图像增强技术是图像处理技术的重要组成部分,其目的是对图像进行加工,以得到对具体应用来说视觉效果更“好”、更“有用”的图像,为后续的图像分析、理解和识别奠定基础。传统的图像增强技术只是简单地改变整个图像的对比度或抑制噪声,在抑制噪声的同时也削弱了图像的细节部分,需要用户的干预较多,不能自动完成图像增强等。针对传统图像增强算法的缺陷及一些特定场景图像增强的需求,本文提出一种基于改进的脉冲耦合神经网络和改进的遗传算法的图像模糊增强方法。脉冲耦合神经网络(Pulse Coupled Neural Network,简称PCNN)是近年来提出的一种新型网络,它建立在模仿生物视觉皮层神经元活动的Eckhorn模型的基础上,并由Johnson和其他研究者做了进一步工作,而最终演化为一种单层迭代神经网络模型,更符合生物的自然视觉特性,在图像处理的各个方面都获得了广泛应用。本文工作主要包括三方面:(1)在深入分析脉冲耦合神经网络工作机理的基础上对其模型进行改进,充分利用其重要特性:相互连接的神经元之间存在着能量传播,这种能量传播使得神经元能够以相似集群产生同步脉冲发放现象,着重研究它在图像平滑去噪中的应用;(2)由于图像需要增强的边缘总存在一定的不确定性,即模糊性,因此把模糊理论应用于图像增强会优于传统的增强算法,更符合实际情况,能取得更好的增强效果。本文针对已有算法的缺点,如阈值随机选取、抗噪能力不强等,提出两种改进的基于模糊理论的单层次和多层次图像增强算法;(3)由于在图像模糊增强过程中采用了先分割后增强的思想,渡越点的确定涉及到图像最佳灰度阈值的选取,本文对经典的遗传算法进行改进,提出简化杂交算子和动态杂交概率。简化杂交算子可以减少在群体中产生重复串的可能性,采用动态调整杂交概率是为了避免GA中经常可能出现的过早收敛现象。本文将脉冲耦合神经网络和其他算法相结合,利用其自身的一些特性并结合其他算法的优势,提出了一些新算法,并在Matlab 7.0软件平台下进行了实验仿真,对实验结果进行了分析和总结。