精华内容
下载资源
问答
  • 图像融合评价指标.zip

    2021-07-23 17:32:35
    图像客观评价指标文件
  • 本文基于2013年印度喀拉拉邦科钦科技大学的研究学者Jaya文章[1]对常用的质量评价指标进行实现,主要涉及客观质量评价指标,包括全参考质量评价指标和盲(无参考)质量评价指标,并基于特征工程的观点对图像统计特征...

    By Sakria

    一、引言

    图像处理领域有很多质量评价指标,本文基于2013年印度喀拉拉邦科钦科技大学的研究学者Jaya文章[1]对常用的质量评价指标进行实现,主要涉及客观质量评价指标,包括全参考质量评价指标和盲(无参考)质量评价指标,并基于特征工程的观点对图像统计特征(指标)进行探讨。

    二、图像质量评价指标

    个人观点,指标是对客观事物的一种量化表述,英文中常用Index表示。我们常见的国民生产总值(Gross National Product)、消费者物价指数(Consumer Price Index)等都是一种量化指标。量化带来的一个好处就是便于分析,但是坏处就是存在某种无法定量描述的失真。因此,在讨论图像量化指标的时候,我们本质上是在讨论:对于一幅图像而言,如何根据研究目的进行取舍,以便于得到量化的指标计算公式,从而方便分析,并进一步指导图像处理实践。

    (一)全参考图像质量评价指标

    (二)盲图像质量评价指标

    (三)图像统计特征(指标)

    三、Matlab函数实现


    • 全参考图像质量评价指标
      • MSE: Mean-Squared Error
      • PSNR: Peank Signal-to-Noise Ratio
      • MAE: Mean Absolute Error
      • SNR: Signal-to-Noise Ratio→ WSNR: Weighted Signal to Noise Ratio[2]
        权重通过CSF(Contrast SensitivityFunction)函数得出。
      • AMBE: Absolute Mean Brightness Error
      • CNR: Contrast-to-Noise Ratio
      • DM: Distortion Measure[3]
      • NQM: Noise Quality Measure[3]
      • UQI: Universal Quality Index
      • SSIM(MSSIM):(Mean) Structural SIMilarity
      • IFC: Information Fidelity Criterion[4]→VIF: Visual Information Fidelity[5]→VIFP: Visual Information Fidelity in Pixel domain[6]
      • VSNR[7]
      • RFSIM[8]
      • FSIM[9]

    • 盲图像质量评价指标
      • EME(EMEE)
      • AME(AMEE)
      • SDME

    • 图像统计特征(指标)
      图像统计特征意在描述一幅图像整体或者局部的视觉特性。对于自然图像而言,外观特征一致的一些区域被识别为纹理(互相关联的像素集合)。这些视觉特性可以用邻域内的一阶统计特征来描述,也可以用二阶统计特征来描述。特别地,二阶统计特征是基于灰度重现矩阵[11](Gray Level Co-occurrence Matrix,GLCM)计算的,是描述像素值变化特征(图像视觉特性)最主要的统计量。
      • Entropy熵
      • Contrast对比度
      • Homogeneity各向同性
      • Energy能量(势)
      • Correlation(相关性)

    参考文献

    [1] IEM: A New Image Enhancement Metric for Contrast and Sharpness Measurements
    [2] 1995-An Experimental time-compression system for satellite television transmission
    [3] 2000-Image quality Assessment based on a degradation model
    [4] 2005-An information fidelity criterion for image quality assessment using natural scenestatistics
    [5] 2006-Image information and visual quality
    [6] 2011-A new method for color image quality assessment
    [7] 2012-A Wavelet-based visual signal-to-noise ratio for natural images
    [8] 2010-A Feature based image quality assessment metric using riesz transforms
    [9] 2011-FSIM: a feature similarity index for image quality assessment

    展开全文
  • 能够对图像处理进行客观评价的一系列指标,比如图像进行去噪等处理后需要指标来评价去噪效果
  • 图像质量的客观评价方法是根据人眼的主观视觉系统建立数学模型,并通过具体的公式计算图像的质量。传统的图像质量客观评价方法主要包括均方误差(MSE,mean squared error)和峰值信噪比(PSNR,peak signal to ...
    展开全文
  • ;用于计算原始影像与经过处理后影像的平均绝对误差 MAE function calMAE, image_or, image_deal nDim = size(image_or, /n_dimension) nDim2 = size(image_deal, /n_dimension) if nDim le 2 and nDim2 le 2 then...

