基于改進(jìn)細(xì)菌覓食優(yōu)化的彩超圖像增強(qiáng)算法

宛 楠，葉明全

(1.皖南醫(yī)學(xué)院 醫(yī)學(xué)信息學(xué)院，安徽 蕪湖 241002；2.皖南醫(yī)學(xué)院 健康大數(shù)據(jù)挖掘與應(yīng)用研究中心，安徽 蕪湖 241002)

為了醫(yī)療或醫(yī)學(xué)研究的需要，醫(yī)學(xué)影像[1]技術(shù)以非侵入方式對(duì)人體或人體某部分取得內(nèi)部組織影像并進(jìn)行分析和處理，以便獲得可靠的醫(yī)(療)學(xué)輔助證據(jù)。隨著醫(yī)學(xué)影像技術(shù)快速的發(fā)展，其在疾病預(yù)防和診斷中變得極為重要。目前常見的醫(yī)學(xué)影像技術(shù)主要包括X射線、超聲波、伽馬射線、磁共振、光學(xué)攝影(內(nèi)視鏡)等等，其中對(duì)人體輻射且創(chuàng)傷較小的為超聲波的醫(yī)學(xué)影像技術(shù)，本文的研究即是針對(duì)于彩色多普勒超聲(簡(jiǎn)稱彩超)圖像而進(jìn)行的。由彩色多普勒超聲診斷儀發(fā)出超聲波，并收集返回聲波信號(hào)，這些信號(hào)用光點(diǎn)的形式顯示出來(lái)，從而形成2D圖像，光點(diǎn)的亮暗程度表示返回聲波的大小，從而形成了2D灰度圖像，而后診斷系統(tǒng)采用自相關(guān)等技術(shù)進(jìn)行信號(hào)處理并經(jīng)過(guò)偽彩色映射，將其疊加到2D灰度圖像就形成了彩超圖像。受彩超圖像成像原理限制，大多數(shù)彩超設(shè)備在成像中必須加入自適應(yīng)圖像增強(qiáng)過(guò)程。

目前，并沒(méi)有專門針對(duì)于彩超圖像設(shè)計(jì)的圖像增強(qiáng)算法，多數(shù)情況下彩超圖像增強(qiáng)仍沿用經(jīng)典的圖像增強(qiáng)技術(shù)，其中主要包括基于直方圖變換[2]、基于小波變換[3]和基于視覺感知[4]算法等，然而這些算法應(yīng)用在彩超圖像增強(qiáng)并不能得到很好的結(jié)果。為了避免由于設(shè)備的問(wèn)題帶來(lái)的診斷失誤，彩超圖像的增強(qiáng)方法需要提高自適應(yīng)性和智能性，并減少人為介入，這樣才能使彩超技術(shù)得到更廣泛的應(yīng)用。

大多數(shù)的群智能優(yōu)化算法的研究都需要借鑒自然界中生物的進(jìn)化或群體性社會(huì)行為，繼而建立抽象數(shù)學(xué)模型，證明其在某種給定狀態(tài)下一致收斂，最后給出求解方法。群智能優(yōu)化算法尤其適合于那些目標(biāo)函數(shù)非連續(xù)可微、甚至無(wú)法定義明確的目標(biāo)函數(shù)的任務(wù)，具有對(duì)優(yōu)化函數(shù)解析要求低、適合高維、多態(tài)等復(fù)雜問(wèn)題的優(yōu)點(diǎn)。在應(yīng)用這些優(yōu)化算法時(shí)，首先要定義圖像增強(qiáng)的目標(biāo)函數(shù)，比如：馬拉加坦等人[5]針對(duì)低對(duì)比度圖像中像素強(qiáng)度的動(dòng)態(tài)范圍有限的，圖像對(duì)比度，不能完全揭示圖像中的細(xì)節(jié)等問(wèn)題，引入粒子群智能優(yōu)化算法，設(shè)計(jì)了圖像對(duì)比度的對(duì)數(shù)似然函數(shù)作為目標(biāo)函數(shù)，以便給出圖像增強(qiáng)與否的決策，迭代收斂后獲得了較好的增強(qiáng)效果。葉志偉等人[6]設(shè)計(jì)的目標(biāo)函數(shù)則是大多數(shù)智能優(yōu)化算法均會(huì)采用的不完全Beta函數(shù)，由于其中的重要參數(shù)α和β的選取較為復(fù)雜，文中采用杜鵑智能搜索算法選擇出較為滿意的參數(shù)，實(shí)現(xiàn)了自適應(yīng)的過(guò)程，并達(dá)到了較好的圖像增強(qiáng)效果。

