1. 课题研究背景和意义
随着计算机视觉和多媒体技术的快速发展，越来越多的应用需要更加清晰的图像，例如医学图像处理，模式识别，安全监控以及交通管理等。因此，我们对于图像的清晰度就提出了更高的要求。但图像在其拍摄和传输过程中，每一个步骤都有可能导致其质量变差[1]，使其传递的信息无法被正常读取和识别。例如，在拍摄过程中的环境光照不足等因素引起的图像偏暗，从而使产生的图像对比度较低或是重要特征不明显；并且图像在经过存储、转换、传输等操作之后，会产生令人不悦的噪点，或是边缘模糊，从而进一步降低了图像的质量。因此，为了使得所拍摄的图像满足各种实际需求，我们需要对图像进行一系列处理。
当前的数字图像处理[2]主要包括以下几个方面：图像变换、图像描述、图像分割、图像增强和复原、图像编码压缩等等。图像增强是图像处理的一部分，通过改变输入的数字图像像素灰度级来实现；我们通过此过程根据实际需求增强某一部位的细节信息，消除噪声改善低对比度图像的质量，改善图像的视觉效果，以便于人和机器更好的对图像进行分析和理解。
现存在多种图像增强算法，而根据它们处理时所处空间的不同可分为两大类[3]，分别是空间域和频率域的图像增强。空间域[4][5]增强方法是直接对图像中的像素进行处理，从根本上说是以图像的灰度映射变换为基础的，所用的映射变换类型取决于增强的目的。频率域[6]增强方法首先将图像空间中的图像以某种形式转换到其他空间中，然后利用该空间的特有性质方便的进行图像处理，最后再转换到原来的图像空间中，从而得到处理后的图像。
因为在实际应用中难以找到同一的衡量标准，为了判定图像的质量[7][8][9]，我们对于评价图像质量的标准进行了研究，将其分为两类，即客观和主观标准两种。从主观上我们评价一幅图像的质量的好坏往往根据个人经验或者事先约定的评价标准，对增强处理后的图像进行打分。这种评价往往和评价人的觉等因素有关，因此不同的人的评价会有很大的差异。
相比较于主观的评价方式，客观的评价方法就更加具有说服性。因为它不会因为我们个人感觉的差异从而导致评价结果的较大不同，因而具有较强的实用性。客观评价的主要目标是寻找能够自适应评价图像质量好坏的指标[10]。有许多学者对其进行了深入的探索和研究，取得了较大的成果。客观评价法常用处理后的图像与原始图像进行比较。常用的客观评价方法有:图像均值、图像的均方误差以及信息熵、信噪比[11]等衡量标准。这些力一法一般不需要使用参考图像[12][13][14][15]，主要通过估计图像中的块效应、噪声、模糊等因素来评价图像的质量。
直方图均衡（Histogram Equalization，HE）作为具有代表性的空间域上的图像增强的一种，因其有效性和简单性，一直以来被广泛应用。它基于这样的原理:当图像所有的灰度级呈现均匀的概率分布时，图像所包含的信息量最大[16]。也可以从信息学的角度进行理解，即具有最大熵(信息量)的图像为均衡化图像。经过HE处理后，图像的直方图转换成为均匀分布的形式，这样就增加了图像灰度级的动态范围，从而达到了增强图像对比度的效果。HE简单、高效，不过它对整幅图像采用的是同一个变换，因此不能适应不同区域的对比度变化。所以，当图像的不同区域明暗对比度不同时，这种变换方法的结果就不是很理想。当图像的某个较小且灰度分布相对均匀的区域中包含我们感兴趣的物体或细节时[17]，HE可能很难帮助我们识别其中的物体或细节，甚至有时候其引入的噪声把原有的信息也给破坏了。
为了克服HE的缺点，人们又提出了现在广泛使用的自适应直方图均衡化[18](Adaptive Histogram Equalization, AHE)。AHE与HE的区别在于它不是对整幅图像进行同一个变换，而是对每个像素根据其所在区域(上下文相关区域Contextual Region)进行不同的变换。因此，人们也把自适应直方图均衡化方法称为局部直方图均衡化(Local Area Histogram Equalization, LAHE)，相应地把HE称为全局直方图均衡(Full Frame Histogram Equalization, FFHE)。新的方法总是带来新的问题。首先，LANE的确克服了HE的缺点，对于一般的图像，确实可以得到较好的处理结果。但是由于LAHE要为图像中的每一个像素计算相应的变换函数，它的效率与HE相比要低很多。为了解决这个问题，目前已有许多学者提出了改进的直方图均衡化算法来克服这种缺陷。
2. 国内外研究现状
1997年，Kim9等[19]提出了基于图像均值分割、亮度保持的直方图均衡化算法(BBHE)，它以图像均值作为阈值将图像分为两部分，分别独立的进行直方图处理。该算法处理后的图像灰度均值在理论上介于输入图像的均值和中值之间。
