精华内容
下载资源
问答
  • 图像质量评估算法 SSIM(结构相似性)

    万次阅读 多人点赞 2017-04-13 16:50:51
    SSIM的全称为structural similarity index,即为结构相似性,是一种衡量两幅图像相似度的指标。该指标首先由德州大学奥斯丁分校的图像和视频工程实验室(Laboratory for Image and Video Engineering)提出。而如果...

    SSIM的全称为structural similarity index,即为结构相似性,是一种衡量两幅图像相似度的指标。该指标首先由德州大学奥斯丁分校的图像和视频工程实验室(Laboratory for Image and Video Engineering)提出。而如果两幅图像是压缩前和压缩后的图像,那么SSIM算法就可以用来评估压缩后的图像质量。

    SSIM如何表征相似性:
    先给出一组公式:
    这里写图片描述

    uX、uY分别表示图像X和Y的均值,σX、σY分别表示图像X和Y的标准差,σX*σX、σY*σY(实在打不出上标啊,理解万岁)分别表示图像X和Y的方差。σXY代表图像X和Y协方差。C1,C2和C3为常数,是为了避免分母为0而维持稳定。通常取C1=(K1*L)^2, C2=(K2*L)^2, C3=C2/2, 一般地K1=0.01, K2=0.03, L=255( 是像素值的动态范围,一般都取为255)

    最后的SSIM指数为:
    这里写图片描述

    当我们设定C3=C2/2时,我们可以将公式改写成更加简单的形式:
    这里写图片描述

    所以结构相似度指数从图像组成的角度将结构信息定义为独立于亮度、对比度的反映场景中物体结构的属性,并将失真建模为亮度、对比度和结构三个不同因素的组合。用均值作为亮度的估计,标准差作为对比度的估计,协方差作为结构相似程度的度量。

    如何求得均值,方差与标准差:
    这里写图片描述

    而在实际应用中,一般采用高斯函数计算图像的均值、方差以及协方差,而不是采用遍历像素点的方式,以换来更高的效率。

    下面的链接我们将用一个简单的程序实现SSIM算法,并作出对比实验:
    http://blog.csdn.net/chaipp0607/article/details/70160307

    展开全文
  • 与原始语料库和结构化本体的联合语义相似性评估,用于面向语义的服务发现
  • SSIM的全称为structural similarity index,即为结构相似性,是一种衡量两幅图像相似度的指标。该指标首先由德州大学奥斯丁分校的图像和视频工程实验室(Laboratory for Image and Video Engineering)提出。而如果...

    SSIM的全称为structural similarity index,即为结构相似性,是一种衡量两幅图像相似度的指标。该指标首先由德州大学奥斯丁分校的图像和视频工程实验室(Laboratory for Image and Video Engineering)提出。而如果两幅图像是压缩前和压缩后的图像,那么SSIM算法就可以用来评估压缩后的图像质量。

    SSIM如何表征相似性:

    先给出一组公式:

    uX、uY分别表示图像X和Y的均值,σX、σY分别表示图像X和Y的标准差,σX*σX、σY*σY(实在打不出上标啊,理解万岁)分别表示图像X和Y的方差。σXY代表图像X和Y协方差。C1,C2和C3为常数,是为了避免分母为0而维持稳定。通常取C1=(K1*L)^2, C2=(K2*L)^2, C3=C2/2, 一般地K1=0.01, K2=0.03, L=255( 是像素值的动态范围,一般都取为255)

    最后的SSIM指数为:

    当我们设定C3=C2/2时,我们可以将公式改写成更加简单的形式:

    所以结构相似度指数从图像组成的角度将结构信息定义为独立于亮度、对比度的反映场景中物体结构的属性,并将失真建模为亮度、对比度和结构三个不同因素的组合。用均值作为亮度的估计,标准差作为对比度的估计,协方差作为结构相似程度的度量。

    如何求得均值,方差与标准差:

    而在实际应用中,一般采用高斯函数计算图像的均值、方差以及协方差,而不是采用遍历像素点的方式,以换来更高的效率。

    作者:chaibubble

    来源:CSDN

    原文:https://blog.csdn.net/chaipp0607/article/details/70158835

    版权声明:本文为博主原创文章,转载请附上博文链接!

