图像增强概述：为什么我们要学这个

各位同学，欢迎来到这门课的第一章。

图像增强，说白了就是「让图片变得更好看、更好用」。你可能觉得这听起来很简单——调个亮度、拉个对比度，手机相册里不就有这功能吗？嗯，确实，但真正的图像增强远不止这些。

我刚开始接触计算机视觉时，接过一个项目：工厂流水线上的零件检测。摄像头拍回来的图片，因为光照不均，一半亮一半暗。直接做识别？准确率惨不忍睹。后来我花了两天时间做图像增强，把图片统一到标准光照下，识别率从 62% 直接跳到 94%。

从那以后我就明白了——图像增强不是锦上添花，而是很多视觉任务的「地基」。

什么是图像增强

图像增强，是指对图像进行特定处理，让某些信息更突出、更易被人类或机器理解。它不改变图像的本质内容，而是改善图像的视觉效果或特征表达。

举个例子：一张在昏暗灯光下拍的照片，人脸几乎看不清。图像增强可以把暗部提亮，让人脸轮廓显现出来。但注意——它不会凭空「创造」出原本没有的信息，只是把已有的信息变得更明显。

图像增强的应用场景

说实话，图像增强的应用范围比我当初想象的要广得多。我整理了几个最常见的场景：

应用领域	典型场景	增强目的
医学影像	X光片、CT、MRI	突出病灶区域，辅助医生诊断
安防监控	夜间监控、雾天视频	提升暗部细节，去雾还原
工业检测	产品表面缺陷检测	增强缺陷与背景的对比度
遥感图像	卫星图、航拍图	消除云层干扰，突出地物特征
手机摄影	夜景模式、HDR	提升动态范围，改善色彩
自动驾驶	雨雾天气、隧道出入口	保证视觉系统稳定工作

你看，从医院到工厂，从天上到地下，图像增强无处不在。我做过一个安防项目，客户要求对老旧监控录像做增强——那些录像噪点大、亮度低，但偏偏是破案的关键证据。当时我用了几种增强方法组合，硬是把模糊的人脸轮廓还原到了可辨认的程度。

图像增强的分类：空域与频域

图像增强的方法，按处理空间可以分为两大类：空域增强和频域增强。这是整个课程的核心分类，我建议你从一开始就搞清楚。

空域增强

空域增强，就是直接在像素点上做操作。你想想看，一张图片就是一堆像素排成的矩阵。空域增强就是对这个矩阵里的数值进行各种变换。

它又分为两种：

• 点操作：每个像素独立处理，跟邻居没关系。比如调整亮度、对比度、伽马校正。
• 邻域操作：处理一个像素时，要考虑它周围的像素。比如滤波、锐化、边缘检测。

点操作很简单，速度快。我早期做实时视频增强时，就常用伽马校正——一行代码就能把过暗的画面拉回来。

邻域操作就复杂一些。比如均值滤波，用周围像素的平均值代替当前像素，可以平滑噪声。但代价是图像会变模糊。这里有个取舍问题。

频域增强

频域增强的思路不太一样。它先把图像从「空间域」变换到「频率域」，在频率域里做处理，再变换回来。

为什么要这么绕？因为有些噪声在空间域里很难分离，但在频率域里却一目了然。比如周期性的条纹噪声，在频域里就是几个亮点，直接滤掉就行。

常用的变换方法有：

• 傅里叶变换：最经典的频域工具
• 小波变换：多尺度分析，适合局部特征

我记得第一次用傅里叶变换做图像去噪时，看到频谱图上的亮点，感觉特别直观——低频在中心，高频在四周。把高频部分衰减掉，再反变换回来，噪声就没了。那种「原来如此」的感觉，至今难忘。

空域 vs 频域：怎么选？

对比维度	空域增强	频域增强
处理方式	直接操作像素	变换到频域再处理
计算速度	快（尤其点操作）	较慢（需要变换）
适用场景	亮度/对比度调整、锐化	周期性噪声去除、频带滤波
直观程度	高，容易理解	低，需要数学基础
灵活性	局部处理方便	全局处理更自然

我个人习惯是：能空域解决的，绝不频域。空域方法简单、快速、可解释性强。但遇到空域搞不定的噪声（比如周期性条纹），就得上频域了。

本章知识体系

下面这张图，把本章的核心内容串起来了。你可以把它当作整个课程的「导航图」：

这张图把本章的知识结构完整呈现出来了。从根节点「图像增强」出发，分空域和频域两大分支，再到具体方法。后面的课程，就是沿着这个框架一步步展开。

本章小结

好，我们来捋一下这章的核心要点：

• 图像增强是让图像信息更突出，不是创造新信息
• 应用场景覆盖医学、安防、工业、遥感、手机摄影等多个领域
• 空域增强直接操作像素，分点操作和邻域操作
• 频域增强先变换到频率域再处理，适合特定噪声去除
• 选方法看场景，没有万能方案