夜间图像增强算法研究及Matlab实现

夜间图像增强算法研究及Matlab实现第1章绪论1.1本文研究意义与背景夜间图像普通存在着主体或局部的亮度局限性问题、在颜色的饱和度与对比度方面也明显偏低,这就造成了许多能够呈现夜间图像核心特性细节信息的东西没法得到充足呈现。致使所获取到的夜间图像的质量严重下降的因素多个多样，例如采集装备的配备、复杂的环境照明、天气因素等因素的影响。我们普通把一幅清晰的图像作为获取真实场景的重要条件[1]。针对质量下降的夜间图像,能够基于人类角度的计算机解决系统做进一步分析和仿真；亦能够直接采用图像增强算法，对其亮度、对比度及细节、色彩隐藏信息进行增强以满足人类视觉系统规定[2]。夜间图像在许多领域得到了相称广泛的运用。例如，通过对夜间红外图像的识别增强来获取敌方目的，这是在军事领域的应用；对夜间图像进行增强，加强对汽车号牌、驾驶员体态等重要信息进行识别，这是在公共交通领域的应用；为了减少颜色失真、光线不均等造成的图像退化现象，能够对图像进行彩色增强，这是在安防及摄影摄像领域的应用。如今，即使有几十种不同的增强解决办法,但这些算法都是有其专门性以及针对性，无法做到适应多个场合。本文将针对传统夜间图像增强算法中普遍的存在的局部光晕伪影问题，展开进一步研究，以期在保持夜间图像清晰自然的基础上，将其解决。1.2本文研究工作及重点夜间图像增强算法作为图像增强研究的一种重要分支。吸引着众多图像解决、目的检测方面的学者进行广泛而进一步的研究。每年，都有诸多研究成果问世，但整个领域仍旧尚有很大的发展空间。夜间图像的提取有诸多不可抗拒的因素存在。例如夜晚图像对比度低、周边的光照散射影响等。将针对某些应用较多的传统的夜间图像增强算法，如直方图均衡化增强算法、基于Retinex理论等理论进行研究以及仿真。针对于传统增强办法本身的普遍存在的光晕伪影，亮度不均匀做出改善。根据对光晕伪影的成因进行研判分析，提出并实现一种双滤波单尺度Retinex的夜间图像增强算法。分析令夜间图像质量下降的缘由，同时也针对传统图像增强算法的局限性，尝试通过单尺度Retinex理论与双滤波办法的共同结合，解决传统算法的局限性，且能够提高诸多复杂环境下的夜间图像增强效果，满足科学技术发展日益提高的规定。最后，通过该办法与众多传统图像增强算法的效果图对比，验证本文算法的可靠性，有效性。夜间图像增强算法传统算法夜间图像增强算法传统算法直方图均衡化直方图均衡化主客观评价主客观评价RRetinex理论本文改善算法本文改善算法图1.1本文实现框图1.3本文的内容安排本文共设立6个章节，进行叙述。具体安排以下：第1章绪论重要介绍了夜间图像增强算法的研究、应用背景研究现状，以及研究工作的所碰到的瓶颈，在章节末尾概述论文的本文的研究工作及重点。第2章图像增强算法重点介绍了几个图像增强算法的分类，涉及空间域增强、频率域增强以及基于Retinex理论增强算法。第3章直方图均衡化算法在这个章节中，将研究传统夜间图像增强算法中直方图均衡化算法。通过对其原理和均衡化过程的学习，采用Matlab平台仿真几幅有针对性的夜间图像，在结尾简略对这种算法进行分析评价。第4章基于Retinex理论的图像增强算法在这个章节中，重要研究了Retinex理论这种传统的夜间图像增强算法的原理和分类。通过对几幅有针对性的夜间图像进行仿真，在结尾简略对这种算法进行分析讨论。第5章基于双边滤波的Retinex的改善算法通过对之前传统图像效果的分析讨论，针对局限性之处进行完善，在此基础上，创新性地提出一种双滤波与单尺度Retinex理论算法共同结合的夜间图像增强算法，详尽地介绍了这种新型夜间图像增强算法的原理。最后采用Matlab平台进行仿真实现该算法的性能。第6章算法仿真对比采用主观评价以及客观评价两种办法，评价并且对比几个夜间图像增强算法对夜间不同时段图像的仿真效果图，以此比较出本文提出的算法的有效性，可靠性。