图像增强的两个评价指标:峰值信噪比PSNR和结构相似度SSIM
时间:2024-04-14 07:05:36 来源:网络cs 作者:纳雷武 栏目:其他工具 阅读:
两种图像增强评价指标:PSNR和SSIM
峰值信噪比PSNR结构相似度SSIMpython实现SSIM的代码PSNR的代码图像增强的评价指标在像素层面上通常包含平均绝对误差(MAE)、均方误差法(MSE)、峰值信噪比(PSNR)以及结构相似度(SSIM)。目前在图像增强领域比较权威的客观评价标准为峰值信噪比(PSNR)和结构相似度(SSIM)。
注:这两个指标都需要由标准图做参考(不是原图),也就是全参考指标
峰值信噪比PSNR
PSNR(Peak Signal to Noise Ratio)表示为峰值信号能量与噪声平均能量之比,一般取10lg以dB(分贝)为单位。噪声的平均能量又可以表示为真实图像与含噪图像的均方误差MSE(Mean Squared Error)。PSNR的计算方法如式所示, MAXI为信号能量峰值,bits为单通道像素值位深度,M、N为图像宽高, x(i,j)和x~(i,j) 分别表示增强后的图像与原图在像素点 (i,j)处的像素值。
结构相似度SSIM
自然图像具有极高的结构性,表现为图像的像素间存在着很强的相关性,尤其是在空间相似的情况下。这些相关性在视觉场景中携带着关于物体结构的重要信息,通过分析结构信息是否改变可以判断图像的失真情况。大多数基于误差敏感度的图像质量评估指标,如MSE、PSNR,使用线性变换来分解图像信号,不涉及两图像之间的相关性,SSIM(Structural Similarity)给出了更直接的方法来比较失真图像和参考图像之间的结构差异,是一种衡量两幅图像相似度的指标,它从图像组合的角度将图像的结构信息定义为独立于亮度和对比度、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,从亮度相似性、对比度相似性和结构相似性三个方面综合评价图像质量,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。
给定两幅图像 和 ,它们的结构相似度可以由式xx给出,其中,μ和 σ分别表示图像的均值和方差,σxy 表示图像x和图像y之间的协方差,C1和C2为常数,一般可取0。
SSIM取值为【-1,1】,当两幅图像完全相同时,SSIM取值为1。在实际应用中,一般采用高斯函数计算图像的均值、方差和协方差。由于图像的统计特征通常在空间中分布不均匀,通常对图像局部求取SSIM,再进行平均池化得到整幅图像的SSIM。
python实现
网上找的。
SSIM的代码
#相关操作#由于使用的高斯函数圆对称,因此相关操作和卷积操作结果相同def correlation(img,kernal): kernal_heigh = kernal.shape[0] kernal_width = kernal.shape[1] cor_heigh = img.shape[0] - kernal_heigh + 1 cor_width = img.shape[1] - kernal_width + 1 result = np.zeros((cor_heigh, cor_width), dtype=np.float64) for i in range(cor_heigh): for j in range(cor_width): result[i][j] = (img[i:i + kernal_heigh, j:j + kernal_width] * kernal).sum() return result#产生二维高斯核函数#这个函数参考自:https://blog.csdn.net/qq_16013649/article/details/78784791def gaussian_2d_kernel(kernel_size=11, sigma=1.5): kernel = np.zeros([kernel_size, kernel_size]) center = kernel_size // 2 if sigma == 0: sigma = ((kernel_size - 1) * 0.5 - 1) * 0.3 + 0.8 s = 2 * (sigma ** 2) sum_val = 0 for i in range(0, kernel_size): for j in range(0, kernel_size): x = i - center y = j - center kernel[i, j] = np.exp(-(x ** 2 + y ** 2) / s) sum_val += kernel[i, j] sum_val = 1 / sum_val return kernel * sum_val#ssim模型def ssim(distorted_image,original_image,window_size=11,gaussian_sigma=1.5,K1=0.01,K2=0.03,alfa=1,beta=1,gama=1): distorted_image=np.array(distorted_image,dtype=np.float64) original_image=np.array(original_image,dtype=np.float64) if not distorted_image.shape == original_image.shape: raise ValueError("Input Imagees must has the same size") if len(distorted_image.shape) > 2: raise ValueError("Please input the images with 1 channel") kernal=gaussian_2d_kernel(window_size,gaussian_sigma) #求ux uy ux*uy ux^2 uy^2 sigma_x^2 sigma_y^2 sigma_xy等中间变量 ux=correlation(distorted_image,kernal) uy=correlation(original_image,kernal) distorted_image_sqr=distorted_image**2 original_image_sqr=original_image**2 dis_mult_ori=distorted_image*original_image uxx=correlation(distorted_image_sqr,kernal) uyy=correlation(original_image_sqr,kernal) uxy=correlation(dis_mult_ori,kernal) ux_sqr=ux**2 uy_sqr=uy**2 uxuy=ux*uy sx_sqr=uxx-ux_sqr sy_sqr=uyy-uy_sqr sxy=uxy-uxuy C1=(K1*255)**2 C2=(K2*255)**2 #常用情况的SSIM if(alfa==1 and beta==1 and gama==1): ssim=(2*uxuy+C1)*(2*sxy+C2)/(ux_sqr+uy_sqr+C1)/(sx_sqr+sy_sqr+C2) return np.mean(ssim) #计算亮度相似性 l=(2*uxuy+C1)/(ux_sqr+uy_sqr+C1) l=l**alfa #计算对比度相似性 sxsy=np.sqrt(sx_sqr)*np.sqrt(sy_sqr) c=(2*sxsy+C2)/(sx_sqr+sy_sqr+C2) c=c**beta #计算结构相似性 C3=0.5*C2 s=(sxy+C3)/(sxsy+C3) s=s**gama ssim=l*c*s return np.mean(ssim)
PSNR的代码
提供了两种方法,网上找的。
def psnr_A(img1, img2): mse = np.mean((img1 / 1.0 - img2 / 1.0) ** 2) if mse < 1e-10: return 100 psnr1 = 20 * math.log10(255 / math.sqrt(mse)) return psnr1def psnr_B(img1, img2): # 第二种法:归一化 mse = np.mean((img1 / 255.0 - img2 / 255.0) ** 2) if mse < 1e-10: return 100 PIXEL_MAX = 1 psnr2 = 20 * math.log10(PIXEL_MAX / math.sqrt(mse)) return psnr2
本文链接:https://www.kjpai.cn/news/2024-04-14/158332.html,文章来源:网络cs,作者:纳雷武,版权归作者所有,如需转载请注明来源和作者,否则将追究法律责任!