该技术最早诞生于 1960 年左右，这一时期的图像处理基本全部使用的是像素型光栅识别技术，先对图像进行扫描，然后将扫描后的图像放置于相应的处理装置当中处理。总的来讲，这一时期的图像处理成本非常高，并且设备也极为稀缺，图像处理技术并没在较广的范围有所应用。

20 世纪 70 年代进入到发展期，这一时期图像处理也渐渐采用光栅进行扫描处理，并且开始采用大、中型机对扫描后的图像进行处理。此外，遥感技术与 CT 等新技术新装备的出现极大刺激了图像处理技术的进步。到 1980 年以后，图像处理基础开始向社会各个领域普及，很多微机都已经可以实现对图像的简单处理。VLSI 的诞生使得图像处理效率有了质的飞跃，造价的降低也将了图像系统在各领域普及化。

80 年代至今，图像处理技术在各领域都占有一席之地，让图像处理技术买入实用化发展阶段。

图像增强的思路通常是根据某一指定的图像及其实际场景需求，借助特定的增强算法或者算法集合来强化图像的有效信息或者感兴趣信息，抑制不需要的信息或者噪声。若按照处理空间进行划分，图像增强算法主要有：频域增强法、空域增强法。而比较常用的算法主要有四种，分别是：灰度变换、直方图修正、频域滤波、同态滤波等。

现阶段，比较流行的图像增强技术有：灰度变换、同态滤波、直方图修正、频域滤波。其中，灰度变换法、直方图法属于空域方法，而同态滤波法、频域滤波属于频域法。在实际生活当中，图像处理是一项非常复杂的工作，因为图像处理不仅要考虑到实际的分析目的，还要照顾到分析人员的喜好与图像的实际特点，但无论何种方式，图像处理的最终目标都是一致的。所以，图像增强算法通常有着其各自适用的范围，并不存在一种图像增强算法能够适用所有的场景。灰度变换法等基于空域的算法难以在细节增强和噪声抑制之间取得良好的折衷；同态滤波等基于频域的算法在细节增强方面的效果不明显。

就二维函数 f(x，y)而言，使用特定的分析技术如：采样技术、量化技术等处理之后，便可以获得对应的数字图像。所以为了方便分析，图像通常会使用二维矩阵来表示。所以，将一幅图像输入计算机后，将其转化成二维矩阵便实现了图像的数字化处理。数字化通常有三个核心环节：扫描、采样、量化。扫描的过程实际上是根据特定的顺利来对整个图像进行检查与筛选，而这一过程中最小的单位就是像素。在检查与筛选图像的时候所获取的像素就是采样，这一过程实际上也是对像素的离散化处理过程，采样结果全部施工灰度值来展示，其一般采用光电传感器件进行。将采样得到的灰度值用模数转换器件转换为离散的整数值的过程便是量化。

采样实际上就是对图像空间的离散化处理，这一过程主要确定的是图像空间分辨率。通俗来讲，即通过特定的网络实现图像的全部覆盖，随后将每一小网格中图像的亮度进行平均化处理，然后将这一均值当成这一方格中心位置的取值。抑或取方格交叉点取值来表示方格的亮度取值。在这一变换结束后，模拟图像便转化成为一个由多个小方格中心取值（方格交叉点）来表现的离散数字图像。这一网格一般也被叫做采样网络，即在网络的基础上，通过特定的方法来获得模拟图像点的取值。在进行采样处理之后，图像便转化成数字图像。

在实际采样的时候，采样点的间隔是一项非常重要的时候，很多时候图像量化失败都与采样点间隔设置不合理有关，总的来讲，采样后的图像必须与初始图像有足够的映射关系。一般情况下，采样间隔的确定需要结合原始图像的实际特点，如果要分析的内容过于细节化，那么采样间隔就尽可能缩小。就空间角度来看，采样过程会将图像分割成很多个离散的点，但是所获取的灰度值却仍旧是连续的变量。因此，分析人员一般会通过采样灰度值模拟量的转化来表示灰度的量化结果。简单来讲，量化过程会导致图像灰度坐标变得更加离散，这一过程与灰度分辨率形成密不可分。常用的量化方式有：分层量化、非均匀量化、均匀量化。如果将样本连续灰度值进行有限元分类，那么就构成了分层量化。均匀量化则是按照均匀分配的原则，将图像灰度层次由暗至亮进行层次划分，反之，不使用均匀化的分配原则便是非均匀量化。

通常空间域增强可以直接对图像像素点进行处理。空间域增强可以由式所示：

g(x,y)=T[f(s,y)]

输入图像用 f (x, y)表示，增强后的图像用 g (x, y)表示，T 能对图像像素集合进行操作是增强函数，若 T 仅定义在像素点上，每次只对图像单个像素点处理，而与其邻域无关，则 T 表示的是一种点操作，又称空域变换增强；若 T 定义在(x, y)的某个邻域上，每次处理不仅会处理该像素点，还会处理其邻域相关的点，称 T 为模板操作，又叫空域滤波增强。其中点操作有灰度变换、几何变换等几种方式。采取该方法能直观地从增强图像和直方图上观察到图像的增强效果。

