下载文档原格式
视频增强技术综述概述图像超分辨率(superresoulution, SR)指利用一幅或者多幅低分辨率(lowresoulution, LR)图像，通过相应的算法来获得一幅淸晰的高分辨率(highresoulution, HR)图像.HR 意味着图像具有髙象素密度，可以提供更多的细肖,这些细肖往往在应用中起到关键作用.要获得高分辨率图像，最直接的办法是采用髙分辨率图像传感器，但由于传感器和光学器件制造工艺和成本的限制，在很多场合和大规模部署中很难实现。
低分辨率的图像包含的细节信息较少，但我们可以得到一系列低分辨率的图像，这些图像包含的部分细肖信息各有不同，能够相互补充。
通过这一系列低分辨的图像，经过一左的处理，可以得到一幅分辨率较高、包含信息较多的图像。
这个处理过程就是超分辨率重建。
超分辨率重建的核心思想就是用时间带宽(获取同一场景的多帧图像序列)换取空间分辨率，实现时间分辨率向空间分辨率的转换。
因此，利用现有的设备，通过超分辨率技术获取髙分辨率图像具有重要的现实意义。
视频的超分辨率增强是指融合来自相同动态场景的多个低分辨率视频序列的信息，去重构一个髙时空分辨率的视频序列。
可想而知，视频超分辨率包括时间超分辨率和空间超分辨率。
视频中某些事件发生变化比较快，这样就需要用所谓高速(高帧率)的摄像机来采样，如果使用普通帧率的摄像机，那么在时间上就会有一些细节信息的丢失。
视频的时间超分辨率就是要恢复这些丢失的时间上的细肖信息，而视频空间超分辨率就是通常人们提到的图像超分辨率复原。
摄像机在时间和空间上的分辨率能力是有限的。
空间分辨率取决于摄像机光学传感器的空间密度及其本身引入的模糊误差，这些因素限制了图像中被观察到的物体或特征的最小空间尺寸；时间分辨率取决于摄像机的帧率和曝光时间，这就限制了视频序列中能被观察到的动态事件的最大变化速度。
比摄像机帧率发生更快的动态事件在记录下来的视频序列中是不可见或者不正确的，如在网球比赛的视频中是不可能观察到高速运动的网球的全部运动和状态的。
cv研究方向及综述
计算机视觉（CV）是一个涉及多个子领域的学科，包括图像分类、目标检测、图像分割、目标跟踪、图像去噪、图像增强、风格化、三维重建、图像检索等。
1.图像分类：多类别图像分类、细粒度图像分类、多标签图像分类、实
例级图像分类、无监督图像分类等。
2.目标检测：吴恩达机器学习object location目标定位，关键在于将全
连接层改为卷积层。
3.图像分割：使用深度学习进行图像分割，包括全卷积像素标记网络，
编码器-解码器体系结构，多尺度以及基于金字塔的方法，递归网络，视觉注意模型以及对抗中的生成模型等。
4.目标跟踪：基于滤波理论、运动模型、特征匹配等多种方法的混合跟
踪算法研究，以及基于深度学习的目标跟踪算法研究。
5.图像去噪：比较研究不同深度学习技术对去噪效果的影响，包括加白
噪声图像的CNN、用于真实噪声图像的CNN、用于盲噪声去噪的CNN和用于混合噪声图像的CNN等。
6.图像增强：通过对图像进行变换、滤波、增强等操作，改善图像的视
觉效果或者提取更多的信息，例如超分辨率技术。
7.风格化：通过将一种艺术风格应用到图像上，改变其视觉效果。
8.三维重建：从二维图像中恢复三维场景的过程。
9.图像检索：基于内容的图像检索（CBIR），通过提取图像的特征，
进行相似度匹配，实现图像的检索。
总的来说，CV是一个充满活力的领域，涉及的研究方向非常广泛。
随着深度学习技术的发展，CV领域的研究和应用也取得了很大的进展。
江苏科技大学数字图像处理本科生课程论文论文题目：图像增强方法综述与matlab实现完成时间：___2016年6月2日________ 所在专业：____软件工程____________ ____ 所在年级：____13419042___________ __图像增强方法综述与matlab实现软件工程专业 1341904222 陆建伟摘要：本文介绍图像增强的内容，并就内部几种方法进行更深一步的探索，利用matlab 使得算法实现并对比。
