绪论
1.1选题背景及意义
图像是人们获得外界信息的主要来源，随着信息技术的发展，图像处理在国防军事、航空航天、通信遥感、医学诊断等领域占据了越来越重要的位置。而在图像处理的过程中，图像增强是不可或缺的一个环节。图像增强即通过客观分析和技术处理，有选择地增强图像中的有用信息与削弱干扰和噪声，以达到改善图像视觉效果，便于后续处理的目的【1】。
在图像采集过程中，由于光照环境、光照角度或物体表面反光等原因，往往会造成图像整体光照不均，导致信息识读困难，难以进行后续的分析处理。图像光照不均匀的表现可以分为：因采集图像时周围环境光照不佳或采集图像设备自身问题所导致的图像整体灰度值较低；因图像局部获取光照不足导致的图像局部灰度值较低；因图像位于金属光滑表面或有弧度物体表面致使采集的图像出现高光现象【2】。光照不均匀一定程度上改变了图像的原始面貌，造成图像与实体存在较大差距，增加了进一步处理的难度。因此，应用图像增强技术改善图像质量是必要的且有现实意义的。
1.2研究现状及分析
光照不均匀图像的图像增强方法包括点运算法，空间滤波法和频域滤波法【3】。点运算法包括对比度拉伸，直方图均衡以及噪声限制和图像背景相减法。空间滤波法包括低通滤波，中值滤波，高通滤波（图像锐化）。频率滤波法包括同态滤波，多尺度多分辨率图像增强等【4】。其中代表性的有以直方图均匀化为代表的的灰度变换法、基于照明--反射的同态滤波法，Retinex增强方法等。
灰度变换法指的是对图像采用某一灰度变换函数以达到压缩或拉伸图像灰度范围的目的。直方图均衡化法是灰度变换法的中使用频率高、具有代表性的方法【5】,其基本思想是通过对输入图像灰度值的概率尽可能进行均匀分布，以扩展图像的动态显示范围和增强图像的对比度【6】。
经典全局直方图均衡化法以图像灰度直方图为变量，利用图像本身信息对其进行变换【7】。但全局直方图均匀化仍存在如下缺点：a）全局直方图均衡化法仅仅使灰度级分布平均化而不是扩大灰度范围;b）对于灰度级分布范围较大的图像灰度拉伸效果不明显;c）会产生灰度级合并的现象, 这样将改变图像的原始面貌并丢失图像细节【8】。。为解决全局直方图均衡法存在的问题，各种改进直方图均匀化法被提出。主要分类有：子直方图均衡化技术、修正的直方图均衡化技术、直方图变分规定化技术，局部直方图均衡化技术和基于变换域均衡化技术直方图等【9】。
1997年，姚若河等人通过引入灰度映射表修正原始图像的灰度级，相较经典的直方图均衡法，输出图像的灰度级数得到增加，图像的信息量增大【8】。同年，外国学者Kim 提出基于图像均值分割、亮度保持的直方图均衡化算法，将图像由均值作为分割点分割成两部分，分别进行直方图均衡化提高对比度【10】。1999年，Wang 等提出了等面积的双子图像直方图均衡化算法将图像由中值作为分割点分割成两部分，分别进行直方图均衡化提高对比度。但这两种子直方图均衡化算法均不能保证细节的保留与增强【11】。2001年，Kim又提出了部分重叠子块局部均匀化技术的典型算法POSHE，该算法采用了子块部分重叠的方式进行均匀化，并通过均值滤波器查找并消除块状效应【12】。2003 年，Chen 等提出了递归均值分割直方图均衡化算法，但当递归次数较大时算法的增强效果降低，适用性不强【13】。2007年，Wadud等人提出了一种动态直方图均匀化技术，根据局部灰度最小值对图像直方图进行分区，并在均衡前为每个分区分配特定的灰度范围，达到不损失细节的情况下增强图像的目的【14】。2008年，高岩等人提出一种基于模拟频率滤波重构直方图均衡的图像增强方法，将频率域滤波的思想引入空间域直方图运算中，在噪声无明显放大的情况下大大优化了图像灰度级法动态分布范围【15】。2010年，Chen 等提出了保持灰度均值自适应图像增强算法，这种算法将图像直方图分块，可以更有效地保留细节。同时对直方图进行剪切，降低部分灰度级过度增强，减少光晕；进行灰度级新映射，拉伸灰度级，增加灰度级反差，使得原图像灰度级拉伸得更均匀，图像整体对比度提高。但其将图像直方图分成了固定的四段，普适性降低【16】。2012年，Mohd 等提出了加权平均多峰值直方图均衡化算法（WAMSHE），此方法对某些图像的部分分割区间像素比值过大，过度增强了这些图像【17】。2013年，中国台湾学者黄诗嘉等人通过以快速多重阈值处理程序和最佳峰信噪比计算的分离模块将直方图分离，再使用强度增强模块增强图像，该方法不仅保留了原始直方图的特征，而且有效地增强了对比度【18】。2015年，陈永亮等人提出了自适应动态峰值剪切直方图均衡化算法，该算法根据不同图像的直方图的特点进行动态处理，可以更好增强不同的图像，提高了普适性【19】。2017年，安徽大学的徐宇飞等人提出一种局部直方图双向拉伸均匀化算法，在提高对比度的同时，能更好保证图像前后的均值稳定性【5】。
