一、课题背景
图像增强是指按照某种特定的需求，突出图像中有用的信息，去除或者削弱无用的信息。图像增强的目的是使处理后的图像更适合人眼的视 觉特性或易于机器识别。在医学成像、遥感成像、人物摄影等领域，图像增强技术都有着广泛的应用[1]。图像增强同时可以作为目标识别，目标跟踪，特征点匹配，图像融合，超分辨率重构等图像处理算法的预处理算法。
数字图像处理在40多年的时间里，迅速发展成一门独立的有强大生命力的学科，图像增强技术已逐步涉及人类生活和社会生产的各个方面。
二、图像增强算法的国内外研究状况
图像增强算法主要分为空域和频域图像增强。空间域图像增强是直接对图像中的像素进行处理，主要分为点处理，包括灰度变换和直方图修正法；区域处理，包括平滑和锐化处理。传统的图像增强技术大多是在空间域对图像进行处理，这种方法有简单、容易理解的优点。频域图像增强方法是建立在图像傅里叶变化基础上的，将原来的图像空间中的图像以某种形式转换到其他空间中，然后利用该空间的特有性质进行图像处理，最后再转换到原来的图像空间中。主要方法有陷波滤波、高通滤波、低通滤波和同态滤波[2]。
比较经典的图像增强算法主要有直方图均衡(HE)、小波变换算法(WT)、偏微分方程算法(PDE)和基于色彩恒常性理论的 Retinex 算法等。
HE 算法通过使图像灰度级的概率密度函数(PDF) 满足近似均匀分布的形式来达到增大图像动态范围和提高图像对比度的目的，但增强后的图像亮度不均，且会出现因灰度级合并而导致的部分细节信息的丢失。HE的改进算法有很多，例如：双直方图均衡 (BBHE) 算法，该算法解决了增强图像局部区域亮度不均匀的问题[3]；最大亮度双直方图均衡(MMBEBHE)算法，该算法保证了增强图像与原始图像的亮度均值误差最小[4]；基于对数函数映射的直方图均衡(LMHE)算法，该算法可使得增强后的图像更符合人眼的视觉特性[5]。
小波变换算法可在频域下对不同频率系数进行增强，可以提高图像的对比度，突出图像的细节信息。基于knee函数和gamma校正的小波变换图像增强(KGWT)算法，采用改进的knee函数和gamma变换函数来对低频系数进行增强，可达到提高图像整体亮度和对比度的目的[6-7]。文献[8]提出了基于对比度熵的小波变换图像增强算法，对图像的低频成分采用直方图均衡的方法增强，对图像的高频成分通过最大化对比度熵来达到增强的目的。文献[9]通过增强小波分解后得到的低频图像的奇异值矩阵实现增强效果。
偏微分方程 (PDE) 图像增强算法通过放大图像的对比度场来达到图像增强的目的。采用全变差模型(Total Variation Model) 的偏微分方程图像增强(TVPDE) 可使增强后的图像既具有较高的对比度，又与原始图像的差别不大，保留了图像的细节信息[10]。此外，针对偏微分方程图像增强算法中的梯度函数的改进算法也有很多，且都取得了很好的增强效果[11]。
Retinex 理论是由 Edwin.H.Land于1963年提出的，该理论的基本假设是原始图像是光照图像和反射率图像的乘积，从原始图像中估计光照并分解出反射率图像，消除光照不均的影响，以改善图像的视觉效果[12-13]。由于对数域下的运算更接近人眼的视觉特性，单尺度Retinex图像增强算法(SSR)将乘法运算转换为简单的加法运算。由于SSR算法不能同时保证图像具有真实的亮度值和较高的对比度，因此，研究人员在它的基础上又提出了多尺度 Retinex 图像增强( MSR)算法[14]。