第2章图像增强算法2．1图像增强技术图像增强的技术要点对原图像附加某些信息采用一定的手段，如对数据进行转变，对图像中感爱好的特性采用有目的性的突出或者将图像中某些对我们鉴别起到干扰的特性进行删除或者掩盖，让视觉响应和图像纹理等天然特性相匹配，这是图像增强的基本办法。图像增强技术涉及并不局限于：直方图规定化解决，图像直方图均衡化解决，图像锐化解决等等。从技术分类的角度来讲：分为基于频率域、基于空间域以及基于Retinex理论图像增强解决法3种。频率域解决法运用卷积定理，通过对图像傅立叶变换修改以提高原始图像的质量，因此，频率域解决法是一种间接的算法；空间域解决法作为一种直接算法，将图像信息采用灰度映射转换，为原图像中的像素点进行直接解决操作，以提高原始图像的质量效果。Retinex是一种视网膜皮层理论与反射率结合的算法。2．2空间域图像增强2.2.1邻域均值滤波邻域均值滤波能够用作于平滑噪声，含有不错的效果，但会在图像的边沿区域形成含糊效应。2.2.2中值滤波中值滤波是一种基于统计排序的滤波形式，能够用作平滑噪声也能够解决像邻域滤波所造成的含糊效应，边沿区域的保持效果良好，但计算时间较长。2.2.3拉普拉斯模板拉普拉斯算子因其本身是旋转不变的。能够作为一种简朴的各向同性微分算子使用。拉普拉斯模板普通被应用于对图像锐化解决，效果较好，它对噪声比较敏感，这是它的缺点。一种二维图像函数的拉普拉斯变换式定义以下：∇为使拉普拉斯变换合用于数字图像解决，能够以离散形式对其二阶导数进行表达：∇另外，能够选择拉普拉斯运算符来解决原始图像，对图像进行灰度变换，最后为对图像进行锐化操作，需把原始图像与拉普拉斯图像累积叠加。锐化基本办法以下式表达：g锐化方法首先能够将图像中的各灰度值保存，另首先会使灰度变异处的对比度得到有效增强，最后，能够做到将图像背景保存下来，又含有把图像细节凸显的能力。2.3频率域图像增强2.3.1抱负低通滤波器传递函数：Hu，式中，D0代表从频率平面的原点到作用点的距离，抱负低通滤波器的截止频率，也是2.3.2巴特沃思低通滤波器传递函数（n阶）:H如果把H(u,v)=1/2时，取截止频率D02.3.3高斯低通滤波器高斯低通滤波器能有效地避免振铃现象，这与巴特沃思低通滤波器效果一致。2.3.4巴特沃思高通滤波器H2.4基于Retinex理论图像增强在实际应用过程中，图像的反射向分量很难直接获得，普通呢，Retinex先从光的照射分量预计亮度图像，然后通过关系式得到反射图像，具体工作原理如图2.3所示。图2.3Retinex的工作原理近40数年以来，研究人员通过对人类视觉系统的研究，实现了Retinex家族理论算法的发展，通过对尺度的增加把握，实现了从单尺度到多尺度Retinex算法的升级，多尺度Retinex算法含有实现加权平均的能力。背面又发展到能够实现彩色恢复能力的多尺度Retinex算法。现在基于Retinex理论算法有诸多，但是使用频次最多的以中心围绕为主的Retinex算法，涉及了单尺度Retinex算法和多尺度Retinex算法。2.4.1单尺度Retinex普通来讲，由于照射图像含有不可预计性，因此会将照射图像假设认为是一种空间平滑的图像，由此能够得到单尺度Retinex算法的公式：S式中：S(x,y)=原图像；R(x,y)=反射图像；L(x,y)=亮度图像Rr(x,y)=logS(x,y)-log[Fx,y式中：r(x,y)=输出图像，*为卷积符号，F(x,y)为中心绕射函数，能够表达为:F式中：c表达为高斯围绕尺度，θ是一种尺度，它的取值必须满足下列条件：F2.4.2多尺度Retinex多尺度Retinex理论的计算公式以下所示：rx,y=kKwklogSx,y-logFkx,y*Sx,y#12式子中：K=在单尺度Retinex的基础上发展了多尺度Retinex理论，多尺度Retinex含有两个功效，第一种功效是压缩图像的动态范畴，第二个功效是维持图像的高保真度[1]。