下载文档原格式
图像增强的基本原理图像增强是一种用于改善图像视觉质量或提取目标特征的技术。
它通过改变图像的亮度、对比度、颜色、清晰度等属性来增强图像的可视性和可识别性。
图像增强的基本原理可以归纳为以下几点：1. 空域增强：采用空域操作，即对图像的每个像素进行操作。
常见的空域增强方法有直方图均衡化、灰度拉伸、滤波等。
直方图均衡化通过重新分布图像中像素的亮度来增加图像的对比度，灰度拉伸则通过线性转换将图像的亮度范围拉伸到整个灰度级范围内。
滤波则通过应用低通、高通、中通等滤波器来增强图像的细节和轮廓。
2. 频域增强：采用频域操作，即将图像转换到频域进行处理。
常见的频域增强方法有傅里叶变换、小波变换等。
傅里叶变换可以将图像从空域转换到频域，通过对频谱进行滤波操作来增强图像的细节和边缘。
小波变换则可以将图像分解为不同频率的子带，可以更加灵活地选择性地增强特定频率的信息。
3. 增强算法：通过应用特定的增强算法来增强图像的视觉效果。
常用的增强算法有Retinex算法、CLAHE算法等。
Retinex算法通过模拟人眼对光源的自适应调整能力来增强图像的亮度和对比度，CLAHE算法则通过分块对比度受限的直方图均衡化来增强图像的细节和纹理。
4. 机器学习方法：利用机器学习算法对图像进行增强。
通过训练模型，学习图像的特征和上下文信息，然后根据学习到的模型对图像进行增强处理。
常见的机器学习方法包括卷积神经网络、支持向量机等。
综上所述，图像增强的基本原理包括空域增强、频域增强、增强算法和机器学习方法等。
这些原理可以单独或结合使用，根据图像的特点和需求，选择合适的方法来对图像进行增强处理，以获得更好的图像视觉质量和目标特征提取效果。
医学影像处理中的图像增强算法使用技巧分享图像增强是医学影像处理中的重要任务之一，它旨在改善图像的质量，使医生能够更准确地诊断和治疗疾病。
在医学影像处理领域，图像增强算法扮演着关键角色，它们能够增强图像的对比度、清晰度和边缘特征，从而提供更有用的信息。
在本文中，我们将分享一些医学影像处理中的图像增强算法使用技巧，帮助读者在实践中获得更好的结果。
1. 直方图均衡化(Histogram Equalization)直方图均衡化是一种简单却有效的图像增强方法，它通过重新分布图像像素的灰度级来增强图像的对比度。
在医学影像处理中，直方图均衡化可以帮助凸显影像中的重要结构和特征。
使用该算法时，需要考虑到不同图像具有不同的亮度分布特点，因此可能需要自适应的直方图均衡化算法来应对不同场景下的图像增强需求。
2. 噪声去除滤波器(Noise Removal Filters)噪声是医学影像处理中常见的问题之一，它会影响图像的质量和对比度。
为了去除噪声并增强图像，可以使用各种滤波器，如中值滤波器、高斯滤波器和均值滤波器。
中值滤波器可以有效地去除脉冲噪声，而高斯滤波器和均值滤波器则可以平滑图像并减少高频噪声。
根据图像的性质和需求，选择适当的滤波器非常关键。
3. 边缘增强(Edge Enhancement)边缘增强是一种用于增强图像边缘特征的方法，它可以使医生更容易地检测和分析图像中的病灶和结构。
在医学影像处理中，常用的边缘增强算法包括Laplacian增强、Sobel增强和Canny边缘检测。
这些算法能够突出显示图像中的边缘信息，并减少噪声的干扰。
然而，在使用边缘增强算法时，需要注意避免过度增强图像，以免造成误诊。
4. 对比度增强(Contrast Enhancement)对比度增强是一种改善图像对比度的方法，它可以使图像中的细节更加清晰可见。
在医学影像处理中，常见的对比度增强算法包括直方图拉伸、伽马校正和局部对比度增强。
