红外图像目标检测及增强

南京理工大学
作者: 学号：
学院(系):
专业:
题目:
指导者：
(姓名) (专业技术职务)
评阅者：
(姓名) (专业技术职务)
年月
一引言 (1)
1.1 红外成像系统应用 (1)
1.2 红外成像系统研究发展 (2)
二红外图像的目标检测及跟踪 (3)
2.1 典型的DBT目标检测算法 (3)
2.1.1 阈值法 (3)
2.1.2 最大距离法 (4)
2.2 典型的TBD目标检测算法 (6)
2.2.1 基于多级假设检验的TBD目标检测算法 (6)
2.2.2 基于光流的方法 (7)
2.2.3 基于求差法的方法 (7)
2.3 混合高斯模型原理及实现： (8)
2.4 红外目标跟踪 (10)
2.4.1 边缘跟踪算法 (10)
2.4.2优化的双边缘跟踪算法： (11)
2.4.3 形心跟踪算法 (11)
三图像增强技术 (11)
3.1 点运算 (13)
3.1.1 灰度级校正 (13)
3.1.2 灰度变换 (14)
3.1.3直方图修正 (17)
3.2 空域图像平滑 (20)
3.1.1 噪声消除法 (20)
3.2.2 邻域平均法 (21)
3.2.3 中值滤波 (22)
3.2.4 梯度倒数加权 (23)
3.3 空间域图像锐化 (25)
3.3.1 梯度法 (25)
3.3.2 Laplacian算子 (26)
3.3.3 高通滤波 (27)
3.3.4 统计差值法 (28)
3.4 彩色技术 (29)
3.4.1 什么是伪彩色增强技术 (29)
3.4.2 为什么引入彩色增强技术 (29)
3.4.3 彩色增强技术原理 (29)
3.4.4 假彩色增强 (30)
3.4.4 伪彩色增强 (31)
3.5 频率域增强处理 (35)
3.5.1 低通滤波 (36)
3.5.2 同态图像增强 (37)
3.5.3高通滤波 (38)
3.5.4 高频强调滤波 (39)
3.5.5 小波变换增强 (40)
一引言
1.1 红外成像系统应用
随着红外成像技术的发展，红外成像系统已广泛地应用在光学遥感、夜间导航、目标探测以及火控、制导等民用和军事领域。

从二十世纪五十年代开始，红外成像技术被广泛应用于军事领域，尤其是在红外成像制导、红外告警和侦察方面。

机载前视红外装置能在1500m上空探测到人、小型车辆和隐蔽目标，在20000m高空能分辨出汽车乃至能探测水下40m 深处的潜艇。

军事需求始终是推动红外成像技术发展的最强动力，军事领域也是红外成像新技术首先得到应用的领域。

海湾战争充分显示了红外技术特别是热成像技术在军事上的作用和威力。

海湾战争从开始、作战到获胜都是在夜间，夜视装备应用的普遍性乃是这次战争的最大特点之一。

在战斗中投入的夜视装备之多，性能之好，是历次战争所不能比拟的。

美军每辆坦克，每个重要武器直到反坦克导弹都配有夜视瞄准具，仅美军第二十四机械化步兵师就装备了上千套夜视仪。

多国部队除了地面部队，海军陆战队广泛装备了夜视装置外，美国的F117隐形战斗轰炸机、阿帕奇直升机、F15E 战斗机、英国的旋风GRI对地攻击机等都装有先进的热成像夜视装备。

正因为多国部队在夜视和光电装备方面的优势，所以在整个战争期间他们掌握了绝对的主动权。

多国部队利用飞机发射的红外制导导弹在海湾战争中发挥了极大的威力，他们仅在10天内就摧毁伊军坦克650辆、装甲车500辆。

同时，红外成像技术也广泛地应用于工业、农业、医学、交通等各个行业和部门。

红外测温、红外理疗、红外检测、红外报警、红外遥感、红外防伪更是各行业争相选用的先进技术。

红外成像系统与雷达成像系统、电视成像系统一起构成当代三大成像系统。

红外成像系统与雷达相比，具有结构简单、体积小、重量轻、分辨率高、隐蔽性好、抗干扰能力强等优点；与可见光相比，有透过烟尘能力强、可昼夜工作等特点，因而在中近距离成像跟踪系统中，红外成像传感器受到特别重视。

