影像增強方法在數字影像處理中佔有重要地位，它能夠有效提高影像的視覺效果，增強影像的細節資訊，從而在醫學、遙感、工業檢測等多個領域發揮重要作用
1. 空間域增強方法
空間域增強方法是透過直接對影像畫素進行操作來實現影像增強的技術。以下是幾種常見的空間域增強方法：
1.1 直方圖均衡化
直方圖均衡化是一種簡單且有效的影像增強方法，主要透過調整影像的灰度直方圖，使得影像的灰度級分佈更加均勻，從而提高影像的對比度
應用場景包括醫學影像中的組織對比增強、衛星影像中的地物對比增強等
1.2 對比度拉伸
對比度拉伸透過擴大影像的灰度級範圍來提高對比度。這種方法通常用於提高低對比度影像的視覺效果
例如，對於一個灰度級範圍為 [𝑎,𝑏][𝑎,𝑏] 的影像，可以將其拉伸到 [0,255]
1.3 灰度變換
灰度變換透過對影像的灰度值進行非線性變換來實現影像增強。常見的灰度變換方法包括對數變換和冪次變換
對數變換公式：
應用場景包括提高低灰度影像的對比度、調整影像的亮度等
1.4 平滑濾波
平滑濾波透過平均化相鄰畫素的灰度值來減少影像的噪聲，常見的平滑濾波器有均值濾波器和中值濾波器
均值濾波器：
應用場景包括去除影像中的隨機噪聲、平滑影像紋理等
1.5 銳化濾波
銳化濾波透過增強影像的邊緣資訊來提高影像的清晰度，常見的銳化濾波器有拉普拉斯濾波器和高通濾波器
拉普拉斯濾波器：
應用場景包括增強影像的細節資訊、提高影像的邊緣清晰度等
2. 頻率域增強方法
頻率域增強方法透過對影像的頻率成分進行操作來實現影像增強。以下是幾種常見的頻率域增強方法：
2.1 傅立葉變換
傅立葉變換將影像從空間域轉換到頻率域，揭示出影像中的頻率成分。透過對頻率域的操作，可以實現影像的濾波和增強
二維離散傅立葉變換（DFT）的公式如下：
2.2 小波變換
小波變換透過將影像分解為不同尺度的子影像，實現對影像的多解析度分析。它能夠同時在時域和頻域上進行區域性化處理
離散小波變換（DWT）的公式如下：
應用場景包括影像壓縮、影像去噪和影像增強等
2.3 高頻增強濾波
高頻增強濾波透過增強影像中的高頻成分（即邊緣和細節部分）來提高影像的清晰度。常見的高頻濾波器有高通濾波器
高通濾波器的傳遞函式如下：
應用場景包括影像邊緣增強、細節增強和紋理增強等
2.4 低頻增強濾波
低頻增強濾波透過保留影像中的低頻成分（即平滑部分）來減少影像的噪聲和不必要的細節。常見的低頻濾波器有低通濾波器
低通濾波器的傳遞函式如下：
應用場景包括影像去噪、平滑和模糊處理等
3. 現代增強方法
現代增強方法利用先進的演算法和技術來提高影像的質量和解析度。以下是幾種常見的現代增強方法：
3.1 超解析度重建
超解析度重建透過從低解析度影像生成高解析度影像，提升影像的細節和清晰度。常見的方法包括基於插值的方法、基於學習的方法和基於稀疏表示的方法
基於插值的方法透過插值演算法（如雙線性插值、雙三次插值等）填充畫素間的空隙來提高解析度
基於學習的方法則利用深度學習網路（如卷積神經網路 CNN）從大量影像中學習低解析度到高解析度的對映關係
應用場景包括衛星影像處理、醫學影像處理和影片監控等
3.2 影像去噪
影像去噪透過去除影像中的噪聲，保留有用的影像資訊。常見的方法包括高斯濾波、中值濾波、非區域性均值濾波和基於深度學習的方法
基於深度學習的方法如卷積自編碼器（Convolutional Autoencoder），透過訓練網路學習去噪的過程
應用場景包括醫學影像去噪、夜間拍攝影像處理和低光照影像處理等
3.3 影像修復
影像修復透過填補影像中缺失或損壞的部分，使影像恢復完整。常見的方法包括基於紋理合成的方法和基於深度學習的方法
基於深度學習的方法如生成對抗網路（GAN），透過生成器和判別器的對抗訓練，實現影像的修復
應用場景包括老照片修復、文物保護和影片幀修復等
3.4 GANs（生成對抗網路）增強
生成對抗網路（GAN）透過兩個神經網路（生成器和判別器）相互對抗，實現影像的增強和生成。GAN 具有生成逼真影像的能力，可以用於超解析度重建、影像去噪、影像修復等任務
GAN 的基本架構由生成器和判別器組成，生成器生成假影像，判別器判斷影像的真假，二者透過對抗訓練不斷提升影像質量
應用場景包括影像生成、影像轉換、超解析度重建、影像去噪和影像修復等