直方图拉伸可以通过拉伸图像的灰度级范围来改善图像的对比度。
使用Matlab进行图像增强与图像修复的方法图像增强与图像修复是数字图像处理领域中的重要研究方向之一。
随着数字摄影和图像处理技术的快速发展，越来越多的应用需要对图像进行增强和修复，以提高图像的质量和视觉效果。
在本文中，我们将探讨使用Matlab进行图像增强和图像修复的方法。
一、图像增强方法图像增强是通过对图像进行处理，改善其质量，使其更加清晰、鲜明和易于观察。
下面将介绍几种常用的图像增强方法。
1. 灰度拉伸灰度拉伸是一种简单而有效的图像增强方法，通过拉伸图像的灰度范围，使得图像中的细节更加明确可见。
具体操作是将图像的最低灰度值映射到0，最高灰度值映射到255，中间的灰度值按比例映射到相应的范围。
在Matlab中，我们可以使用imadjust函数实现灰度拉伸。
2. 直方图均衡化直方图均衡化是一种常用的图像增强方法，通过对图像的灰度分布进行调整，使得图像的对比度得到增强。
具体操作是对图像的灰度直方图进行均衡化处理，将图像的灰度级分布均匀化。
在Matlab中，我们可以使用histeq函数实现直方图均衡化。
3. 锐化锐化是一种常用的图像增强方法，通过增强图像的边缘和细节，使得图像更加清晰和立体。
具体操作是对图像进行高通滤波，突出图像中的边缘信息。
在Matlab中，我们可以使用imsharpen函数实现图像锐化。
4. 去噪去噪是一种常用的图像增强方法，通过抑制图像中的噪声，提高图像的质量。
常见的去噪方法包括中值滤波、均值滤波和小波去噪等。
在Matlab中，我们可以使用medfilt2函数实现中值滤波。
二、图像修复方法图像修复是对图像中存在的缺陷或损坏进行补全或恢复的过程，以提高图像的可视化效果。
下面将介绍几种常用的图像修复方法。
1. 图像插值图像插值是一种常用的图像修复方法，通过根据已知的像素值推测缺失的像素值，从而补全图像中的缺失部分。
常见的插值方法包括最近邻插值、双线性插值和双立方插值等。
在Matlab中，我们可以使用interp2函数实现图像插值。
图像增强的方法有哪些
图像增强的方法包括以下几种：
1. 直方图均衡化（Histogram equalization）：通过调整图像的像素分布，增强图像的对比度。
2. 自适应直方图均衡化（Adaptive histogram equalization）：与直方图均衡化类似，但是对图像的小区域进行局部均衡化，可以更好地保留细节信息。
3. 均值滤波（Mean filter）：用图像中像素的平均值替代该像素的值，平滑图像的同时增强细节。
4. 中值滤波（Median filter）：用图像中像素的中值替代该像素的值，能够有效去除椒盐噪声，保留图像边缘。
5. 高斯滤波（Gaussian filter）：使用高斯函数对图像进行平滑，可以模糊图像的同时去除噪声。
6. 锐化增强（Sharpening）：利用锐化算子对图像进行卷积，突出图像的边缘和细节。
7. 退化与恢复（Degradation and restoration）：通过建立图像模糊模型和噪
声模型，对退化图像进行恢复。
8. 增强滤波（Enhancement filter）：通过设计特定的增强滤波器，对图像进行增强，如Sobel滤波器、Prewitt滤波器等。
9. 超分辨率（Super-resolution）：通过使用多帧图像或者其他方法，提高低分辨率图像的细节和清晰度。
以上仅是图像增强的一些常见方法，随着图像处理技术的不断发展，还有很多其他方法可以用于图像增强。
使用图像处理技术实现图像对比度增强的方法图像对比度增强是一种常用的图像处理技术，用于提高图像的视觉质量和增强图像的细节。
