9.2 图像增强与去噪¶
图像增强的目标是改善图像视觉质量或突出有用信息，使后续处理更容易；去噪则专注于抑制噪声同时尽量保留细节。两者目标相近但侧重不同：增强可以接受引入轻微失真以换取更高的可读性，去噪更强调保真。
一、直方图操作¶
1.1 直方图均衡化（HE）¶
将像素值的概率分布映射为均匀分布，充分利用灰度范围，自动提升对比度。
变换函数：
$$T(k) = (L-1) \sum_{j=0}^{k} p_j, \quad p_j = \frac{n_j}{N}$$
其中 $L$ 为灰度级数（通常 256），$n_j$ 为灰度 $j$ 的像素数，$N$ 为总像素数。
适用场景：整体对比度低、图像发灰；注意：过度增强会产生噪声放大和不自然感。
1.2 限制对比度自适应直方图均衡化（CLAHE）¶
将图像分成若干小块（tile），对每块独立均衡化，并限制最大放大倍率（Clip Limit），避免噪声过度放大，再用双线性插值拼接各块。推荐替代全局 HE。
1.3 直方图规定化（Histogram Specification）¶
将输入图像的直方图映射到指定参考分布（如高斯分布），实现风格迁移式的亮度调整，适合多时相图像的辐射一致性处理。
二、空域增强¶
2.1 锐化¶
通过叠加拉普拉斯算子响应来增强边缘：
$$I_{sharp} = I + \alpha \cdot \nabla^2 I$$
其中 $\alpha$ 控制锐化强度，$\nabla^2 I$ 为拉普拉斯二阶导数。非锐化掩模（Unsharp Masking）是工程中更常用的等效方式。
2.2 伽马校正¶
$$I_{out} = I_{in}^{\gamma}$$
- $\gamma < 1$：提亮暗部（常用于曝光不足图像）
- $\gamma > 1$：压暗亮部（常用于过曝图像）
- 相机 RAW 转 JPEG 时通常应用 $\gamma = 1/2.2$ 的 sRGB 编码曲线
2.3 图像融合增强¶
将同一场景的多曝光图像或多传感器图像融合，典型方法：
| 方法 | 原理 | 应用场景 |
|---|---|---|
| 曝光融合（Exposure Fusion） | 按局部对比度、饱和度、曝光权重加权 | HDR 合并 |
| 拉普拉斯金字塔融合 | 多尺度分解后逐层合并 | 无缝拼接 |
| 可见-红外融合 | 引导滤波或 DNN 融合双模态 | 夜视增强 |
三、频域增强¶
3.1 低通与高通滤波¶
在频域通过滤波器 $H(u,v)$ 选择性保留或压制频率成分：
| 滤波类型 | 效果 | 典型滤波器 |
|---|---|---|
| 低通 | 模糊，去噪 | 理想低通、巴特沃斯、高斯 |
| 高通 | 锐化，边缘增强 | 理想高通、拉普拉斯频域版 |
| 带阻 | 去除特定频率噪声 | Notch 滤波器 |
3.2 同态滤波¶
对图像取对数后高通滤波，分离照明分量（低频）和反射分量（高频），压缩动态范围的同时增强细节：
$$\ln I = \ln L + \ln R \xrightarrow{\text{高通}} \text{压低} L, \text{保留} R \rightarrow e^{(\cdot)}$$
适用于光照不均匀（逆光、阴影）的场景。
四、去噪方法详解¶
4.1 非局部均值（NLM）¶
利用图像自相似性，对相似块的加权平均去噪：
$$\hat{I}(x) = \frac{\sum_{y} w(x,y) \cdot I(y)}{\sum_{y} w(x,y)}$$
权重 $w(x,y) = \exp\left(-\frac{|P_x - P_y|^2}{h^2}\right)$，$P_x, P_y$ 为以 $x, y$ 为中心的图像块。NLM 保边能力强，但计算量大。
4.2 BM3D¶
先在图像中搜索相似块并叠成三维组（Block Matching），再对组做三维傅里叶变换后阈值滤波（3D Filtering），逆变换后聚合（Aggregation）。是传统方法中综合性能最强的去噪算法之一。
4.3 深度学习去噪¶
| 模型 | 特点 | 适用场景 |
|---|---|---|
| DnCNN | 残差学习，预测噪声图 | 加性高斯白噪声（AWGN） |
| FFDNet | 条件输入噪声水平，速度快 | 已知或估计噪声水平 |
| Noise2Noise | 无需干净标签，用噪声对训练 | 无干净参考的工业场景 |
| NAFNet | 轻量化，SIDD/GoPro 榜首 | 真实相机噪声、运动模糊 |
4.4 去噪质量评价¶
| 指标 | 公式 | 说明 |
|---|---|---|
| PSNR | $10\log_{10}\frac{MAX^2}{MSE}$ | 越高越好，>35 dB 为优 |
| SSIM | 结构相似度 | 0~1，越接近 1 越好 |
| LPIPS | 感知距离 | 越低越好，衡量视觉相似性 |
五、工程落地要点¶
- 先分析噪声类型：不同噪声对应不同最优算法，盲目用高斯滤波不一定有效。
- 实时性权衡：BM3D / NLM 精度高但耗时，嵌入式场景优先考虑双边滤波或轻量化 DNN。
- 避免过度增强：直方图均衡化和锐化过度会引入伪影，需结合业务阈值验收。
参考资料¶
- Gonzalez & Woods, Digital Image Processing, 4th ed.
- Dabov et al., \"Image Denoising by Sparse 3-D Transform-Domain Collaborative Filtering\", IEEE TIP, 2007
- Zhang et al., \"Beyond a Gaussian Denoiser: Residual Learning of Deep CNN\", IEEE TIP, 2017
更新时间¶
2026-03-03