    平均绝对误差MAE

    ;用于计算原始影像与经过处理后影像的平均绝对误差 MAE
    function calMAE, image_or, image_deal
      nDim = size(image_or,  /n_dimension)
      nDim2 = size(image_deal, /n_dimension)
      if nDim le 2 and nDim2 le 2 then begin
        valid_data_or = image_or[where(~finite(image_or, /nan))]
        valid_data_deal = image_deal[where(~finite(image_deal, /nan))]
        if n_elements(valid_data_or) eq n_elements(valid_data_deal) then begin
          nums = n_elements(valid_data_or)
          MAE = total(abs(valid_data_or - valid_data_deal)) / nums     
          endif else begin
            print, 'vaild data in 2 image is not equal'
            return, 0
          endelse
        endif else begin
          print, 'image is not le 2 dims.'
          return, 0
      endelse
      return, MAE
    end 
    

    均方误差MSE

    ;用于计算原始影像与经过处理后影像的均方误差MSE
    function calMSE, image_or, image_deal
      nDim = size(image_or,  /n_dimension)
      nDim2 = size(image_deal, /n_dimension)
      if nDim le 2 and nDim2 le 2 then begin
        valid_data_or = image_or[where(~finite(image_or, /nan))]
        valid_data_deal = image_deal[where(~finite(image_deal, /nan))]
        if n_elements(valid_data_or) eq n_elements(valid_data_deal) then begin
          nums = n_elements(valid_data_or)
          MSE = total((valid_data_or - valid_data_deal)*(valid_data_or - valid_data_deal)) / nums
        endif else begin
          print, 'vaild data in 2 image is not equal'
          return, 0
        endelse
      endif else begin
        print, 'image is not le 2 dims.'
        return, 0
      endelse
      return, MSE
    end
    

    峰值信噪比PSNR

    PSNR 峰值信噪比 - Peak Signal to Noise Ratio
    peak的中文意思是顶点。而ratio的意思是比率或比列的。整个意思就是到达噪音比率的顶点信号,psnr一般是用于最大值信号和背景噪音之间的一个工程项目。通常在经过影像压缩之后,输出的影像都会在某种程度与原始影像不同。为了衡量经过处理后的影像品质,我们通常会参考PSNR值来衡量某个处理程序能否令人满意。它是原图像与被处理图像之间的均方误差相对于(2n-1)2的对数值(信号最大值的平方,n是每个采样值的比特数),它的单位是dB。
    在这里插入图片描述

    ;用于计算单波段影像的峰值信噪比PSNR
    function calPSNR, image, MSE
      nDim = size(image, /n_dimension)
      if nDim le 2 then begin
        image_max = max(image, /nan)    
        PSNR = 20 * alog(image_max / sqrt(MSE))
        return, PSNR
      endif else begin
        print, 'image dims is not le 2.'
        return, 0
      endelse
    end
    

    信息熵H

    信息熵H是图像信息量的反映,是衡量图像信息丰富程度的重要指标。单波段图像的信息熵越大,信息量越大。
    在这里插入图片描述
    其中bit是色深的最大灰度值,p(i)是灰度值i的概率密度。

    ; 用于计算单波段影像的信息熵H
    function calEntroy, image
      nDim = size(image, /n_dimension)  
      if nDim le 2 then begin
        pixNums = histogram(image, binsize=1, /nan)
        nums = total(pixNums, /nan)
        pby = pixNums*1d / nums
        imageEntroy = -total(pby*alog(pby) / alog(2), /nan)
        return, imageEntroy
       endif else begin
        print, 'image dims is not le 2.'
        return, 0
       endelse 
    end
    