关键词：图像增强；数字图像处理；灰度变换；直方图；matlab；一、研究背景1.1研究目的经过图像的传送和转换，如成像、复制、扫描、传输和显示等，经常会造成图像质量的下降。
光学系统的失真、相对运动、大气流动等都会使图像模糊，传输过程中会引入各种类型的噪声。
总之输入的图像在视觉效果和识别方便性等方面可能存在诸多问题。
通过本课题的研究能够使图像有更好的视觉感受效果，更能够满足社会生活和生产的需要是本文的最终目的。
1.2研究现状计算机图像处理的发展历史并不长,但是引起了人们的足够重视。
总体来说，图像处理技术的发展大致经历了初创期、发展期、普及期和实用化期4 个阶段。
随着对图像技术研究的不断深入和发展,新的图像增强方法不断出现。
图像作为自然界景物的客观反映是人类感知世界的视觉基础也是人类获取信息、表达信息和传递信息的重要手段。
二、主要理论概况图像增强是指根据特定的需要突出图像中的重要信息同时减弱或去除不需要的信息。
从不同的途径获取的图像通过进行适当的增强处理可以将原本模糊不清甚至根本无法分辨的原始图像处理成清晰的富含大量有用信息的可使用图像有效地去除图像中的噪声、增强图像中的边缘或其他感兴趣的区域从而更加容易对图像中感兴趣的目标进行检测和测量。
处理后的图像是否保持原状已经是无关紧要的了不会因为考虑到图像的一些理想形式而去有意识的努力重现图像的真实度。
图像增强的目的是增强图像的视觉效果将原图像转换成一种更适合于人眼观察和计算机分析处理的形式。
关于雾天图像的增强和复原现状：国内外已有很多研究人员将大气对成像的影响进行了分析和评估。
散射理论在分析大气的影响中发挥了巨大的作用，由于单射模型不能准确表现实际复杂介质的影响，多射模型得到了广泛的关注。
在光和大气介质交互问题的研究中，或多或少地借鉴了物理学科的知识，其中输运理论很常见，并被广泛应用于恶劣天气条件对图像退化的建模。
在研究尘雾等恶劣天气条件对成像影响模型的基础上，对退化图像进行复原处理取得了较大的进展。
当场景深度已知和大气条件的精确信息己知时，消除一幅图像的天气条件的影响已被证明是可行的；在计算机视觉方面，算法已经发展到不用已知大气及场景深度信息，通过处理至少两张在恶劣天气条件下拍摄的图像可以自动地计算出场景的结构和恢复场景的色度及对比度。
目前，对雾图进行清晰化处理的方法大体上有两类:基于模型的和非模型的算法。
其中，基于模型的算法通过了解图像退化的内在原因而进行逆运算来改善图像的对比度;非模型的算法并不要求知道图像退化原因的信息。
用非模型的方法处理图像我们称之为图像增强；用基于模型的方法处理图像我们称之为图像恢复，这类算法更加可靠，因为它们利用了图像退化的物理机理，其目的在于提高退化图像的保真度。
近年来，上述两个方面的研究都取得了较大的进展，特别是基于物理模型的复原问题，吸引了越来越多研究者的注意，以下分别就其研究现状做简要的介绍。
●图像增强处理的研究现状图像增强是图像处理的基本手段，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的信息的处理方法。
图像对比度增强是图像处理领域中的一个传统的话题，同时又一直是较为活跃的研究领域，不断有新方法与新手段引入使该领域保持旺盛的生命力，并不断有新成果面世。
●图像恢复处理的研究现状近年来，不少学者在大气散射物理模型的基础上，对恶劣大气条件下的成像机理进行了深入的分析，并提出了一些新的雾天图像增强方法。
与传统图像增强相比，这些方法是建立在雾天成像的物理过程之上的，因此更具有针对性，处理效果也较为理想。
红外图像增强算法研究的开题报告1.研究背景红外成像技术在许多领域得到广泛应用，例如军事、航空、医学等。
与可见光成像相比，红外成像具有不同的物理特性和成像质量。
然而，由于环境条件和红外成像设备的限制，红外图像通常会受到许多因素的影响，并且可能会显示出低对比度、模糊以及信息不足等问题。