多尺度Retinex理论也能运用到医学成像领域，例如说对X光图像增强。多尺度Retinex办法能够在一定程度上减少原图像本身存在的光晕现象，但不能做到完全擦除。尽管如此，在一定的条件下，能够完毕对图像的色彩分量增强，同时保持了色彩的恒常性，也能效果明显地完毕局部或者全局的图像动态范畴压缩。多尺度Retinex算法，能够加入多尺度参数c，强度α和组合约束因子β，在操作的时候，能够在其中通过对参数的数目进行一定程度调节，让它的视觉效果得到整体性的增强以及大幅改观。但是，多尺度Retinex算法由于其中含有多个尺度、参数的加入而会造成使得计算量的激烈增加，在时效性方面的改善有待增强，最为重要的是多尺度Retinex的尺度参数的取值不好掌握。2.5本章小结在本章节中，详尽地介绍以及叙述了图像增强算法的分类状况，涉及了基于频率域的分类、基于空间域的分类以及基于Retinex理论的算法。为后几章节中，夜间图像增强算法的研究打下了基础。第3章直方图均衡化算法3.1直方图的性质及变换3.1.1直方图性质直方图均衡化是以概率统计学作为基础而进行图像增强解决。在XY轴上，X轴上表达直方图的灰度级，灰度级的像素个数在Y轴上表达。直方图为一幅图像当中每个像素的灰度级的加总成果。直方图不会将某灰度值所处的位置显示出来，但会反映不同类型的灰度值的所出现频次。也能够这样说,它由于要对包含图像的特定的灰度像素的发生概率进行统计,而无视它的位置信息。任意一幅图像，无论黑白还是彩色图像，都有一幅与其相对应的直方图。不同的图像很可能含有一致的直方图。即所述直方图与这一幅图像之间存在着为多对一的映射关系。由于该直方图是由含有相似灰度值的像素进行计数而获得的，因此，一幅图像中全部子区域的直方图加总等于所述图像直方图之和[3]。直方图可被人为变化，使之成为某个特定的形状，即图像以直方图均衡化形式实现，满足特定的增强效果。3.1.2直方图变换直方图的变换，从本质上来讲，可分为灰度变换和彩色变换。灰度变换作为图像增强中的一种重要手段，扩展图像的对比度是重要目的。灰度级的直方图给出了一幅图像概貌的描述，通过尝试灰度直方图的分布的修改来实现图像增强效果。某些图像中，灰度分布集中分布于较窄的区间，造成有些微小细节被无意识屏蔽。为了让图像中集中的灰度分布均匀，恢复原来的面貌。可对图像进行灰度直方图均衡化解决。图像中占有的像素灰度图像反差被加大，间距被强行拉开了，对比度得到了增强，此举既改善视觉效果,也通过对图像反差的加大达成图像增强目的。图像的动态范畴得到增加了，细节状况也变得清晰了。对于彩色图像来说，要对其采用直方图均衡化，普通来说，必须先将每一种通道分开，再进行解决，分别对彩色图像的R、G、B三个通道予以均衡化，最后对三个通道进行加总合并。但这个过程有个弊端，就是会造成颜色色调的变化。选用一张的名为”skyline”，格式为jpg的图像，通过一段简朴的程序直观展示灰度直方图均衡化的过程，程序以下：%灰度直方图I=imread('skyline.jpg');Ig=rgb2gray(I);subplot(2,2,1);imshow(Ig);title('原图');subplot(2,2,2);imhist(Ig);title('原图的直方图');subplot(2,2,3);H1=histeq(Ig);imshow(H1);title('均衡化后的skyline');subplot(2,2,4);imhist(H1);title('均衡化后的直方图');效果图如图3.1所示。图3.1灰度直方图均衡效果图3.2直方图均衡化过程3.2.1直方图均衡化原理对图像进行直方图均衡化解决重要改善图像质量，把图像中的灰度分布或者彩色分布按照一定规律做变换变化。直方图均衡化解决的性质就像是一种直方图修正法，前提是累积分布函数变换法。其变换函数为：S=T式中：ω是积分变量，而T(r)作为r的累积分布函数。