如今，数字图像占人们获取外界信息的很大一部分，因此对于数字图像处理的研究也成为人们关注的重点。为了更好地显示图像中人们感兴趣的一些信息，常常需要将获取的图像进行处理。图像处理一般分为三个步骤：先进行图像预处理，再进行特征抽取，最后一步是识别分析。由此可知，图像预处理是图像处理中的关键一步，这一部分做的不好，对后面的步骤都有影响。以现有的资料看来，图像增强主要从以下几方面着手（1）去除图像噪声，（2）增强图像边缘信息，（3）提高图像对比度，（4）增强图像亮度，（5）改善图像颜色，（6）改善细微层次。但在实际操作中，往往不能很好的兼顾几个方面，例如在消除噪声的同时也会去除掉一些人们需要的信息。78808

图像增强的方法按其具体操作空间的不同,可以分为两类：第一类是空间域变换增强,第二类是频率域变换增强[21]。空域增强方法是基于滑动窗口的算法，通过直接对图像像素组成的空间做处理来进行图像去噪,一般先利用灰度映射作为基础, 再根据待处理图像自身的特点和要通过图像增强的达到最终目标来确定最终的映射变换。空间域变换增强算法[12]可分为两种类型：一为基于像素点的运算，二为基于模板的运算。基于像素点的运算为每一次处理都是针对图像中的某个像素，即该种处理方法不涉及到别的像素点。经常用到的方法有灰度级修正、直接灰度变换、论文网直方图的均衡化、直方图的规定化以及图像间的代数运算等。基于模板的运算则是对小的模块来展开操作的。其中，平滑滤波器和锐化滤波器是最常用的方法，而它们二者又可以根据处理方法的不同分为线性的和非线的。频域变换增强[13]是利用某种数学变换把待处理图像进行空间转换，之后再处理图像，处理之后再转换回待处理图像原本的空间。其中，低通滤波器和高通滤波器是经常用到的两种方法。

2 Contourlet变换研究现状

   自上个世纪八十年代初期，Fourier变换被提出以来，在很长一段时间以内，它都作为处理数字信号的主要工具。 Fourier变换的特点是，在全部空间内都提供频率特性，所以它在分析全局信息中展现了优良的特性，但它对精细的细节是无下采样的，例如对一些纹理及边缘细节傅里耶变换显得稍显“局限”。在上个世纪八十年代末，小波理论被法国的著名科学家Morlet率先提出。小波变换的原理是利用一个母函数在时间上的平移和在尺度上的伸缩，来得到一种能自动适应各种频率成分的有效信号分析手段，以取代Fourier变换。实践证明，小波变换在时域和频域内都发挥出优良的局部分析特性，因此小波变换的应用领域也迅速扩展，从数字信号、图像处理延伸到其它越来越多的学科，涉及天文、化学、地理、物理及生物等领域，在接下来的十多年里，小波变换被应用到了大多数的数字图像处理中，包括图像的编码、增强、去噪、融合、检索和数字水印等。然而，随着小波变换的快速发展与应用，人们发现在高维情况下小波变换是存在局限的。经一维小波通过张量积而形成的二维离散小波变换的方向是有限的,二维离散小波以“点”为单位来获取图像的特性从而达到处理图像的目的,并不能用最稀疏的方式对含“线”或“面”的高维奇异性的几何特征进行描述。在这样的情势下，多尺度几何分析的模型被提出。

在上个世纪末，学者Candes提出了Ridgelet变换[2]，它能更好地对图像进行多方向、多尺度的描述。经过实验，得出Ridgelet变换对于边缘是直线且光滑的图像操作时可以用很少的数据将其表示出来。然而，人们获取的图像的边缘常常是弯曲的，这也限制了Ridgelet的应用。同年，Candes又提出Monoscale Ridgelet变换和Curvelet 变换[3]。与Ridgelet变换的基本尺度是固定的不同，Curvelet 变换能在尽可能多的尺度下对图像进行操作。Curvelet 变换也存在不足，对由矩形栅格采样得到的数字图像，难以对其实现Curvelet变换。2002年，Vetterli  M。和 M。N。Do针对Curvelet 变换的存在的不足，提出了 Contourlet 变换[4]。2003年，Gopinath提出Phaselet变换。2004年，Vetteri等人提出Directionlet变换。2005年，D。Labate 等人提出了Shearlet 变换等。