文 献 综 述
一、选题的背景及意义
在人类获取的信息中，视觉信息所占比例高达80%左右。究其原因，通过视觉获得的图像信息具有丰富、直观、生动和真切等特点，俗话说“百闻不如一见”，图像让有些场景或事物的描述变得“一目了然”。我们生活在一个信息大爆炸的时代。信息的几何倍数增长，对数据传输、存储以及专题信息的提取提出了新的挑战。在过去的几十年里，信息存储和处理技术的进步一日千里。在这些技术的支持下，更高分辨率、更大量的数据被源源不断地获取，这一进步又推动了数据的存储、处理及技术的发展[1][1]。人们采用声音、文字、图像或视频等各种多媒体进行信息的交流、处理、传输和存储。与此同时，对图像压缩、去噪、分割、特征提取、增强和复原等各种处理，都变得非常的重要。然而，图像在获取、传输或储存的过程中往往会因外部环境或仪器设备等多种因素的影响而受到各种噪声的干扰，这降低了图像的质量，从而给深层次的后继图像处理等带来了非常严重的影响。因此，图像增强技术在图像预处理中起着至关重要的作用。
二.国内外发展现状
从 1807 傅立叶变换诞生以来一段时间，人们进行信号处理时的首选工具一直是傅立叶变换。经典的傅立叶变换在实际应用中，提供的频率特性是全部时间内的，它只适用于分析全局信息，而像纹理、边缘等图像信号是无下采样的，并且具有高度的局部性。因而，在分析非无下采样信号和突变信号时，傅立叶变换起到的作用有限，小波变换在这一背景下应运而生。信号及图像处理领域中，小波变换近几十年来得到了越来越广泛的应用。1995 年 Donoho 等人提出了新方法，该方法利用合适的阈值对小波分解系数进行处理，达到去噪目的，此后小波变换在边缘检测、图像增强、图像去噪、图像复原等方面被广泛应用，并取得了相当大的成功。小波变换缺乏多方向性的缺点限制了它的使用，专家学者提出了更多高维的多分辨率分析方法。
1999 年 Mhin N D 等提出了 Ridgelet 变换[2][2]，它能较为有效地对图像进行多方向、多尺度的描述。通过大量的实验结果证明，对于目标中具有直线边缘并且是光滑的，Ridgelet 变换可以用很少的数据将其表示出来。但这也限制了 Ridgelet 用最少的系数来表示，因为获得的图像的边缘常常是弯曲的，基本没有是平直的情况。随着 Candes 等人研究的深入，他们对 Ridgelet 进行了改进，进一步提出了 Curvelet 变换[3][3]。Curvelet 变换存在的一个最大的问题是，对于通过矩形栅格采样得到的数字图像，难以使用 Curvelet 变换离散实现。
Vetterli M.和 M.N.Do 在 2002 年提出了 Contourlet 变换[4][4]，对于存在各向异性特征的图像，Contourlet 变换能够相当好地进行表示。所以对于图像的边缘轮廓信息，Contourlet变换可以较好地表示，选择进行轮廓提取时小波变换有一定效果，但 Contourlet 变换效果更好。从在多尺度多方向上对图像信号进行划分这一角度来看，Contourlet变换优于小波变换很多。平滑曲线是自然图像中重要的组成部分，Contourlet 变换的在逼近平滑的曲线时只需用较少的系数，可见 Contourlet 变换具有广阔的应用前景。
Eslami 和 Radha 注意到 Contourlet 变换并不具有平移不变性这一特点，将 Contourlet 变换与 Cycle Spinning 相结合来实行图像去噪[5][5]，去噪效果得到了提升。Do 和 Po 在研究小波域隐 Markov 模型之后，借鉴其对小波域内系数相关性的描述，提出了以Contourlet 变换做基础的方向多尺度模型[6][6]，将隐 Markov 模型引入 Contourlet 域，并用该模型描述相关性，该方法目前已经在图像去噪中使用。
截至目前，Contourlet 变换已经被广泛应用于图像的特征提取、图像水印、图像去噪、分割、增强等领域，其中应用 Contourlet 变换最多的是图像去噪。图像去噪方面 Contourlet 变换应用正逐渐增多，有学者提出了一种基于非下采样 Contourlet 变换的异常检测 SVDD 算法[7][7]。算法首先对高光谱数据进行 NSCT（Nonsubsampled Contourlet Transform）分解，得到高频信息图像和低频信息图像；然后对低频信息作差，得到背景残差数据，抑制了背景信息；接着通过加权融合得到背景抑制后的高光谱图像，最后利用非线性 SVDD 将背景抑制后的高光谱图像映射到高维特征空间，完成异常目标的检测。还有学者提出了 Con-tourlet 域 HMT 模 型[8][8-9]的 声 纳 图 像 去 噪 算 法。Contourlet 变换作为二维多方向性分析方法，在不同尺度下提供不同数量的方向子带，有利于较好地提取声纳图像各方向的弱特征信息，构建的Contourlet 域 HMT 模型不仅能描述尺度间的相关性，而且还能描述不同方向间系数的相关性，改善了声纳图像去噪的效果[9][10]。研究日新月异，相关资料越来越丰富。
三、常用的图像增强方法的原理及特性的分析及介绍