下表比较了几种常用成像系统的优缺点：
表1.1 常见成像系统的优缺点
传感器类型优点缺点
雷达（合成孔径、相控阵、毫米波）
全天候
可远距工作
有测距能力
结构复杂
主动工作方式
成像清晰度差
可见光电视
被动系统
分辨率很高
对气候敏感
夜间不能工作
近距离工作
无测距能力
红外成像靠目标自身热辐射工作
分辨率高
气候适应性强
被动系统
易受浓雾影响
无测距能力
激光成像
有测距能力
分辨率高
气候适应性强
结构复杂
搜索目标较困难
主动系统
1.2 红外成像系统研究发展
目前红外成像系统的研究主要集中在三个方面：
一、焦平面探测器阵列的研究。

探测器材料从传统的锑化铟（InSb）、硅化铂（PtSi）和锑镉汞（HgCdTe）向III—V族化合物发展；探测器阵列的大小从最初的64×64元向512×512元、1024×1024元甚至更高元数发展，随着探测器元数的增多和单元尺寸的减小，对读出电路的要求也越来越高。

二、图像信号处理器硬件系统的研究。

随着计算机技术和大型集成电路的发展，DSP（数字信号处理器）和FPGA（现场可编程逻辑器件）已广泛使用在图像信号处理器中。

大容量存储器和多处理器并行结构的应用，使信号处理的能力和容量成数量级的增长。

三、各种检测、识别和跟踪算法和软件的研究。

随着探测器水平和图像信号处理器处理能力的提高，各种复杂的算法得以在系统中实时运行。

近年来针对复
杂背景和各种干扰条件下的检测和识别的新算法不断涌现，更加智能化的状态判决和跟踪处理算法也得以应用。

尤其是有关红外目标检测的技术也得到迅速发展。

红外目标的检测技术是红外成像系统中的核心技术之一，它利用图像处理算法对处于杂乱背景和强噪声环境中的目标进行自动检测，算法的性能对红外成像系统的作用距离和智能化程度十分关键。

从二十世纪八十年代末人们已经开始利用红外传感器来检测远距离的热源
随着热成像技术的成熟红外图像中的目标检测技术已经成为一项独立的、具有明显特色的研究方向。

尤其在军事领域，目前在欧美国家的一些先进的武器系统，包括航空母舰的预警系统、各种飞机的红外搜索跟踪系统、红外成像制导导弹和一些地面军事设施的告警系统中，红外弱小目标的检测技术的地位举足轻重。

可以说远距离的飞机、导弹等飞行物的自动检测已成为成像制导、告警系统和光电对抗的核心技术。

红外图像信号处理硬件系统的性能和容量是与受探测器和电路技术发展水平相对应的；而红外目标检测技术可以最大程度上发挥系统性能，使系统整体性能达到最优。

近年来计算机技术和数字图像处理技术迅速发展，有关红外图像中目标检测的理论、方法和技术方面的研究也在广泛地开展。

二红外图像的目标检测及跟踪
红外目标检测算法可分为“先跟踪后检测（TBD）”类检测算法和“先检测后跟踪（DBT）”类检测算法两大类。

2.1 典型的DBT目标检测算法
经典的DBT目标检测算法较为清晰分解了单帧目标初检测和多帧目标确定
这两项任务，所以从宏观上说，将不同的图像预处理及单帧目标分割算法与不同的多帧目标运动轨迹确定算法组合起来，就可以构成适合于不同具体研究对象的DBT目标检测算法。

