##一、图像增强概述
###1、定义
图像增强（Image Enhancement）是一个很宽泛的定义，简单来说就是对数字图像进行调整（adjusting）以使图像更适合于显示或后期的图像分析。
图像增强的原因总结有以下几点：
（1）图像细节不清晰
（2）光照不均匀导致图像亮度分布不均匀
（3）图像对比度较差
（4）成像过程中原始图像受噪声污染
（5）感兴趣区域（Region of Interest）不明显
（6）人眼视觉特性
###2、人眼视觉特性
####2.1、韦伯定律
谈及人眼视觉特性我们就不得不提韦伯定律（Weber-Fechner law），又称“感觉阈限定律”。
几个名词定义如下：
阈限：物理刺激能量可以被人觉察的临界点。
绝对阈限：个人对单一刺激引起的感觉经验时，所需最低的刺激强度。
差异阈限：辨别两个刺激之间的差异时，两种刺激最低的差异量。
韦伯定律：在同类刺激之下，其差异预先的大小 Δ I \Delta I ΔI随着标准刺激强弱而成一定比例关系的。
Δ I = K × I \Delta I=K\times I ΔI=K×I
K K K为常数。
简单说就是，人眼感受的亮度与自然亮度并不线性增加，而只有当自然亮度成特定比例增加时，人眼才能感觉是线性增加的。
2.2、gamma校正原因简述
一幅灰度值范围为0-255的灰度图像，人眼对较暗信息比较敏感，而对较亮信息不敏感（因为在较暗的情况下，灰度发生较小变化人就能分辨，而在较亮的情况下，灰度需要发生较大变化人才能分辨，如果还不懂请回头理解韦伯定律）。所以我们在采集图像的时候可以适当多采集较暗的信息，适当少采集较亮信息。
这也就是为什么需要进行 γ \gamma γ校正（gamma correction）的原因。在采集图像的时候通过 γ < 1 \gamma <1 γ<1的gamma变换将低灰度往高灰度扩展，然后在显示的时候通过 γ > 1 \gamma >1 γ>1将原始灰度复原出来。
3、图像增强方法分类
该图中未包含彩色图像增强，需要注意的是，图中列出的点运算与局部运算并不是绝对区分，如点运算中的直方图均衡操作同样可以进行局部直方图均衡。
二、局部增强
1、定义
利用图像的局部信息，如局域均值、方差、梯度等，获取图像中不同区域的差异情况，从而对图像不同区域进行不同的增强。
几个局部量的数学定义如下：
局部均值
m x ( i , j ) = 1 ( 2 n + 1 ) 2 ∑ k = i − n i + n ∑ l = j − n j + n x ( k , l ) m_x(i,j)=\frac{1}{(2n+1)^2}\sum_{k=i-n}^{i+n}\sum_{l=j-n}^{j+n}x(k,l) mx(i,j)=(2n+1)21k=i−n∑i+nl=j−n∑j+nx(k,l)
局部方差
δ x 2 ( i , j ) = 1 ( 2 n + 1 ) 2 ∑ k = i − n i + n ∑ l = j − n j + n [ x ( k , l ) − m x ( i , j ) ] 2 \delta_x^2(i,j)=\frac{1}{(2n+1)^2}\sum_{k=i-n}^{i+n}\sum_{l=j-n}^{j+n}[x(k,l)-m_x(i,j)]^2 δx2(i,j)=(2n+1)21k=i−n∑i+nl=j−n∑j+n[x(k,l)−mx(i,j)]2
2、反锐化掩膜算法
反锐化掩膜（Unsharp Masking）算法是一种图像锐化技术。通过高通滤波（或其他方式）得到图像的高频部分，然后与原始图像相加，得到高频部分增强的图像。
数学表达如下：
f ( i , j ) = m ( i , j ) + C × [ x ( i , j ) − m ( i , j ) ] f(i,j)=m(i,j)+C\times [x(i,j)-m(i,j)] f(i,j)=m(i,j)+C×[x(i,j)−m(i,j)]
其中， f ( i , j ) f(i,j) f(i,j)代表变换后的图像， x ( i , j ) x(i,j) x(i,j)代表原始图像， m ( i , j ) m(i,j) m(i,j)代表图像的高频部分。 C C C为增益因子。
上述公式C中为常数，进行的操作是全局操作。通过统计局部信息对增益因子进行不同程度的调整，即为局部反锐化掩模操作。不同的局部反锐化掩膜操作，主要是增益因子 C C C和高频部分 m ( i , j ) m(i,j) m(i,j)的求解方法不同，接下来会通过几篇博文分别进行介绍。
关于gamma校正的详细讲解请看以下链接：
线性工作流–韩世麟
