常用图像增强算法（MATLAB实现）

一、引言

图像增强是数字图像处理的核心环节，通过改善图像的视觉效果或提取关键特征，为后续分析提供高质量输入。MATLAB凭借其丰富的图像处理工具箱和简洁的编程环境，成为算法验证与原型开发的理想平台。本文将系统介绍直方图均衡化、空域滤波、频域滤波及Retinex等经典算法的MATLAB实现方法，结合代码示例与效果对比，帮助开发者快速掌握实用技巧。

二、直方图均衡化算法实现

直方图均衡化通过重新分配像素灰度值，扩展图像的动态范围，尤其适用于低对比度图像。MATLAB的histeq函数可快速实现全局均衡化，而局部均衡化需结合滑动窗口操作。

1. 全局直方图均衡化

% 读取图像并转换为灰度
img = imread('low_contrast.jpg');
if size(img,3)==3
    img_gray = rgb2gray(img);
else
    img_gray = img;
end
% 全局直方图均衡化
img_eq = histeq(img_gray);
% 显示结果对比
subplot(2,2,1), imshow(img_gray), title('原图');
subplot(2,2,2), imhist(img_gray), title('原图直方图');
subplot(2,2,3), imshow(img_eq), title('均衡化后');
subplot(2,2,4), imhist(img_eq), title('均衡化直方图');

适用场景：整体对比度不足的图像，如医学X光片、卫星遥感图。
优化策略：对彩色图像可分别处理RGB通道或转换至HSV空间仅调整V通道，避免色偏。

2. 自适应直方图均衡化（CLAHE）

针对全局均衡化可能导致的局部过曝问题，MATLAB的adapthisteq函数通过分块处理实现局部对比度增强：

img_clahe = adapthisteq(img_gray, 'ClipLimit', 0.02, 'Distribution', 'rayleigh');

参数ClipLimit控制对比度限制阈值，Distribution指定目标直方图形状。

三、空域滤波增强算法

空域滤波直接对像素邻域进行操作，分为线性滤波（如均值滤波）和非线性滤波（如中值滤波）。

1. 线性滤波实现

% 生成高斯噪声图像
noise_img = imnoise(img_gray, 'gaussian', 0, 0.01);
% 创建5×5高斯滤波器
h = fspecial('gaussian', [5 5], 1);
filtered_img = imfilter(noise_img, h, 'replicate');
% 显示结果
figure;
subplot(1,3,1), imshow(noise_img), title('噪声图像');
subplot(1,3,2), imshow(filtered_img), title('高斯滤波后');
subplot(1,3,3), imshow(img_gray), title('原图');

关键点：fspecial可生成多种预定义滤波器（如’average’、’laplacian’），imfilter的边界处理选项（’replicate’、’symmetric’）影响边缘效果。

2. 非线性滤波应用

中值滤波对椒盐噪声效果显著：

salt_pepper_img = imnoise(img_gray, 'salt & pepper', 0.05);
median_img = medfilt2(salt_pepper_img, [5 5]);

对比分析：线性滤波易模糊边缘，非线性滤波能更好保留细节，但计算复杂度较高。

四、频域滤波增强方法

频域处理通过傅里叶变换将图像转换至频域，修改频谱后逆变换回空域。典型应用包括低通滤波去噪和高通滤波锐化。

1. 理想高通滤波器实现

% 傅里叶变换并中心化
F = fftshift(fft2(double(img_gray)));
% 创建理想高通滤波器
[M, N] = size(img_gray);
D0 = 30; % 截止频率
[X, Y] = meshgrid(1:N, 1:M);
D = sqrt((X-N/2).^2 + (Y-M/2).^2);
H = double(D > D0);
% 应用滤波器并逆变换
F_filtered = F .* (1 - H); % 1-H实现高通
img_sharp = real(ifft2(ifftshift(F_filtered)));
img_sharp = uint8(mat2gray(img_sharp) * 255);

参数选择：截止频率D0过小会导致过度锐化，产生振铃效应；过大则效果不明显。

2. 同态滤波增强光照

针对光照不均图像，同态滤波通过分离光照和反射分量进行处理：

% 对数变换
img_log = log(double(img_gray) + 1);
% 傅里叶变换
F_log = fftshift(fft2(img_log));
% 设计同态滤波器（高通特性）
H_homomorphic = ... % 类似高通滤波器设计
F_filtered = F_log .* H_homomorphic;
% 逆变换并指数还原
img_enhanced = exp(real(ifft2(ifftshift(F_filtered)))) - 1;

效果优势：可同时压缩动态范围和增强局部对比度。

五、基于Retinex理论的增强算法

Retinex理论模拟人类视觉系统，通过分离光照和反射分量实现色彩恒常性。MATLAB中需手动实现或借助第三方工具箱。

1. 单尺度Retinex（SSR）实现

function output = ssr(img, sigma)
    % 高斯模糊估计光照
    h = fspecial('gaussian', [size(img,1) size(img,2)], sigma);
    illumination = imfilter(double(img), h, 'replicate');
    % 计算反射分量
    log_img = log(double(img) + 1);
    log_illum = log(illumination + 1);
    output = log_img - log_illum;
    output = mat2gray(output); % 归一化
end
% 使用示例
img_r = ssr(img_gray, 80); % 调整sigma控制效果

参数影响：sigma值越大，光照估计越平滑，但可能丢失细节；值过小会导致光晕效应。

2. 多尺度Retinex改进

结合不同尺度的SSR结果：

function output = msr(img, sigma_list)
    output = zeros(size(img));
    for i = 1:length(sigma_list)
        output = output + ssr(img, sigma_list(i));
    end
    output = output / length(sigma_list);
end
% 使用示例（典型尺度组合）
img_msr = msr(img_gray, [15 80 250]);

效果提升：通过多尺度融合，在保持整体对比度的同时增强局部细节。

六、算法选择与优化建议

1. 低对比度图像：优先尝试CLAHE或同态滤波
2. 噪声污染图像：根据噪声类型选择中值滤波或小波去噪
3. 细节增强需求：Retinex算法优于传统锐化方法
4. 实时性要求：空域滤波计算效率高于频域方法

性能优化技巧：

• 使用im2col和colfilt函数加速滑动窗口操作
• 对大图像采用分块处理减少内存占用
• 利用MATLAB的GPU计算功能（需Parallel Computing Toolbox）

七、结论

MATLAB为图像增强算法的实现提供了高效平台，开发者可根据具体需求选择合适的算法组合。未来可探索深度学习与经典方法的融合，如使用CNN替代Retinex中的光照估计步骤，进一步提升处理效果。建议读者通过MATLAB的Image Processing Toolbox文档深入学习各函数参数，并结合实际项目不断优化实现方案。