图像增强，是对图像进行处理，使其原始图像能够更适合于特定的应用。对于图像的某些特征，比如边缘、轮廓等进行强调或者锐化，以便于找到想要的信息，便于显示、观察与进一步的分析与处理。
图像增强
图像增强的方式是根据应用的不同而不同的，研究内容包括：
这篇文章就主要讲述平滑和锐化中常用的方法
图像平滑
图像平滑是一种区域增强的算法，平滑算法主要有领域平均法、中值滤波、边界保持类滤波等。
简单平滑-领域平均法
图像简单平滑，是指通过领域简单平均对图像进行平滑处理，一定程度上消除原始图像中的噪声、降低原始图像对比度。利用卷积运算对图像领域的像素灰度进行平均，从而达到减少图像中噪声影响、降低图像对比度的目的
但主要缺点是在降低噪声的同时使得图像更加模糊，特别是在边缘和细节处，而且卷积的领域越大，去噪能力越强的同时也使得图像越模糊
高斯平滑
为了克服简单局部平均法的弊端(图像模糊)，目前已提出许多保持边缘、细节的局部平滑算法。它们的出发点都集中在如何选择邻域的大小、形状和方向、参数加平均及邻域各店的权重系数等。
图像高斯平滑也是邻域平均的思想对图像进行平滑的一种方法，在图像高斯平滑中，对图像进行平均时，不同位置的像素被赋予了不同的权重。
在图像简单平滑中，算法利用卷积模板逐一处理图像中每个像素，这一过程可以形象地比作对原始图像的像素一一进行过滤整理，在图像处理中把邻域像素逐一处理的算法过程称为滤波器。平滑线性滤波器的工作原理是利用模板对邻域内像素灰度进行加权平均，也称为均值滤波器。
高斯平滑与简单平滑不同，它在对邻域内像素进行平均时，给予不同位置的像素不同的权值，下图的所示的33和55领域的高斯模板。
模板越靠近邻域中心位置，其权值越高。在图像细节进行模糊时，可以更多的保留图像总体的灰度分布特征。下图是常用的四个模板和matlab代码实现：
运行效果：
中值滤波：
在使用邻域平均法去噪的同时也使得边界变得模糊。而中值滤波是非线性的图像处理方法，在去噪的同时可以兼顾到边界信息的保留。
选一个含有奇数点的窗口W，将这个窗口在图像上扫描，把窗口中所含的像素点按灰度级的升或降序排列，取位于中间的灰度值来代替该点的灰度值。
例如选择滤波的窗口如下图，是一个一维的窗口，待处理像素的灰度取这个模板中灰度的中值，滤波过程如下：
常用的窗口还有方形、十字形、圆形和环形。不同形状的窗口产生不同的滤波效果，方形和圆形窗口适合外轮廓线较长的物体图像，而十字形窗口对有尖顶角状的图像效果好。
中值滤波对于消除孤立点和线段的干扰十分有用，尤其是对于二进噪声，但对消除高斯噪声的影响效果不佳。对于一些细节较多的复杂图像，可以多次使用不同的中值滤波。
边界保持类滤波
K近邻均值滤波器(KNNF)是指在mm的窗口中，属于同一集合类的像素，它们的灰度值将高度相关。被处理的像素(对应于窗口中心的像素)可以用窗口内与中心像素灰度最接近的k个近邻像素的平均灰度来替代。步骤如下：
(1).作一个mm的作用模板
(2).在其中选择K个与待处理像素的灰度差为最小的像素
(3).用这K个像素的灰度均值替换掉原来的值
在K近旁均值滤波器(KNNMF)中，不选K个邻近像素的平均灰度来替代，而选K个邻近像素的中值灰度来替代，上图中2,3,3中选择3即可。
图像锐化
有时还需要加强图像中景物的边缘和轮廓，边缘和轮廓通常位于图像中灰度突出的地方，因而可以直观的想到用灰度的差分对边缘和轮廓进行提取，通常可以通过梯度算子进行提取。图像锐化的目的是提高图像的对比度，从而使图像更清晰，通过提高邻域内像素的灰度差来提高图像的对比度。
拉普拉斯算子(Laplacian)
拉普拉斯算子是图像邻域内像素灰度差分计算的基础，通过二阶微分推导出的一种图像邻域增强算法。它的基本思想是当邻域的中心像素灰度低于它所在邻域内的其他像素的平均灰度时，此中心像素的灰度应该被进一步降低；当高于时进一步提高中心像素的灰度，从而实现图像锐化处理。
在算法实现过程中，通过对邻域中心像素的四方向或八方向求梯度，并将梯度和相加来判断中心像素灰度与邻域内其他像素灰度的关系，并用梯度运算的结果对像素灰度进行调整。
一个连续的二元函数f(x,y)，其拉普拉斯运算定义为：
对于数字图像，拉普拉斯算子可以简化为：
也可以表示为卷积的形式：
其中K=1，I=1时H(r,s)取下式，四方向模板：
通过模板可以发现，当邻域内像素灰度相同时，模板的卷积运算结果为0；当中心像素灰度高于邻域内其他像素的平均灰度时，模板的卷积运算结果为正数；当中心像素的灰度低于邻域内其他像素的平均灰度时，模板的卷积为负数。对卷积运算的结果用适当的衰弱因子处理并加在原中心像素上，就可以实现图像的锐化处理。
运行效果：
高通滤波
常用的高通模板如下所示，其中H2有的书又称为拉普拉斯八方向的锐化模板。
运行效果如下图所示，该效果相对较好：
Sobel算子
运行效果如下图所示：
Isotropic算子：
运行效果如下图所示，效果与上面的Sobel类似：
Prewitt算子
运行效果如下图所示，只选取了X分量：
参考博客：
https://blog.csdn.net/eastmount/article/details/46378783 作者：Eastmount