上面我们已经介绍了关于各类图像增强算法，并重点对Retinex图像增强算法进行了仿真，这里我们将通过Retinex算法和别的图像增强算法的仿真结果对比，讨论Retinex算法的优势。
1 空域图像增强算法的仿真及仿真性能分析
·图像增强仿真效果
空间域图像增强算法有多种方式，这里我们重点讨论中值滤波算法。 该算法仿真结果如下所示：
·灰度直方图
任意选取一个图片，通过其灰度直方图进行增强分析，如图2所示。
·熵
图像的熵值反映了图像的信息量，熵越大，信息量就越大，那么对应的图像的细节越丰富，下面我们对增强前后的图像计算其熵。
我们计算测试图片的熵，其计算结果如表2所示：
表2 中值滤波后的图像熵值
| 增强前的熵 |
增强后的熵 |
| 10.9280 |
11.6472 |
通过上面的分析，我们发现利用中值滤波后，图像并没有得到明显增强，所以我们在时间实现中不考虑采用这种方法的图像增强方法。
2 频域图像增强算法的仿真及仿真性能分析
·图像增强仿真效果
频域图像增强算法有多种方式，这里我们重点频域滤波算法。 该算法仿真结果如下所示：
图4 利用频域滤波进行图像增强前后对比图
·灰度直方图
任意选取一个图片，通过其灰度直方图进行增强分析，如图2所示。
(a)增强前的图像和图像灰度直方图
(b)增强后的图像和图像灰度直方图
图5灰度直方图
图像的熵值反映了图像的信息量，熵越大，信息量就越大，那么对应的图像的细节越丰富，下面我们对增强前后的图像计算其熵。
我们计算测试图片的熵，其计算结果如表3所示：
表3 中值滤波后的图像熵值
| 增强前的熵 |
增强后的熵 |
| 10.9280 |
12.1093 |
通过上面的分析，通过频域滤波以后，虽然从其效果较中值滤波有所改善，但是通过计算其熵值仍然比Retinex算法小，其外频域增强法需要通过操作FFT和IFFT，在硬件实现上需要大量的资源，所以我们在硬件上使用Retinex进行图像增强算法的实现。