內容來自於劉定生老師的數字圖像處理課和課件，如有侵權，聯繫刪除。
圖像增強目的是改善圖像質量。
造成圖像質量損壞的因素：
1.圖像傳輸時,由於信道帶寬限制造成的圖像模糊；
2.噪聲干擾：加性噪聲、乘性噪聲、量化噪聲、椒鹽噪聲、入射光的不均勻性造成的畸變
3.信號減弱，對比度下降
4.成像條件的欠缺，獲取圖像的清晰度降低
歸納爲：對比度問題（主要是下降）、噪聲干擾、清晰度問題（變模糊）
可能的處理：
- 去除噪聲
- 邊緣增強
- 提高對比度
- 增加亮度
- 改善顏色效果
- 改善細微層次
灰度圖像增強
- 在空域上的處理：
- 點運算——灰度級變換 ：提高亮度，對比度，提高動態範圍，
- 模板運算——空域濾波 與頻域處理關係緊密
- 幾何變換——變形矯正
- 基於色彩的處理
- 頻域增強
基於卷積理論
灰度變換：
線性變換
這個變換可以擴展到分段線性變換：拉伸某些段灰度，抑制不感興趣部分
非線性變換
example：
獲取變換函數的方法：
#1.一些固定函數：分段函數，指數對數函數
#2.設置幾個關鍵的點，然後用三次樣條插值
直方圖增強
其實也是屬於灰度變換
公理：直方圖的p(rk )爲常數的圖像對比度最好（包含信息最多，視覺效果最好）
基本思想是通過灰度級r的概率密度函數p(rk )，求出灰度變換函數T(r)
原理及步驟參考：
https://www.jianshu.com/p/b9f29f78786b?from=timeline&isappinstalled=0
由於圖像概率密度的有限性，利用累積分佈函數作爲灰度變換函數，經變換後得到的新直方圖常常不很平坦，但畢竟比原始圖像的直方圖平坦的多，而且其動態範圍也得到了很大的擴展。 因此， 這種方法對於對比度較弱的圖像進行處理十分有效。
- 不改變灰度出現的次數，所改變的是出現次數所對應的灰度級。由此不改變圖像的信息結構
- 力圖使等長區間內出現的像素數接近相等
- 直方圖均衡化實質上是減少圖象的灰度級以換取對比度的加大。在均衡過程中，原來的直方圖上頻數較小的灰度級被歸併爲很少幾個或一個灰度級內
直方圖規定
也可以叫直方圖匹配
算法基本思路：
設：{rk}是原圖像的灰度，{zk}是符合指定直方圖結果圖像的灰度
我們的目標是：找到一個灰度變換H：z = H(r)
使得經過H對原圖像進行灰度變換後，結果圖像z具有期望的直方圖。
離散灰度級情況
由 s=T ( r) u=G ( z )
可計算得到兩張映射表： r→ s； z→u
從s、 u中選取最接近的一對sj、 uk，使uk≈ sj
在從兩張表中查得對應的rj， zk
由此建立從r到z的映射關係r→ z ，實現數字圖像的直方圖匹配。
流程總結：
1）求出灰度級變換T
2）求出灰度級變換G，
3）求出逆變換G-1
4）通過T和G-1求出複合變換H
5）用H對圖像做灰度級變換
基於直方圖統計特性進行局部增強
#1.均值m表徵了圖像的平均灰度
#2.方差σ2則表徵了圖像的平均對比度
通過對圖像局部區域亮度、對比度的判斷，實現有選擇性地增強
例如
前述的線性非線性的方法都可以運用到這裏的局部增強。
彩色圖像增強
RGB模型
偏色：
採樣過程中，由於設備、環境的原因會造成圖像的三個顏色分量不同的變換關係，使圖像中所有物體的顏色偏離了其原有的真實色彩，這種現象被稱爲偏色。
彩色平衡的實現，是通過調整灰度平衡，使偏色區域，恢復成灰色來達到的。當灰色的亮度達到一定程度時，顯現爲白色，因此有時亦稱之爲白平衡調整
檢查偏色的兩種方法：
1）檢查圖像的灰平衡（白平衡）情況，檢查在現實中應該是灰色（白色）的物體，在圖像中是否是灰色（白色）
2）檢查高飽和度的顏色是否正常，即檢查在現實中應該是純色的物體，在圖像中是否有偏色
彩色平衡的實現：
選擇兩個顏色分量(如RB)，去匹配第三個(如G)
