图像增强算法综述
低光照增强文献综述
低光照增强文献综述低光照增强是图像处理领域中的一个重要研究方向，其目的是提高低光照条件下图像的视觉质量，从而获取更多的有用信息。
在自动驾驶、安防等人工智能相关行业中，低光照增强技术具有广泛的应用前景。
近年来，低光照增强技术逐渐成为研究热点，许多学者和研究人员致力于提出新的算法和方法以提高低光照图像的质量。
本文将从低光照增强技术的算法分类、现有算法性能评估和未来发展趋势等方面进行综述。
1. 低光照增强技术算法分类低光照增强技术主要包括传统方法和深度学习方法。
（1）传统低光照增强方法：传统方法主要采用基于偏微分方程、基于Retinex和基于直方图均衡等技术。
① 基于偏微分方程的方法：偏微分方程方法通过求解偏微分方程，实现低光照图像的增强。
这类方法在处理低光照图像时，能够有效地保持图像的边缘和细节。
② 基于Retinex的方法：Retinex理论提出了一种基于物理模型进行图像增强的方法。
Retinex算法通过分离环境光和反射光，实现低光照图像的增强。
③ 基于直方图均衡的方法：直方图均衡方法通过对图像直方图进行均衡化处理，提高低光照图像的对比度和亮度。
（2）基于深度学习的低光照增强方法：深度学习方法在低光照增强领域取得了显著的性能提升。
这类方法主要采用基于神经网络、基于生成对抗网络 （GAN）和基于自编码器等技术。
① 基于神经网络的方法：神经网络方法通过学习大量低光照图像数据，实现低光照图像的增强。
这类方法在提高图像质量的同时，能够有效地保持图像的细节和结构。
② 基于GAN的方法：GAN方法在低光照增强领域取得了显著的性能提升。
通过引入对抗训练，GAN方法能够生成高质量、高亮度的低光照图像。
③ 基于自编码器的方法：自编码器方法通过学习低光照图像的潜在特征，实现低光照图像的增强。
这类方法在提高图像质量的同时，能够有效地保持图像的细节和结构。
2. 现有算法性能评估为了评估低光照增强算法的性能，许多学者和研究人员构建了大量的低光照图像数据集，并采用各种评估指标对算法进行评估。
图像处理技术综述
图像处理技术综述图像处理技术是应用于计算机视觉、计算机图形学、人工智能等领域的一种技术，用于改善或增强图像的质量、可视性、信息含量或拟合特定需求。
在当今信息技术快速发展的时代，图像处理技术已被越来越广泛地应用于医学、军事、安全监控、遥感、交通、广告等领域。
一、图像处理的基本流程1、获取图像首先需要获得图像，其方式很多。
例如，用专业摄像机或手机或扫描仪捕获图像。
另外，从互联网或其他共享资源中获取的图像也可以作为处理对象。
2、预处理图像在采集到图像数据后，需要对图像进行预处理。
这主要是为了去除噪声和畸变，以便更好地处理图像数据。
一些常见的操作包括滤波、均衡化、归一化和旋转等。
3、分割图像将图像分成若干个区域，通过分析这些区域来获取有用的信息。
分割可以基于颜色、亮度、纹理、图像特征、形状等进行。
4、提取特征提取图像中的特征是使用智能算法和其他技术来描述图像中重要的信息。
这些特征可以是纹理、边缘、角点或其他模式，并且可以用来判断图片是否满足特定要求。
5、抽取结构信息对于一些需要对图像进行量化和分析的应用，可以从图像中提取出具有代表性的结构信息。
应用某些算法，通过获取的特征和结构信息来分析图像。
根据分析的结果，可以识别物体、建立模型、人机交互等等。
图像滤波是一种常用的基本方法，它主要用于去除图像中的噪声。
常见的滤波方法有平均滤波、高斯滤波、中值滤波等。
图像增强技术是指通过算法将低质量的图像improved以获得更高质量的图像，例如提高对比度、清晰度、亮度等。
图像压缩是将数字图像压缩到尽可能小的空间，使其更容易存储和传输。
最常用的压缩方式是JPEG和PNG。
图像分割是将图像分割成不同的部分，每个部分对应相应的特征，这些部分组成面向目标识别和跟踪的区域。
常用而有效的算法包括K均值聚类、分水岭算法等。
特征提取是将图像中的信息抽象化作为特定可识别模式。
从图像中提取特征通常需要使用泛函分析和模式识别技术。
6、目标识别目标识别即在图像中找到和辨识特定目标，它应用于许多领域，例如医疗图像识别、移动机器人、军事目标等重要领域。
基于Retinex理论的低照度图像自适应增强算法
