图像增强作为一种低层数字图象处理手段,往往具有模糊性。本文简要介绍了模糊理论的发展以及基于模糊理论的图象增强的发展及现状,并对现有基于模糊集合理论的图象增强算法,主要是对隶属函数和模糊增强算子(INT)进行了分析比较。首先,为了能根据不同图像的输入特性实现自适应的模糊增强,在分析已有模糊熵定义的基础上,基于信息增加的指数特性,提出了一种新的模糊熵定义:在最大熵准则下,利用枚举法实现了图像的自适应增强,实验结果表明自适应增强效果在主客观评价上都较好,且运行时间比其他模糊熵定义下的自适应增强算法时间短。其次,为了使自适应模糊增强算法接近实时应用,利用遗传算法的全局寻优性能和并行性,改进了基于枚举法的自适应模糊增强算法,将新的模糊熵定义作为适应度函数,在保证处理结果主客观评价不变的条件下,处理速度有了大幅提高;采用遗传算法后,与传统优化算法相比,自适应增强算法的参数优化部分的时间减少了60%。最后,利用广义模糊增强的思想以及考虑图像的物体区域、背景区域以及边缘区域的特点提出了一种更快速、边缘检测效果更好的模糊增强算子,尤其对低对比度图像、图像中含有较精细的部分以及纹理丰富的图像检测效果较好,且时间有所减少。