2.1.1阈值法
依据分割阈值将目标从背景中分割出来，通常是成像跟踪算法中必须首先解决的一个重要环节，它包括阈值计算和目标分割两个过程。

能否有效地提取出目
标，问题的关键是寻找一个合理的阈值。

阈值的选取有固定阈值和自适应阈值两种方法，阈值法又可以分为全局阈值法和局部阈值法。

①全局阈值法：经滤波后的背景噪声近似看作是高斯白噪声，可使用全局门限分割算法。

设输入图像为H f (i,j,k )，门限处理后的图像为(i,j,k)g ，令门限为Th(k)，则有：
H H H f (i,j,k )f (i,j,k )Th (k )
;g(i,j,k )(2.1)
f (i,j,k )Th (k );0
≥⎧=⎨
<⎩
式中，Th(k)是随序列图像的变化而自适应改变的。

即：
Th(k)mean(k)λvar(k)=+⨯
(2.2)
其中，λ为加权值，λ的选择范围为3—5，mean(k)、var(k)分别表示第k 帧经抑制背景起伏后的图像灰度均值和方差，设输入图像的大小为N 1×N 2，则图像均值和方差可表示为：
12N 1N 1
H
i 0
j 0
12
1m ean (k )[f
(i,j,k )]
(2.3)N N --===
⨯∑∑
12N 1N 1
2
H
i 0
j 0
12
1var(k )[f
(i,j,k )m ean (k )](2.4)
N N --===
-⨯∑∑
经过上述的阈值处理以后，得到一个去除背景干扰和弱噪声的目标图像，这时，可能除了目标，还有强噪声点。

②局部阈值法：设f (i,j)周围的3×3方阵中灰度值为E=∑ ∑ f (i,j)，经过3x3
的高通滤波后，该点灰度值变为ˆf
(i,j)，则： ˆˆf (i,j)E 0f
(i,j)f (i,j)(01)(2.5)
ˆ0f (i,j)E 0⎧-∂>⎪=<∂<⎨
⎪-∂≤⎩
此方法的关键是∂值的确定，提出了一种自适应确定方法，即∂=|均值一标准方差| /标准方差。

通过将高通滤波后的目标与它周围的背景作自适应门限比较可以很好地分割出点目标，这样既可以解决由单纯的自适应门限造成的预选点过多，又可解决单纯的高通滤波，当目标出现在强噪声下分割不出来的弊病。

2.1.2最大距离法
直方图分割法中的最大距离法是一种简单有效的图像分割方法。

它的基本思想是：在直方图取值范围内，任一灰度级可将直方图分为左右两部分，如果这两部分的灰度均值与总体的灰度均值相距最大，则该灰度级就取为分割门限。

假设红外图像总的灰度级为L ，在l 灰度级处有n l 个像点，则总的像点数为
L l
l 1
N n ==
∑
，令l 灰度级处的概率P l 接近于频率，则l l p n /N =。

在任一灰度级l '
处将直方图分割成左、右两部分，于是我们有：左边部分：0C {1,2l }，'=⋅⋅⋅⋅⋅⋅；右边部分：1C {l 1,l 2L}，''=++⋅⋅⋅⋅⋅⋅，它们发生的概率0P 和1P 分别为：
l 0l
l 1
P (l )P
(2.6)
'
='=
∑
L
1l l l 1
P (l )P '=+'=
∑
(2.7)
因为总体灰度均值：
L
l L
l l l 01l 1
l 1
l l 1
01P P μlP P (l )l
P (l )l
(2.8)p (l )
p (l )
'
'===+''=
=+''∑
∑∑
所以若令:
l i 0l 10P μ(l )l
P (l )'
='=
'∑
(2.9)
L
i 1l l 1
1P μ(l )l P (l )
'=+'=
'∑
(2.10)
则它们分别是集合0C 和集合1C 的灰度均值，于是有：
0011μP (l )μ(l )P (l )μ(l )''''=+
(2.11)
进一步，令：
l l
l 1
λ(l )lP '
='=
∑ (2.12)
则(2.9)式可化为：
00μ(l )λ(l )P (l )'''=
(2.13)
考虑到L
l L
l
l
l
l 1
l 1
l l 1
μλ(l )lP lP
lP '
'===+'-=
-=
∑∑∑
,所以式(2.10)可表示为：
111
μ(l )[μλ(l )]P (l )
''=
-' (2.14)
由(2.11)、(2.12、(2.13)和(2.14)式可以看出，对于0—L 灰度级之间的任一灰度级l '，可以计算出0μ、1μ和μ。