通过对红外图像进行增强可以有效提高其可视化效果和可分析性。
2.研究目的本研究旨在研究红外图像增强算法，以提高红外图像的质量和可视化效果。
我们将重点关注对比度增强、图像锐化和噪声消除等技术。
我们将探索不同的红外图像增强方法，并比较它们在不同情况下的效果。
该研究将为红外图像应用和相关研究提供有益的信息和指导。
3.研究内容和方法本研究将包括以下内容：（1）红外成像技术的基础知识和红外图像的特点分析。
（2）红外图像增强的常见方法分析，包括对比度增强、图像锐化和噪声消除等。
（3）对比常见红外图像增强方法进行实验分析，并基于不同指标对其进行性能比较，如峰值信噪比（PSNR）、图像清晰度和灰度级分布等。
（4）基于实验结果，选择并优化最有效的算法进行进一步研究和应用。
本研究将采用实验和分析的方法进行。
我们将使用不同的红外图像和情境进行测试和分析，收集数据并进行分析。
我们将使用各种工具和软件来支持我们的实验和分析，例如MATLAB、Python、ImageJ等。
4.预期成果本研究预计将实现以下成果：（1）基于不同的红外图像增强算法，制定红外图像增强框架，提高红外图像的可视化效果和可分析性。
（2）通过对比常见的红外图像增强方法，发现其性能优缺点，得出更好的实际应用算法。
（3）研究结果可用于指导相关的红外图像应用和其他相关领域的研究。
5.研究计划本研究计划如下：（1）2021年10月至11月：完成背景调研和文献综述，熟悉相关领域和方法。
（2）2021年12月至2022年3月：分析和实验常见的红外图像增强算法，并对其性能进行比较和评估。
（3）2022年4月至6月：优化最有效的红外图像增强算法，应用于实验并进一步探索其性能。
多视角图像融合算法综述图像融合是一种将多幅图像融合成一幅结果图像的技术。
随着科技的发展和人们对图像质量的要求不断提高，多视角图像融合算法成为了研究热点。
本文将对多视角图像融合算法进行综述，分析其各种方法和应用。
1. 引言多视角图像融合算法的研究与应用涉及多个领域，包括计算机视觉、图像处理、机器学习等。
其主要目标是能够合成一幅更加清晰、更具信息丰富性的图像，并能够从多个视角中获取更多的细节。
多视角图像融合算法可应用于许多领域，如遥感图像、医学影像等。
2. 多视角图像融合算法的分类2.1 基于传统图像处理的方法传统的图像处理方法主要包括像素级融合、变换域融合和区域级融合三种。
2.1.1 像素级融合像素级融合是一种将多个图像的像素进行简单叠加或加权求和的方法。
这种方法简单直观，易于实现，但容易导致图像失真和信息丢失。
2.1.2 变换域融合变换域融合是基于图像的频域变换，如小波变换和离散余弦变换（DCT）。
通过对不同图像进行变换域分析和合成，可以达到多视角图像融合的目的。
然而，变换域融合方法对不同图像的频谱分量有一定假设，因此可能导致失真。
2.1.3 区域级融合区域级融合方法是基于图像的区域分割和匹配，将不同图像中相似的区域进行融合。
这种方法能够更好地保留图像的细节和结构，但需要进行复杂的图像分割和匹配，计算复杂度较高。
2.2 基于深度学习的方法近年来，深度学习在图像处理领域取得了重大突破。
多视角图像融合算法也开始采用基于深度学习的方法。
2.2.1 卷积神经网络（CNN）卷积神经网络是一种可以自动学习图像特征的神经网络。
通过训练大量的图像数据，CNN可以学习到图像中的细节和结构，并将多个视角的图像进行融合。
2.2.2 生成对抗网络（GAN）生成对抗网络是一种通过两个神经网络进行对抗训练的模型。
其中一个网络为生成器，负责生成合成图像；另一个网络为判别器，负责判断生成的图像是否真实。
通过不断迭代训练，GAN可以生成更加真实且细节丰富的多视角图像。
数字图像处理论文数字图像处理论文篇一：数字图像增强技术摘要：数字图像处理是指利用计算机技术对图像进行各种操作和处理的过程。
