基于Markov随机场模型的数字X光图像自适应增强算法

袁义 李国祥 王继军

摘要： 为明确X光图像纹理粗细和组织分布状况，强化呈现身体结构信息，降低模糊图像对医生诊断病情结果的错误判断，提出一种基于Markov随机场模型的数字X光图像自适应增强算法. 该算法首先统计X光图像全部范围内相同亮度像素，利用直方图均衡化法将原始图像变换成灰度级分布影像，消除光线干扰； 然后分析组织属性，通过灰度共生矩阵提取X光图像的纹理特征，获取图像纹理粗细和布局结构的灰度信息； 最后通过映射函数和对数函数计算平均亮度，用Markov随机场模型调整图像明暗度，补充纹理细小部位亮度，再用随机场函数划分光

滑图像，采取二次重构，以保证图像锐化增强效果平衡. 仿真实验结果表明，该算法能提升图像的内部信息清晰度.

关键词： Markov随机场模型； 数字X光图像； 图像自适应增强； 图像特征提取； 图像预处理

中图分类号： TP391.4  文献标志码： A  文章编号： 1671-5489（2023）02-0377-07

Adaptive Enhancement Algorithm of Digital X-Ray ImageBased on Markov Random Field Model

YUAN Yi1，LI Guoxiang2， WANG Jijun2，3

（1.  College of Computer Science，Hunan University of Technology，Zhuzhou 412007，Hunan Province，China;

2. School of Big Data and Artificial Intelligence， Guangxi University of Finance and Economics，Nanning 530003， China；

3. Guangxi Key Laboratory of Big Data in Finance and Economics，Nanning 530003，China）

收稿日期： 2022-03-19.

第一作者簡介： 袁 义（1981—），女，汉族，博士研究生，讲师，从事智能控制和图像处理的研究，E-mail： masterlgx@163.com. 通信作者简介：

李国祥（1984—），男，汉族，硕士，副教授，从事模式识别和人工智能的研究，E-mail： liguoxian@gxufe.edu.cn.

基金项目： 国家自然科学基金（批准号： 62162006； 71862003）、 广西高校中青年教师基础能力提升项目（批准号： 2020KY16021； 2021KY0650）和广西

多源信息挖掘与安全重点实验室开放基金（批准号： MIMS18-05； MIMS17-02）.

Abstract： In order to clarify the texture thickness and tissue distribution of the X-ray image，enhance the presentation of body structure information，and reduce the

wrong judgment of fuzzy image on doctors  diagnosis results，we proposed an adaptive enhancement algorithm of digital X-ray image based on Markov random field mo

del. Firstly，the algorithm counted the pixels with the same brightness in the whole range of X-ray image，and the histogram equalization method was used to transform the original image into gray level distribution imag

e  to eliminate light interference. Secondly，we analyzed the organization attributes，extracted the texture features of X-ray image through gra

y level co-occurrence matrix，and obtained the gray level information of image texture thickness and layout structure. Finally，the average brightness was calculated by

the mapping function and logarithmic function，the Markov random field model was used to adjust the brightness of the image，supplement the brightness of small

parts of the texture，then the smooth image was divided by the random field function，and the  secondary reconstruction was adopted to ensure the balance of image sharpening and enh

ancement effect. The simulation results show that the proposed algorithm can improve the internal information clarity of the image.

Keywords： Markov random field model; digital X-ray image; image adaptive enhancement; image feature extraction; image preprocessing

X光成像技术在医学检查诊断和临床治疗领域应用广泛，X光图像能穿透病区表皮，呈现出内部组织结构，但易受外界因素干扰，出现少许模糊，使图像灰度分布不均匀. 且人类肉眼观察有限，医生在查看图像时，可能分辨不出极其微小的灰度差距，极难区别灰度值较相近的纹理组织和结构状态. 为调节图像中的模糊区域，并突出患处亮度位置的细节问题，更好地显示病人体内需要照射组织结构的细微部分，帮助医生准确了解患者身体状况及精准指出存在问题的位置，需要对数字X光图像进行增强处理.

基于此，刘月琴等［1］将图像转到HSV（色调、 饱和度、 明度颜色模型）空间，通过感知对比度的敏感性，判断图像内中心活跃区和周围抑制区，计算同心圆双高斯差进行自适应调节，同时均匀量化模型参数，对比度高的用小模型参数，反之用大参数，再将图像转换到RGB（红绿蓝色彩模式）空间，同理操作，从而完成图像自适应增强； 王瑞尧等［2］通过最大差值圖估出原始光照分量，先利用交替引导滤波对分量进行修正，再根据取得的分量调整伽马变换参数，消除不均匀光照，实现图像增强.