现在，定义一个均值距离测度D(l )'为0μ至μ和
1μ至μ
距离的加权之和，即：
22
0011D (l )P (l )[μ(l )μ]P (l )[μ(l )μ]
'''''=-+- (2.15)
将(2.13)和(2.14)式代入(2.15)式中，并考虑到01P (l )P (l )1''+=，则(2.15)式可简化为：
2
000[λ(l )μP (l )]
D (l )(2.16)
P (l )[1P (l )]
''-'=
''-
分割的准则是使D (l )'为最大值的灰度级l '作为图像分割的门限值。

图像中凡是灰度值小于分割门限的像点，均认为是背景中的点，并加以滤除。

反之，则认为是潜在目标区域中的点，予以保留。

2.2 典型的TBD 目标检测算法
TBD 算法流程概括起来包含三个步骤：一是背景抑制，通过各种单帧图像背景抑制算法，或通过滤波将红外图像低频和高频部分进行分离，提高信噪比，尽可能抑制原始图像中的低频背景杂波干扰；二是可疑目标跟踪，利用相邻几帧中目标的运动信息来分割可能目标，从背景抑制后的图像中分割出少量候选目标进行跟踪；三是目标检测，利用序列图像中目标运动的连续性和轨迹的一致性，进一步排除虚假目标，从候选目标中检测出真正的目标。

这里所谓的“先跟踪”是指先根据小目标运动速度和运动方向等运动特性，预测和跟踪(求取)所有可能的目标运动轨迹；而相应的“后检测”是指根据目标的短时灰度特性、目标像素大小和目标能量变化特性来求取各条轨迹的后验概率。

如果某条轨迹的后验概率大于某一个门限值，则就可认为该轨迹对应于一个真实的运动小目标。

以下是几种具有代表性的TBD 目标检测算法。

2.2.1 基于多级假设检验的TBD 目标检测算法
若将背景像素点看作互不相关的高斯白噪声随机变量，则图像序列中的目标运动轨迹可看做是一个（或数个）由数目庞大的候选轨迹组成的树形结构中筛选出来。

所谓多级假设检验算法，就是在图像序列中这个树形结构的每一层上用假设检验的方法对结构做出删节修正，以随时去掉没有通过检验的树，达到控制运算量和存储量的目的。

此类算法具有同时检测出多个做不同方向直线运动目标能力。

但在低信噪比条件下，由于候选轨迹的起始点数非常多，所以常导致算法计算量迅速增加。

同
时，树状结构要求在系统的内存中维持一个复杂的数据结构，所以说该算法的多目标检测能力的扩充是以牺牲内存为代价的。

2.2.2 基于光流的方法
光流法一般假设：1) 运动物体表面平坦，图像的反射模式除了在有限个点上不连续外，图像的灰度函数处处平滑；2) 物体表面入射光均匀；3) 在小的时间间隔内，运动物体上某点的亮度不变；4) 物体没有被遮挡。

在这种假设条件下，图像中灰度模式的运动将直接由物体表面相应点的运动确定，由此可以导出瞬时速度场(光流场)，然后根据光流场进行运动的检测。

Horn 等指出光流计算存在病态解问题，必须引入附加条件才能确定光流的唯一解；Bimbo 等提出了两种计算光流场的新方法，并和其他光流场计算方法进行了比较。

光流法的理论和算法存在以下几方面的问题：约束方程只有在梯度很大的点上才严格成立；计算的不稳定性；运算量大；难以实时实现等。

上述问题限制了光流法的理论和算法的应用。

2.2.3 基于求差法的方法
求差法是利用当前图像帧的值和参考图像的值按像素点的方式进行相减来完成对运动目标的检测。

图像的值可以采用像素点的灰度值或梯度值。

相减的结果反映了当前帧图像和参考图像不同的像素点，包括运动目标和噪声。

按采用的参考图像不同，求差法可分为帧差法和背景差法。

帧差法的参考图像是当前帧的前一帧，或前几帧的结合；而背景差法采用的参考图像是当前场景的一个参考背景图像，
①帧差法：帧差法需要存储前一帧图像，然后用实时提取的后一帧与前一帧对应像素点做差，或者是间隔几帧之间对应像素点做差。