变量r表达图像中像素的灰度级，累积分布函数是r的函数，如果r=0就表达黑色，r=1就表达白色。T(r)在0到1的范畴内单值单调增加。r的累积分布函数作为变换函数可产生一幅图像，它有着十分均匀的灰度级分布密度，并且像素取值的动态范畴也是扩张的。在图像中，为了对像素的灰度级做归一化，会给r限制在一定的灰度范畴之内，即0≤r≤1。能够用离散形式来表达累积分布函数，以下：sk=Trk=j=0k为了简朴测试直方图均衡化算法的性能，我们选用了黄昏、夜晚以及深夜三幅场景图像，通过Matlab平台进行仿真操作，直方图均衡化后的的效果图如图3.2-3.4所示：图3.2黄昏场景直方图均衡效果图图3.3夜晚场景直方图均衡效果图图3.4夜晚场景直方图均衡效果图3.3直方图均衡化办法小结直方图均衡化算法作为图像增强领域中较为惯用并且重要的算法。它以概率统计学为基础，运用变换来实现调节图像的灰度级分布，以此实现增强、改善图像的对比度目的。直方图均衡化即使不能做到将噪声克制，但是能够对像素值的动态范畴进行均匀的扩展，让通过扩展解决后的图像中概率密度函数分布近似均匀状态。从上述经直方图均衡化解决后的效果图能够看出，夜晚和深夜两幅图像中的整体亮度都得到增强，图像中物体的色彩、轮廓与周边环境的对比度得到明显加强了，黄昏图像的增强后的周边环境被大幅度变化，存在着光晕伪影补充的现象，图像整体显得黯淡缺少愤怒。直方图均衡化增强也存在着两点局限性：第一，对图像灰度级进行均衡解决致使对某些重要细节造成“误杀”；第二，均衡过后的直方图的像素点高峰区域，会由于对比度的扩大，而显得不自然。敏感的边沿消失殆尽，由于相邻的像素点会与边沿的结合的缘故。这种状况在直方图修正增强中不容易避免。为了保护自然特性以及增强细节，图像增强后的周边环境不应当被大幅度变化，如不应有光源引入到场景之中。第4章基于Retinex理论的图像增强算法4.1Retinex理论由来Retina，意为视网膜，Cortex，意为大脑皮层，这两个英文单词组合成了Retinex，意为视网膜皮层。在1963年，Edwinland提出了一种理论，理论坚持一种对象的的颜色是由诸多不同波长的可见光所带的反射率来确认，它无法被反射光强度的绝对值完全表达，而对象的颜色也不受到不均匀光照的影响。这就是典型的基于颜色恒常视网膜皮层理论。在光照不同的状况下，人们仍然含有能够辨识物体的原来的颜色的能力。能够实现将动态范畴压缩和边沿增强的目的，又能简朴地提高形象效果,这是基于Retinex理论算法跟其它传统的图像増强算法最大的不同之处。4.2Retinex理论基础及实现4.2.1Retinex理论基础Retinex理论的基础理论是，反射光强度的绝对值是不能对物体的颜色做决定的，物体的颜色是红绿蓝三种波的光线对物体的反射能力最后决定的。物体不受到非均匀性光照的影响，由于它含有一致性的色彩。并且，不同于基于传统的线性、非线性的增强算法，只能增强图像某一类特性。基于Retinex理论算法能够对多个不同类型的图像进行自适应的增强。由于，基于Retinex理论算法含有在颜色恒常、压缩动态范畴以及增强边沿效果三个方面达成平衡的能力。图4.1Retinex原理一幅图像S(x,y)，是由光照分量图像L(x,y)和反射分量图像R(x,y)两部分构成的，物体反射分量中包含了图像高频信号，反映图像固有特性。Retinex理论表明，物体的光线的反射能力与对象固有特性有关，独立于光源强度之外，并且它能拟定所述对象的RGB值。如果想要滤除入射光的影响，需要拟定像素点的实际颜色，并且通过各个像素点的相对明暗关系确认。