基于Retinex理论的低照度图像自适应增强算法目录1. 内容概览 (3)1.1 研究背景 (3)1.2 研究意义 (5)1.3 文献综述 (6)1.4 本文结构 (7)2. Retinex理论概述 (8)2.1 Retinex理论起源 (8)2.2 Retinex理论核心 (9)2.3 Retinex与其他图像增强算法的区别 (10)3. 低照度图像增强问题分析 (12)3.1 低照度图像的特点 (13)3.2 图像增强的目的与挑战 (13)3.3 现有方法存在的问题 (14)4. 基于Retinex的理论低照度图像自适应增强算法 (15)4.1 算法原理 (16)4.1.1 Retinex与自适应增强的理论联系 (18)4.1.2 算法自适应性的实现手段 (19)4.2 算法关键步骤 (20)4.2.1 光照映射的获取 (21)4.2.2 局部对比度的计算 (22)4.2.3 光照校正和对比度增强 (23)4.3 算法实现细节 (24)4.3.1 光照映射的精确计算 (25)4.3.2 对比度增强的策略 (27)4.3.3 自适应参数的确定 (28)4.4 算法有效性验证 (29)4.4.1 算法精度分析 (30)4.4.2 算法性能测试 (31)5. 实验验证与结果分析 (32)5.1 数据集与实验设置 (34)5.2 对比算法与方法 (35)5.3 实验结果与分析 (36)5.3.1 增强效果 (37)5.3.2 对比算法的比较 (39)5.4 算法存在的问题与改进建议 (40)6. 结论与展望 (42)6.1 研究总结 (43)6.2 未来工作方向 (44)1. 内容概览本文档详细介绍了一种基于Retinex理论的低照度图像自适应增强算法。
该算法旨在解决低照度条件下图像对比度低、细节不清晰等问题，通过自适应地增强图像的亮度和对比度，提高图像的视觉效果。
介绍了Retinex理论的基本原理，该理论认为图像是由光照和反射率两个部分组成的，通过分别处理这两个部分可以实现图像的增强。
低光照图像增强算法综述
低光照图像增强算法综述一、本文概述随着计算机视觉技术的快速发展，图像增强技术成为了研究的重要领域之一。
其中，低光照图像增强算法是处理低质量、低亮度图像的关键技术，对于提高图像质量、增强图像细节、提升图像识别精度等方面具有重要的应用价值。
本文旨在对低光照图像增强算法进行全面的综述，介绍其研究背景、发展历程、主要算法及其优缺点，并探讨未来的发展趋势。
本文将对低光照图像增强的研究背景进行介绍，阐述低光照图像增强技术在视频监控、医学影像分析、军事侦察、航空航天等领域的应用需求。
本文将回顾低光照图像增强技术的发展历程，分析不同算法在不同历史阶段的发展特点和主要贡献。
接着，本文将重点介绍当前主流的低光照图像增强算法，包括基于直方图均衡化的算法、基于Retinex理论的算法、基于深度学习的算法等，并详细阐述其原理、实现方法、优缺点等。
本文将展望低光照图像增强技术的未来发展趋势，探讨新技术、新算法在提升图像质量、提高识别精度等方面的潜在应用。
通过本文的综述，读者可以全面了解低光照图像增强算法的研究现状和发展趋势，为相关领域的研究和实践提供有益的参考和借鉴。
二、低光照图像增强的基本原理低光照图像增强算法的核心目标是在保持图像细节和色彩信息的提高图像的亮度和对比度，从而改善图像的视觉效果。
这通常涉及到对图像像素值的调整，以及对图像局部或全局特性的分析和优化。
基本的低光照图像增强算法可以分为两类：直方图均衡化和伽马校正。
直方图均衡化是一种通过拉伸像素强度分布来增强图像对比度的方法。
这种方法假设图像的可用数据跨度大，即图像包含从暗到亮的所有像素值。
然而，对于低光照图像，由于大部分像素值集中在较低的亮度范围内，直方图均衡化可能会过度增强噪声，导致图像质量下降。
伽马校正则是一种更为柔和的增强方法，它通过调整图像的伽马曲线来改变图像的亮度。
伽马曲线描述了输入像素值与输出像素值之间的关系，通过调整这个关系，可以改变图像的亮度分布。
超分辨率图像重建方法综述
超分辨率图像重建方法综述超分辨率图像重建方法综述摘要：随着数字图像技术的迅猛发展，人们对于高质量图像的需求日益增强。
