基于形状保持的IEBSP算法对舰船图像的增强效果分析

本章依次将P-M 非线性扩散模型、全变分模型、C-S 形状保持变分模型以及基于形状保持图像增强(Image Enhancement Based on Shape Preserving，IEBSP)模型作用于红外图像，以获得增强图像的对比。其中α ∈ (0，1 )，β ∈ (0，1 )。

图3.3(a)显示包含天空背景的直升机原始图，图3.3(b)、(c)、(d)、(e)分别为使用P-M、C-S、全变分、IEBSP 算法作用于图3.3(a)的结果图。图3.3(b)显示:P-M 模型能够有效去除噪声，但是也模糊了图像细节特征。对比于图3.3(b)、(c)、(d)，图3.3(e)显示基于形状保持的变分与非线性扩散图像增强的IEBSP 算法不仅能去除噪声，而且保留图像更多细节，直升机轮廓得以保留与突显，灰度对比度更高。因此它的图像视觉效果更佳。

图3.3 增强效果对比图

另外，我们通过图像熵来衡量图像增强性能。如果图像灰度分布越均匀，图像视觉效果就越好，相应的图像熵就越大;如果图像分布越不均匀，图像视觉效果就越不好，相应的图像熵就越小。目标包含在50 × 50 区域内，分析其局部信杂比。通过客观评价指标克服主观因素，从表3.1 中可以得出IEBSP 算法所对应的图像熵高于其他模型所对应的图像熵，IEBSP 算法所计算的信杂比也均高于其他算法，从而也验证了它的增强效果更好。

表3.1　参数对比

图3.4(a)显示包含海天背景下的舰船原始图，图3.4(b)、(c)、(d)、(e)分别为使用P-M、C-S、全变分、IEBSP 算法作用于图3.4(a)的结果图。图3.4(b)显示:P-M 模型能够有效去除噪声，但是也模糊了图像细节特征。对比于图3.4(b)、(c)、(d)，图3.4(e)显示基于形状保持的变分与非线性扩散图像增强的IEBSP 算法不仅能去除噪声，而且保留图像更多细节，舰船轮廓得以保留与突显，灰度对比度更高。因此它的图像视觉效果更佳。目标包含在40 ×40 区域内，分析其局部信杂比。通过评价指标克服主观视觉因素，从表3.2 中可以得出IEBSP 算法所对应的图像熵高于其他模型所对应的图像熵，IEBSP 算法所计算的信杂比也均高于其他算法，从而也验证了它的增强效果更好。

图3.4 增强效果对比图

表3.2　参数对比(www.xing528.com)

图3.5(a)显示包含海天背景下的舰船原始图，图3.5(b)、(c)、(d)、(e)分别为使用P-M、C-S、全变分、IEBSP 算法作用于图3.5(a)的结果图。图3.5(b)显示:P-M 模型能够有效去除噪声，但是也模糊了图像细节特征。对比于图3.5(b)、(c)、(d)，图3.5(e)显示基于形状保持的变分与非线性扩散图像增强的IEBSP 算法不仅能去除噪声，而且保留图像更多细节，舰船轮廓得以保留与突显，灰度对比度相对更高。因此它的图像视觉效果更佳。目标包含在30 ×30 区域内，分析其局部信杂比。通过评价指标克服主观视觉因素，从表3.3 中可以得出IEBSP 算法所对应的图像熵高于其他模型所对应的图像熵，IEBSP 算法所计算的信杂比除了低于全变分模型计算结果外，高于其他算法。

图3.5 增强效果对比图

表3.3　参数对比

图3.6(a)显示包含海天背景下的舰船原始图，图3.6(b)、(c)、(d)、(e)分别为使用P-M、C-S、全变分、IEBSP 算法作用于图3.6 的结果图。图3.6(b)显示:PM 模型能够有效去除噪声，但是也模糊了图像细节特征。对比于图3.6(b)、(c)、(d)，图3.5(e)显示基于形状保持的变分与非线性扩散图像增强的IEBSP 算法不仅能去除噪声，而且保留图像更多细节，舰船轮廓得以保留与突显，灰度对比度更高。因此他的图像视觉效果更佳。目标包含在30 × 30 区域内，分析其局部信杂比。通过评价指标克服主观视觉因素，从表3.4 中可以得出IEBSP 算法所对应的图像熵高于其他模型所对应的图像熵，IEBSP 算法所计算的信杂比也均高于其它算法，从而也验证了它的增强效果更好。

图3.6 增强效果对比图

表3.4　参数对比