4.2.2Retinex理论算法的实现Retinex算法实现流程概括以下：(1)将原图像S(x,y)读入,如果读入的为彩色图像,能够把每个颜色分量分类分别分开解决,把各颜色分量的像素值完毕由整数值型到浮点数型的调换变化,为了方便之后的数据计算，能够继续转换到对数域；如果它是一种灰度图像,在将图像实现对数域转换之前，需对每个像素的灰度值完毕从整数值到浮点数转变；(2)将尺度c输入，在离散的条件下，完毕对尺度积分转换为求和，拟定参数θ的值；(3)若是为彩色图像，则RGB中的每一种通道中都含有ri(x,y)；如果是灰度图像，直接计算得到(4)实现r(x,y)由对数域到实数域的转换，并将图像R(x,y)实现输出；(5)以对应的格式将R(x,y)进行线性拉伸并解决后图像输出；之因此能够精确把照射图像所对应的原始图像的低频部分预计出来，是由于中心围绕函数F(x,y)采用了低通函数。含有把原始图像当中的的高频分量完全截取下来的能力，除去原始图像中低频照射分量。在人类的视觉神经系统中，眼睛对于高频信息极为敏感，特别是图像的边沿部分含有的信息。由于，在单尺度Retinex算法本身所使用的算法采用高通滤波，包含高通函数，对于处在边沿信息中的高频信号能起到较好的提振作用，含糊的图像因此变得清晰。然而，获得增强后的图像无法做到对图像大幅度压缩以及增强对比度两者并重。因此，选择一种较为恰当的尺度常量c（80-100），才干同时令两种增强效果达成平衡。4.3Retinex算法仿真操作选用了3组夜间不同时段所采集到的夜间图像（600*450）进行实验，采用基于单尺度Retinex理论的图像增强办法通过Matlab平台实现仿真。得到的效果图如图4.3-4.5所示：图4.3Retinex解决黄昏图像效果图图4.4Retinex解决夜晚图像效果图图4.5Retinex解决深夜图像效果图4.4本章小结采用Retinex算法对光照强度进行预计之前，需要假设光照图像是平滑的，即初始光照强度是缓慢变化的。事实上并非如此，区域边沿处亮度是相差很大的，并不存在平滑的光照强度。Retinex理论认为感知色彩与光的反射含有很强的关联关系，并且可见光达成观察者的量重要依赖于反射率和照明的乘积。从上述经Retinex算法解决后的效果图能够看出，三幅图像中的整体亮度和细节都得到增强，无论是远处的云彩还是近处的路面。夜晚和深夜两幅图像因对比度及亮度的增强而变得清晰，但感觉颜色有些扭曲，显得失真。黄昏图像画面对比度颇强，图像中房子的周边出现了大面积的光晕伪影问题，整幅图像显得虚幻缥缈。基于Retinex的算法为了达成增强照明的效果的目的，普通直接去除反射率。即使它们看起来有着明显细节增强效果，但是光晕效果也会集中遍及于亮度变化大的区域。另外，还存在一系列问题。例如说，高亮区域细节没有得到明显的改观，阴影边界较为突兀，边沿锐化程度也存在局限性，图像的细节纹理不清晰，甚至出现了颜色分量发生扭曲的状况，高亮区域附近存在大面积的光晕伪影现象。第5章基于双边滤波的Retinex的改善算法5.1本文算法实现办法夜间图像中由于存在大量的高对比度边沿，并且边沿附近图像的照射分量不是缓慢平滑变化的，因此就会产生严重的光晕伪影。本文为解决传统夜间图像增强办法普遍存在的光晕伪影，提出的双边滤波器单尺度Retinex增强算法。第一步运用单尺度Retinex增强算法对夜间图像进行解决，结合色彩衡常性理论的特点，对照射的图像和反射的图像进行分离提取。首先，能够采用对提取的反射图像做局部对比度的增强；另首先，采用双边滤波的办法，对照射图像进行解决并且预计图像的亮度，并进行伽马校正，能够在增加图像对比度的同时也能有效地赔偿图像在进行亮度预计时产生的损失。最后，可实现夜间图像的增强。流程图以下所示：图5.1算法流程图5.2本文算法实现环节5.2.1图像分量的转换提取将原始图像S(x,y)读入,能够把代表色调分量饱和度分量以及亮度分量的G通道，R通道，B通道这三个通道分量分别分开解决,把各颜色分量的像素值完毕由整数值型到浮点数型的调换变化。为了方便之后的数据计算，也能够继续转换到对数域。引入Retinex理论，Retinex会先从光的照射分量预计亮度图像，然后通过关系式得到反射图像。以上过程详见公式（7-9）。