    展开全文
  • 前一篇文章参考:图像质量评估各项指标(一) 一、从均方误差MSE和峰值信噪比PSNR说起 计算图像降噪后的质量,最 直接的思路即比较降噪后的图像与真实图像(distortion-free)之间的差剖面,即可视误差,通过 v.....

    前言:前面的一片文章中较为系统的归纳了图像质量评价的各种指标,其中使用的最多的就是PSNR和SSIM,鉴于PSNR较为简单,本文专门介绍SSIM的思想以及它的实现。

    前一篇文章参考:图像质量评估各项指标(一)

    一、从均方误差MSE和峰值信噪比PSNR说起


    计算图像降噪后的质量,最 直接的思路即比较降噪后的图像与真实图像(distortion-free)之间的差剖面,即可视误差,通过 visibility of errors 评价图像质量。PSNR 和 MSE 就是基于这种简单直接的思路确定的指标,

    MSE(Mean Squared Error),顾名思义,定义略。

    PSNR(Peak Signal to Noise Ratio),峰值信噪比,即峰值信号的能量与噪声的平均能量之比,通常表示的时候取 log 变成分贝(dB),由于 MSE 为真实图像与含噪图像之差的能量均值,而两者的差即为噪声,因此 PSNR 即峰值信号能量与 MSE 之比。定义式如下:


    ​    第二个等式由于图像像素点数值以量化方式保存,bits 即每个像素点存储所占的位数。因此 MaxValue 即为 2^bits - 1。

    计算PSNR

    def cal_psnr(im1, im2):
         mse = (np.abs(im1 - im2) ** 2).mean()
         psnr = 10 * np.log10(255 * 255 / mse)
         return psnr

    由于 灰度等级gray scale 存成 8bit ,故最大值255。

    当时上面的评价指标有一个大的问题,那就是
    由于基于差剖面的简单计算不符合人类视觉系统(Human Visual System,HVS)的评价结果,因此需要对评价方式进行重新考量。如果图片的最终目的是对人类展示的话,那么质量应该以人的主管测评为准。但是由于主管评价不方便且费时,因此我们试图用客观的 图像质量评价来对图像进行评价,使其接近 HVS 的特点。由于 HVS 具有可以抓取图像的结构特征的特点,因此设计(结构相似性) Structural Similarity 进行评价,即 SSIM

    注意:PSNR和SSIM都是全参考的(full reference)的,也就是需要无噪声的真实图像作为参考依据。

     

    二、结构相似性SSIM

    SSIM的基本思路是,通过以下三个方面来对两幅图像的相似性进行评估,即

    1. luminance,亮度
    2. contrast,对比度
    3. structure,结构

    算法的框图基本如下:

     

    基本流程为:

    (1)对于输入的x和y,首先计算出(亮度测量)luminance measurement,进行比对,得到第一个相似性有关的评价;

    (2)再减去luminance的影响,计算(对比度测量)contrast measurement,比对,得到第二个评价;

    (3)再用上一步的结果除掉对比度的影响,再进行structure的比对。最后将结果combine,得到最终的评价结果。

    从实现角度来讲,

    (1)亮度luminance用均值表征,以标准图像x为例,当然还有另外一张作为对比的图像y,公式是一样的,如下:

    (2)对比度contrast用经过均值归一化之后的方差表征,以标准图像x为例,当然还有另外一张作为对比的图像y,公式是一样的如下:

     

    (3)结构用相关系数(就是统计意义上的 r ,协方差与方差乘积的比值)。

    相关系数本来的公式如下:

    在这里即为:

    其中,有:

    注意:

    上面的计算我们在实际应用的时候一般不这样去逐像素计算,一般采用高斯核函数(即高斯卷积)计算图像的均值、方差以及协方差,而不是采用遍历像素点的方式,以换来更高的效率。

     

    具体的计算公式如下所示:

    (1)亮度luminance测量值——实际上式ux,uy的函数

    (2)对比度contrast测量值——实际上是δx和δy的函数

    (3)结构structure测量值——实际上是δxy与δx,δy的函数

    其中,有:

    最终的结构相似性公式如下:

    其中三个参数α,β,γ 用来表示这三个模块的重要性。

    其中SSIM表示相似度,这个算子应当满足作为度量的基本性质,即

    • Symmetry,交换x和y顺序不影响结果。
    • Boundedness,值要有界,这里时小于等于1.。
    • Unique maximum,最大值,即1,只有当 x = y 时候取到。

    为了得到简化形式,令

    于是得到下面的简化公式:

    这就是一般我们计算的表达式。

    所以结构相似度指数从图像组成的角度将结构信息定义为独立于亮度、对比度的反映场景中物体结构的属性,并将失真建模为亮度、对比度和结构三个不同因素的组合。用均值作为亮度的估计,标准差作为对比度的估计,协方差作为结构相似程度的度量。

    补充:

    但是由于SSIM应该应用于局部,这是为了拟合人类视觉的局部性的特点,因此实际上我们用 mean-SSIM或者MSSIM,对各个local window的SSIM求平均。什么意思呢?

    实际上就是先将一副图像划分成一些区域,对每一个区域求一个SSIM的值,然后一幅图像上面的所有区域的SSIM的平均值作为整个图像的SSIM值。

     

    三、SSIM的实现

    (1)方式一:python的skimage库中实现了一些常见的评价指标如

    from skimage.measure import compare_mse     #均方误差
    from skimage.measure import compare_psnr    #峰值信噪比
    from skimage.measure import compare_ssmi    #结构相似性

    (2)自己实现:代码如下

     

     

     

     

    展开全文
  • 图像质量评估算法,结构相似性(SSIM),matlab代码(亲测可使用),用于图像质量评价,原始图像与处理后的图像计算它们的峰值信噪比,比值越高越优。 SSIM 公式基于样本 x 和 y 之间的三个比较衡量:亮度 (luminance)...
  • SSIM结构相似性算法

    2020-12-18 12:42:00
    结构相似性,是一种衡量两幅图像相似度的指标,通常用作图像质量评估,在图像重建、压缩领域,可以计算输出图像与原图的差距。 MSE 有很多算法可以计算输出图像与原图的差距,其中最常用的一种是 Mean Square Error ...

    应用场景

    结构相似性,是一种衡量两幅图像相似度的指标,通常用作图像质量评估,在图像重建、压缩领域,可以计算输出图像与原图的差距。

    MSE

    有很多算法可以计算输出图像与原图的差距,其中最常用的一种是 Mean Square Error loss(MSE)。它的计算公式很简单:

    MSE=1n[IiKi]2MSE=\frac{1}{n} \sum [I_i-K_i]^{2}

    就是计算重建图像与输入图像的像素差的平方,然后在全图上求平均。
    有时候两张图片只是亮度不同,但是之间的 MSE loss 相差很大。而一幅很模糊与另一幅很清晰的图,它们的 MSE loss 可能反而相差很小:
    在这里插入图片描述
    结合神经科学的研究,认为我们人类衡量两幅图的距离时,更偏重于两图的结构相似性,而不是逐像素计算两图的差异。

    SSIM算法

    SSIM使用的两张图像中,一张为未经压缩的无失真图像,另一张为失真后的图像。

    相似性按三个维度进行比较:

    1. 亮度(luminance)l(x,y)
    2. 对比度(contrast)c(x,y)
    3. 结构(structure)s(x,y)

    最终相似度为这三者的函数:
    在这里插入图片描述

    亮度

    以平均灰度来作为亮度测量的估计:
    在这里插入图片描述

    对比度

    所谓对比度,就是图像明暗的变化剧烈程度,也就是像素值的标准差,测量系统知道要把平均灰度值从信号中去除,对于离散信号,可使用标准差来做对比度估量值。
    在这里插入图片描述