    辐射质量改善因子IF

    辐射质量改善因子IF定义为去除条纹前后两幅图像的灰度值沿条纹方向的变化。
    在这里插入图片描述
    其中mIR(i)和mIE(i)分别表示移除条纹之前和之后第i列的平均值。IF值越大,算法的解扩能力越强。

    ;计算影像辐射质量改善因子IF
    function calIF, image_or, image_deal
      mean_or = mean(image_or, dimension=1, /nan)
      row_num = n_elements(mean_or)
      sum_or = 0
      for i=1, row_num-1 do begin
        number = (mean_or[i] - mean_or[i-1]) * (mean_or[i] - mean_or[i-1])
        sum_or = sum_or + number 
      endfor 
      
      mean_deal = mean(image_deal, dimension=1, /nan)
      sum_deal = 0
      for i=1, row_num-1 do begin
        number = (mean_deal[i] - mean_deal[i-1]) * (mean_deal[i] - mean_deal[i-1])
        sum_deal = sum_deal + number
      endfor
      IF_cal = 10 * alog(total(sum_or / sum_deal))
      return, IF_cal 
    end
    
    展开全文
  • 图像融合评价指标

    万次阅读 2019-05-07 15:01:53
    图像融合评价指标 文章目录图像融合评价指标1. 人类视觉系统(HVS)2. 分类一般方法1. 信息熵(IE)2. 标准差(STD)3. 对比度(CON)4. 空间频率(SF)5. 平均梯度(AG)6. 交叉熵(cross entropy)7. 边缘强度...

    图像融合评价指标

    1. 人类视觉系统(HVS)

    a) 从空间频域来看,人眼是一个低通线性系统

    b) 人眼对亮度的响应具有对数非线性性质

    c) 人类对亮度信号的空间分辨率大于对色度信号的空间分辨率

    d) 人眼视觉系统对信号进行加权求和运算,相当于使信号通过一个带通滤波器。

    e) 图像的边缘信息对视觉很重要,特别是边缘的位置信息,人眼容易感觉到边缘的位置变化,而对边缘的灰度误差并不敏感

    f) 人眼的视觉掩盖效应是一种局部效应,受背景照度、纹理复杂性和信号频率的影响,具有不同局部特性的区域,在保证不被人眼察觉的前提下,允许改变的信号强度不同

    2. 分类

    图像质量评价(IQA),根据参考图片(reference image),即原始图片的存在与否,可分为:

    a) 全参考(full-reference)方法

    b) 半参考(reduced-reference)方法

    c) 无参考(no-reference)方法

    其中,FR方法研究比较成熟,相关方法较多。RR方法只有原始图片的部分信息,相关方法不是很有效,NR方法目前还处于研究中,因此我们这里只对FR方法进行介绍

    图像融合评价指标: 信息熵(IE)、标准差(STD)、对比度(CON)、空间频率(SF)、平均梯度(AG)及 Piella 基于结构相似性的两个指标 QW与 QE等。

    定义:(正向指标,反向指标) 记 I1 与 I2 为任意两幅同源融合图像, O1 与 O2 为指标 M 给出的 I1 与 I2 的客观评价结果. 当 I1 的主观评价结果优于 I2 时, 若 O1 > O2, 则称指标 M 为正向指标; 否则, 称 M 为反向指标. 如无特殊说明, 均为正向指标.

    一般方法


    1. 信息熵(IE)

    信息论中,(英语:entropy)是接收的每条消息中包含的信息的平均量,又被称为信息熵信源熵平均自信息量

    计算公式:
    H ( X ) = ∑ i P ( x i ) I ( x i ) = − ∑ i P ( x i ) log ⁡ b P ( x i ) H(X)=\sum \limits_{i}P(x_i)I(x_i)=-\sum \limits_{i}P(x_i)\log_bP(x_i) H(X)=iP(xi)I(xi)=iP(xi)logbP(xi)

    2. 标准差(STD)

    标准差(又称标准偏差、均方差,英语:Standard Deviation,缩写SD),数学符号σ(sigma),在概率统计中最常使用作为测量一组数值的离散程度之用。标准差定义:为方差算术平方根,反映组内个体间的离散程度;标准差与期望值之比为标准离差率