通过增加图像的对比度，可以使图像的亮度范围更广，细节更加清晰，从而改善图像的观感和识别性能。
在图像处理领域，有许多方法可以实现图像对比度增强，以下是几种常见的方法。
1. 线性拉伸法线性拉伸法是最简单且最常用的图像对比度增强方法之一。
该方法基于图像灰度值的统计特性，将图像中的最小灰度值映射为0，最大灰度值映射为255，将其他灰度值按比例映射到这个范围内。
线性拉伸法适用于图像对比度较低的情况，并且易于实施。
2. 直方图均衡化直方图均衡化是一种常用的非线性图像对比度增强方法。
该方法通过对图像的直方图进行变换，将原始图像的灰度级分布映射到更均匀的分布上。
直方图均衡化可以增强图像的局部细节，增强图像的整体对比度。
然而，该方法可能会导致图像的细节过度增强和噪声放大，因此在应用时需要注意适当的参数选择和后处理。
3. 自适应直方图均衡化自适应直方图均衡化是对传统直方图均衡化的改进。
该方法通过将图像划分为局部区域，并对每个局部区域进行直方图均衡化来增强图像的对比度。
自适应直方图均衡化可以避免全局直方图均衡化的细节过度增强问题，提高图像增强效果的局部性和自适应性。
4. 非线性增强算法除了直方图均衡化外，还有许多非线性增强算法可以用于图像对比度增强。
例如，伽马校正可以通过调整图像的亮度值来增强图像的对比度，对数变换可以增强图像的低亮度区域细节。
非线性增强算法可以根据图像的特点和需求来选择，并通过调整参数来适应不同的图像。
在实际应用中，可以根据图像的特点和需求选择合适的图像对比度增强方法。
对于不同的图像，不同的方法可能会产生不同的效果。
因此，在选择和应用图像对比度增强方法时，需要综合考虑图像的特点、应用场景和对比度增强效果。
实验结果也可以通过与原始图像进行定性和定量的对比来评估图像对比度增强方法的效果，以选择最优的方法。
图像处理中的图像增强方法对比与分析导语：在图像处理领域中，图像增强是一个重要的技术，用于改善图像的质量和清晰度。
随着计算机视觉和机器学习的发展，各种图像增强方法被提出和应用于不同领域，如医学影像、卫星图像等。
本文将对几种常见的图像增强方法进行对比与分析，包括直方图均衡化、灰度拉伸、滤波和深度学习。
一、直方图均衡化直方图均衡化是一种通过调整图像的像素灰度分布来增强图像对比度和亮度的方法。
该方法基于直方图的统计特性，可以将原始图像的像素值重新映射到更广泛的范围内，以获得更丰富的灰度级。
直方图均衡化对均匀分布和低对比度的图像效果较好，但对于具有极大动态范围和特定区域灰度差异的图像效果可能不理想。
并且，它也容易产生过度增强的效果，导致图像细节丢失。
二、灰度拉伸灰度拉伸是一种通过重新分配图像的像素灰度级以增加图像对比度的方法。
它基于简单的线性变换，将图像的最低灰度级映射到最小灰度值，将最高灰度级映射到最大灰度值，而中间的灰度级按比例进行映射。
灰度拉伸适用于具有低对比度的图像，可以有效增强图像的细节和边缘。
然而，灰度拉伸方法需要手动选择合适的灰度级范围，并且无法处理非线性关系和部分区域的对比度差异。
三、滤波滤波是一种基于图像频谱的增强方法，通过去除图像中的噪声和模糊以提高图像质量。
滤波方法包括低通滤波和高通滤波。
低通滤波可以平滑图像并去除高频噪声，常用的滤波器包括均值滤波和高斯滤波。
高通滤波可以增强图像的边缘和细节，常用的滤波器包括拉普拉斯滤波和Sobel滤波器。
滤波方法可以较好地增强图像的细节和对比度，但也可能导致图像的细节损失和边缘模糊。
四、深度学习深度学习是一种基于人工神经网络的图像增强方法，它通过训练模型学习图像的特征和映射关系，以生成更高质量的图像。