但上述算法在增强图像亮度的同时也会出现曝光或模糊，X光图像的细节部分仍不明显，导致图像整体增强效果不理想. 因此，本文提出一种基于Markov随机场模型的数字X光图像自适应增强算法. 利用直方图灰度均衡化去除干扰，将原始图像直方图转换成相似的均匀直方图，使图像每个区域都存在灰度级. 并将X光图像内纹理特征提取出来，进行亮度增强，调整图像明暗度，然后对图像全局映射锐化增强，利用随机场函数鼓励点周围分割光滑图像，不会过度增强像素，考虑到较远位置可能不涉及，需要二次先验，更好地减少像素波动，求导后的增益系数［3］可控制锐化增强效果平衡. 仿真实验结果表明，本文方法对图像自适应增强效果更佳，图像清晰，亮度适中.

4 仿真实验分析

为证明本文算法对X光图像自适应增强的有效性，进行仿真实验. 本文选取两张X光图像作为实验样本，其中一张为脊椎X光图像，另一张为手部X光图像.

先对两张原始的X光图像进行预处理. 图1为输入的原始X光图像. 由图1可见，脊椎和手部结构都不清晰，导致医生在观察图像细节部位时会受到较大干扰. 图2为通过均衡化处理后得到的X光图像.

对比图1和图2可见，处理后的图像更清晰，这是因为本文用均衡化方法对图像进行了灰度处理，去除了噪声和外界干扰，加强了图像局部关节区域特征，为整体骨骼纹理特征提取奠定了基础.

实验预处理后，将呈现效果相同的两张X光图像作为样本，用视觉感受野算法［1］、 伽马变换算法［2］和本文算法对脊椎和手部X光图像进行增强处理对比，结果分别如图3～图5所示. 由图3可见，图像增强效果不理想，虽然图像亮度较好，但图中部分脊椎纹理和手部关节出现曝光，看不出图像内信息，失去观察价值.

由图4可见，与图3相比，图4中图像光线较暗，但未出现图像曝光. 图像视觉效果较模糊，虽能看见脊椎纹理特征和手部关节，但不清晰，不能明显看出X光图像中患者的结构是否正常.

由图5可见，与图3和图4相比，本文算法处理的图像亮度正常，没有过度曝光也不模糊，能清晰观察到脊椎及手部情况. 表明基于本文算法下的图像自适应增强效果较好.

用MATLAB软件量化本文方法对X光图像增强前后的灰度值. 首先将原始图像输入且将其灰度化，其次计算已知灰度图像每个像素块的灰度级，绘制出相对应的灰度值直方图，如图6所示.

由图6可见，用本文算法对X光图像增强后图像灰度级频率增加，客观上数值均衡，证明了本文方法无论在主观视觉还是客观量化上都能得到理想结果.

综上所述，本文针对数字X光图像在照射时会因为外界干扰因素导致图像模糊的问题，提出了一种基于Markov随机场模型的数字X光图像自适应增强算法.

该算法首先通过对图像灰度均衡化预处理，得到图像灰度级； 然后描述纹理特征构成相关矩阵，基于Markov随机场进行图像自适应增强，采取全局映射，不会过度曝光和重影； 最后利

用二次能量函数重构图像，增强图像的锐化效果. 仿真实验结果表明，本文算法对脊椎和手部X光图像进行增强处理，图像亮度正常，没有过

度曝光也不模糊，能清晰观察到脊椎及手部情况，说明本文算法的X光图像自适应增强效果更佳.

参考文献

［1］ 刘月琴，赖惠成，高古学，等. 基于视觉感受野的夜间彩色图像自适应增强算法 ［J］. 激光杂志，2020，41（2）： 92-97. （

LIU Y Q，LAI H C，GAO G X，et al. Adaptive Night Color Image Enhancement Based on Visual Receptive Fields ［J］. Laser Journal，2020，41（2）： 92-97.）

［2］ 王瑞尧，岳雪亭，周志青，等. 最大差值图决策的低照度图像自适应增强算法 ［J］. 计算机应用，2020，40（4）： 1164-1170.

（WANG R Y，YUE X T，ZHOU Z Q，et al. Adaptive Enhancement Algorithm of Low Illumination Image Based on Maximum Difference Image Decision ［J］.

