一、直方图均衡化的改进方法

直方图均衡化作为基础增强手段，存在局部对比度提升不足的问题。MATLAB通过adapthisteq函数实现了对比度受限的自适应直方图均衡化（CLAHE），其核心在于分块处理与对比度限制。

1.1 CLAHE算法原理

传统直方图均衡化对全局像素分布进行调整，易导致局部过曝或欠曝。CLAHE将图像划分为多个子块（如8×8），对每个子块独立进行直方图均衡化，并通过裁剪系数（Clip Limit）限制对比度增强幅度。例如，当Clip Limit=0.01时，每个子块的直方图会被裁剪至不超过1%的像素数，避免过度放大噪声。

1.2 MATLAB实现示例

% 读取低对比度图像
img = imread('low_contrast.jpg');
if size(img,3)==3
    img_gray = rgb2gray(img);
else
    img_gray = img;
end
% 应用CLAHE
img_clahe = adapthisteq(img_gray, 'ClipLimit', 0.02, 'NumTiles', [8 8]);
% 显示结果对比
figure;
subplot(1,2,1); imshow(img_gray); title('原始图像');
subplot(1,2,2); imshow(img_clahe); title('CLAHE增强');

参数NumTiles控制分块数量，值越大则局部适应性越强，但计算量随之增加。建议根据图像尺寸选择（如256×256图像可用[16 16]）。

1.3 效果评估指标

使用熵值（Entropy）和EME（空域测度）评估增强效果：

entropy_original = entropy(img_gray);
entropy_clahe = entropy(img_clahe);
disp(['原始图像熵值: ', num2str(entropy_original)]);
disp(['CLAHE后熵值: ', num2str(entropy_clahe)]);

熵值提升表明信息量增加，通常CLAHE可使熵值提高15%-30%。

二、频域增强技术

频域处理通过傅里叶变换将图像转换至频率域，实现选择性滤波增强。

2.1 同态滤波增强

同态滤波同时处理光照不均与反射分量，步骤如下：

1. 对数变换：img_log = log(double(img)+1);
2. 傅里叶变换：img_fft = fft2(img_log);
3. 频域滤波：设计高通滤波器增强高频细节
4. 逆变换恢复：img_filtered = ifft2(img_fft_filtered);

MATLAB完整实现：

% 生成同态滤波器
[M,N] = size(img_gray);
[X,Y] = meshgrid(1:N,1:M);
D = sqrt((X-N/2).^2 + (Y-M/2).^2);
D0 = 30; % 截止频率
rH = 1.5; % 高频增益
rL = 0.5; % 低频增益
c = 2; % 锐化系数
H = (rH-rL).*(1-exp(-c*(D.^2)./(D0^2))) + rL;
% 应用滤波
img_fft = fft2(double(img_gray));
img_fft_shifted = fftshift(img_fft);
img_fft_filtered = img_fft_shifted .* H;
img_fft_ishifted = ifftshift(img_fft_filtered);
img_filtered = ifft2(img_fft_ishifted);
% 指数还原与显示
img_homomorphic = exp(real(img_filtered))-1;
img_homomorphic = imadjust(uint8(img_homomorphic));

该技术特别适用于光照不均的文档图像，可使文字可读性提升40%以上。

2.2 小波变换增强

小波分解通过多尺度分析分离图像特征。MATLAB的wavedec2函数实现二级分解：

[cA,cH,cV,cD] = wavedec2(img_gray, 2, 'db4');
% 对高频子带进行非线性增强
alpha = 1.5; % 增强系数
cH_enhanced = alpha * cH;
cV_enhanced = alpha * cV;
cD_enhanced = alpha * cD;
% 重构图像
img_wavelet = waverec2(cA, [cH_enhanced cV_enhanced cD_enhanced], 'db4');

小波增强在保持边缘的同时，可有效抑制噪声，适用于医学图像处理。

三、基于深度学习的增强方法

MATLAB通过Deep Learning Toolbox支持预训练模型应用。

3.1 使用预训练的DnCNN去噪

net = denoisingNetwork('dncnn');
noisy_img = imnoise(img_gray, 'gaussian', 0, 0.01);
denoised_img = denoiseImage(noisy_img, net);
% 评估PSNR提升
psnr_original = psnr(noisy_img, img_gray);
psnr_denoised = psnr(denoised_img, img_gray);
disp(['去噪前PSNR: ', num2str(psnr_original)]);
disp(['去噪后PSNR: ', num2str(psnr_denoised)]);

DnCNN模型在高斯噪声去除中，可使PSNR提升5-8dB。

3.2 生成对抗网络（GAN）应用

对于低光照增强，可使用MATLAB的ganGenerator函数加载预训练模型：

% 需提前下载预训练模型（如EnlightenGAN）
net = load('enlightengan.mat');
low_light_img = imread('dark_scene.jpg');
enhanced_img = predict(net.generator, im2single(low_light_img));
enhanced_img = im2uint8(enhanced_img);

GAN方法可实现自然光照增强，但需要GPU加速以获得实时处理能力。

四、混合增强策略

实际应用中常采用多阶段混合增强：

1. 频域去噪（如维纳滤波）
2. 空域对比度增强（CLAHE）
3. 细节锐化（非线性滤波）

示例流程：

% 阶段1：频域去噪
img_noisy = imnoise(img_gray, 'salt & pepper', 0.05);
img_denoised = medfilt2(img_noisy, [3 3]);
% 阶段2：CLAHE增强
img_clahe = adapthisteq(img_denoised);
% 阶段3：非线性锐化
kernel = [0 -1 0; -1 5 -1; 0 -1 0];
img_sharp = imfilter(img_clahe, kernel, 'conv');
% 结果评估
figure;
subplot(2,2,1); imshow(img_noisy); title('含噪图像');
subplot(2,2,2); imshow(img_denoised); title('去噪后');
subplot(2,2,3); imshow(img_clahe); title('CLAHE后');
subplot(2,2,4); imshow(img_sharp); title('最终结果');

该策略在保持计算效率的同时，可使SSIM（结构相似性）指标达到0.85以上。

五、实操建议

1. 参数选择：CLAHE的Clip Limit建议从0.01开始调试，频域滤波的截止频率D0需根据图像内容调整
2. 性能优化：对于大图像，可使用im2col和blockproc函数实现分块处理
3. 结果验证：始终使用无参考评估指标（如NIQE）进行客观评价
4. 硬件加速：深度学习模型推荐使用NVIDIA GPU配合Parallel Computing Toolbox

通过系统应用上述方法，开发者可构建从简单到复杂的图像增强流水线，满足医学影像、遥感监测、工业检测等领域的专业需求。MATLAB的交互式环境特别适合算法原型开发与参数调优，建议结合App Designer创建用户友好的增强工具。