細(xì)菌覓食優(yōu)化算法[7](Bacterial Foraging Optimization，簡(jiǎn)記為BFO)的思想來(lái)源于Passino對(duì)人類腸道中的大腸埃希氏菌覓食行為的觀察和實(shí)驗(yàn)，算法的主要過(guò)程包括趨化、繁殖和遷徙操作，已有文獻(xiàn)[8]證明相比于其他優(yōu)化算法來(lái)說(shuō)，細(xì)菌覓食優(yōu)化算法具有良好的收斂性和全局尋優(yōu)能力。然而BFO算法仍存在改進(jìn)的空間，如經(jīng)典的BFO算法有三層嵌套循環(huán)，導(dǎo)致計(jì)算復(fù)雜度過(guò)高，在優(yōu)化高維圖像問(wèn)題上易陷入局部最優(yōu)的缺點(diǎn)。本文將首先利用熵視覺顯著性原理對(duì)彩超圖像進(jìn)行顯著性分析，獲得感興趣的像素點(diǎn)，而后利用隨機(jī)佳點(diǎn)理論選擇好BFO的初始菌群，再利用BFO算法進(jìn)行圖像增強(qiáng)，最后，通過(guò)主客觀測(cè)試實(shí)驗(yàn)驗(yàn)證本文所提出的算法的優(yōu)越性及進(jìn)一步研究的內(nèi)容。

1 相關(guān)理論

1.1 細(xì)菌覓食優(yōu)化

細(xì)菌覓食優(yōu)化算法主要包括三個(gè)操作，即趨化操作、繁殖操作和遷徙操作，為闡述清晰，對(duì)需要用到的參數(shù)做了具體的說(shuō)明，見表1。

1.1.1 趨化操作

趨化行為是BFO算法的核心，是細(xì)菌向著營(yíng)養(yǎng)濃度高的區(qū)域聚集現(xiàn)象的行為抽象，在工程優(yōu)化過(guò)程中起到局部尋優(yōu)的作用。趨化行為主要由兩個(gè)操作實(shí)現(xiàn)，即翻轉(zhuǎn)和游動(dòng)。翻轉(zhuǎn)操作可以搜索到一個(gè)適應(yīng)度值好的方向，游動(dòng)則是朝著適應(yīng)度值好的方向移動(dòng)。趨化操作通過(guò)翻轉(zhuǎn)和游動(dòng)反映細(xì)菌的探索和覓食行為，實(shí)現(xiàn)位置更新。

表1 符號(hào)意義表

BFO算法中先隨機(jī)初始化一組菌群：

p=p0+η*(pmax-pmin)

(1)

其中，pmax是優(yōu)化區(qū)間的最大值，而pmin則是最小值，p0∈[pmin，pmax]為細(xì)菌初始位置，η∈(0，1)為隨機(jī)數(shù)。假設(shè)菌體i經(jīng)過(guò)了j次趨化、k次繁殖、l次遷徙后的位置為p(i，j，k，l)，εi為菌體i的趨化步長(zhǎng)，ηi為任意的隨機(jī)方向向量，則本次趨化操作后細(xì)菌的位置按如下公式更新為：

(2)

1.1.2 繁殖操作

BFO算法執(zhí)行趨化操作后，根據(jù)競(jìng)爭(zhēng)法則，部分覓食能力弱(適應(yīng)度值低)的細(xì)菌會(huì)被淘汰。為維持菌群規(guī)模不變，剩余的覓食能力強(qiáng)(適應(yīng)度值高)的細(xì)菌會(huì)自我繁殖。若細(xì)菌已經(jīng)經(jīng)過(guò)了Nc次的趨化操作，則在繁殖和遷徙次數(shù)固定的前提下，細(xì)菌菌群總的適應(yīng)度值可以定義為健康度，其值與細(xì)菌菌群中細(xì)菌的個(gè)數(shù)相關(guān)，因而可以定義為：

(3)