然而，由于各种原因限制，例如硬件设备和网络带宽的限制，很多图像都存在分辨率低、模糊等问题。
超分辨率图像重建技术应运而生，旨在通过图像处理方法将低分辨率图像重建为高分辨率图像，以实现更好的图像质量。
本文将对超分辨率图像重建方法进行综述，包括传统方法、基于插值的方法和深度学习方法，并对各类方法进行比较分析。
一、介绍超分辨率图像重建是一项重要的研究课题，旨在通过一系列的图像处理技术，将低分辨率图像提升至高分辨率图像，以满足人们对于高质量图像的需求。
在近年来，超分辨率图像重建技术得到了广泛的研究和应用，不仅能够改善普通图像的质量，还能在医学影像、监控图像等领域起到重要作用。
二、传统方法传统的超分辨率图像重建方法主要包括插值法、边缘推断法和重建模型法。
插值法是最简单直接的方法，通过对低分辨率图像进行像素插值来增加图像的分辨率。
然而，这种方法容易导致图像出现模糊和失真。
边缘推断法通过根据图像边缘信息进行推断来提高图像分辨率，但在实际应用中对边缘信息的准确性要求较高。
重建模型法则是使用一系列的模型和算法来重建图像，例如自回归模型、小波变换等。
这些传统方法在一定程度上可以提高图像的分辨率，但往往在处理复杂纹理和细节等方面效果有限。
三、基于插值的方法随着深度学习技术的发展，基于插值的超分辨率图像重建方法得到了很大的提升。
这类方法通过构建卷积神经网络模型，学习和捕获图像的高频信息，进而对低分辨率图像进行插值和重建。
此类方法比传统方法更加准确和稳定，能够解决复杂纹理和细节方面的问题。
然而，基于插值的方法对于训练样本的要求较高，且计算量较大。
四、深度学习方法深度学习方法是目前超分辨率图像重建领域的热门研究方向。
通过建立深度神经网络模型，利用大量的样本进行训练和学习，可以有效地提高图像的分辨率。
其中，卷积神经网络（CNN）是最常用的深度学习方法之一。
图像去雾增强算法的研究-文献综述
福州大学专业英语文献综述题目：图像去雾增强算法的研究姓名：学号：专业：一、引言由于近年来空气污染加重，我国雾霾天气越来越频繁地出现，例如：2012底到2013年初，几次连续七日以上的雾霾天气笼罩了大半个中国，给海陆空交通，人民生活及生命安全造成了巨大的影响。
因此,除降低空气污染之外，提高雾霾图像、视频的清晰度是亟待解决的重要问题。
图像去雾实质上就是图像增强的一种现实的应用。
一般情况下,在各类图像系统的传送和转换(如显示、复制、成像、扫描以及传输等）总会在某种程度上造成图像质量的下降。
例如摄像时,由于雾天的原因使图像模糊；再如传输过程中,噪声污染图像，使人观察起来不满意;或者是计算机从中提取的信息减少造成错误，因此，必须对降质图像进行改善处理，主要目的是使图像更适合于人的视觉特性或计算机识别系统。
从图像质量评价观点来看，图像增强技术主要目的是提高图像可辨识度。
通过设法有选择地突出便于人或机器分析的某些感兴趣的信息,抑制一些无用信息，以提高图像的使用价值，即图像增强处理只是增强了对某些信息的辨别能力［1］.二、背景及意义近几年空气质量退化严重,雾霾等恶劣天气出现频繁，PM2。
5[2］值越来越引起人们的广泛关注。
在有雾天气下拍摄的图像，由于大气中混浊的媒介对光的吸收和散射影响严重,使“透过光"强度衰减，从而使得光学传感器接收到的光强发生了改变，直接导致图像对比度降低，动态范围缩小，模糊不清,清晰度不够，图像细节信息不明显，许多特征被覆盖或模糊，信息的可辨识度大大降低。
同时，色彩保真度下降，出现严重的颜色偏移和失真，达不到满意的视觉效果［3—6]。
上述视觉效果不佳的图像部分信息缺失，给判定目标带来了一定的困难,直接限制和影响了室外目标识别和跟踪、智能导航、公路视觉监视、卫星遥感监测、军事航空侦察等系统效用的发挥，给生产与生活等各方面都造成了极大的影响[7—9].以公路监控为例,由于大雾弥漫，道路的能见度大大降低，司机通过视觉获得的路况信息往往不准确，进一步影响对环境的判读，很容易发生交通事故，此时高速封闭或者公路限行,给人们的出行带来了极大的不便［10］。
结合深度学习的水下图像增强算法研究
结合深度学习的水下图像增强算法研究结合深度学习的水下图像增强算法研究摘要：随着水下影像采集设备的不断进步，水下图像的质量也得到了一定程度的提高。