图像增强是数字图像处理中的一项重要技术，旨在改善图像的质量和视觉效果。
本文针对数字图像增强技术进行了综述，包括直方图均衡化、滤波和锐化等常用方法。
此外，还介绍了一些新近提出的图像增强算法，如基于深度学习的方法。
最后，对数字图像增强技术的发展趋势进行了展望。
关键词：数字图像处理；图像增强；直方图均衡化；滤波；锐化；深度学习1.引言数字图像处理是计算机科学和图像处理领域的重要研究方向。
随着数字图像在各个领域的广泛应用，对图像质量和视觉效果的要求也越来越高。
图像增强是数字图像处理的一项基础技术，通过改善图像的对比度、亮度和细节等特征，提高图像的可视化效果。
图像增强技术已被广泛应用于医学影像、无人驾驶、图像识别等领域。
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，通过调整图像的像素值分布，提高图像的对比度和显示效果。
其基本思想是将原始图像的像素值映射到一个新的像素值域，使得新图像具有均匀分布的像素值。
直方图均衡化可以有效地增强图像的细节和纹理特征，但在一些情况下会导致图像过度增强或噪声增加。
3.滤波技术滤波是图像处理中常用的一种方法，通过对图像进行平滑或者锐化处理，改善图像的质量和视觉效果。
常用的滤波方法有均值滤波、中值滤波和高斯滤波等。
均值滤波通过计算像素点周围邻域像素的平均值来更新像素的值，可用于图像的平滑处理。
中值滤波通过计算像素点周围邻域像素的中值来更新像素的值，可有效地去除图像中的椒盐噪声。
高斯滤波通过对图像进行加权平均处理，对图像进行平滑和去噪。
4.锐化技术锐化是图像处理中常用的一种技术，通过增加图像中的高频成分，提高图像的边缘和细节等特征。
常用的锐化方法有拉普拉斯算子、Sobel算子和Canny算子等。
拉普拉斯算子通过计算图像的二阶导数来增强图像的边缘和细节。
Sobel算子通过计算图像的一阶导数来提取图像的边缘特征。
基于PSO算法的图像处理应用研究现状综述摘要：粒子群优化(PSO)算法是一种源于人工生命和鸟群捕食行为的优化技术，PSO算法通过粒子搜寻自身的个体最好解和整个粒子群的全局最好解来更新完成优化。
该算法原理简单、所需参数较少、易于实现,目前已经应用到很多领域，其中就包括应用于图像处理问题。
本文在此基础上，总结概括了PSO算法应用于图像处理问题上的研究现状，具体地分为应用于图像分割问题、图像识别问题、图像压缩问题、图像融合问题和其他图像处理领域的一些问题。
并简要的展望了关于PSO算法应用于图像处理问题上的若干发展方向，以期可以为以后的学者提供一个值得深入研究探讨的指导。
关键词：PSO算法；图像处理；图像分割；图像识别；图像融合1 引言Eberhart和Kennedy[1]通过对Heppner鸟类模型进行研究，认为鸟类寻找栖息地与对一个特定问题寻找解很类似，并通过修正该模型，使其具有社会性和智能性，以使微粒能够降落在最优解处而不降落在其它解处，提出了粒子群算法。
粒子群算法的基本思想是模拟鸟类的群体行为构建的群体模型。
粒子群算法作为一种进化计算，同样沿用进化计算中“群体”和“进化”的概念，同样是依据微粒的个体适应值进行计算。
在PSO算法中，粒子群中的微粒表示问题的一个候选解，是由速度和位置两部分组成的个体，在n维搜索空间中飞行。
微粒一方面具有自我性，可以根据自我的经验去判断飞行的速度和位置；另一方面具有社会性，可以根据周围微粒的飞行情况去调整自己的飞行速度和位置，不断地寻找个性和社会性之间的平衡。
设Xi=(xi1，xi2…xin)为微粒i当前位置，Vi=(vi1，vi2…vin)为微粒i的当前速度。
在进化过程中，记录微粒到当前为止的历史最好位置为Pi=(pi1，pi2…pin)，所有微粒的全局最好位置为Pg=(pg1，pg2…pgn)。
最初始的PSO算法的进化方程可描述为：（1），（2）为了改善(1)式的收敛性能，Y.Shi与R.C.Eberhart[2]于1998年首次在速度进化方程中引入惯性权重，(1)式变为：（3）其中，w称为惯性权重，用来实现全局搜索和局部开发能力之间的平衡。