    计算公式:
    S D = 1 N ∑ i = 1 N ( x i − μ ) 2 μ 为 平 均 值 ( x ˉ ) SD=\sqrt{\frac{1}{N}\sum\limits_{i=1}^N(x_i-\mu)^2} \qquad \mu为平均值(\bar{x}) SD=N1i=1N(xiμ)2 μxˉ

    3. 对比度(CON)

    对比度是画面黑与白的比值,也就是从黑到白的渐变层次。比值越大,从黑到白的渐变层次就越多,从而色彩表现越丰富。对比度对视觉效果的影响非常关键,一般来说对比度越大,图像越清晰醒目,色彩也越鲜明艳丽;而对比度小,则会让整个画面都灰蒙蒙的。

    计算公式:
    C = ∑ δ δ ( i , j ) 2 P δ ( i , j ) C=\sum\limits_{\delta}\delta(i,j)^2P_{\delta}(i,j) C=δδ(i,j)2Pδ(i,j)
    其中, δ ( i , j ) = ∣ i − j ∣ \delta(i,j)=|i-j| δ(i,j)=ij,即相邻像素间灰度差; P δ ( i , j ) P_{\delta}(i,j) Pδ(i,j)为相邻像素间灰度差为 δ \delta δ的像素分布概率。

    4. 空间频率(SF)

    空间频率(spatial frequency),空间频率反映的是图像灰度的变化率.

    其计算公式为 :
    S F ( F ) = R F 2 + C F 2 SF(F)=\sqrt{RF^2+CF^2} SF(F)=RF2+CF2
    其中,RF 和 CF 分别为图像的行频率和列频率,如下:
    R F = 1 m n ∑ i = 1 M − 1 ∑ j = 1 N − 1 ( F ( i , j ) − F ( i , j + 1 ) ) 2 RF=\sqrt{\frac{1}{mn}\sum_{i=1}^{M-1}\sum_{j=1}^{N-1}(F(i,j)-F(i,j+1))^2} RF=mn1i=1M1j=1N1(F(i,j)F(i,j+1))2

    C F = 1 m n ∑ i = 1 M − 1 ∑ j = 1 N − 1 ( F ( i , j ) − F ( i + 1 , j ) ) 2 CF=\sqrt{\frac{1}{mn}\sum_{i=1}^{M-1}\sum_{j=1}^{N-1}(F(i,j)-F(i+1,j))^2} CF=mn1i=1M1j=1N1(F(i,j)F(i+1,j))2

    空间频率可用于反映图像的清晰度. 一般地, 图像越清晰, 空间频率越高.

    5. 平均梯度(AG)

    点(m,n)处的梯度定义为:
    S ( m , n ) = G x ( m , n ) 2 + G y ( m , n ) 2 S(m,n)=\sqrt{G_x(m,n)^2+G_y(m,n)^2} S(m,n)=Gx(m,n)2+Gy(m,n)2
    清晰度评价准则定义:
    D e f i n i t i o n _ m e t r i c = ∑ m M ∑ n N ( S ( m , n ) − S ˉ ) 2 Definition\_metric=\sum_m^M\sum_n^N(S(m,n)-\bar S)^2 Definition_metric=mMnN(S(m,n)Sˉ)2
    其中, G x G_x Gx G y G_y Gy 分别代表使用 Sobel 梯度算子求得的 x x x y y y 方向的图像梯度, S ˉ \bar S Sˉ 代表梯度图像 S S S 的平均梯度。清晰度评价准则值越大表示图像越清晰,反之,图像越模糊。

    6. 交叉熵(cross entropy)

