圖像在生成和傳輸過程中常常因受到各種噪聲的干擾和影響而是圖像降質，這對后續圖像的處理和圖像視覺識別效應將產生不利影響。因此，為了抑制噪聲，改善圖像質量，便於更高層次的處理，必須對圖像進行去噪預處理。
這里我將通過世紀晟科技來舉例人臉圖像去噪增強的方法。選擇的理由主要是基於他們家相對成熟的3D動態人臉識別技術，這樣也有便於各位學習。
前言——
世紀晟首先對攝像頭采集的各角度二維人臉圖像進行灰度變換，得到含有噪聲的二維人臉梯度圖像， 然后利用小概率策略和otus准則對圖像進行分割，得到人臉圖像的各個區域（干擾噪聲區域、紋理區域和平滑區域），再采用不同階次的分數階微積分掩模對各個區域進行處理，得到自適應去噪和增強后的二維人臉圖像。
環境干擾下的人臉圖像去噪、增強方法——
（一）灰度變換
灰度變換是基於點操作的增強方法，它將每一個像素的灰度值按照一定的數學變換公式轉換為一個新的灰度值，如增強處理中的對比度增強。
圖像的灰度變換處理是圖像增強處理技術中一種非常基礎、直接的空間域圖像處理法，也是圖像數字化軟件和圖像顯示軟件的一個重要組成部分。灰度變換是指根據某種目標條件按一定變換關系逐點改變原圖像中每一個像素灰度值的方法。目的是為了改善畫質，使圖像的顯示效果更加清晰。
用於圖像灰度變換的函數主要有三種：線性函數、對數函數、冪律函數
以上是幾種常見灰度變換函數的曲線圖，根據這幾種常見函數的曲線形狀，可以知道這幾種變換的所能達到的效果。
（二）圖像分割
圖像分割是模式識別和計算機視覺中很重要的一個部分，基於閾值的圖像分割具有簡單、計算量小、效率高等特點，在實際圖像處理中具有廣泛的應用。
最大類間誤差法（Otus）的思想是根據灰度特性，將圖像分為目標和背景２部分，目標和背景之間的類間差越大，說明構成圖像的２部分的差別越大，因此類間方差最大的分割即意味着錯分概率最小，計算以每個灰度值為閾值的分割的類間方差，其中類間方差最大的值即為閾值。
算法過程：
1、 計算每個灰度值的概率並計算目標和背景的分布概率以及平均灰度值和方差
總結——
本文簡單地以世紀晟科技在環境干擾下人臉圖像去噪、增強為輔助參考效果。灰度直方圖均衡化的算法，簡單地說，就是把直方圖的每個灰度級進行歸一化處理，求每種灰度的累積分布，得到一個映射的灰度映射表，然后根據相應的灰度值來修正原圖中的每個像素。
相關學科的發展也在推動着圖像處理技術不斷前進，小波的出現使得圖像去噪方法發展到了一個新的階段。在眾多圖像去噪算法中,究竟哪一種算法是最好的,應該根據圖像的實際要求而應用不同的方法。