#1.在圖像中選取兩個淺灰或深灰區域（這些區域也許已經不是灰色）
#2.計算這兩個域的RGB平均值，設爲
#3.以G分量爲基準，修改R和B分量使之等於G，可有對應關係：
#4.由前述變換關係，可構建線性變換
#5. 分別對R、 G、 B圖像實施變換
例如可以選取眼白（白色區域），眼珠（黑色區域），頭髮（黑色區域）去調整白平衡
HSI模型
Hue 色調
Saturation 飽和度
Intensity 亮度
針對每一個維度可以做相應的調整。
僞彩色增強
人類可以分辨比灰度層次更多的顏色種類
醫學，工業勘測，老照片恢復，X光片，CT，衛星圖片，降水量分佈圖，颱風運動（氣象預報）等
如下圖添加彩色後可以看出更多紋理
對於灰度圖像f(x,y)
經典變換函數：
1）分段線性映射表
（分段）線性映射
彩虹映射表：其效果類似彩虹；按照灰度值增加對應于波長增加進行映射（低灰度→藍色，中灰度→ 綠色，高灰度→ 紅色）
正弦函數變換表
2）密度分割法
按照一幅圖像的亮度值變化範圍，按一定規則進行分割，劃分成若干等級，每一等級用一種顏色表示，形成假彩色密度分割圖像
可以等密度也可以非等密度。
3）多波段合成僞彩色
每一個波段指定一個顏色，遙感圖像中對同一物體在不同波長獲得多幅圖像
空域濾波
卷積理論——線性系統響應——線性濾波器
卷積的衝擊響應函數h(x,y)，稱爲空域卷積模板
- 平滑濾波器
- 銳化濾波器
低通濾波器：平滑圖像、去除噪音
#1.模板尺寸越大， 圖像越模糊，圖像細節丟失越多
#2.如果圖像處理的目的是去除噪音，那麼，低通濾波在去除噪音的同時也平滑了邊和尖銳的細節
#3.某些情況下，對圖像的低通濾波具有增強大尺度特徵的作用
高通濾波器：邊緣增強、邊緣提取
#1.中心繫數爲正值，外圍爲負值,係數之和爲0 (計算時會出現負值，歸0處理爲常見)
#2.高通濾波在增強了邊的同時，丟失了圖像的層次和亮度
#3.在某些情況下， 高通濾波增強小尺度特徵
非線性濾波器
中值濾波器:
在去除噪音的同時，可以比較好地保留邊緣輪廓信息和圖像的細節
最大值濾波器：
最小值濾波器：
銳化濾波器
基於高通濾波
高增益濾波
高通濾波可看作爲：高通 = 原圖 – 低通
高增益濾波：高增益 = A原圖 – 低通
高增益 = A原圖 – 低通
= (A – 1)原圖 + （原圖 – 低通）
= (A – 1)原圖 + 高通
當A = 1時，高增益就是高通濾波，
當A >1 時，原圖像的一部分被加到高通中
例如下圖中w=9,高通時爲8
微分濾波器
均值產生平滑的效果，而均值與積分相似，由此而聯想到， 微分能不能產生相反的效果，即銳化的效果呢？結論是肯定的。
最常用的方法是計算梯度
法一：
法二：
一階微分算子：
Roberts
Prewitt
Sobel
二階微分算子：
拉普拉斯算子
拉普拉斯濾波增強
標準拉普拉斯算子對干擾噪聲很敏感，需要加以改進。改
進方法可以先平滑後增強，由此產生一系列變形模板
與高增益濾波技術相結合（ A>1）
超限鄰域平均
如果某個像素的灰度值大於其鄰域像素的平均值，且達到了一定水平，則判斷該像素爲噪聲，繼而用鄰域像素的均值取代這一像素值
超限中值濾波
當某個像素的灰度值超過窗口中像素灰度值排序中間的那個值，且達到一定水平時，則判斷該點爲噪聲，用灰度值排序中間的那個值來代替；否則還是保持原來的灰度值
1.中值濾波的效果無論從客觀指標還是主觀視覺效果上都遠遠超過鄰域平均法；
2. 中值濾波後的圖像邊緣得到了較好的保護；
3.超限中值濾波比一般中值濾波的效果要好。
偏置濾波器（ Bias Filter）
結果圖像的像素值完全取決於該像素周圍各點，而與其直接點無關。偏置濾波使結果圖像具有某種淺浮雕陰影效果，在調查某些細節時十分有用。
以上各種增強方法配合使用，效果更佳。