基于Markov隨機場模型的數字X光圖像自適應增強算法

袁義 李國祥 王繼軍

摘要： 為明確X光圖像紋理粗細和組織分布狀況，強化呈現身體結構信息，降低模糊圖像對醫生診斷病情結果的錯誤判斷，提出一種基于Markov隨機場模型的數字X光圖像自適應增強算法. 該算法首先統計X光圖像全部范圍內相同亮度像素，利用直方圖均衡化法將原始圖像變換成灰度級分布影像，消除光線干擾； 然后分析組織屬性，通過灰度共生矩陣提取X光圖像的紋理特征，獲取圖像紋理粗細和布局結構的灰度信息； 最后通過映射函數和對數函數計算平均亮度，用Markov隨機場模型調整圖像明暗度，補充紋理細小部位亮度，再用隨機場函數劃分光

滑圖像，采取二次重構，以保證圖像銳化增強效果平衡. 仿真實驗結果表明，該算法能提升圖像的內部信息清晰度.

關鍵詞： Markov隨機場模型； 數字X光圖像； 圖像自適應增強； 圖像特征提取； 圖像預處理

中圖分類號： TP391.4? 文獻標志碼： A? 文章編號： 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 義（1981—），女，漢族，博士研究生，講師，從事智能控制和圖像處理的研究，E-mail： masterlgx@163.com. 通信作者簡介：

李國祥（1984—），男，漢族，碩士，副教授，從事模式識別和人工智能的研究，E-mail： liguoxian@gxufe.edu.cn.

基金項目： 國家自然科學基金（批準號： 62162006； 71862003）、 廣西高校中青年教師基礎能力提升項目（批準號： 2020KY16021； 2021KY0650）和廣西

多源信息挖掘與安全重點實驗室開放基金（批準號： 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光成像技術在醫學檢查診斷和臨床治療領域應用廣泛，X光圖像能穿透病區表皮，呈現出內部組織結構，但易受外界因素干擾，出現少許模糊，使圖像灰度分布不均勻. 且人類肉眼觀察有限，醫生在查看圖像時，可能分辨不出極其微小的灰度差距，極難區別灰度值較相近的紋理組織和結構狀態. 為調節圖像中的模糊區域，并突出患處亮度位置的細節問題，更好地顯示病人體內需要照射組織結構的細微部分，幫助醫生準確了解患者身體狀況及精準指出存在問題的位置，需要對數字X光圖像進行增強處理.

基于此，劉月琴等［1］將圖像轉到HSV（色調、 飽和度、 明度顏色模型）空間，通過感知對比度的敏感性，判斷圖像內中心活躍區和周圍抑制區，計算同心圓雙高斯差進行自適應調節，同時均勻量化模型參數，對比度高的用小模型參數，反之用大參數，再將圖像轉換到RGB（紅綠藍色彩模式）空間，同理操作，從而完成圖像自適應增強； 王瑞堯等［2］通過最大差值圖估出原始光照分量，先利用交替引導濾波對分量進行修正，再根據取得的分量調整伽馬變換參數，消除不均勻光照，實現圖像增強.

但上述算法在增強圖像亮度的同時也會出現曝光或模糊，X光圖像的細節部分仍不明顯，導致圖像整體增強效果不理想. 因此，本文提出一種基于Markov隨機場模型的數字X光圖像自適應增強算法. 利用直方圖灰度均衡化去除干擾，將原始圖像直方圖轉換成相似的均勻直方圖，使圖像每個區域都存在灰度級. 并將X光圖像內紋理特征提取出來，進行亮度增強，調整圖像明暗度，然后對圖像全局映射銳化增強，利用隨機場函數鼓勵點周圍分割光滑圖像，不會過度增強像素，考慮到較遠位置可能不涉及，需要二次先驗，更好地減少像素波動，求導后的增益系數［3］可控制銳化增強效果平衡. 仿真實驗結果表明，本文方法對圖像自適應增強效果更佳，圖像清晰，亮度適中.

4 仿真實驗分析

為證明本文算法對X光圖像自適應增強的有效性，進行仿真實驗. 本文選取兩張X光圖像作為實驗樣本，其中一張為脊椎X光圖像，另一張為手部X光圖像.

先對兩張原始的X光圖像進行預處理. 圖1為輸入的原始X光圖像. 由圖1可見，脊椎和手部結構都不清晰，導致醫生在觀察圖像細節部位時會受到較大干擾. 圖2為通過均衡化處理后得到的X光圖像.