    主要用于度量两个概率分布间的差异性信息。
    H ( p , q ) = ∑ i p ( i ) ⋅ log ⁡ ( 1 q ( i ) ) H(p,q)=\sum_i p(i)\cdot \log (\frac{1}{q(i)}) H(p,q)=ip(i)log(q(i)1)
    交叉熵可在神经网络(机器学习)中作为损失函数,p表示真实标记的分布,q则为训练后的模型的预测标记分布,交叉熵损失函数可以衡量p与q的相似性。交叉熵作为损失函数还有一个好处是使用sigmoid函数在梯度下降时能避免均方误差损失函数学习速率降低的问题,因为学习速率可以被输出的误差所控制。

    7. 边缘强度(Edge Intensity)

    FR方法

    FR方法需要同时用到原始图片和失真图片,对二者的特征进行相似性比较。一般来说,FR-IQA包括两类方法,一种是传统的自底向上方法,这类方法基于HVS的某些视觉通路,如掩盖效应,对比灵敏度,最小可视差等,由于HVS的复杂性和认知的有限性,这类自底向上的方法通常很难与主观感知保持一致;比较经典的自底向上方法有MSE/PSNR。另一种是自顶向下的方法。这类方法对HVS的整体函数进行建模,利用了图像的全局信息,与主观感知的一致性要高于前一类方法。这类方法比较经典的算法包括,SSIM,MDSI以及GMSD

    1. SSIM(structural similarity)

    HVS能高度自适应提取场景中的结构信息,它分别从亮度、对比度、结构三方面度量图像相似性。

    • 亮度:
      μ x = 1 N ∑ i = 1 N x i \mu_x=\frac{1}{N}\sum_{i=1}^N x_i μx=N1i=1Nxi

    σ x = ( 1 N − 1 ∑ i = 1 N ( x i − μ x ) 2 ) 1 2 \sigma_x=\left( \frac{1}{N-1}\sum_{i=1}^N(x_i-\mu_x)^2 \right)^{\frac{1}{2}} σx=(N11i=1N(xiμx)2)21

    • 亮度相似性:
      l ( X , Y ) = 2 μ x μ y + C 1 μ x 2 + μ y 2 + C 1 l(X,Y)=\frac{2\mu_x\mu_y+C_1}{\mu_x^2+\mu_y^2+C_1} l(X,Y)=μx2+μy2+C12μxμy+C1

    • 对比度相似性:

    c ( X , Y ) = 2 σ x σ y + C 2 σ x 2 + σ y 2 + C 2 c(X,Y)=\frac{2\sigma_x\sigma_y+C_2}{\sigma_x^2+\sigma_y^2+C_2} c(X,Y)=σx2+σy2+C22σxσy+C2

    • 结构相似性:
      s ( X , Y ) = σ x y + C 3 σ x σ y + C 3 s(X,Y)=\frac{\sigma_{xy}+C_3}{\sigma_x\sigma_y+C_3} s(X,Y)=σxσy+C3σxy+C3

    计算得:
    S S I M ( X , Y ) = [ l ( X , y ) ] α ⋅ [ c ( X , Y ) ] β ⋅ [ s ( X , Y ) ] γ SSIM(X,Y)=[l(X,y)]^\alpha\cdot [c(X,Y)]^\beta\cdot[s(X,Y)]^\gamma SSIM(X,Y)=[l(X,y)]α[c(X,Y)]β[s(X,Y)]γ
    其中, C 1 , C 2 , C 3 C1,C2, C3 C1,C2,C3为常数,用于防止分母为零。SSIM取值范围[0,1],值越大,表示图像失真越小.

    2. Piella 结构相似性指标 Q W Q_W QW Q E Q_E QE

    在结构相似理论的基础上, Piella 提出了三个融合质量评价指标 Q Q Q, Q W Q_W QW Q E Q_E QE. Q Q Q 的计算思想是: 首先, 使用滑动窗口对融合图像和源图像进行切割. 然后, 分别对每个子图计算结构相似性.
    Q ( A , B , F ) = 1 ∣ W ∣ ∑ w ∈ W ( λ A ( w ) S S I M ( A , F ∣ w ) ) + λ B ( w ) S S I M ( B , F ∣ w ) Q(A,B,F)=\frac{1}{|W|}\sum_{w \in W}(\lambda_A(w)SSIM(A,F|w))+\lambda_B(w)SSIM(B,F|w) Q(A,B,F)=W1wW(λA(w)SSIM(A,Fw))+λB(w)SSIM(B,Fw)
    式中,$ SSIM(A,F|w)$ 是融合图像 F F F 与源图像 A 在w 处的子图块 (大小为$ block_size×block_size ) 结 构 相 似 度 . ‚ ) 结构相似度. ‚ ).\lambda_A(w) =\frac{ s(A|w)}{ s(A|w)+s(B|w)}$ , s ( A ∣ w ) s(A|w) s(Aw) s ( B ∣ w ) s(B|w) s(Bw)分别为图像 A A A B B B 在窗口 w w w 处的显著性.

