人类获取的诸多信息中，大部分来源于视觉，图像和视频是视觉信息最为有效和常用的载体，获取高质量的图像和视频是研究人员一直以来追求的目标。作为图像工程中最为基础的一个分支，图像增强的研究目的就是有效地提高图像的质量和辨识度，对这一领域进行深入研究具有重要的理论意义和实际的应用价值。本文主要研究了图像增强领域中四个方面的内容，它们分别是彩色图像对比度增强、彩色图像和视频去噪、彩色图像去雾以及彩色图像和视频重建过程中的多参数优化。本文针对以上各领域中尚存的一些问题进行了深入的研究，在原有算法的基础上进行了改进和理论创新。　　本文主要进行了以下四个方面的研究工作:　　1、彩色图像对比度增强　　要实现对各种不同种类的降质图像均能进行有效的对比度增强，就要充分利用图像的局部信息。本文提出了一种数据驱动的自适应图像对比度增强方法，在亮度上将图像分为亮、暗两个分量，对每个分量单独进行增强处理，并将增强后的两个分量进行加权合成，从而得到理想的处理效果;不同的图像有着不同的特征，对这些特征进行提取和量化，并据此进行自适应处理，是实现增强处理高效性和广泛适应性的有效手段。为了使该算法能够满足视频实时处理的要求，需要在保证增强效果的基础上对算法进行改进。我们使用快速滑窗技术对原算法进行优化，大大提高算法的效率，从而较好地满足了实时性的要求。　　2、彩色图像和视频去噪　　在诸多图像去噪算法中，非局部平均算法的优势是毋庸置疑的。然而，较高的复杂度使得该算法难以被广泛地应用。本文提出了一种快速非局部平均图像去噪方法，采用多尺度处理和块匹配的思想对传统的非局部平均去噪算法进行改进，有效地提高了算法的处理速度。首先通过在降采样图像域中的粗搜索，快速地标定高相似块所在的区域，避免了传统算法中搜索区域选取方法的盲目性。然后在原始分辨率的图像中对粗搜索时已标定的高相似度区域进行精细搜索，并对当前块进行加权平均，得到最终的去噪结果。粗搜索的引入有效地避免了低相似度子块参与平均运算，保证了块匹配操作的可行性。因此，我们使用块匹配代替原始算法的点操作，实现了快速加权平均运算。复杂度的大幅下降使得采用该方法对视频进行实时去噪成为可能，于是我们将这一算法应用到了视频去噪中。将视频流看做一个高维矩阵，将搜索区域从单帧拓展到与当前帧相邻的若干帧。由于视频帧间的高度相似性，该方法对视频的去噪效果更加出色。　　3、彩色图像去雾　　提出了一种基于大气散射模型的单图像去雾方法，首先对雾霾的散射特性进行建模，将雾霾对图像亮度、色度等特征的影响以某种数学模型表示，从而准确的估计出雾霾对图像的降质效果，并从降质图像中去除雾霾的作用效果，从而有效地重建出未被污染的高质量图像。本文提出的去雾算法是在交替迭代框架下进行的。在每一个迭代周期中，首先在拉普拉斯正则项约束下，通过最小化目标函数得到对大气散射模型的估计;然后雾霾图像被视为嵌入高维空间的黎曼几何流形，在Beltrami正则项的约束下，通过最小化目标函数得到当前周期内的去雾结果。经过有限次迭代，就能取得较为理想的去雾效果。　　4、图像和视频正则化重建中的多参数优化　　图像正则化重建过程中，往往有多个可调参数，这些参数值的优化选取是非常重要的。然而对多个参数进行高效地联合优化是一个极具挑战性的工作，现有的算法很难对多个参数进行精确而高效的优化。本文提出了一种启发式多参数联合优化方法，采用广义的Stein无偏风险估计(Generalized Steins Unbiased Risk Estimate，GSURE)较为精确地拟合重建结果的均方误差(Mean Square Error, MSE)，并以此作为参数值优劣程度的评价函数，提高了参数评估的准确性。在此基础上，本文引入了演化计算的思想，以GSURE作为适应性度量，大大提高了算法的优化效率。此外，将演化过程与视频帧序列随时间的变化过程相结合，实现了对视频逐帧重建过程中的在线多参数联合优化和重建帧的实时输出。经过有限次优化，各项参数将收敛并稳定在最优值附近，同时理想的重建结果被实时输出。