随着科技的发展,图像采集的质量不断提升,但在实际图像获取中,也受到环境和设备诸多因素影响,图像增强目前已经成为很多领域研究问题的热点之一。针对现有图像增强方法在增强后易出现过度增强和颜色失真,以及现有色调平衡方法对图像的亮度敏感等问题,且适应性较差,常依赖与主观参数的设置,难以实现图像自适应增强,因此将传统图像增强方法与鸡群优化算法相结合,为图像的自适应增强带来了新的机遇与挑战。本文在Retinex图像增强的基本理论上,利用鸡群优化算法深入研究图像的自适应增强,且着重研究了鸡群优化自适应图像增强框架、基于鸡群优化的Tetrolet图像自适应增强方法和基于鸡群优化的梯度域引导滤波图像自适应增强方法。首先,针对简单的图像难以自适应增强或鲁棒性较差的原因,对自适应图像增强方法进行深入研究,将主观的图像增强问题转变为一个最优化待求解问题,进而提出了一种基于鸡群优化的自适应图像增强基本框架。其次,提出了一种新的基于鸡群优化的Tetrolet图像自适应增强方法。采用图像的灰度信息熵为目标函数,将主观图像增强的问题转变为最优化的问题。首先,将对图像的灰阶亮度进行多尺度Retinex图像增强;其次,对增强后的图像进行Tetrolet变换,并对高频分量进行非线性调整,再进行Gamma校正;最后,采用鸡群优化算法对目标函数进行优化求解,获得图像增强的最优的非线性函数调整参数和Gamma校正参数,进而最优化的实现图像增强,改善图像质量。最后,提出了一种基于鸡群优化的梯度域引导滤波图像自适应增强方法,该方法采用BIQME(Blind Image Quality Measure of Enhanced Images,BIQME)为目标函数,将主观图像增强的问题转变为最优化的问题。首先,对图像进行梯度域引导滤波Retinex图像增强和Gamma校正,其次,对增强后的图像进行色调平衡,最后使用CSO算法对目标函数进行优化求解,获得图像增强所需的最优梯度域引导滤波参数和色调平衡的参数,从而实现图像的自适应增强。