    结构

    需要注意的是,对一幅图而言,其亮度和对比度都是标量,而其结构显然无法用一个标量表示,而是应该用该图所有像素组成的向量来表示。同时,研究结构相似度时,应该排除亮度和对比度的影响,即排除均值和标准差的影响,可用归一化图像向量(xμx)(x-μ _x)来做结构对比估计。该向量长度为

    i=1N(xiμx)2=N1σx\sum_{i=1}^{N}(x_{i}-\mu_{x})^2=\sqrt{N-1} *\sigma_{x}

    相似函数

    三个公式定量计算这三者的相似性,公式的设计遵循三个原则:

    1. 对称性:S(x,y)=S(y,x)S(x,y)=S(y,x)
    2. 有界性:S(x,y)1S(x,y)≤1
    3. 极限值唯一:S(x,y)=1S(x,y)=1当且仅当 x=yx = y

    作者用如下公式衡量两幅图 x 和 y 的亮度相似度

    l(x,y)=2μxμy+C1μx2+μy2+C1l(x,y)= \frac{2μ_xμ _y+C1}{μ_x^2+μ _y^2+C_1}

    这里C1C_1 是为了防止分母为零的情况,且:

    C1=(K1L)2C_{1}=\left(K_{1} L\right)^{2}

    其中K11K_1≪1是一个常数,具体代码中的取值为 0.01,L 是灰度的动态范围,由图像的数据类型决定,如果数据为 uint8 型,则 L=255。该公式对称且小于等于1,当 x = y 时等号成立。

    对比度的相似度(标准差)公式和亮度(均值)公式极为相似,,所以相似度也可以借鉴过来,作者定义对比度相似度
    不过把均值换成了方差,作者定义:

    c(x,y)=2σxσy+C2σx2+σy2+C2c(\mathrm{x}, \mathrm{y})=\frac{2 \sigma_{\mathrm{x}} \sigma_{\mathrm{y}}+C_{2}}{\sigma_{\mathrm{x}}^{2}+\sigma_{\mathrm{y}}^{2}+C_{2}}
    其中:

    C2=(K2L)2C_{2}=\left(K_{2} L\right)^{2}

    一般K2K_2在代码中取 0.03。该公式也对称且小于等于1,当 x = y 时等号成立。

    对于结构相似度,可以采用是归一化的两个向量:xμxN1σx\frac{\mathrm{x}-\mu_{x} }{\sqrt{N-1}*\sigma_{x}}yμyN1σy\frac{\mathrm{y}-\mu_{y}}{\sqrt{N-1}*\sigma_{y}}之间的关系来衡量。
    它们的余弦相似度为:

    s(x,y)=(1N1xμxσx)(1N1yμyσy)=1σxσy(1N1i=1N(xiμx)(yiμy))\begin{aligned} s(\mathrm{x}, \mathrm{y}) =\left(\frac{1}{\sqrt{N-1}} \frac{\mathrm{x}-\mu_{\mathrm{x}}}{\sigma_{\mathrm{x}}}\right) \cdot\left(\frac{1}{\sqrt{N-1}} \frac{\mathrm{y}-\mu_{\mathrm{y}}}{\sigma_{\mathrm{y}}}\right) \\ =\frac{1}{\sigma_{\mathrm{x}} \sigma_{\mathrm{y}}}\left(\frac{1}{N-1} \sum_{i=1}^{N}\left(x_{i}-\mu_{\mathrm{x}}\right)\left(y_{i}-\mu_{\mathrm{y}}\right)\right) \end{aligned}

    上式中第二行括号内的部分为协方差公式:

    σxy=1N1i=1N(xiμx)(yiμy)\sigma_{\mathrm{xy}}=\frac{1}{N-1} \sum_{i=1}^{N}\left(x_{i}-\mu_{\mathrm{x}}\right)\left(y_{i}-\mu_{\mathrm{y}}\right)
    为了防止分母为0,分子分母同时加C3C_3

    s(x,y)=σxy+C3σxσy+C3s(\mathrm{x}, \mathrm{y})=\frac{\sigma_{\mathrm{xy}}+C_{3}}{\sigma_{\mathrm{x}} \sigma_{\mathrm{y}}+C_{3}}