这就完毕对原始图像的照明分量和反射分量的转换以及分离操作。5.2.2双边滤波双边滤波器作为一种含有保边去噪的滤波器，在图像去燥解决中得到了广泛的应用。一种双边滤波器由两个值构成。第一种值是几何空间距离，它对双边滤波器滤波系数的取值起到重要作用；第二个值是像素差值。原则差σd以及原则差σr分别用于对邻域像素的权值像素的空间位置和灰度分布计算，这两个高斯函数原则差参数的设立，对于一种双边滤波器滤波的性能起到至关重要的作用。下面将通过一幅名为”dark”，格式为gif的图像的距离原则差以及灰度原则差的设立参数进行调节，以获取参数取值对于双边滤波器实现图像增强的影响。滤波半径由模板大小来衡量，本文滤波半径的取值为10。图5.2原则差参数设定对比通过对图像的观察，能够发现σd数值越大，所得到的图像则越含糊，反之σd数值较小时，所得到的图像越清晰；σr的参数越大，细节越含糊，反之σr数值较小时，所见到细节越鲜明。为了去除由于参数的设立可能对图像增强所带来的影响。σr的取值能够采用自适应算法计算，即3倍

σ

原则来选用适宜的矩阵模板和detA数值。σd则由矩阵在双边滤波器中公式中，像素输出的值将由邻域像素值的加权组合决定。gd式中：d(i,j,k,l)=定义域核；r式中：r(i,j,k,l)=值域核；w定义域核值域核乘积之和决定了权重系数w(i,j,k,l)。但是，权重系数不仅仅有距离像素的欧几里德距离决定，还受到辐射差值的影响，这能够保存明显的边沿。双边滤波集合了高斯、均值两种滤波形式的作用，对空间域与值域的差值同时考虑到。运用双边滤波器能将原始图像照明分量中的边沿细节完整保存下来。5.2.3引入伽马校正伽马校正的功效是重新编辑图像的伽马曲线。能够检查出图像的深色部分和浅色部分，办法是对图像采用非线性色调编辑，并使两者的色彩差别化比例扩大，从而达成提高图像对比度效果的目的。通过解决后的夜间图像普通偏暗，可采用伽马校正进行色彩解决。R式中：RVιx,y为对logR(x,y)反射图像进行取反对数后的反射图像。式子中代入调节系数对已通过双边滤波器的原始图像照明分量进行伽马变换，采用线性拉伸的方式将最后的照明图像分量精确计算出来。5.2.4局部对比度增强为了进一步增强原始图像反射分量的高频部分可能造成的误差。能够尝试采用局部对比度增强的办法。在每个像素点的空间域内做原始图像局部的对比度增强。解决公式以下:fi,j式中：f(i,j)=输出亮度值；g(i,j)=输入亮度值；g(i,j)=邻域平均值；k=增益系数本文对原始图像反射分量采用Sigmod函数进行局部对比度增强，解决公式以下:f式中：r=反射图像的亮度值；a=控制参数，a的取值大，对于图像反射分量进行局部对比度增强效果越好，反之。5.2.5图像分量的重新结合通过对分别进行解决的照明和反射分量的重新结合，得到了最后的增强效果图。5.3本文算法仿真操作为了验证本章算法的有效性以及可靠性，选用3组不同时段所采集到的夜间图像（600*450）进行仿真，采用基于采用双滤波单尺度Retinex图像增强办法通过Matlab平台实现仿真。得到的效果图如图5.3-5.5所示：图5.3双滤波Retinex解决黄昏图像效果图图5.4双滤波Retinex解决夜晚图像效果图图5.5双滤波Retinex解决深夜图像效果图5.4本章小结双边滤波器作为一种含有保边去噪的滤波器，在图像去燥解决中得到了广泛的应用。通过对本文提出的算法进行仿真，能够看出。通过双滤波单尺度Retinex图像增强算法解决过的夜间图像，在保持夜间的亮度均匀的同时又能做到对整个图像画面的亮度的提高，图像整体匀称，色彩也比较统一，解决了传统算法中普遍存在的光晕伪影问题。能够说，本文采用的办法仿真效果源于真实也更靠近于真实。第6章增强算法仿真与评价6.1算法效果图对比为了更直观地比较出各类夜间图像增强算法，展示本文提出的算法优劣性，我们将本文提出的算法的仿真效果图与其它两种传统算法的仿真效果图进行分开对比。