利用Python和Opencv算法，实现下述功能： 1、 准备一张学生本人在纯色背景前的照片，并且要求背景颜色与皮肤、衣服的颜色区别较大。 2、 准备一张与上述人像图像大小相同的风景图片。 3、 利用图像增强算法处理人像照片，以提升照片的品质。 4、 利用图像处理算法将步骤3得到的照片中背景部分置为黑色，人像部分保持不变。 5、 利用图像处理算法处理风景图片，使风景图片变得模糊，实现背景虚化。 6、 利用图像处理算法将步骤4得到的人像图像进行二值化处理，人像部分为0，背景部分为1。 7、 利用步骤6得到的二值图像将步骤5得到的风景图像中用于合成人像区域的像素置为黑色后，与步骤4得到的人像图像进行合成，实现人像迁移。

该gui函数基本上包括图像处理里面的最基本处理，相当于一个小型photoshop。比如读取文件，几何变换中的垂直镜像，平移，旋转，缩放；正交变换的DFT，FFT，DCT，DST，DHT，DWashT；灰度处理中的反色，直方图均衡，全局线性变换，分段线性变换，指数非线性变换，对数非线性变换；图像增强里面的加噪声，平滑，锐化，伪彩色增强；图像分割里面的灰度阈值法，Robert，Laplace，sobel，prewitt，canny算子边缘检测法；图像恢复里面的直接逆滤波，维纳滤波；图像编码里面的霍夫曼编码，行程编码等等。

针对红外图像对比度和分辩率低、噪声大的特点，提出一种基于平稳小波域的红外图像增强新方法。对高频子带中幅值较小的噪声系数进行衰减，幅值较大的边缘细节系数进行放大；对低频子带系数的幅值采用所提出的正弦函数进行伸缩处理。实验结果表明，本文提出的方法在有效地增强红外图像对比度及边缘细节的同时，又能很好地抑制背景噪声，综合性能明显优于传统的直方图均衡化和反锐化掩膜增强方法。

零DCE 零参考深曲线估计的Pytorch实施以实现低光图像增强（ ）。 使用活页夹访问笔记本： 在Wandb上找到培训日志： ://wandb.ai/19soumik-rakshit96/zero-dce 结果 嘈杂结果示例 引文 @article{2001.06826, Author = {Chunle Guo and Chongyi Li and Jichang Guo and Chen Change Loy and Junhui Hou and Sam Kwong and Runmin Cong}, Title = {Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement}, Year = {2020}, Eprint = {arXiv:2001

为了增强彩色图像而不引起色彩失真,在HSV颜色空间中保持色相不变,提出了采用分段对数变换增强饱和度结合在多尺度Retinex算法的基础上,采用边缘保持增强色调的低照度彩色图像增强算法。实验结果表明,该方法在保持图像色相和图像边缘的情况下,显著改善了图像的视觉效果,提高了图像的亮度和对比度。25幅低照度图像的平均亮度、标准偏差和对比度分别提高了94.95%、20.93%和29.88%,相对于带色彩恢复的多尺度Retinex算法的熵和对比度增量分别提高了7.34%和151.51%,效果优于Retinex算法。

图像处理算法，增加图像的对比度。 该文件可以在这里找到： 您必须使用的函数是 BEASF.m，其他的都是辅助函数。 http://ieeexplore.ieee.org/xpl/login.jsp?tp=&arnumber=6808563&url=http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=6808563 如果你觉得我的算法有用，请给它评分。 如果您发现问题，您可以给我发电子邮件或发表评论，以便我可以解决它。 如果您发现算法存在问题，请告诉我，以便我尝试修复它。 谢谢你。

图像增强技术(MATLAB)—毕业论文.doc

基于matlab数字图像增强处理-毕业论文.doc

针对实验图像光照不均、对比度低、噪声大等特点，提出一种基于非抽样contourlet变换的图像非线性增强算法．首先对原图进行非抽样contourlet变换，分解为低频和高频子带；然后对低频子图进行自适应直方图处理，以增强像素的对比度，对高频系数采用分层阈值处理和分段非线性变换；最后将其反变换得到增强的图像．仿真实验结果表明：此算法不仅增强效果好，鲁棒性强，而且具有较大的实用价值．

利用 retinex 算法进行图像质量增强，对低对比度的图像增强效果较好