opencv学习---图像增强的两种补充方法及图像质量评价指标

1.Retinex图像增强算法(SSR, MSR, MSRCR)详解及其OpenCV源码

     Retinex是一种常用的建立在科学实验和科学分析基础上的图像增强方法。不同于传统的线性、非线性的只能增强图像某一类特征的方法，Retinex可以在动态范围压缩、边缘增强和颜色恒常三个方面达到平衡，因此可以对各种不同类型的图像进行自适应的增强。针对虹膜和光线比较有效。

参考地址

来自博客园的图像增强算法http://www.cnblogs.com/Imageshop/category/535367.html

原文地址 https://blog.csdn.net/EbowTang/article/details/43057357

2. 基于小波变换的图像对比度增强算法

        小波变换下的图像对比度增强技术实质上是通过小波变换把图像信号分解成不同子带，针对不同子带应用不同的算法来增强不同频率范围内的图像分量，突出不同尺度下的近似和细节，从而达到增强图像层次感的目的。

参考地址及MATLAB代码：https://blog.csdn.net/EbowTang/article/details/50477720

再附一个代码下载地址：https://download.csdn.net/download/jian_vv/4792615

二、图像增强算法的评价指标

       对于一种图像处理方法，怎么样来判断该算法效果的好坏呢？除了人眼本身的观察，还可以用某种指标来量化评判，总结一下图像质量评判的方法及实现。

        客观评价算法根据其对参考图像的依赖程度， 可分成三类：( 1) 全参考: 和参考图像的所有像素点做对应比较; ( 2) 半参考: 只需要和参考图像上的部分统计特征做比较;( 3) 无参考: 不需要具体的参考图像。其中全参考算法是研究时间最长、发展最成熟的。

1. 全参考

      全参考算法根据算法采用的技术路线， 可分为基于误差统计量的算法和基于 HVS 模型的算法。

2.半参考

      参考算法可以分为两种: 基于图像特征统计量的算法和基于数字水印的算法。这类算法的特点是其只需从参考图像中提取部分统计量用于比较, 无需原始的像素级别的信息。

3.无参考

      无参考算法可以分为两种: 针对失真类型的算法和基于机器学习的算法。这类方法的特点无需参考图像, 灵活性强。无参考算法的难点在于如何使评价结果尽量不受图像内容的影响。

图像质量评价的具体实现见原文链接

（1）峰值信噪比-PSNR（Peak Signal to Noise Ratio）

（2）SSIM

（3）信噪比（SNR）

评价指标的原文参考地址：https://blog.csdn.net/piaoxuezhong/article/details/78382650