近年来,人工智能(artificial intelligence,AI)结合大数据的分析方法在医学图像领域得到长足发展并拥有强劲发展势头,截至目前为止,基于深度学习的图像识别系统已经覆盖病灶检测、病理诊断、放疗规划以及术后预测等几乎全部临床阶段,逐渐成为医生诊断的重要辅助技术手段[1]。
其中一些样本量充足且易得的疾病诊断系统如基于X线的肺部筛查[2]、乳腺钼靶筛查[3]和基于CT影像的肺结节检测模型[4]已经显示出了较好的临床应用潜力,并向其他科室形成辐射,促进AI辅助诊断行业发展。
在当前多种图像识别算法中,卷积神经网络(convolutional neural networks,CNN)作为深度学习(deep learning)代表算法之一,是一类包含卷积计算且具有深度结构的前馈神经网络(feedforward neural networks),通过仿造生物的视觉和感知,实现对某一领域的学习[5]。
而此类系统能够实现对目标的充分学习进而得以完整运行,同时避免过拟合并保证识别成功率的基本前提是拥有由充足样本构成的训练集、测试集和验证集。
然而与其他图片来源广泛、种类相对单一的场景相比,医疗行业采集图像数据的问题呈多样化态势,主要包括:①患者隐私保护意识日益增强导致病例图像数据获取难度增加;②疾病种类繁多且检查手段多医学图像数据增强技术的研究现状与进展王天任1李伊宁1王弘熠1康健1赵爽2柳岸11.中南大学湘雅三医院皮肤科,湖南长沙410013;2.中南大学湘雅三医院耳鼻咽喉头颈外科,湖南长沙410013[摘要]人工智能辅助的医学图像识别诊疗系统应用面非常广泛,然而在当前医疗环境和社会背景下难以收集到足够多的数据来训练模型,利用数据增强技术对已有样本进行处理可以显著缓解训练数据缺乏的问题。
本文就近年来出现的较为常用的图像增强技术进行简要概述,根据样本处理数量,将已有的数据增强技术分为单样本数据增强和多样本数据增强两大类。
1 图像增强算法研究综述 摘要：本文简要介绍图像增强的概念和图像增强算法的分类，从图像的直方图均衡化处理方法，直方图规定化处理方法和图像平滑处理方法三方面对图像增强算法进行讨论和研究，并说明了图像增强技术的应用和前景展望。 关键词：图像增强 直方图均衡化 平滑处理 近年来，随着电子计算机技术的进步，计算机图像处理得到了飞跃的发展，己经成功的应用于几乎所有与成像有关的领域，并正发挥着相当重要的作用。它利用计算机对数字图像进行系列操作，从而获得某种预期的结果。对图像进行处理时，经常运用图像增强技术以改善图像的质量增强对某种信息的辨识能力，以更好的应用于现代各种科技领域，图像增强技术的快速发展同它的广泛应用是分不开的，发展的动力来自稳定涌现的新的应用，我们可以预料，在未来社会中图像增强技术将会发挥更为重要的作用。在图像处理过程中，图像增强是十分重要的一个环节。
1. 图像增强概念及现实应用
1.1 图像增强技术 图像增强[1,2]是数字图像处理[3,4]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的信息。这类处理是为了某种应用目的去改善图像质量，处理的结果更适合于人的视觉特性或机器识别系统，图像增强处理并不能增加原始图像的信息，而只能增强对某种信息的辨识能力，使处理后的图像对某些特定的应用比原来的图像更加有效。
1.2图像增强技术的现实应用 目前，图像增强处理技术的应用己经渗透到医学诊断、航空航天、军事侦察、纹识别、无损探伤、卫星图片的处理等相关领域，在国民经济发展中起到了很大的作用。其中最典型的应用主要体现以下方面。 2
1.2.1通讯领域 包括图像传输、电视电话、 电视会议等， 主要是进行图像压缩甚至理解基础上的压缩是把文字、图表、照片等图像通过光电扫描的方式变成电信号加以传送。
