的最优化选择，通过改进的模糊熵增强函数实现医学图像的模糊增强。实验结果表明，果蝇优化算法进行图像模糊增强的效果优于传统算法，有一定的工程实用价值，同时能够实现模糊增强参数的自适应调整，效率大大提高。

[1]HuaLi,HyunS.Yang.Fastandreliableimageenhancementusingfuzzyrelaxationtechnique[J].IEEETransactionsonSystems,ManandCybernetics, 2011,19(5):1276～1281.

[2]Dong-lingPeng,TieWu.Ageneralizedimageenhancementalgorithmusingfuzzysetsanditsapplication[J].Proceedingsofthe1stInternationalConferenceonMachineLearningandCybemetics,2012:820～823.

[3]H.R.Tizhoosh,G.Krell,B.Michaelis.Onfuzzyenhancementofmegavoltageimagesinradiationtherapy[J].ProceedingsoftheSixthIEEEInternationalConferenceonFuzzySystems,2007(3):1398～1404.

[4]S.K.Pal,R.A.King.Imageenhancementusingsmoothingwithfuzzysets[J].IEEETransactionsonSystems,ManandCybernetics, 2011,11(7):494～501.

[5]S.K.Pal,R.A.King.OnedgedetectionofX-rayimagesusingfuzzysets[J].IEEETransactionsonPatternAnalysisandMachineIntelligence, 2010,5(1):69～77.

[6]ZhengChunhong,JiaoLicheng,ChenXiping，YuanZhanting.AnewfastfuzzyprocessingmethodforB-scanimage[J].Proceedingsofthe4thWorldCongressonIntelligentControlandAutomation,2002:6～9.

[7]PanRonLiang,MengXiangxu.Amethodoflocalenhancementbasedonfuzzysettheory[J].Proceedingsof3`dWorldCongressonIntelligentControlandAutomation,2011(3):1751～1753.

[8]S.Mirjalili,G.G.Wand,L.Coelho,Binaryoptimizationusinghybridparticleswarmoptimizationandgravitationalsearchalgorithm[J].NeuralComputingandApplications, 2014,25(4):1423-1435.

[9]S.Mirjalili,A.Lewis,Obstaclesanddifficultiesforrobustbenchmarkproblems:Anovelpenalty-basedrobustoptimisationmethod[J].InformationSciences, 2015,13(2)：485-509.

[10]B.Javidy,Ab.Hatamlou,S.Mirjalili,Ionsmotionalgorithmforsolvingoptimizationproblems[J].AppliedSoftComputing, 2015, 5(3):72-79.

[11]Wen-TsaoPan.Anewfruitflyoptimizationalgorithm:Takingthefinancialdistressmodelasanexample[J]Knowledge-BasedSystems，2012(26) :69-74.

[12]刘金华，唐竞新，龙图景.一种改进的模糊边缘检测快速算法[J].系统仿真学报，2013,15(2):273～274.

[13]孙伟，夏良正，潘汉.一种基于模糊划分的边缘检测算法[J].中国图像图形学报，2012,9(l):18～22.

[14]WangZheng-yao,ChengZheng-xing,TangShaoJie.Thescalespaceinformationmeasurement[J].ChineseJournalofvisualfeaturesofimagebasedgraphics, 2005,10 (7): 922～928.

[15]QianHui-min,MaoYao-bin,WangZhi-quan.Mean-Shifttrackingwithself-updatingtrackingwindow[J].JournalofImageandGraphic, 2007, 12(2): 245-249.

[责任编辑：江雪]

Medical Image Enhancement Based on Fruit Flying Optimization Algorithm

LIU Ding-yi

(Sanjiang University, Nanjing 210012，China)

Medical image in the process of acquisition and transmission and susceptible to noise and blurred, the traditional fuzzy enhancement algorithm computing complexity，is with poor adaptability and control parameters by virtue of experience by hand to adjust and control, efficiency and enhance the disadvantage of poor effect, making the image enhancement results poor, it is unable to achieve the best enhancement effect. Fruit Flying Optimization Algorithm existence parameter adjustment, less calculation amount is small, global optimal and fast search optimization ability, the Drosophila optimization algorithm is introduced to the medical image fuzzy enhancement, on fuzzy entropy for image enhancement effect evaluation index, through Fruit Flying Optimization Algorithm of automatic optimization to achieve image fuzzy enhancement parameter adaptive selection. Experimental results show that the Fruit Flying optimization algorithm optimization can effectively medical image become clear, also can highlight certain features, effectively improve the visual effect of medical image; at the same time, in order to ensure the image enhancement results, fuzzy enhancement is adaptive parameter selection.

Fruit Flying Optimization Algorithm; Fuzzy Enhancement; Lmage Processing; Fitness Function; Fuzzy entropy

2016-07-18

刘定一(1983—)， 男，江苏靖江人，实验师，主要从事软件工程与高性能计算等研究。

TP391.1

A

1671-5330(2016)05-0079-04