深度学习方法可以根据不同任务和需求进行适应性调整和优化，具有较强的非线性建模和适应能力。
随着深度学习算法的不断发展和硬件计算能力的提升，该方法在图像增强方面取得了许多重要的突破。
计算机视觉中的图像增强技术图像增强技术是计算机视觉领域中的重要研究方向之一，旨在提高图像质量和增强图像的细节。
通过使用各种算法和技术，图像增强能够改善图像的亮度、对比度、清晰度等方面，使图像更加逼真和易于分析处理。
本文将介绍几种常见的计算机视觉中的图像增强技术。
一、直方图均衡化直方图均衡化是一种常见的图像增强技术，通过调整图像的像素值分布，使得图像在亮度和对比度上得到改善。
该技术基于直方图的分析，将图像的像素值映射到较广的范围内，使得亮度水平更加均衡。
直方图均衡化可以应用于灰度图像和彩色图像，并且对于各种类型的图像效果良好。
二、模糊和锐化模糊和锐化是图像增强中常用的技术。
模糊技术可以减少图像的噪声和细节，使得图像更加平滑。
常见的模糊技术包括高斯模糊、均值模糊等。
锐化技术则相反，可以增强图像的边缘和细节，使得图像更加清晰。
锐化技术常用的方法有拉普拉斯锐化、边缘增强等。
三、增强滤波增强滤波是一种基于图像频域分析的增强技术。
该技术通过对图像进行频域变换，提取频域信息，然后根据图像的特点进行相应的增强处理。
常见的增强滤波技术包括快速傅里叶变换（FFT）、小波变换等。
增强滤波可以有效地去除图像的噪声和模糊，提高图像的品质。
四、对比度增强对比度增强是一种提高图像亮度差异的技术。
该技术通过调整图像的像素值，使得图像中的亮部和暗部之间的差异更加明显，提高图像的视觉效果。
对比度增强常用的方法有直方图拉伸、对比度增强函数等。
对比度增强可以使图像中的细节更加鲜明，提高图像的可视化效果。
五、超分辨率重建超分辨率重建是一种特殊的图像增强技术，旨在提高图像的分辨率和细节。
该技术可以通过多帧图像的融合、插值和恢复等方法，使得图像的细节更加清晰，增强图像的可见细节。
超分辨率重建常用的算法包括基于插值的方法、最小二乘法等。
总结：计算机视觉中的图像增强技术是提高图像质量和增强图像细节的重要手段。
本文介绍了几种常见的图像增强技术，包括直方图均衡化、模糊和锐化、增强滤波、对比度增强和超分辨率重建。
图像增强的方法有哪些图像增强是指通过一系列的处理方法，改善图像的质量和视觉效果，使得图像更加清晰、鲜艳、易于理解和分析。
图像增强技术在计算机视觉、医学影像、遥感图像等领域有着广泛的应用。
本文将介绍图像增强的几种常见方法，包括灰度拉伸、直方图均衡化、滤波和增强、空间域增强、频域增强等。
首先，灰度拉伸是一种简单而有效的图像增强方法。
它通过扩展图像的灰度动态范围，将原本灰暗的区域拉伸到整个灰度范围内，从而增强了图像的对比度和细节。
灰度拉伸通常适用于灰度动态范围较窄的图像，比如受到光照影响的图像或者拍摄条件不佳的图像。
其次，直方图均衡化是一种常用的图像增强方法。
它通过重新分布图像的灰度级，使得图像的直方图在整个灰度范围内均匀分布，从而增强了图像的对比度和视觉效果。
直方图均衡化适用于灰度动态范围较窄或者灰度分布不均匀的图像，能够有效地改善图像的质量。
另外，滤波和增强也是常见的图像增强方法。
滤波可以去除图像中的噪声和干扰，增强图像的清晰度和细节。
常用的滤波方法包括均值滤波、中值滤波、高斯滤波等。
在滤波的基础上，可以对图像进行锐化、边缘增强等操作，从而进一步改善图像的质量。
此外，空间域增强和频域增强也是图像增强的重要方法。
空间域增强是指直接对图像的像素进行操作，比如对比度调整、颜色增强、锐化等。