1.2.2遥 感 航空遥感和卫星遥感图像需要用数字技术加工处理，并提取有用的信息。主要用于地形地质，矿藏探查， 森林、 水利、 海洋、 农业等资源调查， 自然灾害预测预报，环境污染监测， 气象卫星云图处理以及地面军事目标的识别。
1.2.3生物医学领域 图像处理在医学界用的比较多，无论是在临床诊断还是病理研究都大量采用图像处理技术。人们都喜欢它的直观、无创伤、安全方便的特点。它主要用在X射线照片的分析，血球计数与染色体分类等。目前广泛应用在临床诊断和治疗的各种成像技术，如超声波诊断等都用到图像处理技术。
2. 图像增强算法 图像增强方法可分为空间域增强和频率域增强两种。本文重点介绍空间域的图像加强算法，空间域方法直接对图像像素的灰度进行处理。频率域方法在图像的某个频率域中对变换系数进行处理, 然后通过相关的变换就得到了增强图像。在空间域内对图像进行点运算, 它是一种简单而又重要的图像处理技术, 它能让用户改变图像像素的灰度值, 这样通过点运算处理就会产生一幅新的图像。
2.1灰度变换 灰度变换可调整图像的灰度动态范围或图像对比度，是一种图像增强的重要手段。它是将原图中的灰度经过一个变换函数转化成一个新的灰度。灰度变换可使灰度动态范围加大，根据变换函数的形式，灰度变换分为线性变换，分段性变换。
2.1.1线性变换 在曝光不足或过度曝光的情况下，图像灰度可能会局限在一个很小的范围内。这时在显示器上看到的将是一个模糊不清、似乎没有灰度层次的图像。采用线性变换对图像每一个像素灰度作线性拉伸，就可以有效地改善图像的视觉效果。
3
2.1.2分段线性变换 为了突出感兴趣目标所在的灰度区间，相对抑制那些不感兴趣的灰度区间，可采用分段线性变换。对原图像将其灰度分布区间划分为图中的三个子区间，对每个子区间采取不同的线性变换，选择不同的参数可以实现不同灰度区间的灰度扩张和压缩，所以分段线性变换的使用也是非常灵活的。通过增加灰度区间分割的段数，以及仔细调节各个区间的分割点和变换直线的斜率，这样就可以可对任何一个灰度区间进行扩展和压缩。
2.2直方图 灰度直方图[5]是用来反映数字图像中每一灰度级与其出现频率间的关系,它能描述该图像大概的样子。修改直方图可以增强图像，这是一种比较实用的处理技术。
2.2.1直方图原理 对一幅数字图像[6]，若对应于每一灰度值，统计出具有该灰度值的象素数，并据此绘出象素数-灰度值图形，则该图形称该图像的灰度直方图，简称直方图。直方图是以灰度值作横坐标，象素数作纵坐标。有时直方图亦采用某一灰度值的象素数占全图总象素数的百分比（即某一灰度值出现的频数）作为纵坐标。
2.2.2直方图性质 （1）直方图是一幅图像中各像素灰度出现频率次数的统计结果，它只反映图像中不同灰度值出现的次数，而不反映某一灰度所在的位置。也就是说，它只包含了该图像的某一灰度像素出现的概率，而忽略了其所在的位置信息。 （2）任意一幅图像，都有唯一确定的一幅的直方图与之对应。但不同的图像可能有相同的直方图，即图像与直方图之间是多对一的映射关系。 （3）由于直方图是对具有相同灰度值的像素统计得到的，因此，一幅图像各子区的直方图之和等于该图像全图的直方图。 在实际应用中，有时并不需要考虑图像的整体直方图的分布，而只是希望有针对性 的增强某个灰度级分布范围内的图像，所以可以认为地改变直方图，让它成为某个特定的形状，即实施图像的直方图均衡化，就可以满足特定的增强效果
2.3直方图均衡化 直方图均衡化是将原图像通过某种变换，得到一幅灰度直方图为均匀分布的新图像的方 4
法。直方图均衡化算法是图像增强算法中的最常用、最重要的算法之一。它以概率理论作基础, 运用灰度点运算来实现直方图的变换, 从而达到图像增强的目的。这些方法是不以图像保真为原则的, 它们是通过增强处理算法有选择地突出某些对人或机器分析感兴趣地信息, 抑制一些无用信息, 以提高图像地使有价值。在实际应用中, 应针对不同的图像应采用不同的图像增强方法,或同时采用几种适当的增强算法进行实验, 然后从中选出视觉效果较好的、计算不复杂的、又合乎应用要求的一种好的算法。
