本節可參考我另一篇博客：《HALCON機器視覺與算法原理編程實踐》第5章 圖像預處理-學習筆記
3.2 圖像增強
在第2章中講述了提高採集圖像的質量的各種途徑。光源，鏡頭，相機，圖像採集卡等都起到了至關重要的作用。儘管我們盡力來選擇最佳的硬件設置，但是有時圖像還是不夠好，因此，本節我們將介紹幾種通用的圖像增強技術。
3.2.1 灰度值變換
除控制照明光源外， 某些情況下通過算法調整圖像的灰度值是必要的。調整圖像灰度值的一個原因是由於圖像對比度太弱，通過對照明光源的調整， 這個問題通常只會局部發生，所以，我們也許只需增強局部的對比度。
調整灰度值的另一個原因是圖像的對比度或者亮度同最初系統設定時相比已經發生了變化。
線性灰度值變換的參數必需根據不同的應用以及不同的照明進行合理地選擇。
灰度值直方圖顯示每一灰度值在圖像中出現的頻率。
魯棒的灰度歸一化處理是一種非常有效的方法，例如，在光學字符識別中進行特徵提取 時，採用本方法可以便OCR特徵提取不受照明變化的影響。但是，它需要對圖像的灰度值進行變換，這需要大量的計算。如想要使一個算法在光照變化下更加魯棒，通常更可行的方法是通過調整該算法的參數以適應光照變化。
3.2.2 輻射標定
在實驗室配置中，傳統的方法是採用經過標定的目標物（典型的標定目標物是灰階卡）來進行輻射標定。因此，相應的算法被稱作基於圖表的標定算法，它測量不同梯度條的灰度值並將這些灰度值與這些梯度條已知的反射係數進行比較。
不同的曝光既可以通過改變鏡頭的光圈也可通過改變攝像機曝光時間來實現。 因爲改變光圈比使用不同長度的曝光時間精度低，且因爲大部分工業攝像機可以通過軟件來精確地設定曝光時間的長度， 所以設定不同長度的曝光時間以得到不同曝光條件下的一系列圖像是我們的首選方法。本算法的好處是既不需要標定極， 也不需要在視野內有均勻的照明。
3.2.3 圖像平滑
每幅圖像都包含某種程度的噪聲。爲了達成本章的敘述目標，我們將噪聲看作是由多種原因造成的灰度值的隨機變化，比如由光子通量的隨機性而產生的噪聲。在大多數情況下，圖像中的噪聲必須通過圖像平滑處理進行抑制。
均值濾波
均值濾波是典型的線性濾波算法，它是指在圖像上對目標像素給一個模板，該模板包括了其周圍的臨近像素（以目標象素爲中心的周圍8個像素，構成一個濾波模板，即去掉目標像素本身），再用模板中的全體像素的平均值來代替原來像素值。
我們把空間平均處理的過程稱爲均值濾波，但並沒有說明此處的濾波一詞是指什麼。濾波指的是一個操作，此操作採用某個函數作爲輸入併產生某個函數作爲輸 出。既然圖像能被看作是函數，所以，濾波可以將一幅圖像變換成另一幅圖像。
均值濾波器是線性濾披器中的一個例子。線性潔、被器的特點如下：應用 一個濾波器到兩幅輸入圖像的一個線性組合上所產生 的結果，與對這兩幅 圖像分別應用此蠟波器後將結果按同 一線性規則進行組合得到的結果完全 一致。
儘管均值濾波器提供了不錯的結果，但它還不是最適宜的平滑濾波器。
由於均值濾波器有上述缺點，自然會出現這樣一個問題，即採用何種平滑濾披器最理想。一個解決辦法是先定義一組自然準則，平滑濾波器必須完全滿足這些準則。然後尋找可以完全滿足這些準則的全部濾披器。第一個自然準則就是濾波器應眩是線性的，這是因爲我們能想象一幅圖像是由多個物體以相加的方式組合而戚，因此，濾被處理的輸出應該是輸入的一個線性組合。而且，濾波應是與位置無關的，也就是說無論一個物體出現在圖像中的哪個位置，濾波都應該能產生同樣的結果。線性濾波器是可以滿足這個標準的。
高斯濾波
高斯濾波是一種線性平滑濾波，適用於消除高斯噪聲，廣泛應用於圖像處理的減噪過程。通俗的講，高斯濾波就是對整幅圖像進行加權平均的過程，每一個像素點的值，都由其本身和鄰域內的其他像素值經過加權平均後得到。高斯濾波的具體操作是：用一個模板（或稱卷積、掩模）掃描圖像中的每一個像素，用模板確定的鄰域內像素的加權平均灰度值去替代模板中心像素點的值。 高斯濾波後圖像被平滑的程度取決於標準差。它的輸出是領域像素的加權平均，同時離中心越近的像素權重越高。因此，相對於均值濾波（mean filter）它的平滑效果更柔和，而且邊緣保留的也更好。
高斯濾披器產生了相對銳利的邊緣。因此，高斯濾波器能輸 出更好的結果，在更關注結果的質量時， 高斯濾波器是首選的平滑濾波器， 而在更關注執行速度時，首選使用均值濾披器。
中值濾波
中值濾波法是一種非線性平滑技術，它將每一像素點的灰度值設置爲該點某鄰域窗口內的所有像素點灰度值的中值.
中值濾波是基於排序統計理論的一種能有效抑制噪聲的非線性信號處理技術，中值濾波的基本原理是把數字圖像或數字序列中一點的值用該點的一個鄰域中各點值的中值代替，讓周圍的像素值接近的真實值，從而消除孤立的噪聲點。方法是用某種結構的二維滑動模板，將板內像素按照像素值的大小進行排序，生成單調上升（或下降）的爲二維數據序列。二維中值濾波輸出爲g（x,y）=med{f(x-k,y-l),(k,l∈W)} ，其中，f(x,y)，g(x,y)分別爲原始圖像和處理後圖像。W爲二維模板，通常爲33，55區域，也可以是不同的的形狀，如線狀，圓形，十字形，圓環形等。
3.2.4 傅里葉變換
在前面，我們已經看到了均值濾波器和高斯濾波器的頻率響應。本節裏，我們將討論用來推導頻率響應的理論：傅立葉變換。一維函數h(x）的傅立葉變換由下式 給出：
它將函數h(x）從空間域轉換到頻率域，即將位置z的函數h(x）轉換到頻率f的函數H(f）。注意H(J）通常是複數。由（3.25）和恆等式cosx + i sinx，我們可以認爲h(x）是由不同頻率和不同振幅的正弦和餘弦波組成。H(J）精確描述了各個頻率以何種振幅和相位疊加（疊加相同頻率的正弦項和餘弦項即得到一個相位移動的正弦波）。從頻率域到空間域的傅立葉逆變換由下式給出：
因爲傅立葉變換是可逆變換，將h(x)和H(f） 視爲同一函數的兩種不同表現形式。
二維傅立葉變換和逆變換如下：
到目前爲止，我們假定圖像數據是連續的。但是真正的圖像數據是離散的。這個微小的發現會與傅立葉變換的結果存在着較大的牽連。
實際的圖像不但是離散的，而且是在矩形區域ω × h內被定義的，ω是圖像的寬，h是圖像的高，這意味着傅立葉變換不再是連續的。
推薦閱讀：奈奎斯特採樣定理