提出一种快速、自适应地实现视网膜图像增强的方法。利用数学形态法和图像视觉质量的自适应变换建立适用于视网膜图像增强的方法, 首先, 采用数学形态法, 提取图像信息, 去除背景干扰；然后基于视觉的特性获取最佳的图像参数, 结合Zadeh-X变换方法获取最佳图像。利用该方法所提取的视网膜图像增强了血管信息, 所获图像与造影图像进行对比, 优于造影图像, 同时减少造影剂的使用, 使病人免受造影剂的伤害。此方法可以有效地增强对比度, 大大提高了图像质量, 对视网膜组织进行定量分析与检测, 对临床眼科学的病理诊断具有非常重要的意义。

针对低照度环境下具有动态性的彩色图像辨识度相对较差的问题, 提出了基于人类视觉感知模型的对比度分辨率补偿算法。首先, 将图像从RGB空间转换到HSV空间, 保持H分量不变; 对V分量提取图像特征参数, 然后对V分量进行对比度分辨率补偿, 增强图像亮度; 并对S分量进行线性拉伸, 复原图像色彩信息; 最后将处理后的V分量和S分量与H分量进行反变换生成RGB空间新图像。实验结果表明, 该算法对低照度下具有动态性的彩色图像增强效果较好, 较好地保持了图像的细节, 取得了良好的视觉效果。

为了改善低照度环境下视频监控系统的效果，从人类的视觉系统出发，通过对人类的视觉对比度分辨率进行补偿以增强图像信息，同时以ARM11与LINUX相结合的方式，构建嵌入式监控系统，利用硬件编码有效地提高编码效率，对编码后的H264码流进行RTP打包传输。经测试系统满足实时监控，同时增强了低照度环境下的视频图像的信息。

针对低照度环境下, 网络监控视频图像由于对比度低、灰度信息少, 视频图像存在隐形问题, 提出了一种基于人类视觉系统感知的标准化变换算法, 并嵌入基于ARM平台的视频网络监控中。实验结果表明, 与其他图像增强算法对比, 该算法有效地提高了视频图像对比度分辨率, 重现隐形图像, 取得了较好的整体视觉效果, 而且满足网络监控的时实性要求。

针对现行的被动(消极)彩色图像质量评价方法存在的问题, 深入研究了人类视觉感知彩色图像特征的质量参数：彩色图像平均对比度、彩色图像平均信息熵、彩色图像平均亮度(平均灰度)、彩色图像平均层次因子和彩色图像平均带宽因子。以上述研究为基础, 构建了基于扰动变换的主动(积极)彩色图像综合质量评价函数(CAF)。研究发现CAF是扰动参数Delta和Theta的函数, 通过对扰动参数进行变换, 可以使CAF达到最大值, 从而实现对单幅彩色图像的质量评价和质量改善。分别对窄带谱、宽带谱和全带谱3种不同色度谱类型的彩色图像进行了积极评价, 结果表明, 纳入平均带宽因子和平均层次因子两个参数的彩色图像质量积极评价方法符合人类视觉主观评价要求, 可使扰动变换获得的彩色图像更加柔和、更富有层次感。该方法不仅能评价单幅彩色图像质量的好坏, 还可以通过扰动变换改善彩色图像质量。