做差之后会形成一个差值图像，有些是因为光照不均匀而形成的噪声，有些是目标的位置，所以需要对差值图像进行阈值处理，将噪声去除掉，挑选出目标，也即标定目标的位置。

如果某点的像素值小于设定的阈值，则说明该点像素变化不大，所以将其归背景，否则就是目标像素。

②背景差法：背景相减法的原理是首先提取背景图像，然后用当前图像与背景图像作差，即可得到目标的大致区域，然后对得到的差分结果图像进行二值化和形态学处理。

就现在的研究现状来看，背景提取比较典型的建模方法有平均法、中值法、运动平均法、高斯背景模型、混合高斯模型等。

③平均法就是取一定的视频帧数 N ，将这些视频图像进行累加，最后用累加的视频图像除以 N 取平均即可得到背景图像。

平均法计算简单，数据量小，但是如果 N 太小则会把目标叠加到背景上。

④中值法是对一段时间内的视频图像的各个像素点进行排序，然后选取中值作为该点的背景像素值，中值法需要先存储n 帧图像，计算机内存消耗较大。

⑤运动平均法是先提取一幅视频图像，然后将后续的图像逐渐叠加到这幅图像上一次来实现背景的提取，其实也就是背景的更新。

高斯分布是一种最常见的概率分布模型，自然科学中很多随机变量都服从高斯分布，因此在数据量较大的图像处理领域经常用它来描述例如噪声，像素灰度等变量。

高斯背景模型更新就是对高斯分布均值和方差这两个参数的更新。

高斯背景模型对每个背景点上的颜色分布相对不是很分散的场合即简单的图像建模效果较好，而且随着光照、目标的运动和改变等都将影响目标检测的效果。

总的来说，DBT 算法思路简单而直接，计算量少，实时性能较好，检测效果对于前阶段图像预处理效果的依赖性较强，适合于处理信噪比较高（≧3）场合下的目标检测问题；而TBD 算法理论上较为完善，更适于处理低信噪比条件下弱小目标的检测问题，但由于需先对目标的运动轨迹进行跟踪，所以算法的实时性将受到影响。

2.3 混合高斯模型原理及实现：
混合高斯模型就是用多个(一般为3到5个)高斯概率密度函数(正态分布曲线)精确地量化事物，将一个事物分解为若干的基于高斯概率密度函数(正态分布曲线)形成的模型。

混合高斯模型使用K(基本为3到5个)个高斯模型来表征图像中各个像素点的特征。

各个像素点在t 时刻的概率值为各像素值在每个高斯分布中产生的概率的加权和，即
1
()()(;;)
==∑⨯K
k k k P x w eight k f x u σ(2.17)
其中，()weight k 为k 第个高斯分布的权重，K 为所用高斯分布的个数，
;(;)k k f x u σ是均值为k u ，标准差为k
σ的高斯概率密度函数。

当前像素点属于背景的概率为(|)P B x ，(|)P B x 如下式表示：
1
1
(|)()(|)
(|)(|)()
==∑=
∑K
k k k k K k k k P x G P G P B G P B x P x G P G (2.18)
根据概率统计知识可以推出像素值x 在第k 个高斯分布中的概率：
(,)(|)()=k k k P x G P x G P G (2.19)
因此上式可以表示为如下形式：
1
1
(,)(|)
(|)()
==∑=
∑K k k k K
k P x G P B G P B x P x (2.20)
上式中的(|)k P B G 表示第K 个高斯分布代表背景的概率，可用下式表示：
1
(|)1-⋅+=
+k
k
k a w b
P B G e
σ(2.21)
其中,a b 值根据实际情况设定。