效果图对比状况如图6.1-6.3所示：(a)黄昏图像（b）直方图均衡化（c）单尺度Retinex(d)本文办法图6.1黄昏场景各算法效果图对比（a）夜晚图像（b）直方图均衡化（c）单尺度Retinex(d)本文办法图6.2夜晚场景各算法效果图对比(a）深夜图像（b）直方图均衡化（c）单尺度Retinex(d)本文办法图6.3深夜场景各算法效果图对比6.2主观感受从图6.1的效果图能够看出，通过直方图均衡化解决后的黄昏图像，图片整体的亮度、对比度不佳，观感较差；通过了Retinex理论解决后的图像，图像图像高亮清晰，色彩绚烂，看起来有些失真，光晕伪影占据表面较大区域；通过本文算法仿真的图像亮度得到了改善，解决了光晕伪影的问题，明暗适中，较为自然。从图6.2的效果图能够看出，通过直方图均衡化解决后的黄昏图像，观感不错，但相较于原图像，似无明显增强之处；通过了Retinex理论解决后的图像，图像明暗交界区域色彩失衡，看起来有些失真；而通过本文提出的算法仿真出的图像亮度得到了改善，无光晕伪影现象产生，明暗适中，较为自然。从图6.3的效果图能够看出，通过直方图均衡化解决后的深夜图像，图片整体的亮度爆表，对比度明显，图像主体存在过分曝光现象；通过了Retinex理论解决后的图像，图像清晰自然，特别是地砖和石块花纹依稀可见，图像明暗交界区域出现了不小的光晕伪影问题；通过本文算法仿真的图像看起来和谐、自然，图像含有适度的亮度和暗度，并且光照变化鲁棒性更强，这有效地克制了光晕伪影现象的出现，这重要是由于基于双滤波器单尺度Retinex增强算法采用了双边滤波器[5]。图像细节信息进行了增强，避免了所述图像增强后颜色失真，同时滤除噪声，并采用伽马变换对图像进行变化后，色彩更为自然，并且图像的主观视觉效果被有效地提高。6.3客观评价主观评价易受到个人的偏好因素影响，因此又引入客观评价办法。本文采用峰值信噪比(PSNR)、构造相似度（SSIM）和信息熵三个要素进行客观评价。普通，无参考图像质量评价办法首先对抱负图像的某种核心特性作出假设，再为该假设建立对应的数学分析模型，最后通过计算待评图像在该模型下的体现特性，从而得到图像的质量评价成果。计算公式以下所示：PSNR=10*MSE=1SSIM式中:l(x,y)=亮度对比函数;s(x,y)=构造对比函数;c(x,y)=对比度对比函数H=式中：pk=灰度级kPSNR的数值越高，阐明图像整体的融合效果与增强质量越好，视觉感也就越好。表6.1图像增强算法PSNR比对比单位：dB峰值信噪比直方图均衡化Retinex本文办法黄昏61.767467.195271.9820夜晚69.341065.147073.8946深夜61.325264.234682.2346构造相似性，独立于亮度和对比度，重要是一种衡量两幅图像相似度的指标。能够用作于评价一幅图像的失真状况的。表6.2图像增强算法SSIM对比构造相似度直方图均衡化Retinex本文办法黄昏0.83980.71360.9616夜晚0.93280.75290.9637深夜0.83720.82220.9877信息熵能够作为图像信息的反映。表6.3图像增强算法熵值对比信息熵原始图像直方图均衡化Retinex本文办法黄昏7.02477.84847.26207.2190夜晚7.33657.57927.70617.4070深夜7.7.97977.60287.3421两种基于传统夜间图像增强算法以及本文提出的双滤波单尺度图像增强算法的三个客观评价要素指标PSNR、SSIM和信息熵的值分别见于表6.1、6.2、6.3。在表6.1中，用本文提出的带双滤波器的单尺度Retinex图像增强算法的PSNR值远远地不不大于直方图均衡化以及单尺度Retinex的分贝值，分贝的数值越高,阐明图像整体的明暗程度和对比度融合效果好，增强办法的成果也就较好。表6.2中，本文提出