    考虑到每个图像块的重要程度存在差异, 如果按重要程度设置图像块质量在质量评价中的比重,可以进一步改善评估效果. 因此, Piella 等提出一种加权质量评估指标.
    Q W ( A , B , F ) = ∑ w ∈ W c ( w ) ( λ A ( w ) S S I M ( A , F ∣ w ) ) + λ B ( w ) S S I M ( B , F ∣ w ) Q_W(A,B,F)=\sum_{w \in W}c(w)(\lambda_A(w)SSIM(A,F|w))+\lambda_B(w)SSIM(B,F|w) QW(A,B,F)=wWc(w)(λA(w)SSIM(A,Fw))+λB(w)SSIM(B,Fw)
    $c(w) $是 w w w 处的图像块在整个图像中的重要程度:$ c(w) =C(w)/\sum_{w’\in W}C(w’)$, 这里, C ( w ) = max ⁡ ( s ( A ∣ w ) , s ( B ∣ w ) ) C(w) = \max(s(A|w),s(B|w)) C(w)=max(s(Aw),s(Bw)).

    图像质量优劣与边缘的完整度、 清晰度等密切相关,HVS 对图像边缘敏感度最高. 因此,Piella 在求出 Q W Q_W QW 之后,分别对源图像和融合图像进行边缘检测,再将边缘图像带入上式 中求其加权相似度,最后综合两个 Q W Q_W QW , 得到基于边缘的结构相似指标:
    Q E ( A , B , F ) = Q W ( A , B , F ) 1 − α ⋅ Q W ( A ′ , B ′ , F ′ ) α Q_E(A,B,F)=Q_W(A,B,F)^{1-\alpha}\cdot Q_W(A',B',F')^\alpha QE(A,B,F)=QW(A,B,F)1αQW(A,B,F)α
    S S I M SSIM SSIM 参考链接

    3. 互信息(Mutual information, MI)

    对于图像 A、B 和 F,互信息的数学表达式为:
    M I = J E A , F + J E B , F I E A + I E B J E A , F = ∑ i = 0 L − 1 ∑ j = 0 L − 1 P A , F ( i , k ) log ⁡ P A , F ( i , k ) / ( P A ( i ) × P F ( k ) ) MI=\frac{JE_{A,F}+JE_{B,F}}{IE_A+IE_B} \\ JE_{A,F}=\sum_{i=0}^{L-1}\sum_{j=0}^{L-1}P_{A,F}(i,k)\log P_{A,F}(i,k)/(P_A(i)×P_F(k)) MI=IEA+IEBJEA,F+JEB,FJEA,F=i=0L1j=0L1PA,F(i,k)logPA,F(i,k)/(PA(i)×PF(k))
    J E A , F JE_{A,F} JEA,F表示 A A A F F F之间的联合熵, I E IE IE为图像的信息熵,$P_{A,F}(i,k) 和 和 P_{B,F}(j,k)$ 分别为 A A A F F F B B B F F F之间的归一化联合直方图。 M I MI MI越大代表融合图像包含源图像的信息越多。

    4. PSNR

    MSE:反向指标,PSNR:正向指标

    峰值信噪比(英语:Peak signal-to-noise ratio,常缩写为PSNR)是一个表示信号最大可能功率和影响它的表示精度的破坏性噪声功率的比值的工程术语。由于许多信号都有非常宽的动态范围,峰值信噪比常用对数分贝单位来表示。

