影象增強演算法目前在拍攝方面越來越重要，影象模糊的原因很多，失焦模糊，運動模糊等，根據不要模糊的程度也出現了不同的影象增強演算法，一個重要的相機設定-孔徑大小，強烈地影響著影象的模糊和噪聲問題，需要仔細調整，是。如果曝光時間是固定的，大光圈會增加訊號到噪聲比（SNR），同時減少場（DOF）的深度，從而增加不聚焦的模糊，從而消除影象的高頻成分。一個小光圈可以減輕模糊，但增加了噪音水平。噪音也可以通過使用更長的曝光時間來抑制;但是當然，這可能會導致運動（不管是相機運動還是物體運動）模糊，這是更難去除的。與此同時，自動對焦系統和低光條件的精度有限，可能會在影象中增加額外的模糊和噪聲。所以在真實的應用中，比如消費者數字成像，記錄弱模糊和相對嘈雜的影象是很常見的（引用論文Restoration forWeakly Blurred and Strongly Noisy Images）。

       進行影象增強，一種思路就是增強高頻細節，例如最簡單的高反差，一種是主要對影象的邊緣進行銳化，邊緣的銳化不能是單純的提高他的畫素值，容易出現邊緣過銳或者光暈現象，因此一般提高邊緣梯度方法的橫截面的斜度，見下圖，將梯度方向 的垂直方法看作高斯分佈，然後提高其陡峭度（Gradient Profile Prior and Its Applications in ImageSuper-Resolution and Enhancement）。

 但是我們在增強影象的同時不希望增加噪聲，因此直接增加高頻不是很好的方法。因此很多研究者考慮基於影象區域性內容進行自適應細節增強。推薦下面這篇論文

Restoration forWeakly Blurred and Strongly Noisy Images

該論文 提出了一種自適應銳化演算法，它可以對被輕度模糊和強烈噪聲破壞的影象進行修復。大多數現有的自適應銳化演算法由於銳化和去噪的內在矛盾，不能很好地處理強噪聲。為了解決這個問題，我們提出了一種能夠捕捉區域性影象結構和銳度的演算法，並據此進行調整，使其能夠有效地將去噪和銳化結合在一起而不不會使得噪聲放大或出現過銳的不好現象。它還使用來自亮度通道的結構資訊來刪除色度通道中的偽像。實驗證明，與其他銳化方法相比，我們的方法可以在實際成像條件下產生較好的效果。

      提出一種稱為幾何區域性自適應銳化（

他們模擬了一個過程，它將一個理想的銳利的影象（用一個字典式的有序的向量表示）分解成觀察到的模糊和噪聲的資料g：

      G = hf +n

G是生成的帶有噪聲，輕量模糊的低畫質影象，f為原始理想的影象，h為一個模糊核矩陣，n為噪聲。銳化方法的根本問題是他們尋求找到一個可以同時進行銳化和去噪的全域性過濾器 S。

   f’ = Sg = SHf + Sn

     在實踐中經常出現的一個問題，部分是由於相機領域的深度有限，在空間中模糊的程度是不同的。因此，在全域性的銳化方法中，一些已經處於焦點的區域可能會被過度磨尖，從而導致過銳或振鈴。沒有額外的技巧, 類似的問題可能會困擾提議的方法。如果本地區域已經處於焦點，那麼一個固定的、不必要的高值q將會在邊緣畫素上產生超射。為了解決這個問題，我們接下來要根據區域性影象內容的銳度來進行銳化引數q。因此作者簡單的設計了一個懲罰函式，對於較高的區域進行抑制。但是作者選擇的閾值時硬閾值。因此有文章對此進行改進：Improved restoration algorithm for weakly blurred and strongly noisy image。