2.4直方图规定化 在某些情况下，人们并不一定需要具有均匀直方图的图像，有时需要具有特定的直方图的图像，以便能够增强图像中某些灰度级。直方图规定化方法就是针对上面的思想提出来的。直方图规定化是使原图像灰度直方图变成规定形状的直方图而对图像作修正的增强方法。直方图规定化是在运用均衡化原理的基础上,通过建立原始图像和期望图像之间的关系,选择地控制直方图,使原始图像的直方图变成规定的形状,从而弥补了直方图均衡化不具备交互作用的特性，人们希望增强后的图像,其灰度级的分布不是均匀的，而是具有规定形状的直方图,这样可突出感兴趣的灰度范围。
2.5图像平滑 一幅原始图像在获取和传愉过程中会受到各种噪声的干扰, 使图像质量下降,对分析图像不利。这些噪声干扰会使图像退化, 质量下降。这样图像就会变得模糊, 特征就不明显了, 对图像分析不利，为了抑制噪声改善图像质量, 要对图像进行平滑处理[7]。
2.5.1图像平滑方法原理 空间域平滑处理[8]有很多种算法, 其中最常见的有线性平滑、非线性平滑、自适应平滑。 （1）线性平滑就是对每一个像素的灰度值用它的邻域值来代替, 其邻域的大小为N×N, N一般取奇数。经过线性平滑滤波, 相当于图像经过了一个二维的低通滤波器, 可是虽然是降低了噪声, 但同时也模糊了图像边缘和细节, 这是这类滤波器存在的通病。 （2）非线性平滑是对线性平滑的一种改进, 即不对所有像素都用它的邻域平均值来代替, 而是取一个闭值, 当像素灰度值与其邻域平均值之间的差值大于已知值时才以均值代替；当像素灰度值与其邻域平均值之间的差值不大于闭值时取其本身的灰度值。非线性平滑可消除一些孤立的噪声点, 对图像的细节影响不大, 但对物体的边缘会带来一定的失真。 （3）自适应平滑是一种根据当时、当地情况以不模糊边缘轮廓为目标进行控制的方法, 这种算法要有一个适应的目标。根据目的的不同, 可以有各种各样的自适应图像处理方法。 5
2.5.2邻域平均法 邻域平均法[9]是一种局部空间域处理的算法。设一幅图像f(x,y)为N × N 的阵列，平滑后的图像为f(x,y)，它的每个像素的灰度级由包含在(x,y)的预定邻域的几个像素的灰度级的平均值所决定，即用下式得到平滑的图像。
式中的x,y=1 , 1 , 2 ，… ，N-1, S 是(x,y)点邻域中心点的坐标的集合[不包括点(x,y)]，M 是S 内坐标点的总数。
2.5.3空间域低通滤波法 从信号的角度看, 信号缓慢变化主要分布在频率域的低频部分, 而信号迅速变化的部分主要集中在高频部分。对图像来说, 它的边缘以及噪声干扰的频率分量都处于频率较高的部分, 因此可以用低通滤波方法去除噪声。而频率域滤波可以用空间域的卷积来实现, 为此只要恰当地设计空间域系统冲激响应矩阵就可以达到滤波的效果。
2.5.4多图像平均法 多幅图像平均法[10]是利用对同一景物的多幅图像相加取平均来消除噪声产生的高频成分。多幅图像取平均处理常用于摄像机的视频图像中, 以减少电视摄像机光电摄像管或CCD器件所引起的噪声。这时对同一景物连续摄取多幅图像并将其数字化, 再对多幅图像求平均, 一般选用幅图像取平均, 这种方法在实际应用中的难点在于如何把多幅图像配准, 以便使相应的像素能正确地对应排列。
2.5.5中值滤波法 中值滤波也是一种典型的空间域低通滤波器, 它的目的是保护图像边缘的同时去除噪声。所谓中值滤波,就是指把以某点（X×Y）了为中心的小窗口内的所有像素的灰度按从大到小的顺序排列, 将中间值作为少处的灰度值若窗口中有偶数个像素, 则取两个中间值的平均。
3. 图像增强前景展望 图像处理内容[11,12]涉及光学、微电子学、信息学、统计学、数学、计算机科学等领域，是一门综合性很强的交叉学科，其中任何一门学科的发展都将推动图像处理的进一步发展。近年来随着计算机技术和人工智能、视觉心理研究的迅速发展以及处理器硬件上的不断升
sjijifMyxg,),(1),(