1.1.3 遷徙操作

由于溫度、酸堿度以及食物等環(huán)境因素的改變，細(xì)菌菌群可以遷徙到更易于生活的區(qū)域。雖然遷徙操作會(huì)破壞細(xì)菌的局部趨向行為，但卻能夠在全局中尋找的更優(yōu)的區(qū)域。算法會(huì)在細(xì)菌繁殖后的一段時(shí)間內(nèi)，以給定概率隨機(jī)分配在搜索空間中，新產(chǎn)生的個(gè)體有可能獲得更好的適應(yīng)度值，這也可以避免算法早熟收斂。

從以上經(jīng)典的細(xì)菌覓食優(yōu)化算法過(guò)程中，可以看出，隨機(jī)布點(diǎn)的方式初始化菌群，無(wú)法廣泛均勻地覆蓋到整個(gè)搜索空間，造成菌群多樣性不高，降低了算法的尋優(yōu)能力。

1.2 熵視覺顯著性

視覺顯著性原理是在對(duì)人類視覺系統(tǒng)形成過(guò)程進(jìn)行生物學(xué)的研究基礎(chǔ)上提出的一種視覺計(jì)算模型，研究初期主要包括Bottom-up和Top-down兩種模型[9]，近期的研究方向更多傾向于兩種模型的結(jié)合，其中與熵理論結(jié)合而提出的熵視覺顯著性[10]計(jì)算模型得到較好的應(yīng)用。為簡(jiǎn)便計(jì)，這里僅在連續(xù)域內(nèi)闡述熵視覺顯著性原理。假設(shè)給定一尺度s，對(duì)于圖像中局部顯著性部分(或點(diǎn))x來(lái)說(shuō)，定義熵連續(xù)函數(shù)：

JD(s，x)=HD(s，x)?WD(s，x)

(4)

其中，D為連續(xù)可積空間，HD(s，x)為區(qū)域D中的熵函數(shù)，其定義為：

(5)

其中，p(d，s，x)為采用描述子d后區(qū)域D中的熵，而WD(s，x)為區(qū)域內(nèi)顯著性函數(shù)，其定義為：

(6)

事實(shí)上，尋求熵視覺顯著性的區(qū)域(或點(diǎn))本質(zhì)上就是對(duì)熵函數(shù)求極值部分(或點(diǎn))，也即：

(7)

如果找到極值部分(點(diǎn))，則將其回代到熵連續(xù)函數(shù)

JD(sp，x)=HD(sp，x)?WD(sp，x)

(8)

即可得到熵視覺顯著性區(qū)域(或點(diǎn))。

1.3 隨機(jī)佳點(diǎn)集

佳點(diǎn)集理論是由數(shù)學(xué)家華羅庚提出的，運(yùn)用佳點(diǎn)集選擇點(diǎn)比隨機(jī)選取點(diǎn)的偏差要小得多。許多學(xué)者利用佳點(diǎn)集理論用于群智能算法的改進(jìn)，并應(yīng)用于優(yōu)化算法[11，12]中，獲得了很好的效果。

1.3.1 佳點(diǎn)法生成初始菌群

群智能優(yōu)化算法中的種群初始化操作對(duì)算法的全局搜索能力[13]有重要的影響，隨機(jī)化生成保證了種群的多樣性，但是無(wú)法均勻覆蓋到全部搜索空間，文獻(xiàn)[14]中提出的佳點(diǎn)集法可使點(diǎn)集在解空間中均勻分布，且使點(diǎn)集精度和問(wèn)題維數(shù)無(wú)關(guān)。

佳點(diǎn)集法初始化菌群的具體步驟如下(以二維為例)：

1)初始化參數(shù)，設(shè)菌群的規(guī)模為N，第1個(gè)點(diǎn)的二維分量值為：

r1=e-?e」，r2=e2-?e2」

(9)

(10)

采用佳點(diǎn)集方法的缺陷在于生成的菌群在搜索空間中線性遞增分布，細(xì)菌個(gè)數(shù)一致則每次得到的結(jié)果一致，無(wú)法保證生成菌群的多樣性，搜索空間中的很多點(diǎn)也無(wú)法取到。本文解決這一問(wèn)題的辦法是引入隨機(jī)化機(jī)制。

1.3.2 隨機(jī)佳點(diǎn)集法

在佳點(diǎn)集法的基礎(chǔ)上，加上一個(gè)隨機(jī)平移量，即得到隨機(jī)化佳點(diǎn)集法，過(guò)程如下(以二維為例)：

2)設(shè)菌群規(guī)模N，隨機(jī)平移量Δ為(x表示取x的小數(shù)部分)：

(11)