混合高斯模型在程序中的具体实现过程如下： 由于一幅彩色图像有三个通道,,R G B 构成，因此，先将每个通道提取出来，得到由,,R G B 三个分量各自组成的三幅灰度图像，然后对三幅图像分别用如下方法进行更新。

首先初始化K 个高斯模型，在新一帧图像获得后更新混合高斯模型。

通过判断新一帧图像的每个像素点与前一帧图像每个像素点的差值是否小于threshold 倍标准差(其中threshold 为人为设定的阈值，一般设定为2.5)。

如果小于则判定为符合分布，反之则不符合。

如果至少有一个高斯分布符合分布则按照如下方法对高斯分布进行更新：
1、对符合的高斯分布按下式更新权重，均值和方差 权重更新公式：
()()1(1)=-⨯-+weight t weight t αα(2.22)
t 表示当前帧，1-t 表示前一帧,α表示更新速度；
均值更新公式：
()()1(1)=-⨯-+⨯m ean t m ean t im agedata αα(2.23)
imagedata 表示当前帧的像素值；
方差更新公式：
()()2
22()()1(1)-=-⨯-+⨯imagedata mean t t t σασα(2.24)
2、对不符合的高斯分布分布值按下式更新权重，方差和均值保持不变，仅对权重进行更新：
()()1(1)=-⨯-weight t weight t α(2.25)
如果没有一个高斯分布符合当前像素点，则找出权重最小的高斯分布，将该分布的权重()weight t 赋予一个较小值，均值()mean t 用当前像素点的值代替，方差2()t σ赋予一个较大值。

在三幅图像更新完以后，再将三幅图像重新合成一幅彩色图像，就得到了彩色图像的背景更新图。

背景更新以后根据概率公式(|)P B x 可以得到一幅二值图像，二值图像描述的是将背景去掉，只剩下运动目标的图像。

其实现过程如下：先根据概率公式
(|)P B x 分别计算,,R G B 三个分量的像素值在更新后的高斯分布中的概率加权和，
得到三个概率值,,R B G P P P ，将三个概率值相加再除以3得到一个概率值。

根据背景更新算法，如果像素值代表运动目标，那么概率值很小，反之概率值较大。

那么可以判断这个概率值是否大于阈值，如果大于，则说明是背景图像，反之，则是运动目标。

2.4 红外目标跟踪
在红外跟踪系统中，波门(又称电子窗口)作为视频信号处理的一种手段，在国内外已得到广泛应用。

波门实际上是跟踪系统真正的处理窗口，它小于视场，但大于目标，可在视场内搜索并一直套住目标。

由于目标在运动过程中距摄像机的距离时刻变化，目标的大小也随之变化，所以波门的大小必须随之自适应地同步变化，以保证在满足精度的前提下尽量减少计算量，同时增强系统的抗干扰能力。

2.4.1 边缘跟踪算法
边缘跟踪是最简单的算法之一，且适应于固定波门亮度的跟踪器。

选择目标边缘点(上、下、左、右)作为跟踪点，使波门套住此点，以抑制背景或目标的其
余部分。

这种算法主要是利用目标与背景交界处亮度有明显变化，用微分方法即可得到目标位置信息。

这种跟踪算法适合于大型目标的跟踪。

由于仅采用单一的数据点用来定位，很容易受任何随机噪声的干扰，所以精度较低。

2.4.2优化的双边缘跟踪算法：
边缘跟踪经过适当延伸就成了双边缘跟踪，即目标位置为两个边缘中心：
012x (x x )2=-
(2.26) 012y (y y )2
=- (2.27)
式中x 1、x 2、y 1、y 2分别为目标左、右、上、下各边缘值。

