Abstract: 数字图像处理：第27天
Keywords: 灰度拉伸
本文最初发表于csdn，于2018年2月17日迁移至此
开篇废话
昨天前天写了两天代码，写代码久了就不会写博客了，昨天前天把高斯滤波，中值滤波，中值滤波快速算法，双边滤波，均值滤波实现了一下，并且进行了测试，学到了不少调试的技巧，其中中值滤波快速算法调了好久，不过还不错的是，结果都正确了，并且和OpenCV的结果进行了比较，验证了算法实现的正确性，至于代码速度，感觉追求速度是每个程序设计人员都追求的，但目前我们属于学习算法阶段，所以我们应该先把功能实现，观察算法结果，当把大部分算法实现完成后，根据需要进行优化，和改进。我觉得这是一个正确的道路。
知识结构
接下来几天的任务是图像增强，图像增强并没有严格数学上的定义，也就是没有说明处理后达到什么样的指标后算是完成，同样，增强是针对人的，如果你觉得处理后观察结果更显然了，那就是达到了增强的目的，增强分好多方法，大方向可以分为，灰度拉伸和空间滤波，灰度拉伸是简单的像素灰度到像素灰度的变换，（1）比如灰度值a经过f（a）（f个人给出）后得到了b，这样处理整幅图后看起来更能满足目的了，这也就算是增强了。（2）空间滤波利用的则是所处理像素周围像素的灰度，按照一定方法计算出该处的值，得到平滑或锐化的效果，这算是区域算法。（3）再有就是利用整幅图像的信息，如直方图，生成（1）中的f，然后对灰度进行计算。
大体知识结构给出：
解释下图像增强和去噪的区别，增强属于无先验知识的处理，也就是说，拿来一幅图，我就可以通过增强算法进行处理，不需要知道噪声模型等其他信息，也就是说，系统输入就是一张图，按照相关参数和算法，给出一副更能满足观察者需求的图片。图像去噪则属于图像复原一类的知识，需要知道噪声模型，根据相关的先验知识进行针对性的处理，增强也有去噪的效果，但增强的目的并不是为了去噪，而是改善图像，降低观察者观察相关信息的难度，当然对于平滑图像来说，高频噪声被处理掉了，达到了一部分去噪的目的，这只是衍生的一种效果，根本目的不是降噪或修复图片，因为干掉噪声的同时，高频细节也被干掉了，而去噪只要求去除噪声修复图片，当然，增强也有降低噪声并保留边缘的需求，但增强和去噪是不同的，最好不要混淆。
因为平滑和锐化对应于频域就是低通和高通操作，所以频域相关的增强后面就不再描述，具体可参见前面的博客。
总结
因为是综述性的介绍，所以本文较短，只想记录下路线，并解释下去噪和增强的关系。具体理论基础和相关代码实现请关注后续文章。