而频域增强则是通过对图像的频谱进行操作，比如傅里叶变换、滤波等。
这些方法能够有效地改善图像的质量和视觉效果。
总的来说，图像增强是一项重要的技术，能够改善图像的质量和视觉效果，提高图像的可读性和分析性。
在实际应用中，可以根据图像的特点和需求，选择合适的增强方法进行处理，以获得更加清晰、鲜艳、易于理解和分析的图像。
希望本文介绍的几种常见方法能够为图像增强技术的应用提供一些参考和帮助。
图像增强的方法有哪些图像增强是指通过各种手段和技术，改善图像的质量和视觉效果，使图像更清晰、更鲜艳、更易于分析和理解。
图像增强方法是数字图像处理领域的重要内容，其应用涵盖了医学影像、遥感图像、安防监控、图像识别等诸多领域。
本文将就图像增强的方法进行介绍，希望能够为相关领域的从业者提供一些参考和帮助。
首先，常见的图像增强方法包括灰度拉伸、直方图均衡化、滤波和锐化等。
灰度拉伸是通过拉伸图像的灰度范围，使得图像的对比度增强，细节更加清晰。
直方图均衡化则是通过重新分布图像的灰度级，使得图像的对比度更加均匀，细节更加突出。
而滤波和锐化则是通过对图像进行平滑或者增强边缘的处理，使得图像更加清晰和锐利。
其次，除了传统的图像增强方法外，近年来深度学习技术的发展也为图像增强提供了新的思路和方法。
深度学习技术可以通过大量的数据和复杂的神经网络模型，学习图像的特征和规律，从而实现图像的增强和优化。
例如，基于深度学习的超分辨率重建技术可以通过学习图像的高频信息，将低分辨率的图像重建成高分辨率的图像，从而实现图像的增强和提升。
此外，除了上述方法外，还有一些其他的图像增强方法，如图像融合、多尺度分解、小波变换等。
图像融合是指将多幅图像融合成一幅图像，以获取更多的信息和细节。
多尺度分解是指将图像分解成不同尺度的子图像，从而更好地分析和处理图像。
小波变换则是一种多尺度分析方法，可以将图像分解成不同尺度和频率的小波系数，从而实现图像的增强和优化。
综上所述，图像增强的方法有很多种，包括传统的灰度拉伸、直方图均衡化、滤波和锐化，以及基于深度学习的图像增强方法，以及其他一些图像增强技术。
不同的方法适用于不同的场景和需求，需要根据具体的应用来选择合适的图像增强方法。
希望本文所介绍的内容能够帮助读者更好地理解图像增强的方法，为相关领域的研究和实践提供一些参考和启发。
简述图像增强的应用原理什么是图像增强图像增强是指通过一系列的处理方法，对原始图像进行修复、增强或改善，以获得更好的视觉效果或更好的图像质量。
图像增强技术是计算机视觉领域中的重要技术之一，被广泛应用于图像处理、计算机视觉、机器学习等领域。
图像增强的应用原理图像增强的应用原理基于对图像的像素值进行调整或处理，以改善图像的对比度、亮度、清晰度等视觉效果。
以下是常见的图像增强应用原理的介绍：1.直方图均衡化直方图均衡化是一种常用的图像增强方法，通过重新分配图像的灰度级，使得图像的直方图均匀分布在整个灰度级范围内。
这样可以增加图像的对比度，使得图像细节更加突出。
2.对比度增强对比度增强是通过调整图像中像素值的动态范围来增加图像的对比度。
常见的对比度增强方法包括拉伸对比度、直方图均衡化、灰度拉伸等。
3.锐化增强锐化增强是通过增强图像的边缘和细节来提高图像的清晰度。
常见的锐化增强方法包括拉普拉斯算子、边缘增强滤波器等。
4.噪声消除图像中的噪声会影响图像的质量和清晰度，通过噪声消除技术可以减少或去除图像中的噪声。
常见的噪声消除方法包括均值滤波、中值滤波、高斯滤波等。
5.色彩增强色彩增强是调整图像中的色彩分量，以改善图像的颜色饱和度和色彩平衡。
常见的色彩增强方法包括颜色平衡、色彩曲线调整、HSV调整等。
