写在前面
最近在不断地调研一些新的红外图像增强算法，优化与仿真实现了一些不同算法框架下的图像效果，在各种算法框架的取舍中，陷入了困惑。
归根到底，那就是对一个看似简单实却难以说清楚的基础问题，没有理解透彻，因此我决定就这问题学习并总结一番。
这个问题就是：什么是一张好图像。
明确了这个问题，进而才能理解：什么是一个好的红外图像可视化算法。
冈萨雷斯在其《数字图像处理》第二章最开始，引用这么一段话。
要想成功，就必须弄清基础问题。
—亚里士多德
对本质上的东西搞明白了，有了一定的知识框架，做事情也就条理清晰，章法有度了。
正文中也就这两个问题加以展开。
问题1：什么是一张好图像？
问题2：什么是一个好的红外图像可视化算法？
进入正文
1．什么是一张好图像？
这是一个看似很简单的问题，有人说不就是图像好看不好看呗。其实这个就是图像的评价。图像的评价有包含两方面：美学评价和技术评价。前者是艺术家的事情，这里不讨论。对于我们做相机的工程师来说，更偏向了后者。
关于技术评价，个人觉得这里面又包含两方面，一种是基于实验室环境的相机性能评价，典型的就是：EMVA1288标准；另一种是对于实际场景图像质量的评价。
1.1 基于实验室环境的相机性能评价
最为典型的是相机界大名鼎鼎的EMVA1288标准，它是由欧洲机器视觉协会（EMVA）建立，主要的图像传感器与相机生产商均参与其中。它是基于实验室环境下，我们对光照，色温等等参数，通过设备是可控的，甚至可以定量的明确。明确外部参数的理想实验室环境，变量得到了有效控制，再进行有效合理的理想化数学建模，采集明场暗场的相机图像，进行测试与计算，可以得到一些很客观的数字形式的指标。
图 1 EMVA1288
图2 EMVA1288
EMVA1288中，给出了一些性能指标的定义、测量方法与计算。这些指标有：灵敏度、线性度、噪声、信噪比、暗电流、非均匀性等。
详见《EMVA1288-3.1rc》
1.2 实际场景图像质量的评价
我们自然场景是丰富多样的，是复杂多变的，并不能像实验室测试那样的外部参数可控。
关于这种实际场景图像质量的含义包括两个方面：图像的逼真度和图像的可懂度。多年来，人们希望能够找出图像逼真度和可懂度的定量测量方法，但是人们对人类的视觉特性仍没有充分理解，特别是人眼视觉的心理特性还难以找出定量的描述方法。因此，这里的评价还没有完全定量。不过，还是有一些认同度很高的评价方法，包括客观评价方法和主观评价方法。
1.2.1 客观评价方法
传统的图像质量评价方法包括均方差（MSE，mean squared error）和峰值信噪比（PSNR，peak signal to noise rate）。
（1）均方误差法（MSE）首先计算原始图像和失真像象素差值的均方值，然后通过均方值的大小来确定失真图像的失真程度。
其中M、N为图像的长和宽。
（2）PSNR，它是基于通信理论而提出，是最大信号量与噪声强度的比值。由于数字图像都是以离散的数字表示图像的像素，因此采用图像的最大象素值来代替最大信号量。
（3）RMSC（root-mean-square contrast）
1.2.2 主观评价方法
国际上已有一些成熟的主观评价和国际标准，例如 ITU-TRec. P.910规定了多媒体应用的主观评价方法；BT.500-11 规定了电视图像的主观评价方法，就视频质量主观评价过程中的测试序列、人员、距离以及环境做了详细规定。提出了主观质量评分法(MOS Mean Opinion Score)。这是图像质量最具代表性的主观评价方法，它通过对观察者的评价图像质量。
MOS主观质量评分法又可以分为绝对评价和相对评价两种类型。
(1)绝对评价是将图像直接按照视觉感受分级评分，国际上规定的5 级绝对尺度，包括质量尺度和妨碍尺度。
对一般人来讲，多采用质量尺度；
对专业人员来讲，则多采用妨碍尺度。
相对评价是由观察者将一批图像从好到坏进行分类，将它们相互比较得出好坏，并给出相应的评分。
详细内容请查看《ITU Radio-communication Sector, Methodology for the subjective assessment of the quality of television pictures, International Telecommunication Union, BT.500-11 2002.》
2．什么是一个好的红外图像可视化算法效果？
2.1 提前应知道与说明
（1）关于红外图像可视化算法的引入等问题，请阅读我之前的文章《红外图像处理：DDE数字细节增强算法的缘由与效果》。
（2）这里片面一点，只针对图像效果，不考虑计算复杂度等其他算法要素。
（3）图像增强算法的最根本前提：原始图像时有信息的，只是人眼观察不到或者很难观察到的而已。看不见并不代表不存在。
2.2 横向和纵向的两个评价维度
图3 框图
可以看出DDE算法是16bit到8bit 图像的桥梁。
框图很简单，三个元素：输入，“桥梁”，输出。DDE算法是16bit到8bit 图像的桥梁。
我觉得，输出图像要分两个维度去比较：
（1）经过不同算法的输出结果图像之间的横向比较。
（2）输入与输出图像的纵向比较，是否丢细节，是否放大噪声。
2.3 横向比较
横向评价是不同算法的输出结果图像的比较，也分为主观客观。
2.3.1 主观评价
汇总各论文的评价，举例说明：
（a）直接看图的
图4 直接看不同算法图像信息
（b）按照MOS方法论
图5 按照MOS方法论进行打分
2.3.2 客观数值计算
（a）计算PSNR值
图6 计算PSNR值
（b）计算RMSC值
图7 计算RMSC值
（c）计算其他值，如EMEE和AME
The quantitative evaluationis being conducted by two of the standard objective image quality metrics: measure of enhancement by Weberdefinition (EMEE) and measure of enhancement by Michelson definition (AME).
图8 计算AME值和EMEE值
2.4 纵向比较
图9 原图手动AGC调整
图10 原图手动AGC调整
图11 原图手动AGC调整
图12 DDE后的图像
做个总结
说了很多，屡一下思路。
首先是一幅图像的评价，有美学评价和技术评价，只讨论技术评价。
技术评价涉及两个对象，一个是实验室，一个是实际场景。只讨论实际场景，这里又分主客观。客观是数值计算，主观特别强调MOS方法论。
然后是一个红外DDE算法的评价，分横向与纵向。横向里面又分主客观，通过查找整理一些论文来说明。纵向是原图和输出图的对比，引用FLIR对DDE的定义说明文档。
最后，我觉得客观的数值，这种只能在一种程度上表现说明，但不是那么的完备。DDE算法目的是显示，最终端是人眼。实景图像是主观的，还是BT.500-11-MOS方法论靠谱点，值得借鉴到红外DDE算法图像效果评价中。
引用说明
[1] 图4、图7来源于《Display and detail enhancement for high-dynamic-range infrared images》
[2] 图6来源于《A New Approach for Contrast Enhancement of Infrared Images Based on Contrast Limited Adaptive Histogram Equalization》
[3] 图8来源于《Infrared image enhancement using adaptive trilateral contrast enhancement》
[4] 图9、图10、图11、图12 来源于《FLIR technical note, what is DDE》
写作仓促，还望指正。谢谢~
20191211
文章的图像，详细请在我的微信公众号查看：
一莫闲记
来源：CSDN
作者：Alex_malimo
链接：https://blog.csdn.net/hahahahhahha/article/details/103497155