本文部分内容来自：
https://blog.csdn.net/qq_37764129/article/details/82893966
模糊集的详细原理请看冈萨雷斯的数字图像处理教程，这里不再详细赘述。
下面将模糊集用于图像增强的步骤罗列如下：
使用模糊集合来进行灰度变换，从而增强图像。首先可以在常理下考虑一下，一般的对于动态范围较小的图像，我们一般的处理的方法是灰度拉升，或者直方图均衡。
这两种的方法的本质就是，让原图较暗的像素更加暗，让原图较亮的像素更加亮。那么，我们规定如下模糊规则
R1：IF 一个像素是暗的，THEN 让这个像素更暗；
R2：IF 一个像素是灰的，THEN 让他保持是灰的；
R3：IF 一个像素是亮的，THEN 让这个像素更亮；
这个规则就代表了我们的处理方法。当然，IF条件中的像素是暗的(或者灰的，或者是亮的)，这个概念都是模糊的。同理THEN结论中的更暗(或者保持灰的，或者更亮)亦是模糊的。为此，我们需要确立一个隶属度函数，从而来判断一个像素对于三个条件的隶属度。
实际上，隶属度函数的确定是很复杂的，然而，这里我们则尽量想得简单一点。首先，一个像素是暗的(模糊)，那么其隶属度函数大致的形状是，
在低于某个值的时候域隶属度为1，
在灰度越过某一个值之后，其隶属度为0，
当然。然后与之间进行线性插值，那么，我们就可以得到R1的隶属度函数了。同理，R2与R3也是一样的。
为了简单起见，我们将THEN结论中的更暗设置为较为简单的函数。
为了让这个像素更黑，其输出都为0。同理，
为了使这个像素保持灰的，我们将其输出设为0.5，
为了使得一个像素更亮，我们将其设置为1。
根据以上讨论，我们所决定的隶属度函数如下所示。
使用输入的隶属度函数，可以得到模糊化后的数据。
对于一个像素Z0，需要根据规则R1，R2与R3，计算出Z0所对应的隶属度Udark(Z0),Ugray(Z0),Ubright(Z0)，这个过程，称之为模糊化。将一个输入量模糊化，所使用的函数(或者说是对应关系)，称之为知识库。
模糊化之后，得到一个像素所对应的三个隶属度Udark(Z0),Ugray(Z0),Ubright(Z0)之后，就可以进行反模糊化了。反模糊化的算法很多，这里使用简单的重心法去进行计算。
V0={Udark(Z0)*Vd+Ugray(Z0)*Vg+Ubright(Z0)*Vb}/{Udark(Z0)+Ugray(Z0)+Ubright(Z0)}
其中Vd，Vg，Vb为输出的单一值，对于一个像素Z0，需要根据规则R1，R2与R3，计算出Z0所对应的隶属度Udark(Z0),Ugray(Z0),Ubright(Z0)。得到一个权值衡量后的成熟度估计值，为输出值。到此，就得到了输出V0，整个算法的效果如下图所示。
可以看到爱因斯坦的照片的对比度得到了很大的提升，以下为对应的直方图，可以看到直方图分布变得更加宽阔，而且输出图像的直方图更加偏向暗部。但是如果使用直方图均衡化，图像会变得白的更白，黑的更黑。
以下为PythonOpencv代码实现：
import cv2 as cv
import matplotlib.pyplot as plt
def exchange(image):
image = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
for row in range(0,image.shape[0]):
for col in range(0,image.shape[1]):
m=image[row][col]/255.00
if m<=0.2700:
image[row][col]=0
elif m>0.2700 and m<=0.5000:
image[row][col]=(m-0.27)/0.23*127
elif m>0.5000 and m<=0.7200:
image[row][col]=(m-0.5)/0.22*255+(0.72-m)/0.22*127
else:
image[row][col]=255
cv.imshow('dst',image)
src= cv.imread('C:/Python/OpenCV/a.jpg')
gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
cv.imshow('src',gray)
exchange(src)
cv.waitKey(0)
这里是以0.27 0.72 作为临界点的，如果读者感兴趣可以修改上述临界值，会看到更多效果。
读者也可以将原图的直方图均衡化的结果图像输出，与模糊集的结果对比下。
未完待续。