💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

 ⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

图像处理是指对图像进行数字化处理以改变其质量或增强其特定的特征。在图像处理中，常见的操作包括图像变暗、变亮和去模糊。

图像变暗和变亮是调整图像整体亮度的处理方法。图像的亮度可以通过调整图像的色彩通道值来实现。在图像变暗的过程中，图像的颜色值会沿着亮度轴向黑色移动，从而使整体图像变暗。而在图像变亮的过程中，图像的颜色值会沿着亮度轴向白色移动，从而使整体图像变亮。

去模糊是消除图像模糊的处理方法。图像模糊可能由于拍摄时的移动、对焦不准确或者镜头质量等原因造成。常见的去模糊方法包括基于图像特征的去模糊算法、基于图像退卷（deconvolution）的去模糊算法和基于深度学习的去模糊算法等。

图像变暗、变亮和去模糊是图像处理中常用的处理方法，可以帮助提高图像的质量和清晰度，适用于各种图像处理应用领域。

引言

图像处理作为计算机视觉和数字媒体领域的核心技术，广泛应用于医疗影像、安防监控、艺术创作等领域。其中，图像亮度调整（变暗/变亮）与去模糊技术是提升图像质量的关键环节。亮度调整可改善图像视觉效果，而去模糊技术则能恢复因运动、失焦或环境干扰导致的退化图像。本文结合经典算法与前沿技术，系统梳理图像亮度调整与去模糊的原理、方法及实践案例。

一、图像亮度调整技术

1.1 理论基础

图像亮度调整通过线性或非线性变换像素值实现。设原始图像像素值为 I(x,y)，调整后的值为 I′(x,y)，亮度调整可表示为：

1.2 核心方法

（1）全局调整法

• 亮度/对比度工具：通过滑块直接修改 β 值，适用于快速调整。例如，Photoshop中“亮度/对比度”面板可全局增亮或减暗图像，但对高光/阴影区域保护较弱。
• 色阶调整：通过直方图拉伸或压缩实现亮度控制。将输入色阶的黑色滑块右移可压暗暗部，白色滑块左移可提亮高光。例如，处理低光照图像时，将白色滑块从255移至200可显著提升整体亮度。
• 曲线调整：通过贝塞尔曲线精确控制不同亮度区域的变换。例如，将曲线中点上提可整体提亮，在25%处下拉、75%处上提可增强对比度。

（2）局部调整法

• 图层混合模式：复制图层后设置混合模式为“滤色”可提亮图像，叠加多层可增强效果；设置为“正片叠底”则可压暗图像。
• 蒙版与画笔工具：结合亮度调整图层与蒙版，可对特定区域（如人脸、天空）进行选择性调整。例如，用黑色画笔在蒙版上涂抹可隐藏调整效果，恢复原始亮度。
• HDR技术：通过合成多曝光图像扩展动态范围。例如，拍摄日落场景时，合并欠曝、正常曝光和过曝图像，可同时保留暗部细节与高光层次。

二、图像去模糊技术

2.1 模糊成因与分类

图像模糊主要源于以下三类原因：

1. 运动模糊：相机与物体相对运动导致，表现为方向性拖影。
2. 失焦模糊：镜头未对准焦点，形成高斯型模糊核。
3. 环境干扰：大气湍流、散射或传感器噪声导致细节退化。

2.2 经典去模糊算法

（1）非盲去模糊（已知模糊核）

• 逆滤波法：直接对模糊图像进行傅里叶逆变换恢复清晰图像，但对噪声敏感，易产生振铃效应。

• 维纳滤波：引入最小均方误差准则，通过信噪比估计优化复原结果。公式为：

• 约束最小二乘滤波：通过平滑约束项（如Tikhonov正则化）抑制噪声，公式为：

其中 λ 为正则化参数，控制平滑程度。

（2）盲去模糊（未知模糊核）

• 迭代优化法：交替估计模糊核与清晰图像。例如，Richardson-Lucy（RL）算法基于泊松噪声模型迭代更新估计值：

• 深度学习法：利用卷积神经网络（CNN）或生成对抗网络（GAN）直接学习模糊到清晰的映射。例如，DeblurGAN通过U-Net架构结合对抗训练，在GoPro数据集上实现PSNR提升3.2dB。

2.3 实践案例

（1）运动模糊复原

• 数据集：使用GoPro运动模糊数据集，包含2,103对模糊-清晰图像对。
• 方法：采用DeblurGAN-v2模型，输入为模糊图像，输出为复原图像。
• 结果：PSNR从22.1dB提升至25.3dB，SSIM从0.78提升至0.85，边缘锐度显著增强。

（2）失焦模糊复原

• 数据集：CelebA人脸数据集，人工添加高斯模糊核（σ=2.0）。
• 方法：使用U-Net架构，编码器提取多尺度特征，解码器逐步上采样恢复细节。
• 结果：在测试集上，PSNR达到28.7dB，较传统维纳滤波提升4.1dB，人脸纹理恢复更自然。

三、技术挑战与未来方向

3.1 现有挑战

1. 混合模糊处理：实际图像常叠加多种模糊类型（如运动+失焦），现有算法难以精准建模。
2. 低光照去模糊：噪声与模糊耦合导致复原结果出现伪影。
3. 实时性要求：高分辨率视频去模糊需在10ms内完成单帧处理。

3.2 未来趋势

1. 多模态融合：结合光学流估计、相位恢复与深度学习，提升运动模糊复原精度。
2. 物理模型驱动：将大气传输模型、散射理论等物理约束融入网络训练，改善环境模糊复原效果。
3. 轻量化设计：开发MobileNet等轻量级架构，实现移动端实时去模糊。

结论

图像亮度调整与去模糊技术是提升图像质量的核心手段。亮度调整可通过全局/局部方法灵活控制视觉效果，而去模糊技术正从传统模型向深度学习演进。未来，结合物理模型与数据驱动的方法将成为主流，推动图像处理技术在自动驾驶、远程医疗等领域的落地应用。

📚2 运行结果

部分代码：

for i=1:size(c,1)
    for j=1:size(c,2)
        if d(i,j)>=0 && d(i,j)<130
            c(i,j)=0.6*d(i,j);
        elseif d(i,j)>=130 && d(i,j)<150
            c(i,i)=0.9*d(i,j);
        elseif d(i,j)>=150 && d(i,j)<200
            c(i,j)=1.1*d(i,j);
        else
            c(i,j)=1.5*d(i,j);
        end
    end
end
subplot(1,2,1)
imshow(b)
title('Original Image');
subplot(1,2,2);
imshow(c)
title('Converted Image')

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

[1]唐美玲.单幅图像去雾算法的研究与应用[D].湖南大学[2024-06-16].

[2]付蕊,李常芳,施淑仙,等.图像去模糊处理研究[J].电脑知识与技术:学术版, 2020.

[3]徐宇泉.空间变化的图像去模糊方法研究[J].  2014.

🌈4 Matlab代码实现

资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取