在图像采集过程中，不可避免地会受到诸如传感器灵敏度、噪声干扰以及模数转换时的量化问题等多种因素的影响，致使图像难以达到令人满意的视觉效果。为实现人眼观察或机器自动分析、识别的目标，对原始图像进行改善的行为，被定义为图像增强。图像增强涵盖极为广泛的内容，凡是改变原始图像的结构关系以获取更优判断和应用效果的所有处理手段，均可归为图像增强处理。其目的在于提升图像质量和视觉效果，或将图像转换为更适宜人眼观察或机器分析、识别的形式，以便从中获取更有价值的信息。

常用的图像增强处理方式包括灰度变换、直方图修正、图像锐化、噪声去除、几何畸变校正、频域滤波和彩色增强等。由于图像增强与感兴趣物体的特性、观察者的习惯以及处理目的紧密相关，尽管处理方式丰富多样，但其具有很强的针对性。因此，图像增强算法的应用同样具有针对性，并不存在一种通用的、适用于各种应用场合的增强算法。于是，为改善各种不同特定目的的图像质量，产生了多种图像增强算法。这些算法依据处理空间的不同，分为基于空间域的图像增强算法和基于变换域的图像增强算法。基于空间域的图像增强算法又可细分为空域的变换增强算法、空域的滤波增强算法以及空域的彩色增强算法；基于变换域的图像增强算法可分为频域的平滑增强算法、频域的锐化增强算法以及频域的彩色增强算法。

尽管各类图像增强技术已取得显著发展，形成众多成熟、经典的处理方法，但新的增强技术仍在不断发展完善，持续推陈出新。其中，尤其以不引发图像模糊的去噪声方法（如空域的局部统计法）和新的频域滤波器增强技术（如小波变换、K－L 变换等）备受关注。

一般而言，图像增强是根据具体应用场景和图像的模糊状况，采用特定的增强方法来突出图像中的某些信息，削弱或消除无关信息，以实现强调图像整体或局部特征的目的。常用的图像增强方法有灰度变换、直方图修正、噪声清除、图像锐化、频域滤波、同态滤波及彩色增强等。图像增强的方法主要分为两类：空域增强法和频域增强法。空域增强法直接针对图像中的像素，对图像的灰度进行处理；频域增强法是基于图像的 Fourier 变换式对图像频谱进行改善，增强或抑制期望的频谱。

灰度变换增强的原理如下：设\(r\)和\(s\)分别表示原始图像和增强图像的灰度，\(T(•)\)为映射函数，通过映射函数\(T(•)\)，将原始图像\(f(x,y)\)中的灰度\(r\)映射为增强图像\(g(x,y)\)中的灰度\(s\)，从而实现图像灰度动态范围的扩展或压缩，以改善对比度。灰度变换是增强图像对比度的有效手段，其与图像的像素位置及被处理像素的邻域灰度无关。灰度变换处理的关键在于设计一个合适的映射函数（曲线）。映射函数的设计有两类方法，一类是根据图像特点和处理工作需求，人为设计映射函数，并试探其处理效果；另一类设计方法是从改变图像整体的灰度分布出发，设计一种映射函数，使变换后图像灰度直方图达到或接近预定的形状。映射变换的类型取决于所需增强特性的选择。常用的灰度变换有如下几种：线性变换、分段线性变换和非线性变换。

直方图修正是基于概率论演绎而来的对图像灰度进行变换的又一种对比度增强处理。图像\(f(x,y)\)中某一灰度\(f_i\)的像素数目\(n_i\)占总像素数目\(N\)的份额\(n_i/N\)，称为该灰度像素在该图中出现的概率密度\(p_i(f_i)\)。常用的直方图修正有如下几种：直方图均衡化和直方图规定化。

图像在处理过程中可能受到多种噪声的干扰，如传感器噪声、相片颗粒噪声和信道传输误差噪声等。通常情况下，这些噪声在图像上表现为孤立像素的离散变化，在空间上是不相关的。去除噪声的方法众多，从大的方面来说有统计滤波、频域滤波和空域处理等，但它们各有优缺点。前二者运算量大，较为复杂，精度较高；后者运算简便，但精度较低。目前比较经典的去噪声方法有邻域平均法、空域低通滤波和中值滤波等，但它们都或多或少会使图像产生模糊。

