数字图像处理的主要内容
图像采集、图像增强、图像复原、分割、对象识别、表示&描述、图像压缩、彩色图像处理
图像增强
曝光不足或过度的照片，需要图像增强处理。
医学图像、图像的傅里叶频谱、除雾、车牌识别、人脸识别、指纹识别。
通过图像增强，可以减少噪声，提高目标与背景的对比度，强调或抑制 图像中的某些细节。
图像增强的方法
空间域方法：在图像的二维平面上，直接对像素值进行处理。
基于灰度变换的图像增强：将一个灰度区间映射到另一个灰度区间。
1、幂次变换：
γ<1时，幂次变换将低灰度值（暗值）进行拉伸，即γ越小越亮；
γ>1时，幂次变换将高灰度值（亮值）进行拉伸，即γ越大越暗。
γ校正
分段线性变换，出现假轮廓。
基于直方图处理的图像增强：直方图均衡化
直方图均衡化是将原图象的直方图通过变换函数修正为均匀的直方图，然后按均衡直方图修正原图象。
步骤：
注意（3）计算结果向下取整。
例子
PS：均衡化是一种常用的图像处理技术，它可以增加图像的对比度和亮度，并且可以使图像的直方图均匀分布，从而实现更好的视觉效果。在进行均衡化时，由于将图像的灰度值进行重新分配，可能会导致灰度级数的减少。这是因为，均衡化会将原始图像中的一些灰度值映射到同一个值上，从而减少了灰度级数。
例如，对于一个灰度级数为256的图像，进行均衡化后，某些灰度值可能会被映射到同一个值上，从而导致灰度级数的减少。这种情况下，图像的对比度和亮度可能会得到一定的提高，但是由于灰度级数的减少，图像的细节信息可能会丢失。
为了解决这个问题，可以考虑使用自适应均衡化算法。自适应均衡化算法可以根据图像的局部区域进行均衡化，从而避免了灰度级数减少的问题。具体来说，自适应均衡化算法将图像分成多个小区域，对每个小区域进行均衡化，从而增加了灰度级数并且保留了图像的细节信息。
频率域方法：对图像作Fourier变换，在变换域进行处理，再作逆变换得到增强图像。
思考题
已知一幅图像的灰度级为8，即（0,1）之间划分为8个灰度级。图像的左边一半为深灰色，其灰度级为1/7，而右边一半为黑色，其灰度级为0。试对此图像进行直方图均衡化处理，并描述一下处理的图像是一幅什么样的图像。
左白色，灰度级1；右灰色，灰度级4/7。