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。