针对传统基于归一化非完全Beta函数(Normalized Incomplete Beta Function, NIBF)的图像增强方法难以有效地自动获取最优参数且其增强效果受图像动态范围限制的问题, 提出一种基于自适应量子遗传算法的NIBF遥感图像自动增强方法。首先, 由图像色深, 对待增强图像引入最大和最小光谱测度级, 扩大其动态范围。其次, 利用量子比特将NIBF参数编码为量子染色体, 并设置若干量子染色体构成初始参数种群; 对该参数种群进行测量和解码, 以解码值作为NIBF的参数输入, 对图像进行光谱测度变换, 得到对应的增强图像种群。然后, 利用八方向边缘检测模板提取增强图像种群中每个个体的边缘图像, 由边缘强度、边缘数以及熵测度定义刻画参数种群中个体品质的适应度函数, 并以此评价参数种群中的每个参数个体, 保留和记录最优参数个体。在提出的进化策略中, 利用量子旋转门实现量子染色体向最大适应度方向进化, 并根据每代适应度的差异和进化代数自适应地调整量子旋转角的大小; 以最终演化的参数种群中适应度最大的参数个体作为NIBF的最优参数, 生成相应的光谱测度变换曲线, 从而确定输入和输出光谱测度之间的映射关系, 实现图像最优自动增强。对5幅图像的平均实验结果表明: 盲/无参考图像空域质量评价指标提升了122.2%; 自然图像质量评价指标提升了71.8%; 运行时间为10.758 s。满足了遥感图像增强处理中的自动化、鲁棒性和高效率的要求。

采用碟形宇宙算法提升电路板红外图像的增强效果。建立碟形宇宙拓扑结构以及宇宙间信息流过程，利用多宇宙之间的信息流移民策略，使各个宇宙链路之间进行双向移民。通过自适应非完全Beta函数实现对电路板红外图像不同灰度段的增强，利用电路板红外图像增强质量评价函数作为碟形宇宙算法的适应度函数，并给出了算法流程。仿真结果显示碟形宇宙算法对电路板红外图像增强结果较好，增强后的图像清晰，其检测性能分析表明图像信息二维熵、对比度测量指标较优。

针对条纹管相机获取的条纹图像，提出一种将混合蛙跳算法和非完全Beta 函数结合的自适应增强方法。利用混合蛙跳算法中局部信息交换和全局信息交换的寻优机制，增加寻优稳定性和加快收敛度。通过混合蛙跳优化算法自动搜索最佳灰度变换参数，从而得到一条最佳灰度变换曲线，实现对条纹图像增强处理。实验证明该算法能降低条纹图像中背景对目标的影响，且较好保留了图像中细节部分信息，在视觉上优于传统的增强方法。