Journal of Computer Applications，2020，40（4）： 1164-1170.）

［3］ 熊铃铃，林珊玲，林志贤，等. 改进电润湿电子纸图像自适应增强算法 ［J］. 电子技术应用，2021，47（11）： 76-80. （

XIONG L L，LIN S L，LIN Z X，et al. Improved Image Adaptive Enhancement Algorithm for Electrowetting Electronic Paper ［J］. Application of Electronic Technique，2021，47（11）： 76-80.）

［4］ 王晓红，翟焱修，麻祥才. 基于NSST多尺度自适应的Retinex低照度图像增强算法 ［J］. 包装工程，2020，41（3）： 211-217. （

WANG X H，ZHAI Y X，MA X C. Retinex Low Light Image Enhancement Algorithm Based on Multi-scale Adaptive NSST ［J］. Packaging Engineering，2020，41（3）： 211-217.）

［5］ 杨先凤，李小兰，贵红军. 改进的自适应伽马变换图像增强算法仿真 ［J］. 计算机仿真，2020，37（5）： 241-245. （

YANG X F，LI X L，GUI H J. Image Enhancement Algorithm Simulation Based on Improved Adaptive Gamma Transformation ［J］. Computer Simulation，2020，37（5）： 241-245.）

［6］ PANETTA K，KEZEBOU L，OLUDARE V，et al. Comprehensive Underwater Object Tracking Benchmark Dataset and Underwater Image Enhancement w

ith GAN ［J］. IEEE Journal of Oceanic Engineering，2021，47（1）： 59-75.

［7］ 林森，迟凯晨，李文涛，等. 基于优势特征图像融合的水下光学图像增强 ［J］. 光子学报，2020，49（3）： 209-221. （

LIN S，CHI K C，LI W T，et al. Underwater Optical Image Enhancement Based on Dominant Feature Image Fusion ［J］. Acta Photonica Sinica，2020，49（3）： 209-221.）

［8］ 陆展鸿，单鲁斌，苏立循，等. 基于U-Net的掌纹图像增强与ROI提取 ［J］. 北京航空航天大学学报，2020，46（9）： 1807-1816. （

LU Z H，SHAN L B，SU L X，et al. Palmprint Enhancement and ROI Extraction Based on U-Net ［J］. Journal of Beijing University of Aeronautics and Astronautics，2020，46（9）： 1807-1816.）

［9］ XU Y D，YANG C，SUN B B，et al. A Novel Multi-scale Fusion Framework for Detail-Preserving Low-Light Image Enhancement ［J］. Information Sciences，2021，548（12）： 378-397.

［10］ 李庆忠，王丰凯. 基于直方图自适应拉伸的水下图像增强算法 ［J］. 计算机应用研究，2020（增刊1）： 408-411. （LI Q Z，WANG F K. Unde

rwater Image Enhancement Algorithm Based on Adaptive Histogram Stretching ［J］. Application Research of Computers，2020（Suppl 1）： 408-411.）

［11］ 汪子君，罗渊贻，蒋尚志，等. 基于引导滤波的自适应红外图像增强改进算法 ［J］. 光谱学与光谱分析，2020，40（11）： 3463-3467. （

WANG Z J，LUO Y Y，JIANG S Z，et al. An Improved Algorithm for Adaptive Infrared Image Enhancement Based on Guided Filtering ［J］. Spectroscopy and Spectral Analysis，2020，

40（11）： 3463-3467.）

［12］ WANG L W，LIU Z S，SIU W C，et al. Lightening Network

for Low-Light Image Enhancement ［J］. IEEE Transactions on Image Processing，2020，29： 7984-7996.

［13］ 王燕，亓祥惠，段亞西. 基于马尔科夫随机场的改进FCM图像分割算法 ［J］. 计算机工程与应用，2020，56（4）： 197-201. （

WANG Y，QI X H，DUAN Y X. Improved FCM Image Segmentation Algorithm Based on Markov Random Field ［J］. Computer Engineering and Applications，2020，56（4）： 197-201.）

［14］ 王延年，钟正. 基于LIP模型改进的自适应图像增强算法 ［J］. 国外电子测量技术，2021，40（3）： 10-15. （

WANG Y N，ZHONG Z. Improved Adaptive Image Enhancement Algorithm Based on LIP Model ［J］. Foreign Electronic Measurement Technology，2021，40（3）： 10-15.）

［15］ 段明义，卢印举，苏玉. 一种基于双特征马尔可夫随机场的图像分割方法 ［J］. 激光与光电子学进展，2020，57（22）： 166-174. （

DUAN M Y，LU Y J，SU Y. Image Segmentation Method Based on Dual Feature Markov Random Field ［J］. Laser & Optoelectronics Progress，2020，57（22）： 166-174.）

［16］ 杨佳义，陈勇. 低照度视频图像自适应补偿增强的设计与实现 ［J］. 计算机应用，2020，40（8）： 2372-2377. （

YANG J Y，CHEN Y. Design and Implementation of Adaptive Compensation Enhancement for Low-Light Video Images ［J］. Journal of Computer Applications，2020，40（8）： 2372-2377.）

［17］ 杨云，张立泽清，齐勇，等. 基于残差网络的血管内超声图像识别 ［J］. 计算机仿真，2020，37（4）： 269-273.

（YANG Y，ZHANG L Z Q，QI Y，et al. Intravascular Ultrasound Image Recognition Based on Residual Network ［J］. Computer Simulation，2020，37（4）： 269-273.）

（責任编辑： 韩 啸）