3)對(duì)當(dāng)前細(xì)菌的位置向量進(jìn)行隨機(jī)平移，就得到新位置向量：

(12)

由此得到的點(diǎn)集即是經(jīng)隨機(jī)化佳點(diǎn)集方法生成的點(diǎn)集。隨機(jī)化佳點(diǎn)集法很好地兼顧了覆蓋全局搜索空間和布點(diǎn)的隨機(jī)性兩個(gè)方面，使生成的菌群均勻又不失多樣性。

2 改進(jìn)的細(xì)菌覓食優(yōu)化的彩超圖像增強(qiáng)

彩超圖像的彩色化本質(zhì)上是三個(gè)同尺度的灰度圖像在不同色彩坐標(biāo)上的合成，因而彩超圖像增強(qiáng)效果依賴灰度圖像增強(qiáng)技術(shù)。

針對(duì)于灰度圖像，Tubbs提出的不完全Beta函數(shù)[15]中有兩個(gè)調(diào)節(jié)因子，依靠這兩個(gè)調(diào)節(jié)因子的最佳匹配，可以獲得各種變換曲線，因而采用不完全Beta函數(shù)可以對(duì)灰度圖像進(jìn)行自適應(yīng)地增強(qiáng)。

用不完全Beta函數(shù)擬合圖像變換曲線需要先對(duì)圖像進(jìn)行歸一化操作，歸一化的變換函數(shù)F(u)定義為：

(13)

其中，u為圖像像素，α和β即為調(diào)節(jié)因子，B(α，β)為Beta函數(shù)：

(14)

確定不完全Beta函數(shù)兩個(gè)參數(shù)α和β的過(guò)程并不直觀，沒(méi)有統(tǒng)一的方法。傳統(tǒng)方法包括窮舉法和人工介入法。若采用窮舉法，會(huì)因計(jì)算量過(guò)大而導(dǎo)致算法效率急劇降低；而采用人工設(shè)置參數(shù)的方法，會(huì)因主觀性過(guò)強(qiáng)而導(dǎo)致圖像增強(qiáng)一致性無(wú)法保證。本文將利用BFO算法在α和β的參數(shù)空間中進(jìn)行全局搜索，以便獲得最優(yōu)參數(shù)對(duì)。

圖像增強(qiáng)問(wèn)題變?yōu)樽顑?yōu)化問(wèn)題時(shí)，需要先對(duì)適應(yīng)度值進(jìn)行計(jì)算，在每次迭代計(jì)算時(shí)，適應(yīng)度值都要與事先設(shè)定的閾值比較。適應(yīng)度函數(shù)決定優(yōu)化算法中個(gè)體尋優(yōu)進(jìn)化的動(dòng)力，本文采用了三個(gè)圖像增強(qiáng)因素，即：均方根誤差A(yù)E、信息熵E和峰值信噪比PSNR，假定存在一對(duì)給定M×N的圖像組(其中V表示增強(qiáng)后的圖像，O表示原始圖像)，則其定義如下：

(15)

(16)

(17)

其中，i∈[0，L-1]，L為圖像中所有可能的灰度級(jí)數(shù)量總和，pi為第i級(jí)灰度值出現(xiàn)的概率。

為了兼顧圖像三個(gè)方面的度量標(biāo)準(zhǔn)，在將以上度量歸一化以后，設(shè)計(jì)了能夠更全面反映圖像信息的適應(yīng)度函數(shù)如下：

F=E+AE+PSNR

(18)

本文所提出的基于改進(jìn)細(xì)菌覓食優(yōu)化的彩超圖像增強(qiáng)算法主要實(shí)現(xiàn)步驟如下：

步驟1 將彩超圖像從RGB空間轉(zhuǎn)化為HSV(即色調(diào)、飽和度、亮度)空間；

步驟2 保留H和S，單獨(dú)對(duì)V圖像進(jìn)行熵視覺顯著性檢測(cè)，利用公式7和公式8可以獲得視覺顯著性點(diǎn)集；

步驟3 對(duì)視覺顯著性點(diǎn)集中的顯著性點(diǎn)進(jìn)行隨機(jī)佳點(diǎn)的選擇，利用公式9～公式12反復(fù)進(jìn)行篩選，可以得到隨機(jī)候選佳點(diǎn)，將其作為細(xì)菌覓食算法的初始菌群；

