机器视觉系统中的图像增强算法主要包括以下几种：
1. 反差扩展：通过对图像压缩和拉伸亮度区间，将图像的亮度值扩展到0-255区间，加大地物之间的差异。反差扩展的种类较多，包括线性扩展、分段线性扩展、对数扩展（扩展暗区）、指数扩展（扩展亮区）、正弦扩展（扩展中区）、正切扩展（扩展前后两区）等。
2. 彩色增强：包括密度分割、彩色合成、彩色融合。密度分割是将黑白影像按亮度划分为有限层，分别给每层赋予一种颜色；彩色合成是将任意三个影像进行RGB变换所得的彩色影像；彩色融合是同源或异源不同波段，不同分辨率的影像进行合成，使图像更具有可视性。
3. 直方图均衡化：一种间接对比度增强方法，通过使用累积函数对灰度值进行“调整”以实现对比度的增强。其原理是将图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布，从而增强图像的对比度。
4. 灰度世界算法：以灰度世界假设为基础，假设认为对于一幅有着大量色彩变化的图像，R，G，B三个分量的平均值趋于同一灰度值Gray。通过这一假设，可以从图像中消除环境光的影响，获得原始场景图像。
5. Gamma变换：一种常用于图像增强的非线性变换，能够调节图像的亮度和对比度。通过对图像的像素值进行幂次变换，可以放大暗部或亮部的细节，使得图像的亮度更接近人眼的视觉特性。
6. 边缘增强：通过对图像的边缘部分进行强化，使得图像中的物体轮廓更加清晰。常见的边缘增强算法包括Sobel、Laplacian和Canny算子等。
还有主成分分析、比值运算、Laplace变换、Retinex算法以及基于深度学习的图像增强等方法也在机器视觉系统中得到应用。这些方法通过调整图像的亮度、对比度、清晰度、颜色等特征，使图像更适合人眼观察或计算机处理。
