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∗k21​m=1∑k1​n=1∑k2​20logImin,m,nw​Imax,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。

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∗k21​m=1∑k1​n=1∑k2​Imin,m,nw​+cImax,m,nw​​logImin,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16x16个块

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。

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

1、《对数图像处理新模型及应用研究》