大家好,欢迎来到IT知识分享网。
文章目录
- 一、评价指标EME
- 二、评价指标EMEE
- 三、仿真代码
- 四、参考文献
-
-
- 我的个人博客主页,欢迎访问
- 我的CSDN主页,欢迎访问
- 我的GitHub主页,欢迎访问
- 我的知乎主页,欢迎访问
-
一、评价指标EME
在文章《An improved contrast enhancement algorithm for infrared images based on adaptive double plateaus histogram equalization》中,提到的了评价指标EME( measure of enhancement by entropy),熵增强度量,这是图像增强的典型定量度量,来评估算法在对比度改进方面的性能。数值越大,表示图像对比度越高。
lthe measure of enhancement by entropy (EME) , which is a typical quantitative measure ofimage enhancement, to further evaluate the performance of our
algorithm in contrast improvement.
EME指标将图像分为多个图像块,统计图像块内的像素值,根据像素块内最大最小值的关系评价对比度。计算公式如下:
E M E = 1 k 1 ∗ k 2 ∑ m = 1 k 1 ∑ n = 1 k 2 20 l o g I m a x , m , n w I m i n , m , n w EME=\frac{1}{k1*k2}\sum_{m=1}^{k1}\sum_{n=1}^{k2}20log\frac{I_{max,m,n}^{w}}{I_{min,m,n}^{w}}\\ EME=k1∗k21m=1∑k1n=1∑k220logImin,m,nwImax,m,nw
其中,k1、k2是图像横纵方向的分块数量, I m a x , m , n w I_{max,m,n}^{w} Imax,m,nw表示块内最大值, I m i n , m , n w I_{min,m,n}^{w} Imin,m,nw表示块内最小值。
二、评价指标EMEE
还有一种熵增强评价方法EMEE[1],相比EME更符合人类主观视觉效果。跟EME相似,把一幅图像分成大小为k1xk2个图像块区域,统计局部极值,公式略有区别,计算公式如下:
E M E E = 1 k 1 ∗ k 2 ∑ m = 1 k 1 ∑ n = 1 k 2 I m a x , m , n w I m i n , m , n w + c l o g I m a x , m , n w I m i n , m , n w + c EMEE=\frac{1}{k1*k2}\sum_{m=1}^{k1}\sum_{n=1}^{k2}\frac{I_{max,m,n}^{w}}{I_{min,m,n}^{w}+c}log\frac{I_{max,m,n}^{w}}{I_{min,m,n}^{w}+c}\\ EMEE=k1∗k21m=1∑k1n=1∑k2Imin,m,nw+cImax,m,nwlogImin,m,nw+cImax,m,nw
其中,c表示不为零的很小的常数。
在实验的客观评价时,取k1、k2为16,即把图像分成16×16个块
原图 | HE | ADPHE | |
---|---|---|---|
EME | 11.79 | 22.02 | 15.1 |
EMEE | 1.94 | 1230 | 15.26 |
从EME指标来看,HE的EME\EMEE指标都很大,表示对比度很强,但是图像来看有过增强现象,ADPHE算法的EME指标也有提升,增强后图像更自然。
以下结果分别是原图、HE结果、ADPHE结果。
三、仿真代码
感兴趣的可以找论文复现或者看一下链接,可以试试EMEE指标。
https://github.com/AomanHao/Matlab-Image-Evaluate/tree/master/Evaluate
四、参考文献
1、《对数图像处理新模型及应用研究》
我的个人博客主页,欢迎访问
我的CSDN主页,欢迎访问
我的GitHub主页,欢迎访问
我的知乎主页,欢迎访问
免责声明:本站所有文章内容,图片,视频等均是来源于用户投稿和互联网及文摘转载整编而成,不代表本站观点,不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益,请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权,请联系删除,如若转载,请注明出处:https://yundeesoft.com/157692.html