随着数字图像、机器视觉技术的快速发展,实时图像采集增强设备已广泛运用于智能交通、智慧农业、社区安防等各个产业行业。车载图像采集设备因环境等复杂因素影响,采集的图像通常会存在严重的强光影过渡区域、局部高亮的光晕以及对比度过高等问题,严重影响了后续图像内容的视觉感官体验以及计算机识别的高效准确。因此本文主要针对强光背景下图像的噪声抑制、内容增强的快速性方法进行研究。首先,对目前主流的图像去噪、增强算法理论进行分析研究,推导其主要架构,分析不同算法间的联系与差异,提取出算法各自的核心思想,为本文所提方法的实现提供理论基础。其次,通过研究强光背景下的图像特性以及现有图像增强算法的实际效果,结合Retinex算法在光影过渡区域以及强光照区域易出现光晕现象的不足,提出基于自适应分割的Retinex图像增强算法。通过以景深为主导的改进分水岭分割将图像分割为亮暗两个独立区域,亮、暗区分别进行不同尺度,不同方向的Retinex增强,再根据亮暗区域的边缘特性,计算融合权重并进行亮暗区的融合重构,得到经过增强的图像。该算法在强光影过渡及低照度逆光图像的增强实验中具有良好的增强效果,抑制过渡区光晕的同时增强了高亮区的细节,并较传统多尺度增强方案使用更少的计算资源。然后,针对夜间车载设备采集的图像普遍存在局部强光照及光晕的现象,在本文提出的基于自适应分割的Retinex图像增强算法之上,建立基于引导滤波强化的局部强光图像亮度衰减模型。该模型通过对强光晕区域的分离,单独进行亮度衰减,减弱对图像中其它区域显示效果的影响,再对处理结果进行以像素距离为主导的加权融合,之后通过引导滤波强化分割的边缘细节。实验证明该模型能够有效的降低低照度图像中的局部强光照区域亮度,同时提高图像的整体视觉舒适性。最后,搭建图像处理仿真平台,对基于分割的图像增强算法进行对比实验验证,量化所提算法与现行主流算法的时间效率以及增强效果;对基于引导滤波强化的局部亮度衰减模型进行实际环境的运行效果对比。实验结果表明,所提算法性能指标优异,在时间效率与图像的增强效果上取得了较为优秀的平衡。该论文有图43幅,表5个,参考文献71篇。