步驟4 調(diào)用細(xì)菌覓食優(yōu)化算法，獲得增強(qiáng)的亮度圖像V’；

步驟5 將HSV’組合后轉(zhuǎn)換到RGB空間中，即可獲得增強(qiáng)后的彩超圖像。

3 實(shí)驗(yàn)與討論

本文所涉及的彩超圖像來(lái)自于某醫(yī)院彩超診斷室的數(shù)據(jù)庫(kù)中，實(shí)驗(yàn)數(shù)據(jù)送至電腦端，并利用MATLAB環(huán)境進(jìn)行仿真測(cè)試。

為尋找最佳增強(qiáng)效果，本文曾試圖將經(jīng)典的圖像增強(qiáng)算法應(yīng)用到原始彩超圖像中，所獲得的結(jié)果如圖1所示。

(a)原始圖像 (b)直方圖變換

(c)小波變換 (d)視覺感知圖1彩超圖像應(yīng)用經(jīng)典的圖像增強(qiáng)算法后效果對(duì)比圖Fig.1 Comparison of the enhanced effects of the color ultrasound based on the classical image enhancement algorithms

由圖1可以看出，經(jīng)典的圖像增強(qiáng)算法不能獲得良好的圖像增強(qiáng)效果，也很難為醫(yī)(療)學(xué)提供足夠的感興趣的信息。同時(shí)，由于選擇參數(shù)不同，因而也不能實(shí)現(xiàn)自適應(yīng)的過(guò)程，以基于視覺感知的多尺度視網(wǎng)膜算法舉例，調(diào)節(jié)不同的高頻(hf)、中頻(mf)和低頻(lf)截止頻率(單位為Hz)可以獲得不同的增強(qiáng)效果，如圖2所示。

(a)原始圖像 (b)lf=7，mf=15，hf=21

(c)lf=10,mf=40,hf=80(d)lf=20,mf=100,hf=200

可以從圖2中看出，隨著截止頻率逐漸提高，彩超圖像中的陰影部分?jǐn)U散程度越來(lái)越深，圖像邊緣部分出現(xiàn)了色暈現(xiàn)象。顯然，無(wú)論采用(b)-(d)中的哪個(gè)增強(qiáng)圖像，均不能為醫(yī)(療)學(xué)提供可靠的病理依據(jù)。

為檢測(cè)所提算法的有效性，本文設(shè)計(jì)了多種實(shí)驗(yàn)，其中硬件環(huán)境為Intel雙核i7-6500U，內(nèi)存16GB，仿真軟件采用Matlab2018b?？紤]到本文所提算法的先進(jìn)性，因而與之對(duì)比的優(yōu)化算法選擇了模因[16]算法和杜鵑[17]算法。根據(jù)本文所提算法的步驟，將首先將彩超圖像由RGB色彩空間轉(zhuǎn)換到HSV色彩空間中，如圖3所示。

(a)RGB色彩空間(b)RGB色彩空間像素分布

(c)轉(zhuǎn)換到HSV 色彩空間(d)HSV色彩空間像素分布

從圖3(b)列和(d)列可以看出，彩超圖像中大量像素點(diǎn)位于靠近色彩空間原點(diǎn)區(qū)域附近，這主要因?yàn)椴食瑘D像背景較暗。從圖3(c)列可以看出，彩超圖像在HSV色彩空間的圖像很難理解，因而如果增強(qiáng)過(guò)程主要是在HSV空間的話，必須將其轉(zhuǎn)換回RGB色彩空間中才能被接受。在算法中保留原始圖像的色調(diào)和飽和度，可以令增強(qiáng)后的圖像顏色失真小，而單獨(dú)對(duì)亮度圖像進(jìn)行增強(qiáng)則可以提高算法運(yùn)行效率。

對(duì)亮度圖像進(jìn)行熵視覺顯著性及隨機(jī)佳點(diǎn)法生成的結(jié)果如圖4所示(菌群規(guī)模用Ω表示)。

(a)原始圖像(b)亮度分量的熵視覺顯著性點(diǎn)集

(c)隨機(jī)佳點(diǎn)集(Ω=100)(d)隨機(jī)佳點(diǎn)集(Ω=10)

