弱光环境会导致图像采集设备拍摄的照片出现对比度低、亮度较暗、细节缺失等问题，为此提出一种基于同态频分聚合的低照度图像增强算法。首先，改进同态滤波的传递函数，将原始图像分解为高频和低频分量，在不损失亮区细节的同时，增强一部分暗区细节，改进后的同态滤波传递函数参数更少，且易于调整；然后，分别对两个分量进行增强，即设计细节增强网络完善高频部分的细节信息，采用low-light image enhancement via illumination map estimation（LIME）算法对低频部分进行亮度提升；最后，设计局部自适应网络对图像高频和低频分量进行联合微调，纠正融合过程中出现的失真。从主观视觉以及客观评价指标两个方面进行实验分析，结果表明，所提算法能有效平衡图像平滑区域与纹理分量的增强效果，提升图像视觉质量。

针对红外图像的边缘细节特征不清晰、整体对比度低等问题，提出一种结合单参数同态滤波和限制对比度的自适应直方图均衡的红外图像增强算法。首先，基于单参数的同态滤波对图像进行处理，研究一种单一参数的传递函数，使得同态滤波算法参数可控且不依赖于实验经验，同时明显增强红外图像的细节特征。然后，利用限制对比度的自适应直方图均衡化对红外图像进行动态范围调整，提高红外图像对比度。实验仿真结果表明，该算法可以明显增强图像细节特征、提高图像对比度，使红外图像更有利于后续观察。

针对雾天图像对比度低、细节模糊的问题，提出了一种自适应动态范围CLAHE的雾天图像增强算法。引入自适应参数T₁和T₂自动调整图像重分配的范围，对传统的CLAHE进行改进，结合同态滤波改善图像过亮、过暗区域；原始图像通过多尺度细节增强算法进行细节增强处理；将处理后的细节图像与同态滤波处理后的结果相结合，达到图像对比度和细节增强的目的。通过信息熵、局部对比度、平均梯度和运行时间4种客观评价指标对图像结果进行对比分析，主观与客观测试结果表明，所提算法可有效增强图像对比度、凸显细节信息，便于雾天图像信息的提取。

对动态不良天候成像图像去雾霾方法进行了研究, 提出了基于改进色彩同态滤波、基于物理模型暗通道快速实时图像去雾霾方法, 将算法应用于静止场景和含运动目标场景, 并对比分析了各算法运行和测试效果, 经验证, 所提出的方法图像增强后全局熵值(7.608 3)更小, 图像的不确定性低, 纹理更清晰, 且单帧处理平均耗时12.223 ms, 满足实时性运行要求, 为后续复杂气象环境下目标检测、识别奠定了基础。

针对磁瓦图像光照不均匀、对比度较低、表面干扰磨削纹理较多的问题，提出了一种基于改进的同态滤波与Canny算法的磁瓦表面缺陷检测算法。首先，采用改进的同态滤波传递函数将磁瓦图像分解成高频图像和低频图像，用连续均值量化变换增强高频图像，再将增强的高频图像与低频图像融合便能够得到光照较均匀和对比度较高的磁瓦图像。然后，将传统Canny算法中的高斯滤波器替换为相对总变差模型，从而提取出磁瓦缺陷结构；为了提高边缘检测的精度，增加了梯度方向模板求取图像像素点的梯度幅值和方向，并采用基于图像灰度信息的单阈值提取出图像缺陷边缘，提高了算法的鲁棒性。最后，通过形态学处理对检测出的缺陷边缘图像进行填充，并把干扰边缘去除，便可得到磁瓦的缺陷区域。实验结果表明，所提算法对磁瓦表面缺陷检测的效果较好，检测精度较高，且适用于多种类型的磁瓦表面缺陷。

针对太阳光照变化、物体间遮挡、拍摄角度偏差等干扰造成古城墙表面病害图像信息被隐藏，病害特征提取与识别效果不佳的问题，提出了一种基于光照分量自适应校正的古城墙表面病害图像信息增强方法。利用多尺度高斯函数连续卷积提取光照分量，根据像素点光照分量与均值的偏差非线性变换关系确定Gamma参数，构造增强2D-Gamma函数自适应校正图像过亮和偏暗区域的亮度值，恢复隐藏信息；同时为解决2D-Gamma函数对高亮像素点亮度值衰减表征能力较弱问题，使用同态滤波在频域压制高亮区域的光照分量，减小亮度动态范围，增强图像高亮区域隐藏信息；并利用系数因子将亮度校正后图像与Sobel算子提取的边缘细节图像线性融合，重构获取细节清晰、纹理突出的古城墙表面病害增强图像。实验结果表明，对于受光照、遮挡等干扰因素影响可视性较差的图像，所提方法在保留原图像细节信息的同时有效解决了光照不均、遮挡和阴影等造成的图像信息隐藏问题，增强了古城墙表面病害图像特征，提高了病害识别的准确率。

光在水下传播受到微粒和水吸收作用的影响, 导致水下图像对比度低, 含有噪声且存在颜色偏差。针对传统的同态滤波算法增强后的图像还存在雾状模糊且颜色偏暗的问题, 提出改进的同态滤波与Retinex多尺度融合的水下图像增强算法。该算法首先用基于双边滤波的单尺度Retinex算法对原始图像进行颜色校正; 然后对修正后的图像构造相应的Butterworth陷波滤波器进行滤波; 最后对颜色修正后的图像和同态滤波增强后的图像进行多尺度融合。通过实验可得, 该方法能够有效地改善色偏, 提高图像的清晰度。

针对周期性纹理背景影响织物缺陷检测效果的问题,提出了一种基于粗糙度测量和颜色距离的织物缺陷检测方法。该方法先将待检测图像由RGB颜色空间转换到HSV颜色空间,并分别对三通道进行同态滤波处理,以提升缺陷与背景之间的对比度;利用粗糙度测量对织物图像进行分类,并将同一类别的织物图像分成大小相同且互不重叠的图像分块,分别估计各个图像分块与其八邻域图像分块的颜色距离,从而实现对缺陷的粗定位;最后对粗定位图像分块进行显著性和二值化处理,有效减少了周期性纹理背景对检测结果的影响。实验结果表明:与近期4种方法相比,本文方法对周期性纹理织物图像表现出了较好的检测效果,检测准确率更高。

光学卫星遥感数据在获取过程中易受云层干扰, 云区识别是光学遥感数据应用及分析的一个基础但重要的步骤, 高效的云区识别技术对节省数据收集成本和提高数据利用效率具有较强的现实意义.同态滤波算法是经典的基于单幅影像的云区识别方法之一, 该算法具有计算快速方便、云区检测精度较高的优点, 然而识别的云区范围极大程度取决于同态滤波器截止频率的位置.同态滤波截止频率通常采用经验值, 显然经验截止频率无法适应批量遥感数据的自动处理需求.针对以上问题, 本文通过建立输入影像频谱能量与截止频率的关系, 结合白度指数(Whiteness Index)和形态学算子, 实现对国产高分辨率光学卫星高分一号(GF-1)遥感数据的批量云区识别处理.与传统同态滤波方法相比, 该算法能根据影像频谱能量自适应判定同态滤波时采用的截止频率, 具有更强的适用性.通过对98景GF-1多光谱数据进行随机点人工目视标记精度检验, 精度检验结果表明该算法对云区有较好的检测效果, 总体识别精度达93.81%.该算法对GF-1遥感数据能进行批量化云区检测, 获得高精度的云区掩膜结果, 并有效降低高反射率地物造成的误识率.