    峰值信噪比经常用作图像压缩等领域中信号重建质量的测量方法,它常简单地通过均方误差MSE)进行定义。两个m×n单色图像IK,如果一个为另外一个的噪声近似,那么它们的的均方误差定义为:
    M S E = 1 m n ∑ i = 0 m − 1 ∑ j = 0 n − 1 [ I ( i , j ) − K ( i , j ) ] 2 MSE=\frac{1}{mn}\sum \limits_{i=0}^{m-1}\sum \limits_{j=0}^{n-1}[I(i,j)-K(i,j)]^2 MSE=mn1i=0m1j=0n1[I(i,j)K(i,j)]2
    在图像融合质量评价过程中, 通常没有参考图像, 所以用源图像代替参考图像.

    峰值信噪比定义为:
    P S N R = 10 ⋅ log ⁡ 10 ( M A X I 2 M S E ) = 20 ⋅ log ⁡ 10 ( M A X I M S E ) = 10 ⋅ lg ⁡ 255 M S E PSNR=10\cdot \log_{10}(\frac{MAX_I^2}{MSE})=20\cdot\log_{10}(\frac{MAX_I}{\sqrt{MSE}})=10\cdot \lg \frac{255}{\sqrt{MSE}} PSNR=10log10(MSEMAXI2)=20log10(MSE MAXI)=10lgMSE 255

    src = double(imread('src.bmp'));
    dst = double(imread('dst.bmp'));
     
    diff_img = src - dst;
    diff_img_x = diff_img(:,:,1);
    diff_img_y = diff_img(:,:,2);
    diff_img_z = diff_img(:,:,3);
     
    diff_square = (diff_img_x.^2 + diff_img_y.^2 + diff_img_z.^2);
    diff_mean = mean(mean(diff_square));
     
    val = 255;
     
    psnr = 10*log10((val^2)/diff_mean);
    

    参考

    [1] 张小利, 李雄飞, 李军. 融合图像质量评价指标的相关性分析及性能评估[J]. 自动化学报, 2014, 40(2):306-315.

    [2] Lin Zhang. Research on Image Quality Assessment[EB/OL]. 2014[11/12 2018]. http://sse.tongji.edu.cn/linzhang/IQA/IQA.htm.

    展开全文
  • 图像相似度评价指标

    千次阅读 2019-10-08 14:41:06
    图像相似度评价指标图像处理中我们经常遇到需要评价两张图像是否相似,给出其相似度的指标,这里总结了三种评判指标均方误差MSE,结构相似性SSIM, 以及峰值信噪比PSNR, 分三个小结介绍其原理以及对应的matlab以及...
  • 两种常用的参考图像质量评价指标 PSNR(Peak Signal to Noise Ratio)峰值信噪比: ...PSNR是最普遍和使用最为广泛的一种图像客观评价指标,然而它是基于对应像素点间的误差,即基于误差敏感的图像质量评价。...
  • 图像质量评价指标

    千次阅读 2020-07-23 10:20:01
    客观评价方法 1)均方差 2)信噪比 主要用来评价影像经压缩、传输、增强等处理前后的质量变化情况,其本质与均方差类似。 3)方差 反映了图像各个像元灰度相对于灰度平均值的离散情况,在某种程度上也可以用来评价...
  • 经典图像质量评价指标原理

    千次阅读 2018-11-26 11:10:23
    有参评价指标 (1)均方误差(MSE)和峰值信噪比(PSNR) 均方误差(Mean Squared Error, MSE)通过取两幅图像的均方差来计算“平均误差”,是一种较方便简单的图像质量评价方法,可以评价数据间的差异程度。 峰值...
  • 图像评价指标

    万次阅读 2017-06-25 17:24:30
    1.图像评价指标 图像评价指标用来客观评价图像处理中算法的优劣性,一般在对比实验中突出自己提出的算法的亮点。一般来说,每个细分的领域都有相应的指标,如边缘检测,有PFOM(Pratt’s Figure Of Merit)[1][2]...
  • 图像融合的评价指标