從圖4(b)列可以看出，彩超圖像經(jīng)過(guò)熵視覺顯著性檢測(cè)后得到了較多的顯著性點(diǎn)，以此構(gòu)成顯著性點(diǎn)集(品紅色區(qū)域)，而圖4(c)列和(d)列則是在菌群規(guī)模分別設(shè)定為100和10時(shí)所得到的結(jié)果，菌群規(guī)模數(shù)大時(shí)，全局尋優(yōu)能力較強(qiáng)，算法計(jì)算量大，運(yùn)行效率較高，本文中選擇菌群規(guī)模數(shù)為20，可以避免算法過(guò)早收斂。在經(jīng)過(guò)細(xì)菌覓食優(yōu)化算法獲取得到較好的調(diào)節(jié)因子后，將增強(qiáng)后的彩超圖像分別與模因算法及杜鵑算法所獲得的結(jié)果進(jìn)行對(duì)比，如圖5、圖6所示。

(a)原始圖像 (b)模因算法

(c)杜鵑算法 (d)本文算法圖5 心臟彩超增強(qiáng)后的結(jié)果對(duì)比Fig.5 Comparison of the enhanced results of heart color ultrasound images

(a)原始圖像 (b)模因算法

(c)杜鵑算法 (d)本文算法圖6 甲狀腺彩超增強(qiáng)后的結(jié)果對(duì)比Fig.6 Comparison of the enhanced results of thyroid gland color ultrasound images

圖5所示為主動(dòng)脈瓣狹窄且存在少量反流的心臟彩超圖像。圖6所示為存在結(jié)節(jié)的甲狀腺彩超圖像。綜合圖5與圖6可以看出，模因算法可以一定程度上增強(qiáng)圖像信息的豐富程度，但易融入噪聲，圖像顆粒感較重。杜鵑算法可以得到較為平滑的圖像，然而增強(qiáng)后的色彩失真度很大，難以保證顏色恒常性特性。同時(shí)，模因算法和杜鵑算法在應(yīng)用時(shí)，針對(duì)圖像的局部區(qū)域特別是邊緣部分，過(guò)分增強(qiáng)邊緣信息，因而存在較為明顯的偽輪廓現(xiàn)象。本文所提出的方法不僅增強(qiáng)了圖像的可視效果，豐富了圖像的背景和前景的立體關(guān)系，而且在顏色恒常性方面獲得良好的效果。

由于本文所提出的算法中在計(jì)算適應(yīng)度值的過(guò)程中，已經(jīng)加入了對(duì)圖像客觀性指標(biāo)的計(jì)算，即均方根誤差(Average Error，記作AE)、峰值信噪比(Peak Signal to Noise Ratio，記作PSNR)和信息熵(Entropy，記作E)，這里再給出一個(gè)重要指標(biāo)，即結(jié)構(gòu)化內(nèi)容[18](Structure Content，記作SC)，其定義如下：

(19)

表2 心臟彩超圖像增強(qiáng)客觀性指標(biāo)對(duì)比

表3 甲狀腺彩超圖像增強(qiáng)客觀性指標(biāo)對(duì)比

由表2和表3的數(shù)據(jù)可以看出，本文所提算法在均方誤差的數(shù)值上最小，說(shuō)明與原始圖像之間在L2范數(shù)上距離最??；信息熵最小說(shuō)明增強(qiáng)圖像中信息更加均勻，不穩(wěn)定因素最?。环逯敌旁氡茸畲笳f(shuō)明圖像所要表達(dá)的信號(hào)強(qiáng)度更好，雜散噪聲更小；結(jié)構(gòu)化內(nèi)容數(shù)值最大說(shuō)明增強(qiáng)后的圖像與原始圖像在相似程度上最高。

4 結(jié)語(yǔ)

針對(duì)目前彩超圖像增強(qiáng)算法仍然沿用經(jīng)典算法，從而導(dǎo)致計(jì)算量大、人工介入過(guò)多以及增強(qiáng)效果一致性差得缺點(diǎn)，提出了一種改進(jìn)細(xì)菌覓食優(yōu)化圖像增強(qiáng)算法，即利用熵視覺顯著性和隨機(jī)佳點(diǎn)理論得到細(xì)菌覓食優(yōu)化算法的初始菌群，而后根據(jù)均方誤差、峰值信噪比和信息熵計(jì)算適應(yīng)度值，以便對(duì)圖像調(diào)節(jié)因子進(jìn)行優(yōu)化。通過(guò)主、客觀實(shí)驗(yàn)和分析可以看出，改進(jìn)細(xì)菌覓食優(yōu)化圖像增強(qiáng)算法具有良好的視覺效果、自適應(yīng)能力強(qiáng)以及增強(qiáng)結(jié)果一致性的特點(diǎn)。