它比边缘跟踪精度高，适合跟踪比较对称的目标或点源目标。

2.4.3 形心跟踪算法
形心跟踪中，目标位置的确定可以通过质心或强度中心来确定。

对于一个均匀的二维目标可用质心跟踪算法，对于目标发光不均匀的目标可用亮度中心跟踪算法。

在跟踪窗内目标形心估值：
(i ,j)T G
t (i ,j)T G
iC (i,j)
ˆx
C (i,j)
∈∈=∑∑∑∑
(2.28)
(i,j)TG
t (i,j)TG
jC (i,j)ˆy
C (i,j)
∈∈=∑∑
∑∑
(2.29)
其中，C(i,j)是分割后二值图像，TG 是目标区域所有像素点集合。

形心算法的计算简单，计算量较小，在短时间内就可以完成计算，输出目标的位置，其实现的稳定性与精度主要取决于分割阈值的确定情况。

如果目标辐射空间分布是一个抛物面，并且如果噪声是可叠加的白色高斯噪声，那么，实际上形心算法是最佳算法。

三图像增强技术
图像增强的首要目标是处理图像，使之比原始图像更适合于特定的应用，图像增强的主要目的有两个：一是改善图像的视觉效果，提高图像成分的清晰度；二是使图像变得更利于计算机的处理。

获取和传输图像的过程往往会发生图像失真，所得到的图像和原始图像有某种程度的差别。

这种差异如果太大，就会影响人和机器对图像的理解。

在许多情
况下，人们不清楚引起图像降质的具体物理过程及其数学模型，但却能根据经验估计出使图像降质的一些可能原因，针对这些原因采取简便有效的方法，改善图像质量。

对于一个图像处理系统来说，可以将处理分为三个阶段，在获取原始图像后，首先是图像预处理阶段，第二是特征抽取阶段，第三是识别分析阶段。

图像预处理阶段尤为重要。

图像增强是图像预处理中的重要方法。

图像增强理论（方法）目前尚无统一的权威性的定义，因为还没有衡量图像增强质量的通用标准。

从增强处理的作用域出发，图像增强可分为空间域法和频率域法两大类。

空间域处理时直接面对图像灰度级作计算；频率域处理是在图像的某种变换域内，对图像的变换系数值进行运算，即作某种修正，然后通过逆变换获得增强图像，这是一种间接增强的方法。

图像增强的概况如下图3.1所示：
灰度级校正点运算灰度变换直方图修正噪声消除法邻域平均法图像平滑中值滤波
梯度倒数加权选择式掩膜平滑空间域方法邻域增强梯度法Laplacian 算子图像增强图像锐化高通滤波掩膜匹配法
统计差值法假彩色技术彩色技术伪彩色技术低通滤波同态图像增强
频率域方法高通滤波小波变换⎧⎧⎪⎪
⎨⎪
⎪⎪
⎩
⎪⎪⎧⎧⎪⎪⎪
⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎩⎪⎪
⎨⎨
⎧⎪⎪
⎪⎪⎪⎪⎪⎪⎪
⎪⎪⎨
⎪⎪⎪
⎪⎪⎪⎪⎪⎪⎩⎩⎪
⎧⎪
⎨⎪
⎩⎪
⎪⎩
增强⎧
⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪
⎨
⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎧⎪⎪
⎪⎪⎪⎨
⎪⎪⎪⎪⎩
⎩
图3.1图像增强方法概况
3.1 点运算
3.1.1 灰度级校正
灰度级校正就是在图像采集系统中对对图像像素做修正，是整幅图像成像均匀。

假设理想的输入系统的输出图像为F(j,k)，实际获得的是降质图像图像为G(j,k)，有G(j,k)=E(j,k)*F(j,k)，E(j,k)为降质函数或观测系统的灰度失真系数。

为了估计E(j,k)，一般采用一个标准来标定系统的失真系数，即已知衣服图像的灰度级为均匀常熟C，而实际系统的输出为G C(j,k)，有G C(j,k)=E(ij,k)*C，从而得到降质函数E(i,j)=G C(j,k)/C，由此可以得到E(j,k)=C*G(j,k)/G C(j,k)。

灰度级校正的实例如下：
a 原始图像
b 灰度级校正之后的推向。