然而，由于水下光照条件的限制以及水下环境中的散射、吸收等因素，水下图像依然存在很大的模糊、低对比度等问题。
针对这些问题，结合深度学习的水下图像增强算法应运而生。
本文将重点讨论深度学习在水下图像增强领域中的应用，并介绍了一种基于深度学习的水下图像增强算法。
1. 引言水下图像增强是研究者长期以来关注的一个热门研究领域。
由于水下光照条件的限制和水下环境中物质的散射、吸收等因素，水下图像往往具有低对比度、模糊、色彩失真等问题，造成其实际应用受限。
为了解决这些问题，研究者们提出了各种图像增强算法。
然而，传统的水下图像增强算法对于图像细节的保留和重建能力有限。
近年来，深度学习技术的发展为水下图像增强问题带来了新的解决方案。
2. 深度学习在水下图像增强中的应用深度学习在水下图像增强中主要应用于两个方面：图像去噪和图像增强。
对于图像去噪任务，研究者们已经提出了一系列基于深度学习的方法，包括基于卷积神经网络（CNN）的方法，基于生成对抗网络（GAN）的方法等。
这些方法通过学习大量的水下图像数据，能够更好地去除图像中的噪声，提高图像质量。
对于图像增强任务，研究者们通常采用自编码器或者去雾网络等深度学习模型，通过学习图像的特征表示和重建，实现对水下图像的增强。
3. 基于深度学习的水下图像增强算法基于深度学习的水下图像增强算法通常包括以下几个步骤：数据准备、模型构建、模型训练和图像增强。
首先，研究者们收集水下图像数据，并对数据进行预处理，包括图像去噪和颜色校正等。
然后，研究者们构建深度学习模型，通常采用CNN、GAN或者自编码器等网络结构。
接着，利用收集到的水下图像数据对模型进行训练，通过迭代优化模型参数，使其能够更好地学习图像的特征表示和增强规律。
最后，对于新的水下图像，在经过预处理后，利用已经训练好的模型进行图像增强，从而获得更好的图像质量。
空频域图像增强方法研究综述
空频域图像增强方法研究综述郭永坤;朱彦陈;刘莉萍;黄强【期刊名称】《计算机工程与应用》【年(卷),期】2022(58)11【摘要】对于小样本图像数据集往往采用图像增强的方法扩充数据量增加实验的合理性,图像增强算法能够提高图像整体和局部的对比度,突出图像的细节信息,使图像更符合人眼的视觉特性且易于机器识别。
为了深入研究图像增强应用的新思路、新方向,从图像增强算法的基本原理出发,归纳总结了近年来应用比较广泛的空域和频域两大类图像增强算法,包括直方图均衡图像增强算法、灰度变换图像增强算法、空域滤波图像增强算法和频域滤波图像增强算法,分别详细介绍了它们的基本概念和相关定义并简述了其浅层面的优缺点。
另外采用主观和客观的评价方法对这些算法的增强效果进行了对比和分析,并对各算法的优缺点、适用场景和复杂度进行了对比分析,以更深入研究各个图像增强算法的隐含有用信息,以找出鲁棒性、适用性更强的图像增强方法。
实验结果表明,不同的算法都具有各自的特点,针对不同的图像效果不同,增强对比度更适宜采用空域图像增强方法,突出细节更适宜采用频域图像增强方法。
单一的方法无法满足图像处理的需要,优势结合的图像增强算法更有研究意义。
对这些算法的深入研究能够为研究者带来新的契机,拓展新的研究方向,推动整个图像增强技术高水平发展,使图像增强技术在多个学科领域发挥重要作用。
【总页数】10页(P23-32)【作者】郭永坤;朱彦陈;刘莉萍;黄强【作者单位】江西中医药大学计算机学院;江西中医药大学网络中心【正文语种】中文【中图分类】TP391【相关文献】1.基于空域、频域和时间域的复合图像增强方法2.模拟频域滤波重构直方图均衡的图像增强方法3.一种改进的频域非线性外推图像增强方法4.基于频域高通滤波图像增强的改进方法5.基于频域高通滤波图像增强的改进方法因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
图像增强算法研究综述刘璐璐宁波工程学院电子与信息工程学院计算机科学与技术071班，邮编:(315100)E-mail:****************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直方图规定化平滑处理近年来，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是数字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。
