针对红外与可见光图像融合易发生热目标亮度损失、可见光图像细节信息丢失的问题，提出一种基于图像增强和滚动引导滤波的多尺度融合算法。首先，提出一种自适应图像增强方法，提高可见光图像的整体亮度，并保持细节处的对比度。然后，根据特征的不同将源图像分解为三层，采用基于引导滤波的显著性提取方法得到亮度层；利用滚动引导滤波良好的尺度感知和边缘保持特性，并结合高斯滤波得到基础层和细节层。最后，对亮度层采用像素值取大的融合规则，提出一种新的最小二乘优化方案对基础层进行融合，使用修正拉普拉斯能量和作为清晰度的度量对细节层进行融合。实验结果表明，与其他融合方法相比，所提方法在主观评价和客观评价上都有较好的表现。

针对管道检测过程中图像采集光照不均匀、缺陷边缘提取不准确的问题，提出一种基于自适应图像增强的管道机器人缺陷检测方法。首先设计单尺度Retinex 自适应图像增强算法，利用引导滤波对图像进行照度分量估计，经自适应Gamma 矫正得到光照均衡图像，实现自适应图像增强；再对传统Canny 边缘检测方法进行改进，采用双边滤波平滑图像，通过迭代阈值法进行缺陷图像分割，根据边缘像素相似性进行连接，实现缺陷轮廓的有效提取。搭建基于自适应图像增强的管道机器人缺陷检测系统，利用履带式小车搭载云台摄像机，对管道内壁缺陷进行全方位视觉检测。实验结果表明，本文的检测方法可自适应矫正图像亮度，图像亮度不均匀明显改善，相比次优算法，图像信息熵提升2.4%，图像平均梯度提升2.3%，峰值信噪比提升4.4%，可有效提取出管道缺陷边缘，缺陷识别准确率达到97%。

由于非下采样Contourlet变换(NSCT)域图像增强方法需要手动调节参数，无法实现自适应增强， 本文将直方图均衡化和NSCT域增强相结合，提出了一种基于NSCT系数直方图匹配的自适应图像增强算法。该算法首先对低对比度含噪原图像进行直方图均衡化，然后对原图和直方图均衡化后的图像分别进行NSCT分解，得到低频子带系数和各高频方向子带系数。对低频子带，将原图的低频子带系数直方图匹配到直方图均衡化后图像的对应系数直方图上。对各个高频子带，则先进行阈值去噪，再将原图的各个高频子带系数直方图匹配到直方图均衡化后图像的对应系数直方图上。最后,经NSCT重构得到增强后的最终图像。实验结果表明，本文方法增强效果明显优于直方图均衡化，与Contourlet变换增强法相比，实验所采用的两组图像的图像评价函数(EMEE)值分别提高了24.05%、16.97%、13.29%和20.63%，且与NSCT域非自适应增强法(人工选取参数)的处理效果相当。该方法无需手工调节参数，具有自适应性和实用性强的优点。