چکیده: بهسازی تصویر یکی از پیش پردازش های مهم در بسیاری از کاربردها ازجمله تصویربرداری پزشکی، نجومی، و کاربردهای عمومی می باشد. بسیاری از دستگاه هایی که برای گرفتن تصویر، چاپ یا نمایش آن به کار می روند، به علت وجود محدودیت‌های فنی، تغییر غیرخطی بر روی مقدار پیکسل های تصویر اعمال می کنند که موجب کاهش کیفیت تصویر می شوند. بدین معنی که، پیکسل های تصویر به توان مقدار گاما می رسند. علاوه بر این، از آنجایی که دستگاه-های تصویربرداری قادر به نمایش دقیق رنگ، عمق و بافت اشیا مختلف موجود در تصویر نمی باشند، در عمل مقدار گامای اعمال شده به تمام نواحی تصویر به یک میزان نمی‎باشد. فرآیندی که برای تصحیح این پدیده گاما انجام می-گیرد را "اصلاح گاما" می‎‎گویند. اصلاح گاما باید به‎صورت تطابقی (محلی) روی قسمت های مختلف تصویر انجام شود تا بتواند به خوبی، صحنه اصلی را بازسازی کند. در این پایان نامه، سه روش برای بهسازی تصویر توسط اصلاح گاما به‎صورت تطابقی پیشنهاد می شود. منظور از بهسازی تصویر، بهبود روشنایی، وضوح و جزئیات تصویر است. در روش-های موجود اصلاح گاما، اغلب ضریب گاما به طور یکنواخت در تمام قسمت های یک تصویر تغییر می یابد. ولی همان-طور که گفتیم، از آنجایی که تغییرات گاما در تصویر ممکن است به صورت محلی انجام گرفته باشد، در روش های پیشنهاد شده در این تحقیق، اصلاح گاما به صورت تطابقی انجام شده است. روش پیشنهادی اول، مبتنی بر پنجره گذاری و ویژگی همگنی ماتریس هم رخداد می باشد. در این روش، به منظور اصلاح محلی تصویر، تصویر به پنجره های هم پوشان تقسیم شده و سی گامای مشخص (از 1/0 تا 3 با گام 1/0) به هر پنجره اعمال می شود. یکی از این مقادیر اعمال شده، گامای مناسب هر پنجره می باشد، که این گاما با توجه به ویژگی همگنی استخراج شده از ماتریس هم رخداد هر پنجره به دست می آید. ویژگی همگنی ماتریس هم رخداد، بیانگر میزان جزئیات تصویر می باشد. در فصل 5 نشان خواهیم داد، تصویری که سطوح خاکستری آن به شدت تغییر می‎کند (تصویر با جزئیات زیاد)، دارای مینیمم مقدار همگنی است. از اینرو با توجه به مقدار این ویژگی، می توان به کیفیت تصویر پی برد. بنابراین، گامای مرتبط با مینیمم مقدار همگنی، گامای مناسب هر پنجره می باشد. روش دوم، مشابه روش قبل می‎باشد، با این تفاوت که به جای پنجره گذاری تصویر، از بخش بندی تصویر استفاده شده است. در روش سوم از کلاسیفایر SVM، جهت اصلاح تطابقی گاما استفاده شده است. در این روش، پایگاه‎داده‎ای از تصاویر آموزشی با گاماهای مشخص ایجاد شده است. به‎منظور اصلاح محلی تصویر، هر یک از این تصاویر آموزشی به پنجره های هم-پوشان تقسیم بندی می‎شوند. نه ویژگی مرتبط با روشنایی، وضوح و میزان جزئیات تصویر، از هیستوگرام، تبدیل کسینوسی و ماتریس هم رخداد هر پنجره استخراج می گردند. این ویژگی ها بیانگر ماهیت تصویر هستند. بردارهای ویژگی به همراه کلاس گامای مربوطه، برای آموزش به SVM داده می شوند. این پنجره گذاری و استخراج ویژگی برای تصویر تست نیز انجام می شود و به SVM اعمال می گردد، تا گامای مناسب برای هر پنجره از تصویر تست به‎دست آید. هر سه روش پیشنهاد شده، بر روی تصاویر متنوع طبیعت و پزشکی آزمایش شده اند و نتایج مطلوبی حاصل شده است. همچنین برای ارزیابی الگوریتم های پیشنهاد شده در این تحقیق، نسبت به روش های موجود از معیارهای کیفی و کمی استفاده شده است. نتایج حاصل از این معیارها ، نشان می دهند که هر سه روش پیشنهادی در مقایسه با روش های موجود، دارای عملکرد مناسب تری هستند.