1. 图像增强概述：什么是图像增强？为什么需要图像增强？

大家好，欢迎来到《图像增强全流程》的第一章。

图像增强，说白了就是「让图像变得更好看、更好用」。我做了这么多年计算机视觉，遇到过不少场景——原始图像要么太暗、要么太亮、要么对比度低得像蒙了一层雾。这时候，我们就需要图像增强技术来「救场」。

1.1 什么是图像增强？

图像增强是一类图像处理技术的总称。它的目标很明确：改善图像的视觉效果，或者让图像更适合后续的算法处理。

举个例子。你拍了一张夜景照片，暗部细节几乎看不见。用图像增强技术，可以把暗部提亮，让细节显现出来。但注意——增强不等于修复。它不会增加图像里原本没有的信息，只是把已有的信息「挖掘」出来。

我个人习惯把图像增强比作「调音师」。原始音频素材就在那里，调音师通过均衡器、压缩器让声音更好听。图像增强也一样，通过调整像素值、频率分量，让图像更「悦目」。

1.2 为什么需要图像增强？

你可能会问：现在的相机不是很厉害了吗？为什么还要做增强？

嗯，这里有几个现实原因：

• 成像条件限制：光照不足、雾霾天气、水下拍摄……这些场景下，原始图像质量就是差。我在项目中遇到过工厂产线上的低光照图像，不增强的话，后续的缺陷检测算法根本跑不动。
• 传感器噪声：任何成像设备都有噪声。增强可以在抑制噪声的同时保留细节。
• 人眼感知需求：医学影像、卫星遥感图像，需要让医生或分析师看得更清楚。
• 算法预处理：很多计算机视觉算法（比如目标检测、人脸识别）对输入图像质量敏感。增强是标准预处理步骤。

1.3 图像增强的常见分类

图像增强技术大体上可以分为两类：空域方法和频域方法。我刚开始学的时候也容易搞混，其实区分起来很简单——看你是直接操作像素，还是操作频率分量。

分类	操作对象	典型方法	特点
空域增强	像素灰度值	灰度变换、直方图均衡化、滤波	直观、计算快、适合实时处理
频域增强	频率分量（傅里叶变换后）	低通滤波、高通滤波、同态滤波	适合处理周期性噪声、纹理增强

空域增强

空域方法直接对图像的像素矩阵进行操作。公式很简单：g(x,y) = T[f(x,y)]，其中 f 是输入图像，g 是输出图像，T 是变换函数。

说白了，就是「每个像素怎么变，由它自己或它邻居说了算」。灰度变换就是典型的空域方法——你定义一个映射函数，把输入灰度值映射到输出灰度值。

频域增强

频域方法先把图像通过傅里叶变换转到频率空间，在频率空间里做「手脚」，再逆变换回来。

为什么要这么麻烦？因为有些噪声在空域里很难去除，但在频域里一目了然。比如周期性噪声，在频域里就是几个亮点点，直接滤掉就行。

1.4 知识体系总览

下面这张图概括了本章的核心知识结构。你可以把它当作整个课程的「地图」。

1.5 一个简单的例子：为什么要做灰度变换？

来看一段实际代码。假设你有一张图像，整体偏暗，像素值集中在0-50之间。

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图像（假设是灰度图）
img = cv2.imread('dark_image.jpg', cv2.IMREAD_GRAYSCALE)

# 查看像素值范围
print(f"原始图像像素范围: {img.min()} - {img.max()}")

# 简单的线性灰度变换：将[0,50]映射到[0,255]
alpha = 255.0 / 50.0  # 缩放因子
enhanced = cv2.convertScaleAbs(img, alpha=alpha, beta=0)

# 显示结果
plt.subplot(1,2,1), plt.imshow(img, cmap='gray'), plt.title('原始图像')
plt.subplot(1,2,2), plt.imshow(enhanced, cmap='gray'), plt.title('增强后')
plt.show()

这段代码做了什么？说白了就是把原来0-50的灰度范围，拉伸到了0-255。原来看不见的细节，现在能看见了。

1.6 本章小结

图像增强不是「玄学」，它是有明确数学基础和工程实践的。记住三个要点：

• 目标：改善视觉效果或算法适应性
• 分类：空域（操作像素） vs 频域（操作频率）
• 原则：增强不创造新信息，只挖掘已有信息