Retinex图像增强算法的优势分析

    上面我们已经介绍了关于各类图像增强算法,并重点对Retinex图像增强算法进行了仿真,这里我们将通过Retinex算法和别的图像增强算法的仿真结果对比,讨论Retinex算法的优势。

1 空域图像增强算法的仿真及仿真性能分析

·图像增强仿真效果

    空间域图像增强算法有多种方式,这里我们重点讨论中值滤波算法。 该算法仿真结果如下所示:

·灰度直方图

    任意选取一个图片,通过其灰度直方图进行增强分析,如图2所示。

·熵

    图像的熵值反映了图像的信息量,熵越大,信息量就越大,那么对应的图像的细节越丰富,下面我们对增强前后的图像计算其熵。

    我们计算测试图片的熵,其计算结果如表2所示:

表2 中值滤波后的图像熵值

增强前的熵

增强后的熵

10.9280

11.6472

通过上面的分析,我们发现利用中值滤波后,图像并没有得到明显增强,所以我们在时间实现中不考虑采用这种方法的图像增强方法。

2 频域图像增强算法的仿真及仿真性能分析

·图像增强仿真效果

   频域图像增强算法有多种方式,这里我们重点频域滤波算法。 该算法仿真结果如下所示:

图4 利用频域滤波进行图像增强前后对比图

·灰度直方图

    任意选取一个图片,通过其灰度直方图进行增强分析,如图2所示。

 (a)增强前的图像和图像灰度直方图

(b)增强后的图像和图像灰度直方图

图5灰度直方图

    图像的熵值反映了图像的信息量,熵越大,信息量就越大,那么对应的图像的细节越丰富,下面我们对增强前后的图像计算其熵。

    我们计算测试图片的熵,其计算结果如表3所示:

表3 中值滤波后的图像熵值

增强前的熵

增强后的熵

10.9280

12.1093

通过上面的分析,通过频域滤波以后,虽然从其效果较中值滤波有所改善,但是通过计算其熵值仍然比Retinex算法小,其外频域增强法需要通过操作FFT和IFFT,在硬件实现上需要大量的资源,所以我们在硬件上使用Retinex进行图像增强算法的实现。

©️2020 CSDN 皮肤主题: 大白 设计师:CSDN官方博客 返回首页