    SSIM

    根据上面三个公式,定义两幅图像的相似度为:
    SSIM(x,y)=l(x,y)c(x,y)s(x,y)SSIM(x,y)=l(x,y)⋅c(x,y)⋅s(x,y)

    可以巧妙的令C3=C2/2C_3 = C_2/2,使得c(x,y)c(\mathrm{x, y})的分子和 s(x,y)s(\mathrm{x, y}) 的分母可以约分,最终得到 SSIM 的公式:

    SSIM(x,y)=(2μxμy+C1)(2σxy+C2)(μx2+μy2+C1)(σx2+σy2+C2)\operatorname{SSIM}(\mathrm{x}, \mathrm{y})=\frac{\left(2 \mu_{\mathrm{x}} \mu_{\mathrm{y}}+C_{1}\right)\left(2 \sigma_{\mathrm{xy}}+C_{2}\right)}{\left(\mu_{\mathrm{x}}^{2}+\mu_{\mathrm{y}}^{2}+C_{1}\right)\left(\sigma_{\mathrm{x}}^{2}+\sigma_{\mathrm{y}}^{2}+C_{2}\right)}

    MSSIM

    上面的 SSIM 不能用于一整幅图,因为在整幅图的跨度上,均值和方差往往变化剧烈;同时,图像上不同区块的失真程度也有可能不同,不能一概而论;此外类比人眼睛每次只能聚焦于一处的特点,采用 sliding window 以步长为 1 计算两幅图各个对应 sliding window 下的 patch 的 SSIM,然后取平均值作为两幅图整体的 SSIM,称为 Mean SSIM。简写为 MSSIM(注意和后续出现的 multi-scale SSIM:MS-SSIM 作区分)。

    假如整幅图有 M 个 patch,那么 MSSIM 公式为:

    MSSIM(X,Y)=1Mj=1MSSIM(xj,yj)\operatorname{MSSIM}(\mathrm{X}, \mathrm{Y})=\frac{1}{M} \sum_{j=1}^{M} \operatorname{SSIM}\left(\mathrm{x}_{j}, \mathrm{y}_{j}\right)

    优化技巧

    需要知道的数学公式大概是:

    σx2=E[x2]E2[x]\sigma_{\mathrm{x}}^{2}=E\left[\mathrm{x}^{2}\right]-E^{2}[\mathrm{x}]

    σxy2=E[xy]E[x]E[y]\sigma_{\mathrm{xy}}^{2}=E[\mathrm{xy}]-E[\mathrm{x}] E[\mathrm{y}]

    展开全文
  • //结构相似性度量 static void ssim_4x4x2_core ( const pixel * pix1 , intptr_t stride1 , const pixel * pix2 , intptr_t stride2 , int sums [ 2 ] [ 4 ] ) { for ( int z = 0 ; ...
  • 针对现有图像质量评估方法不能有效评价所有失真类型图像、计算量大等问题进行了研究,受人眼视觉特性的启发,提出了一种新的基于图像边缘结构相似性的全参考质量评价方法。该方法利用图像边缘梯度对图像失真的敏感性...
  • 背景:为了评估针对范围不确定度(RU)和设置误差(SE)的质子铅笔束扫描(PBS)技术使用头颈治疗的稳健,并建立了用于未来治疗的稳健PBS规划策略。 方法和材料:使用单场均匀剂量(SFUD)计划技术,计划连续的10...
  • 实现matlab编程实现关于图像处理的一些简单的操作,加深对图像处理后图像性能评估的理解:  clc; close all; X = imread('1.jpg'); X=rgb2gray(X); Y=X; Y = imnoise(Y, 'salt & pepper');%添加椒盐...
  • 为了解决这个问题,本文提出了一种基于两阶段低级特征的多尺度结构图像质量评估,通过结合观察条件和分辨率的变化,该评估比以前的单尺度方法更具灵活。 在此多尺度框架中,将不同的权重分配给具有不同重要级别...
  • 介绍并讨论了有代表的三种评估方法:SAAM,ATAM,ALPSM,在此基础上提出一个概念上的比较框架来分析这些评估方法的相似与差异,并进一步对方法的结合、重用,以及在设计中引入评估及实践中的使用等问题作了探讨。
  • 而应用了相似性搜索的相似引擎即可为用户返回最恰当、最合适的结果,同时隐藏或者丢弃那些重复的数据。但是,目前相似性搜索领域需要克服的难题即它的规模和运行速度。据报道,Facebook的人工智能研究团队就称已在该...
  • 针对这一问题,提出了一个基于多相位相似性的非局部均值超分辨率重建方法,来提升肺4D-CT图像的质量。该方法利用多相位图像之间的互补信息,以非局部均值滤波为基础,来恢复图像的高分辨率细节结构;另外,由于呼吸...
  • 使用在地理信息系统(GIS)中实施的多准则模糊推理系统(FIS)对新墨西哥州的贝纳里洛县进行了分水岭脆弱性评估。 脆弱性图是通过加权叠加分析生成的,该分析结合了从FIS方法学得出的土壤侵蚀和渗透图。 该模型规定...
  • 利用高光谱遥感图像对国防工程进行伪装效果评估,提出了一种基于直觉模糊决策的高光谱伪装效果综合评估方法,以及包括光谱泛相似测度、亮度对比度、视觉相似性测度和结构相似性测度等在内的高光谱伪装效果综合评价...
  • 图像质量评估算法

