一、实验背景与目标

图像增强是数字图像处理的基础环节，旨在通过算法优化改善图像的视觉效果或提取特定特征。MATLAB凭借其强大的矩阵运算能力和丰富的图像处理工具箱，成为实验图像增强算法的理想平台。本实验通过MATLAB实现多种图像增强技术，重点掌握以下内容：

1. 空间域增强方法（点运算、邻域运算）
2. 频域增强方法（傅里叶变换应用）
3. 增强效果的主客观评价方法
4. 不同场景下的算法选择策略

实验选用标准测试图像（Lena、Cameraman）及真实场景图像进行验证，对比分析各算法在对比度提升、噪声抑制、细节增强等方面的表现。

二、理论基础与算法实现

2.1 直方图均衡化

直方图均衡化通过重新分配像素灰度值实现动态范围扩展，MATLAB实现步骤如下：

% 读取图像并转换为灰度
I = imread('pout.tif');
Igray = rgb2gray(I);
% 直方图均衡化
J = histeq(Igray);
% 结果可视化
subplot(2,2,1), imshow(Igray), title('原图');
subplot(2,2,2), imhist(Igray), title('原图直方图');
subplot(2,2,3), imshow(J), title('均衡化后');
subplot(2,2,4), imhist(J), title('均衡化直方图');

实验表明，该方法对低对比度图像效果显著，但可能放大噪声并导致局部过增强。改进方案包括自适应直方图均衡化（CLAHE）：

J_adapthisteq = adapthisteq(Igray,'ClipLimit',0.02);

2.2 空间域滤波增强

2.2.1 线性滤波

采用3×3均值滤波器抑制高斯噪声：

I_noisy = imnoise(Igray,'gaussian',0,0.01);
h = fspecial('average',[3 3]);
I_filtered = imfilter(I_noisy,h);

2.2.2 非线性滤波

中值滤波对椒盐噪声效果优异：

I_sp = imnoise(Igray,'salt & pepper',0.05);
I_median = medfilt2(I_sp,[3 3]);

2.2.3 锐化滤波

拉普拉斯算子增强边缘：

laplacian = fspecial('laplacian',0.2);
I_sharp = imfilter(Igray,laplacian,'replicate');
I_enhanced = Igray - I_sharp; % 锐化公式

2.3 频域增强方法

通过傅里叶变换实现频域滤波：

% 频域低通滤波
I_fft = fft2(double(Igray));
I_fftshift = fftshift(I_fft);
[M,N] = size(Igray);
H = zeros(M,N);
H(M/2-15:M/2+15,N/2-15:N/2+15) = 1; % 理想低通滤波器
I_filtered_fft = real(ifft2(ifftshift(I_fftshift.*H)));

实验对比显示，频域方法在全局特征增强方面具有优势，但计算复杂度较高。

三、实验结果与分析

3.1 定量评价指标

采用PSNR（峰值信噪比）和SSIM（结构相似性）评估增强效果：

% 计算PSNR
psnr_val = psnr(I_enhanced, Igray);
% 计算SSIM
ssim_val = ssim(I_enhanced, Igray);

3.2 典型场景应用

3.2.1 医学图像增强

CT图像增强案例：

% 读取DICOM格式医学图像
info = dicominfo('CT_image.dcm');
I_ct = dicomread(info);
% 窗宽窗位调整
I_windowed = imadjust(I_ct,[0.3 0.7],[]);

3.2.2 遥感图像增强

多光谱图像融合增强：

% 读取多光谱图像
red = imread('red_band.tif');
green = imread('green_band.tif');
blue = imread('blue_band.tif');
% IHS变换增强
I_rgb = cat(3,red,green,blue);
I_ihs = rgb2ihs(I_rgb); % 自定义IHS变换函数
I_ihs(:,:,3) = adapthisteq(I_ihs(:,:,3)); % 强度分量增强
I_enhanced = ihs2rgb(I_ihs); % 逆变换

四、优化策略与实践建议

1. 算法选择原则：

   • 低对比度图像：优先直方图均衡化
   • 噪声污染图像：先滤波后增强
   • 边缘保持需求：采用非线性滤波

2. 参数调优方法：

   • 滤波器尺寸：3×3至7×7渐进测试
   • CLAHE剪切限值：0.01~0.05范围调整
   • 频域截止频率：根据图像特征选择

3. 性能优化技巧：

   • 使用im2double统一数据类型
   • 对大图像采用分块处理
   • 利用MATLAB的并行计算工具箱

五、实验总结与展望

本实验通过MATLAB实现了12种图像增强算法，验证了不同方法在特定场景下的有效性。实验数据显示，组合使用空间域和频域方法（如先滤波后均衡化）可获得更好的增强效果。未来工作可探索深度学习在图像增强中的应用，结合U-Net、GAN等网络结构实现自适应增强。

建议学习者重点关注：

1. 理解各算法的数学原理
2. 掌握MATLAB图像处理工具箱的使用
3. 培养根据应用场景选择算法的能力

完整实验代码包含20个MATLAB函数，涵盖从基础操作到高级应用的完整流程，可供教学和研究参考使用。