    2018-12-20 16:34:26
    各种图像融合的评价指标,包括了方差在内的多种指标,可以根据需要更改,引用时A是融合图像之一。
  • 图像融合的两篇经典SCI论文,题目如下 Objective Assessment of Multiresolution Image Fusion Algorithms for Context Enhancement in Night Vision A Comparative Study,,,Objective Image Fusion Performance ...
  • 图像增强评价指标

    2019-06-20 15:43:00
    峰值信噪比(PSNR)是一个用来评估图像的保真性的客观标准,经常用作图像压缩等信号重建质量的评价,非常简单的方式是通过均方差(MSE)来定义: \[ MSE=\frac{\sum_{i=1}^{H}\sum_{j=1}^{W}{\left ( ...
  • 图像客观评价小结

    千次阅读 2018-12-28 15:29:24
    首先,从有无参考图像分类,可以将图像客观评价分为1)使用参考图像的评价,包括:RMSE,SAM,ERGAS,MB,PFE,SNR,PSNR,CC,UQI,RASE,SSIM,SCC,gradient(梯度),E; 2)不使用参考图像的评价,包括:标准差,SF。 光谱...
  • 图像质量的主客观评价准则

    千次阅读 2019-07-25 18:50:37
    psnr是最普遍和使用最广泛的一种图像客观评价指标,未考虑到人眼视觉特性。 MAX:图像颜色的最大数值,8bit为255;MSE:均方差 其中K(i,j)与I(i,j)表示失真图像与原始图像对应像素点的灰度值;i、j表示图像的行和列...
  • 图像质量评价指标:PSNR与SSIM

    千次阅读 2019-11-19 16:52:46
    我们无论是做实验还是搞别的需求,对图像进行一些处理都可能会让图像的质量受损或者改变内容信息,其改变可以通过图像质量质量评价指标来衡量。 我们提供了两个经常用的指标介绍: 峰值信噪比(Peak Signal-to-Noise ...
  • 图像质量评价指标之Matlab实现

    万次阅读 多人点赞 2011-07-17 18:16:43
    图像处理算法研究中,很多时候需要有客观评价指标来对算法的性能进行评价。比如,在图像复原、图像滤波算法研究中,需要采用客观评价指标来定量的来测试算法恢复出的图像相对于参考图像的好坏程度。本文介绍文献中...
  • 图像处理比如,在图像复原、图像滤波算法研究中,需要采用客观评价指标来定量的来测试算法恢复出的图像相对于参考图像的好坏程度。本文介绍文献中提到到三个比较好的客观评价指标——峰值性噪比PSNR、模糊系数K、...
  • Image Matting 客观评价指标、数据集及主观评价 客观评价指标 1. 精度 目前常用的几个指标来自于这篇论文[1],SAD, MSE, Gradient error, Connectivity error. 1.1 SAD SAD(Sum of Absolute Difference)绝对误差和, ...
  • 数字图像处理,若干图像质量评价指标的实现

    万次阅读 多人点赞 2015-02-08 20:05:45
    首先从图像质量大的分类方法来看,可分为主管评价和客观评价! 其次,客观评价又根据其对参考图像的依赖程度, 可分成三类。 (1)全参考:需要和参考图像上的像素点做一一对应的比较; (2)半参考:只需要和参考图像上的...
  • 图像质量评价指标PSNR和SSIM

    千次阅读 2020-05-25 14:10:57
    由于是从Word文档直接复制过来,...图像质量评价指标常用的有PSNR 和 SSIM 一、SSIM,结构相似性 1、定义 SSIM(structural similarity index),结构相似性,是一种衡量两幅图像相似度的指标。SSIM使用的两张图像中,一.
  • 图像评价指标及方法

    千次阅读 2016-09-03 11:53:48
    图像评价指标及方法 最近在调研如何评价图像的质量,从而方便对相机进行选型,经过一番查找,整理出一下资源。 先来看一下评价图像质量有哪些指标,我主要参考了IEEE P1858 CPIQ标准: ...各个指标以及

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 2,986
精华内容 1,194
关键字:

图像客观评价指标