11.2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、卫星图片的处理等领域，在国民经济中发挥越来越大的作用。
其中最典型的应用主要体现以下方面。
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的应用非常广泛，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。
它的直观、无创伤、安全方便的忧点受到普遍的欢迎与接受。
其主要应用如X射线照片的分析，血球计数与染色体分类等。
目前广泛应用于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。
有人认为计算机图像处理在医学上应用最成功的例子就是X射线CT（X-ray Computed Tomography）。
1.2.4军事、公安等方面的应用军事目标的侦察、制导和警戒系统、自动灭火器的控制及反伪装；公安部门的现场照片、指纹、手迹、印章、人像等的处理和辨识；历史文字和图片档案的修复和管理等。
1.2.5工业生产中的应用在生产线中对产品及部件进行无损检测是图像处理技术的重要应用领域。
该领域的应用从70年代起取得了迅速的发展，主要有产品质量检测、生产过程的自动控制、CAD／CAM 等。
在产品质量检测方面，如食品、水果质量检查，无损探伤，焊缝质量或表面缺陷。
又如，金属材料的成分和结构分析，纺织品质量检查，光测弹性力学中应力条纹的分析等。
在电子工业中，可以用来检验印刷电路板的质量、监测零件部件的装配等。
在工业自动控制中，23 主要使用机器视觉系统对生产过程进行监视和控制，如港口的监测调度、交通管理、流水生产线的自动控制等。
总之，图像处理技术应用领域相当广泛，已在国家安全、经济发展、日常生活中充当越来越重要的角色，对国计民生的作用不可低估。
2. 图像增强算法图像增强方法从增强的作用域出发，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, 然后通过逆变换获得增强图像。
在空间域内对图像进行点运算, 它是一种既简单又重要的图像处理技术, 它能让用户改变图像上像素点的灰度值, 这样通过点运算处理将产生一幅新图像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，是图像增强的重要手段之一。
它是将原图中的灰度f(x,y) 经过一个变换函数g=T[f] 转化成一个新的灰度g(x,y) 即g(x,y)=T[f(x,y)] （2-1）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，分段性变换和非线性变换。
2.1.1线性变换在曝光不足或过度的情况下，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，可有效地改善图像视觉效果。
令图像f(i ，j)的灰度范围为[a,b]，线性变换后图像g(i,j )的范围为[a´,b´]，如图1-1所示，g(i,j)与f(i,j)之间的关系式为：4这种线性变换使灰度小于a 和灰度大于b 的像素灰度强度强行变换成a 和b ，增强了图像中绝大多数像素的灰度层次感。
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。
设原图像f(x,y )在[0，Mf ],感兴趣目标的灰度范围在[a,b ],欲使其灰度范围拉伸到[c,d ],则对应的分段线性变换表达式为：⎪⎩⎪⎨⎧≤≤+---<≤+---<≤=f f g M y x f b d b y x f b M d M by x f a c a y x f a b c d a y x f y x f a c y x g ),(]),()][/()[(),(]),()][/()[(),(0),()/(),(（2-4） 图2-4 分段线性变换示意图g(x,y) f(x,y)d c O a b Mg Mf （b ）变换结果 （a ）原始图像 图2-3 灰度线性变换增强图像对比5对原图像 将其灰度分布区间[a,b ]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，通过变换参数的选择实现不同灰度区间的灰度扩张或压缩，因此分段线性变换的使用也是非常的灵活。