除了直方图均衡化法外，基于照明--反射的同态滤波法在图像增强方面也有大量应用。同态滤波是图像预处理中的一种常用算法，主要用于解决光照非均衡图像的校正问题【20】。同态滤波方法的原理是通过滤波函数估算图像的低频或高频成分，增强图像局部对比度。经典同态滤波法先利用FFT将图像变换到频率域上，然后通过适当的滤波函数对低频和高频部分施加不同的影响，最后再做IFFT变换回来【21】。传统同态滤波是从图像的整体角度对光照不均匀进行修正, 虽然可以很好地保持图像的原始面貌, 但它没有充分考虑图像的空域局部特性, 在增强图像某部分像素时, 易导致另一部分像素过增强【2】。考虑到小波作为另一种域变换工具，在时域和空域具有局部性，2001年，张新明等提出了一种基于小波的同态滤波方法，获得了比较好的增强效果【22】。但频率域算法有几个缺点1）是要对整幅图象处理完后才能见到结果；2）是计算FFT时要扩展到复数域,占用运算量较大；3）进行两次FFT花费的时间也不少。针对这些问题，闻莎等于2000年提出了一种性能优化的同态滤波空域算法，采用邻域平均和高斯函数两种算法近似实现低通滤波，克服了频域算法的部分特点，并利用滑窗思想和模板分解思想对其进行改进，大大提高了空域同态滤波的计算效率，但无法避免低频信息的过度损失【21】。2008年，肖俊等提出一种改进空域同态滤波算法,将图像低通滤波结果反相作为补偿模型来平衡图像的光照非均衡性,减少低频信息的损失，并对主要影响同态处理速度的空域滤波进行优化, 提出了两种简化计算方法，在减少计算量的同时，有效地保留了图形低频信息【20】。
Retinex作为一种源自人类视觉系统研究的颜色恒常性模型，在解决光照不均、色偏等方面都有非常广泛的应用。20世纪70年代前后，Land等人提出了用于模拟人类视觉系统机理的Retinex算法，其实质上是一种基于光照补偿的图像增强算法【23】。Retinex算法的基本内容是:图像由亮度图像和反射图像构成,其中反射分量决定了图像的内在特征，通过将图像分解为反射率图像和光照图像，进而能减弱或剔除光照的影响。Retinex方法可以分为路径模型、PDE模型、变分模型和中央周边模型4种类型【24】。
路径模型最早由Land提出，通过计算路径相邻位置的相对亮度并结合路径中的WP【25】来获取物体的反射率。为了尽可能在路径较少的情况下减弱噪声，Marini和Rizzi采用了一种随机中点位移的方法来选取路径，但此类方法属于一维采样，依赖于方向而不是某一点领域的信息，易导致处理后的图像出现光晕、伪影等问题，且需要的参数较多【26】。2007年，Provenzi等人又提出了基于二维的随机撒点模型，减少了参数个数【27】。但这类改进的路径模型依旧存在计算量大、易产生噪声的问题。PDE模型由Horn于1974年提出，他将光照分量和反射分量从亮度中分离出来，分别得到光照图像和反射图像，以此构造偏微分方程，相对路径模型其描述更为准确，并且参数量少，得到的结果更为稳定【28】。变分模型分为：基于HVS的变分模型和基于Horn物理实验的变分模型。中央周边模型则是一个相对简单但效果不错的Retinex模型，最早也是由Land提出，他认为图像的某点Retinex结果应当为该点的光出射度与邻近位置光平均出射度的比值，在此基础上,Jobson等人于1997年提出了SSR模型，SSR模型通过“局部对比”消去了光照的影响，在光照平滑变化的条件下具有光照不变的恒常特性【29】。然而SSR结果与高斯核的大小有关，对于一幅灰度图像来说，小尺寸高斯核可以提升图像暗部亮度，但有可能会导致补偿过度使图像动态范围过小，亦会出现“光晕”现象，而大尺寸高斯核可以提升图像动态范围，但可能使模型丧失局部特性，导致图像阴影处无法得到补偿。因此 Jobson等人进而提出 MSR模型，该模型融合多尺度高斯核，可以获得稳定的结果【30】。
以上是毕业论文开题文献，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
