图像在获取、储存及传输过程中由于受到成像系统、存储介质及环境因素的影响,或多或少会受到噪声污染或出现动态范围小、对比度低、边缘模糊等问题,导致图像质量下降,严重影响图像的视觉效果,从而影响人类或机器对图像内容的识别和判定。因此,为了改善图像质量,图像噪声去除和图像增强至关重要。图像去噪(或图像滤波)是针对图像中不同类型的噪声,在尽量保持图像细节和纹理等主要特征的前提下,尽可能地减少或去除噪声的图像处理方法。图像去噪要求处理后的图像尽量接近未被噪声污染的“干净”图像(即参考图像),即去噪处理后的图像与参考图像的差异尽可能小。因此,图像去噪是以图像保真度为目的的处理。图像增强是针对具体的应用目的,突出图像中的感兴趣信息,同时抑制或去除无关信息,或将图像转化成更适合于人或机器分析处理的形式的图像处理方法。图像增强不以保真度为原则,不会增加数据信息量,而是强调某些感兴趣特征,如锐化边缘、提高对比度、拉升动态范围等,从而提高图像的可懂度。所以,增强后的图像不一定要去逼近原始图像。图像视觉效果的好坏与人眼视觉特性紧密联系,具有高度主观性。本论文主要通过对脉冲耦合神经网络(Pulse Coupled Neural Network, PCNN),交叉皮层模型(Intersecting Cortical Model, ICM)和脉冲发放皮层模型(Spiking Cortical Model, SCM)三种常用神经网络模型特性的分析,研究它们与人眼视觉特性之间的关系,并将其应用于图像去噪和图像增强中。本论文的主要工作如下：1.分析PCNN的自动波特性,研究并讨论将PCNN用于模拟数学形态学中的二值腐蚀和膨胀运算时连接矩阵与数学形态学结构元素(Structure Element, SE)之间的对应联系。PCNN神经元通过连接矩阵与周围神经元相互联系,相互影响；数学形态学运算则以具有一定形状的结构元素作为“探针”,去度量和提取图像中对应的形状,以达到分析图像和识别目标的目的。因此,在实现二值腐蚀和膨胀运算时,这两者之间有一定的对应关系。本论文通过大量实验对这种对应关系做了初步探索研究。对这一关系的深入研究有助于对神经网络图像处理原理和数学形态学图像处理原理的比较和透彻理解。2.将PCNN与数学形态学相结合用于图像脉冲噪声去除中。脉冲噪声(或称椒盐噪声)出现在图像中时表现为孤立的较亮点或较暗点,而且只有一定比例的像素点受到污染,其他像素保持不变。因此,为了尽可能保持未被噪声污染的像素信息,脉冲噪声的去除应该包括噪声检测和噪声去除。本论文首先利用PCNN的同步脉冲发放特性检测出孤立的噪声点,然后利用数学形态学运算滤除这些噪声。这样既能节省时间,又能减少图像细节和纹理的模糊。这一思路也可以用来实现真彩色图像脉冲噪声的去除。在实际应用中,也可以用ICM和SCM来替代PCNN实现噪声点的检测。3.以SCM为例研究视觉神经网络模型特性与人眼视觉特性的关系,并将其应用于图像增强处理中。由于具有生物学研究背景,PCNN, ICM和SCM这三种模型在一定程度上具有与人眼视觉系统相似的性质。分析表明,这三种模型的赋时矩阵均与Weber-Fechner定律具有类似的形式。实验表明,赋时矩阵能够直接用于灰度图像的对比度增强中,且能较好地提高图像的整体对比度。但是由于赋时矩阵对图像的亮区和暗区处理的粗糙程度不同,使得输出图像在亮区会出现灰度损失和细节丢失现象,且直方图在整个灰度范围内分布不均匀。为克服这两个问题,本论文将赋时矩阵与反锐化掩模法(Unsharp Masking, UM)和直方图修改的方法分别相结合,能够有效地增强图像。对于灰度图像的增强方法也可以推广至真彩色图像的增强中。