![](https://csdnimg.cn/release/download_crawler_static/87637135/bg5.jpg)
数字图像分析与理解
效去除小波变换图像增强过程中产生的噪声
[
21
]
。偏微分方程( PDE) 图像增强算法通过放大
图像的对比度场来达到图像增强的目的
[
22-27
]
。采用全变差模型( Total Varia-tion Model) 的偏
微分方程图像增强 ( TVPDE ) 可使增强后的图像既具有较高的对比度,又与原始图像的差别
不大,保留了图像的细节信息
[
28
]
。此外,针对偏微分方程图像增强算法中的梯度函数的改
进算法也有很多,且都取得了很好的增强效果
[
26
][
29
]
。Retinex 图像增强算法通过去除原始
图像中照度分量的影响,求解出了反映物体本质颜色的反射分量,达到了图像增强的目的
[
30-35
]
。在马尔科夫随机场( MRF) 下求解物体的反射分量,能够有效地消除因照度不均而产
生的“光晕伪影”现象
[
36
]
。结合交替方向优化( ADO) 应用快速傅里叶变换( FFT) 可以同时
计算出物体的照度分量和反射分量,使 Retinex 图像增强算法的计算结果具有更好的稳健性
[
37
]
。用稀疏表示方法将物体的反射分量函数表示出来,再使用学习字典对含有图像细节信
息的反射分量进行学习,也可以取得较好的增强效果
[
38
]
。阐述图像增强的基本理论和模糊
理论的基本知识,并把它们有机地结合起来,研究出一种全新的图像增强技术——模糊增强
技术。模糊增强技术是模糊集合理论在数字图像处理中应用的产物。由于其以雄厚的数学为
基础,这种方法较为严格并带有普遍性。由于计算较为灵活,不失为一种性价比较高的方法。
近年来,人工智能发展迅速,尤其是深度学习取得了长足的进步,这与计算能力的提高、大
量数据的积累有着密切的关系。深度学习虽然取得了突破性进展,但基本都围绕判别模型展
开,很少针对生成模型。2014 年,GOODFELLOW[1] 等人提出的生成式对抗网络(Generative
Adversarial Networks,GAN)解决了早期的生成模型不能很好地泛化生成结果的问题。GAN
一经提出,基于对抗学习思想设计的 GAN 便迅速渗透进深度学习的各个应用领域,如数据
集扩充、语音识别、视频预测、安全隐私[2]等,推动了一系列新的研究方向的发展[3]。作为
人类接受信息的主要形式,以数字图像为载体的视觉信息占比达 80%。在数字图像的采集、
传输、处理等各个环节都可能导致图像品质的下降,这直接影响了提取图像所含信息的质量。
有效的图像增强技术一直是计算机视觉领域重要的研究课题。提出 GAN 的初衷之一就是用
于图像增强[1],其在图像增强中的应用具有得天独厚的优势。
本文详细介绍了 6 类典型的图像增强算法及其改进算法的实现原理,并对采用相似原理
的增强算法进行归纳; 然后采用主观和客观的评价方法从多个方面对不同增强算法的处理结
果进行对比。
2 图像增强算法介绍
2.1 直方图均衡算法
4