對比圖1和圖2可見，處理后的圖像更清晰，這是因為本文用均衡化方法對圖像進行了灰度處理，去除了噪聲和外界干擾，加強了圖像局部關節區域特征，為整體骨骼紋理特征提取奠定了基礎.

實驗預處理后，將呈現效果相同的兩張X光圖像作為樣本，用視覺感受野算法［1］、 伽馬變換算法［2］和本文算法對脊椎和手部X光圖像進行增強處理對比，結果分別如圖3～圖5所示. 由圖3可見，圖像增強效果不理想，雖然圖像亮度較好，但圖中部分脊椎紋理和手部關節出現曝光，看不出圖像內信息，失去觀察價值.

由圖4可見，與圖3相比，圖4中圖像光線較暗，但未出現圖像曝光. 圖像視覺效果較模糊，雖能看見脊椎紋理特征和手部關節，但不清晰，不能明顯看出X光圖像中患者的結構是否正常.

由圖5可見，與圖3和圖4相比，本文算法處理的圖像亮度正常，沒有過度曝光也不模糊，能清晰觀察到脊椎及手部情況. 表明基于本文算法下的圖像自適應增強效果較好.

用MATLAB軟件量化本文方法對X光圖像增強前后的灰度值. 首先將原始圖像輸入且將其灰度化，其次計算已知灰度圖像每個像素塊的灰度級，繪制出相對應的灰度值直方圖，如圖6所示.

由圖6可見，用本文算法對X光圖像增強后圖像灰度級頻率增加，客觀上數值均衡，證明了本文方法無論在主觀視覺還是客觀量化上都能得到理想結果.

綜上所述，本文針對數字X光圖像在照射時會因為外界干擾因素導致圖像模糊的問題，提出了一種基于Markov隨機場模型的數字X光圖像自適應增強算法.

該算法首先通過對圖像灰度均衡化預處理，得到圖像灰度級； 然后描述紋理特征構成相關矩陣，基于Markov隨機場進行圖像自適應增強，采取全局映射，不會過度曝光和重影； 最后利

用二次能量函數重構圖像，增強圖像的銳化效果. 仿真實驗結果表明，本文算法對脊椎和手部X光圖像進行增強處理，圖像亮度正常，沒有過

度曝光也不模糊，能清晰觀察到脊椎及手部情況，說明本文算法的X光圖像自適應增強效果更佳.

參考文獻

［1］ 劉月琴，賴惠成，高古學，等. 基于視覺感受野的夜間彩色圖像自適應增強算法 ［J］. 激光雜志，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］ 王瑞堯，岳雪亭，周志青，等. 最大差值圖決策的低照度圖像自適應增強算法 ［J］. 計算機應用，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］ 熊鈴鈴，林珊玲，林志賢，等. 改進電潤濕電子紙圖像自適應增強算法 ［J］. 電子技術應用，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］ 王曉紅，翟焱修，麻祥才. 基于NSST多尺度自適應的Retinex低照度圖像增強算法 ［J］. 包裝工程，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］ 楊先鳳，李小蘭，貴紅軍. 改進的自適應伽馬變換圖像增強算法仿真 ［J］. 計算機仿真，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，遲凱晨，李文濤，等. 基于優勢特征圖像融合的水下光學圖像增強 ［J］. 光子學報，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］ 陸展鴻，單魯斌，蘇立循，等. 基于U-Net的掌紋圖像增強與ROI提取 ［J］. 北京航空航天大學學報，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］ 李慶忠，王豐凱. 基于直方圖自適應拉伸的水下圖像增強算法 ［J］. 計算機應用研究，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，羅淵貽，蔣尚志，等. 基于引導濾波的自適應紅外圖像增強改進算法 ［J］. 光譜學與光譜分析，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. 基于馬爾科夫隨機場的改進FCM圖像分割算法 ［J］. 計算機工程與應用，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，鐘正. 基于LIP模型改進的自適應圖像增強算法 ［J］. 國外電子測量技術，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］ 段明義，盧印舉，蘇玉. 一種基于雙特征馬爾可夫隨機場的圖像分割方法 ［J］. 激光與光電子學進展，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］ 楊佳義，陳勇. 低照度視頻圖像自適應補償增強的設計與實現 ［J］. 計算機應用，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］ 楊云，張立澤清，齊勇，等. 基于殘差網絡的血管內超聲圖像識別 ［J］. 計算機仿真，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.）

（責任編輯： 韓 嘯）