图像增强的应用场景图像增强的应用广泛，以下列举几个常见的应用场景：•医学图像处理：对医学图像进行增强处理，提升图像的细节和对比度，以便医生更准确的诊断和分析。
•智能监控：对监控摄像头捕捉到的图像进行增强，提高图像质量和识别能力，提高监控的效果。
•无人驾驶：对车载摄像头捕捉到的图像进行增强处理，提高图像的清晰度和对比度，以提高无人驾驶系统的感知能力和安全性。
•图像检索：对图像进行增强处理，以提高图像检索的准确性和召回率。
以上只是部分图像增强的应用场景，图像增强技术的应用还在不断拓展和发展中。
随着计算机视觉和人工智能的不断进步，图像增强技术将会在更多的领域得到应用和发展。
1、图像增强的原理及应用前景
图象增强是图像处理的基本内容之一，图像增强是指按特定的需要突出一幅图像中的某些信息，同时削弱或去除某些不需要信息的处理方法，其目的是使得处理后的图像对某种特定的应用，比原始图像更合适。
增强图象中的有用信息，它是一个失真的过程，其目的是要改善图像的视觉效果，针对给定图像的应用场合，有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。
近年来，随着消费型和专业型数码相机的日益普及，海量的图像数据正在被产生．但由于场景条件的影响，很多在高动态范围场景、昏暗环境或特殊光线条件下拍摄的图像视觉效果不佳，需要进行后期增强处理调整动态范围或提取一致色感才能满足显示和印刷的要求。
人类视觉系统具有强烈的全局和区域的自适应性和非线性，在多种不同的光照条件下都能清晰地辨识细节，具有电子设备所不可比拟的优势。
因此，图像增强引起了广泛的关注，很多图像增强方法在设计时考虑描述和模仿人类视觉系统的特性，以期获得符合人类视觉系统特性的增强效果。
2图像增强的算法分类
图像增强算法可分成两大类：频率域法和空间域法。
前者把图像看成一种二维信号，对其进行基于二维傅里叶变换的信号增强。
基于频域的算法是在图像的某种变换域内对图像的变换系数值进行某种修正，是一种间接增强的算法。
采用低通滤波（即只让低频信号通过）法，可去掉图中的噪声；采用高通滤波法，则可增强边缘等高频信号，使模糊的图片变得清晰。
基于空域的算法处理时直接对图像灰度级做运算，具有代表性的空间域算法有局部求平均值法和中值滤波（取局部邻域中的中间像素值）法等，它们可用于去除或减弱噪声。
基于空域的算法分为点运算算法和邻域去噪算法。
点运算算法即灰度级校正、灰度变换和直方图修正等，目的或使图像成像均匀，或扩大图像动态范围，扩展对比度。
邻域增强算法分为图像平滑和锐化两种。
平滑一般用于消除图像噪声，但是也容易
引起边缘的模糊。
常用算法有均值滤波、中值滤波。
锐化的目的在于突出物体的边缘轮廓，便于目标识别。
常用算法有梯度法、算子、高通滤波、掩模匹配法、统计差值法等。
2.1空域图像增强算法
空域是指组成图像的像素的集合，空域图像增强直接对图像中像素灰度值进行运算处理，基本上是以灰度映射变换为基础的。
空域图像增强知识本文在第二章中会有详细介绍，这里简略介绍一下。
空域图像增强主要有灰度变换和直方图均衡化处理。
灰度变换的原理就是通过改变灰度的动态范围，达到增强图像灰度级细节部分的方法。
一般的变换函数包括线性变换、非线性变换、分段线性变换。
具体函数的选择与图像的成像系统和相应的应用场合有关。
直方图均衡化是空域图像增强中应用最广泛的一种方法，其基本原理是使得处理后的图像灰度级近似均匀分布，来达到图像增强效果。
但由于其变换函数采用的是累积分布函数，因此它产出的近似均匀直方图都很相似，这必然限制了它的功能。
为了适应图像的局部特性，基于局部变换的图像增强方法应运而生，如局部直方图均衡化、对比度受限自适应直方图均衡化、利用局部统计特性的噪声去除方法。
