图像增强是一种图像处理技术，它的目的是改善图像的视觉质量和信息表达，使图像更适合人类或机器的观察和分析。图像增强的方法有很多，本文介绍两种常用的方法：伽马校正和自适应直方图均衡化。
伽马校正
伽马校正是一种非线性变换，它可以调整图像的亮度和对比度，使图像更符合人眼的感知特性。伽马校正的原理是，人眼对亮度的感知是非线性的，即人眼对暗处的细节更敏感，而对亮处的细节则不太敏感。因此，如果图像的亮度分布是线性的，那么人眼可能会觉得图像过亮或过暗，而且细节不清晰。伽马校正可以通过对图像的亮度进行非线性变换，来补偿光照不均的影响，使暗处和亮处的细节都能清晰可见。
伽马校正的公式是 $$s = crgamma$$，其中 $$s$$ 是输出像素值，$$r$$ 是输入像素值，$$c$$ 是常数，$$gamma$$ 是伽马值。伽马值的大小决定了变换的程度，如果 $$gamma < 1$$，那么图像会变亮，对比度会增强，如果 $$gamma > 1$$，那么图像会变暗，对比度会降低，如果 $$gamma = 1$$，那么图像不变。伽马值的选择取决于图像的特点和应用的需求，一般来说，$$gamma$$ 的范围在 $$0.2$$ 到 $$5$$ 之间。
下面是一个伽马校正的例子，左边是原图，右边是经过 $$gamma = 0.5$$ 的伽马校正后的图像，可以看到，图像的亮度和对比度都有所提高，细节也更清晰。
伽马校正后的图像：
自适应直方图均衡化
自适应直方图均衡化是一种局部增强方法，它可以根据图像的不同区域进行处理，使每个区域的对比度都达到最佳。自适应直方图均衡化的原理是，图像的直方图是一种统计图，它反映了图像的亮度分布，如果直方图比较平坦，那么说明图像的亮度变化比较均匀，对比度比较高，如果直方图比较集中，那么说明图像的亮度变化比较单调，对比度比较低。直方图均衡化是一种将直方图变得平坦的方法，它可以增强图像的对比度，但是它是一种全局的方法，它会忽略图像的局部特征，可能会导致过度增强或失真。自适应直方图均衡化则是一种将图像分割为若干个小块，对每个小块进行直方图均衡化，然后再将小块拼接起来的方法，它可以根据图像的局部特征，增强局部对比度，即使在光照变化较大的情况下，也能突出图像的特征和纹理。
自适应直方图均衡化的步骤是：
将图像分割为若干个小块（tiles），小块的大小取决于图像的分辨率和细节程度，一般来说，小块的大小在 $$8$$ 到 $$32$$ 像素之间。
对每个小块进行直方图均衡化，得到增强后的小块，这一步可以使用标准的直方图均衡化算法，也可以使用一些改进的算法，例如限制对比度的直方图均衡化（Contrast Limited Adaptive Histogram Equalization, CLAHE），它可以避免过度增强和噪声放大的问题。
对增强后的小块进行双线性插值，消除边界效应，得到最终的图像，这一步是为了使图像的过渡更平滑，避免出现明显的块状现象。
下面是一个自适应直方图均衡化的例子，左边是原图，右边是经过自适应直方图均衡化后的图像，可以看到，图像的局部对比度都有所提高，特别是在阴影和高光的区域，细节也更突出。
自适应直方图均衡化后的图像：
本文介绍了两种常用的图像增强方法：伽马校正和自适应直方图均衡化。伽马校正是一种非线性变换，可以调整图像的亮度和对比度，补偿光照不均的影响。自适应直方图均衡化是一种局部增强方法，可以根据图像的不同区域进行处理，增强局部对比度，突出图像的特征和纹理。这两种方法都可以改善图像的视觉质量和信息表达，使图像更适合人类或机器的观察和分析。