    2020-08-22 17:12:43
    图像质量评估算法 MAD(Mean Absolute Difference):平均绝对差值 SAD(Sum of Absolute Difference):绝对误差和 SATD(Sum of Absolute Transformed Difference...SSIM(Structural Similarity Index):结构相似性 MS-SSI
  • RDKit | 定量评估类药性(QED)

    千次阅读 2019-09-21 17:15:42
    QED(quantitative estimate of drug-likeness)是一种将药物相似性量化为介于0和1之间的数值的方法。 药物相似性 如Lippinsky规则所示,获批药物的理化参数表明,这些化合物分布在狭窄的范围内。进入该化学空间...
  • 这会在分割的每个点上引起局部相似性评分,然后可以按照原则上的信息论方法将其累积为整个分割的全局相似性评分。 实验是根据来自伯克利细分数据库和我们自己的数据库的基准图像进行的。 结果表明,所提出的方法...
  • 首先介绍两个概念:峰值信噪比、结构相似性,具体公式与内容如下网址所示: http://blog.csdn.net/xiaxiazls/article/details/47952611 然后我们查看下结构相似性的大致内容,以下链接是该方法的论文与PPT: ...
  • 4.4 聚类分析评估

    2020-07-22 15:44:21
    聚类评估可以用来估计在数据集上进行聚类的可行和被聚类方法产生结果的质量,聚类评估的工作主要是: 估计聚类趋势,只有在数据中存在非随机结构,聚类结果才会有意义。所以要分析是否具有聚类趋势 确定数据集的...
  • 与MSE和PSNR相比,最近,又开发了两个更多的参考度量标准SSIM(结构相似性索引方法)和FSIM(特征相似性索引方法),目的是在此基础上比较还原对象和原始对象之间的结构和特征相似性度量知觉。 本文主要强调比较...
  • 1 调用skimage.measure问题 当在自己的电脑上运行下列评估图像质量的代码,没有问题 # 信息熵 en = skimage.measure.shannon_entropy(img_fu) # 峰值信噪比 pnsr = skimage....# 结构相似性 ssim = skimage....
  • EMBEDR算法通过对数据集中的每个样本执行统计检验来评估随机机会产生相似结构水平的可能。 使用t-SNE,UMAP和PCA嵌入的小鼠组织进行的5037个单细胞RNA-seq测量结果的可视化,并使用由EMBEDR算法计算的p值进行...
  • 1.峰值信噪比PSNR ...作为结构相似性理论的实现,结构相似度指数从图像组成的角度将结构信息定义为独立于亮度、对比度的,反映场景中物体结构的属性,并将失真建模为亮度、对比度和结构三个不同因素的组合。用均

空空如也

空空如也

1 2 3 4 5 6
收藏数 111
精华内容 44
关键字:

结构相似性评估