在应用当中，灰度变换法最典型的特点就是：对比度扩展、特征明显、图像清晰。这些特点都会图像增强有着极为明显的效果。灰度变化法的原理为：将原始图像的灰度级某一段(1X,1Y)压缩或伸展到(2X,2Y)，通常用增强函数曲线来描述对图像的增强效果，此种函数主要表现了图像灰度的变换，故灰度变换法又被称为对比度拉伸法或对比度增强法。这样的灰度变换使原图像的对比度拉伸，增强了原始图像的对比度。灰度变换能够有效增强图像对比度，但是其与像素坐标、领域灰度等之间并无太大关联。通常情况下，灰度变换处理能否成功关键在于映射函数的选取是否合理。可采用两种方法来设计映射函数，第一，依照图像处理的实际需求与图像自身特征，人工确定映射函数并进行函数验证，第二，以调整函数总体灰度值为基础，确定对应的映射函数，使得处理后的图像灰度直方图与预设值无限接近。总的来说，映射变换函数的选取要结合增强特性的实际要求来确定。经典的灰度变换法有：线性变换；非线性变换；

通常情况下，直方图变换法的基本特性有三方面：

(1)直方图主要对图像的如下特性进行描述，灰度级分布、图像亮度均值、灰度范围等，但是图像灰度对应像素的坐标却并不能从直方图中反应出来，因而失去了图像的二维特征的空间信息。因此一幅图像的全部信息并不能用直方图完全描述出来。

(2)任何一幅特定的图像都难以使用固定的直方图来进行表示，但是灰度直方图可以实现与图像的一一映射，但同一直方图也可表述不同图像，即直方图与图像之间属于一对多关系。

(3)将灰度值相同的像素进行统计和分析便能获得直方图，所以，将全部直方图累加起来便得到整幅图像的直方图，即直方图具有可叠加性；针对图像中各个被分割的区域研究其直方图，因为区域图像位置的确定性，则所应用的图像增强算法在一定程度上反映了区域图像的二维位置信息。通过将一幅图像各子图像的直方图进行求和，那么全局直方图便可以由此获取。

在空间域当中，直方图可以清晰的展现数据的统计特征，并且将图像的灰度级概率情况展示给观测人员。因此，可以将直方图特征与灰度密度函数特征进行对比，他们的共同点就是能够全局描述图像，例如：灰度级布局、灰度范围等。然后结合直方图特征得出进一步处理的依据。直方图变换法本质上也属于灰度变换，所不同的是其映射函数T的确定需要借助概率论知识，并由图像灰度级直方图累积函数推导出来。

图像的直方图能很好地显示图像的灰度级分布情况，可以直观地从原始图像直方图当中了解到图像的灰度情况，从而对图像关键部位进行强化处理，抑或实现对直方图的相应操作。

滤波是对像素点本身以及邻域像素点的灰度值关系进行增强的方法。传统的滤波概念是对傅立叶变换后的频率域进行调整，这里则主要使用的是空间滤波。实际上，线性空间滤波与频域滤波是存在一一对应的关系。空间域滤波是借助子图像进行邻域操作完成的，这些子图像通常被称作为模板、窗口或滤波器。根据模板操作的不同又分为线性滤波和非线性滤波两类；根据操作结果来看又分为平滑滤波和锐化滤波。

频率域低通滤波

对图像进行低通滤波，可以通过对图像高频成分衰减达到效果。图像中灰度级变换较缓慢部分对应于频域中的低频成分，而其边缘细节以及图像的噪声等剧烈变化的部分对应于高频。故想要平滑图像区域，常采用低通滤波方式。应用比较普遍的有以下几种低通滤波器：理想低通滤波器、高斯滤波器以及巴特沃斯滤波器等。下文将介绍其中的理想低通滤波器和高斯低通滤波器两种。

频率域高通滤波

图像的边缘细节对应着图像频率域的高频分量，抑制图像的低频平滑部分，增强图像的高通部分，可以增强图像的边缘细节式图像锐化。

同态滤波

上述介绍的一些方法虽然对消除高斯噪声有效，但是图像信息和噪声往往是以非线性方式组合。基于图像的照度-反射模型的同态滤波器，改善图像的视觉效果是通过同时进行对比度增强和灰度级范围的压缩。如图所示为同态滤波器框架图。同态滤波器增强中先用对数变换这种非线性变换将乘性噪声转换为加性噪声，用线性滤波器抑制、消除噪声后再通过指数变换将图像变换到空间域，得到噪声抑制的图像。

图像的照度分量在空间域变化缓慢相对较平滑，而反射分量在空间域一般为边缘细节处，灰度急剧变化。这使图像经对数变换后傅立叶变换的低频成分与照度图相关联，高频成分以反射图相关联。虽然这种关系只是粗略地近似，但是对增强图像还是有帮助的。

医学X射线图像通过同态滤波技术进行增强的实验如下图所示。其中（a）为原始图像，由图可知医学X射线图像的整体亮度较亮，动态范围较大，对比度不足，人体的骨骼脉络含混不清，组织结构成像混叠，边缘细节十分难以观察。经过同态滤波增强之后，图像的原始背景亮度被减弱，骨骼脉络相对于原始图像较为清晰，胸肺部的影像混叠减少，但是图像的边缘还是出现了模糊现象。