增加灰度区间的分割的段数，以及仔细调各个区间的分割点和变换直线的斜率，可对任一灰度区间进行扩展和压缩。
2.1.3非线性灰度变换 当用某些非线性函数如对数函数、指数函数等，作为映射函数时，可实现图像灰度的非线性变换。
⑴对数变换对数变换的一般表达式为这里a,b,c 是为了调整曲线的位置和形状而引入的参数。
当希望对图像的低灰度区较大的拉伸而对高灰度区压缩时，可采用这种变换，它能使图像灰度分布与人的视觉特性相匹配。
（2）指数变换指数变换的一般表达式为这里参数a,b,c 用来调整曲线的位置和形状。
这种变换能对图像的高灰度区给予较大的（b ）变换效果 []1),(),(-=-a j i f c b j i g （a ）原始图像 图2-5 分段线性变换增强图像对比 （2-7）[]c b j i f a j i g ln 1),(ln ),(⋅++=（2-6）6拉伸。
2.2直方图灰度直方图反映了数字图像中每一灰度级与其出现频率间的关系,它能描述该图像的概貌。
通过修改直方图的方法增强图像是一种实用而有效的处理技术。
直方图修正法包括直方图均衡化及直方图规定化两类。
2.2.1直方图原理对一幅数字图像，若对应于每－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。
设变量r 代表图像中像素灰度级,在图像中，像素的灰度级可作归一化处理，这样r 的值将限定在下述范围之内（0≤r≤1）在灰度级中，r=0代表黑，r=1代表白。
对于一幅给定的图像来说，每一个像素取得[0,1]区间内的灰度级是随机的，也就是说，是一个随机变量。
在离散的形式下，用rk 代表离散灰度级，用P(rk)代表概率密度函数，并且有下式成立：式中Nk 为图像中出现rk 这种灰度的像素数，n 是图像中像素总数，Nk/n 就是概率论中的频数，n 是灰度级的总数目。
在直角坐标系中作出rk 与Pr(r)的关系图形，就得到直方图。
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次的统计结果，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均匀分布直方图，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，因此可人为地改变直方图，使之成为某个特定的形状，即实施图像的直方图均衡化，以满足特定的增强效果1210 )(-=≤≤=l ,,,k 1r 0nn r P k k k r72.3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法。
直方图均衡化算法是图像增强空域法中的最常用、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设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, 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算法。
2.3.1直方图均衡化原理为了改善图像质量，可以对灰度分布进行变换改变，其中一种方法称为直方图均衡化处理。
直方图均衡化处理是以累积分布函数变换法为基础的直方图修正法。
假定变换函数为图2-9 图像及其灰度直方图⎰==r r d P r T s 0)()(ωω（2-10）8式中ω是积分变量，而T(r)就是r 的累积分布函数。
这里，累积分布函数是r 的函数，并且单调地从0增加到1，所以这个变换函数满足T(r)在0≤r≤1内单值单调增加。
可以证明，用r 的累积分布函数作为变换函数可产生一幅灰度级分布具有均匀概率密度的图像。
其结果扩展了像素取值的动态范围。