这些方法对图像细节部分的增强均有很好的效果，但均有一个共同的缺点，算法运算量较大，图像处理时间相对较长，使得这些算法不能适用于实时处理系统中。
近年来，一类基于直方图分割的算法受到大家的广泛关注，该算法处理图像的侧重点在处理后图像的亮度保持上，使得处理后图像更适合人眼特性观察。
但该方法应用到低照度图像增强上，对图像整体亮度的提高效果不明显。
2.2频域图像增强算法
频域图像增强是对图像经傅立叶变换后的频谱成分进行操作，然后逆傅立叶变换获得所需结果。
其原理如下图所示：
图1、频域图像增强原理图
常用的频域增强方法有低通滤波技术，是利用低通滤波器去掉反映细节和跳变性的高频分量。
但其在去除图像尖峰细节的同时也将图像边缘的跳变细节去除
掉了，而使得图像较模糊。
低频滤波有理想低通滤波器、Butterworth滤波器、指数滤波器等。
高通滤波器技术是利用高通滤波器来忽略图像中过度平缓的部分，突出细节和跳变等的高频部分，使得增强后的图像边缘信息分明清晰。
高通滤波技术进行增强处理后的图像，视觉效果不好，较适用于图像中物体的边缘提取。
高通滤波器有理想高通滤波器、梯形滤波器、指数滤波器等。
频域增强方法中还有带通和带阻滤波、同态滤波等，一般是用来解决光动态范围过大或者光照不均而引起的图像不清等情况。
3具体的图像增强算法
3.1灰度拉伸算法及原理
灰度拉伸又叫对比度拉伸，它是最基本的一种灰度变换，使用的最简单的分段线性变换函数，主要思想是提高图像处理时灰度级的动态范围。
它可以有选择的拉伸某段灰度区间以改善输出图像。
如图，所示的变换函数的运算结果是将原图在a到b之间的灰度拉伸到c到d之间。
如果一幅图像的灰度集中在较暗的区域而导致图像偏暗，可以用灰度拉伸功能来拉伸(斜率>1)物体灰度区间以改善图像；同样如果图像灰度集中在较亮的区域而导致图像偏亮，也可以用灰度拉伸功能来压缩(斜率<1)物体灰度区间以改善图像质量。
图2 灰度拉伸
如下图所示为对一副光照不均的图像进行灰度拉伸前后的处理结果对比，明显地改善了图像的视觉效果。
原始图像灰度拉伸(斜率〉1)
图3 灰度拉伸图像前后对比
3.2 直方图均衡化算法及原理
直方图是多种空间域处理技术的基础。
直方图操作能有效地用于图像增强，直方图固有的信息在其他图像处理应用中也是非常有用的，如图像压缩与分割。
直方图在软件中易于计算，也适用于商用硬件设备，因此，它们成为了实时图像处理的一个流行工具。
灰度级为]1,0[-L 范围的数字图像的直方图是离散函数k k n r h =)(，这里k r 是第k 级灰度，k n 是图像中灰度级为k r 的像素个数。
经常以图像中像素的总数(用n 表示)来除它的每一个值得到归一化的直方图。
因此，一个归一化的直方图由n n r P k k /)(=给出。
这里k =0，l ，...，L -1。
简单地说，)(k r P 给出了灰度级为k r 发生的概率估计值。
一个归一化的直方图其所有部分之和应等于1。
直方图均衡化处理的“中心思想”是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。
直方图均衡化就是对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。
直方图均衡化就是把给定图像的直方图分布改变成“均匀”分布直方图分布。
如下图所示为对一副图像进行直方图均衡化前后对比。
原始图像
0原图的直方图0100200均衡化后的图像
0均衡化后的直方图0100200 图4 直方图均衡化处理结果 3.3。
