图像增强

admin

一、图像增强是什么？

图像增强是改善图像视觉质量、突出关键细节、抑制噪声 / 冗余，适配人眼观察或后续识别 / 检测的技术，不还原原始图像、只优化观感与可用性。

二、三大主流技术路线

1. 空间域（直接对像素操作，最常用）

（1）点运算（单像素，全局 / 局部亮度 / 对比度）
• 直方图均衡化 (HE)：拉伸灰度分布、提升全局对比度；缺点：易过曝、放大噪声、丢失细节
• CLAHE（对比度受限自适应均衡）：分块做均衡 + 限制对比度，保细节、抑制噪声，医学 / 监控首选
• 伽马校正 (Gamma)：非线性亮度调整，I_out = I_in^γ；γ<1 提亮暗部、γ>1 压暗高光，适配逆光 / 过曝
• 线性拉伸 / 归一化：简单映射灰度到 0-255，快速提亮 / 压暗

（2）邻域滤波（窗口滑动，去噪 / 锐化）

• 去噪平滑
◦ 均值滤波：简单去高斯噪声，易模糊边缘
◦ 中值滤波：去椒盐噪声最优、保边缘（老照片斑点）
◦ 高斯滤波：加权平滑、保留细节，最通用
◦ 双边滤波：去噪 + 保边，适合人像 / 自然场景

• 锐化增强（突出边缘 / 纹理
◦ 拉普拉斯锐化：二阶微分，强化边缘；易放大噪声
◦ 非锐化掩膜 (USM)：原图 - 高斯模糊 = 细节层，叠加回原图，可控、无明显光晕
◦ Sobel/Prewitt：梯度算子，检测水平 / 垂直边缘

2. 频域增强（傅里叶变换→频率域处理→逆变换）

• 低通滤波：去高频噪声、平滑图像
• 高通滤波：增强边缘 / 细节（锐化）
• 同态滤波：分离光照 / 反射分量，同时校正光照 + 增强细节，适合逆光 / 不均匀光照

3. 深度学习增强（复杂场景首选，效果最优）
• 超分辨率 (SR)：低清→高清，经典：SRCNN、ESRGAN（细节更真实）
• 去噪：DnCNN、BM3DNet，去除复杂混合噪声
• 去雾 / 暗光增强：RetinexNet、Zero-DCE，还原雾天 / 夜景细节
• 修复 / 上色：GAN 类模型，修复老照片、黑白上色

三、快速选型（按场景）

• 普通照片提亮 / 去噪：伽马 + 双边滤波 + USM 锐化
• 医学 / 监控 / 低光：CLAHE+Retinex
• 老照片 / 模糊：中值滤波 + ESRGAN 超分
• 极端雾 / 逆光：深度学习去雾 / 暗光模型

四、OpenCV 快速实现（Python）

python

1. import cv2
   
2. import numpy as np
   
3. 
   
4. # 1. CLAHE增强
   
5. def clahe_enhance(img, clip_limit=2.0, tile_grid=(8,8)):
   
6.     gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
   
7.     clahe = cv2.createCLAHE(clipLimit=clip_limit, tileGridSize=tile_grid)
   
8.     return clahe.apply(gray)
   
9. 
   
10. # 2. 伽马校正
    
11. def gamma_correct(img, gamma=1.0):
    
12.     inv_gamma = 1.0 / gamma
    
13.     table = np.array([((i / 255.0) ** inv_gamma) * 255 for i in np.arange(0, 256)]).astype("uint8")
    
14.     return cv2.LUT(img, table)
    
15. 
    
16. # 3. 中值去噪+USM锐化
    
17. def denoise_sharpen(img, ksize=3, alpha=0.5):
    
18.     denoised = cv2.medianBlur(img, ksize)
    
19.     blurred = cv2.GaussianBlur(denoised, (5,5), 1.5)
    
20.     mask = cv2.subtract(denoised, blurred)
    
21.     return cv2.addWeighted(denoised, 1, mask, alpha, 0)

复制代码

五、常用工具

• 传统：OpenCV、MATLAB、ImageJ
• AI：Real-ESRGAN、Topaz Gigapixel、Remini、百度智能云 / 阿里云图像增强 API