邻域平均法的原理是，对于一幅给定图像\(f(x,y)\)，其像素大小为\(N×N\)，取围绕点\((x,y)\)的预设邻域内的几个像素点（不含点\((x,y)\)）的灰度平均值作为增强图像中该点的灰度，然后依次对\(N×N\)个像素点进行上述相似处理，由此构成新的图像\(g(x,y)\)。邻域平均法虽然简单易行，抑制噪声的效果也较为显著，但存在边缘模糊的效应。随着邻域的增大，抑制噪声效果和边缘模糊效应同时增强。为减轻边缘模糊效应，可利用设定阈值的邻域平均。

在一幅图像的灰度级中，边缘和其他尖锐的跳跃（例如噪声）对 Fourier 变换的高频分量有很大贡献。因此，通过一个适当的低通滤波器将一定范围的高频分量加以衰减，可以起到较好的去噪声效果。设\(f(x,y)\)为带有噪声的原始图像（大小\(N×N\)），\(g(x,y)\)为经滤波后的输出图像（大小\(M×M\)），\(h(x,y)\)为滤波系统的脉冲响应函数（大小\(L×L\)），则存在：\(g(x,y)=f(x,y)*h(x,y)\)

式中，符号\(*\)代表卷积运算符。显然，简单形式的滤波器矩阵的卷积滤波也会使图像产生一定的模糊。

中值滤波是一种优于邻域平均的去噪声方法，它不仅能像邻域平均一样抑制噪声，而且还能使边缘模糊效应大大降低。二维窗口的形状可以有方形、矩形和十字形等，但不管哪种形状，随着窗口的增大，有效信号的损失也将明显增加。另外，随着窗口的移动，一个像素要参与重复计算多次，处理时间变长，且窗口越大，处理时间愈长。因此，窗口大小的选择应兼顾两者。

图像锐化的目的是使图像的边缘更为鲜明。心理物理学实验表明，边缘加重的图像比精确光度复制的图像更令人满意，更易被人接受。图像锐化即边缘增强处理，可以采用多种方法，如统计差值法、离散空间差分法及空域高通滤波等。在图像增强的实际应用中，往往是各种方法相结合，充分发挥各自优势组合运用，这样会产生更好的增强效果。

在实际应用中，频域滤波增强往往比空域滤波方法简单。空域滤波都是基于卷积运算：\(g(x,y)=f(x,y)*h(x,y)\)

其中，\(f(x,y)\)为原始图像函数，\(h(x,y)\)为滤波器脉冲响应函数，视低通或高通滤波的需要而定，\(g(x,y)\)为空域滤波的输出图像。由卷积定理可知，上式的 Fourier 变换式为：\(G(u,v)=F(u,v)\cdot H(u,v)\)

式中，\(G(u,v)\)、\(F(u,v)\)和\(H(u,v)\)分别为\(g(x,y)\)，\(f(x,y)\)和\(h(x,y)\)的 Fourier 变换，即相应的频谱。该式为频域滤波的基本运算式，\(H(u,v)\)称为滤波系统的传递函数。根据具体的增强要求设计适当的\(H(u,v)\)，再与\(F(u,v)\)作乘法运算，可获得频谱改善的\(G(u,v)\)，从而实现低通、高通和带通等不同形式的滤波，然后再求\(G(u,v)\)的逆 Fourier 变换，便可获得频域滤波增强的图像\(g(x,y)\)。因此，频域滤波的关键在于\(H(u,v)\)的设计。

众所周知，图像的频谱由幅值和相位两部分构成。根据图像的频谱分析可知，图像频谱的相位也是非常重要的。对相位参数的修改将会导致结果图像发生很大变化，与原始图像相比，有时候甚至可能会面目全非。但是如果设计一个不带相位的实常数\(H(u,v)\)（零相位滤波器），则可在增强运算中发挥重要作用。凡是要保留的频率分量，令\(H(u,v)=k\)（\(k\)为常数且\(k≥1\)）；凡是要抑制或衰减的频率分量，令\(H(u,v)=\omega\)（\(\omega\)为常数且\(0≤\omega≤1\)）。