文章目录

前言
一、主观评价
二、客观评价
- 1.PSNR
- - 1.PSnr python代码实现
- 2、SSIM(Structure Similarity Index Measure) 结构衡量指标
- - 1、Luminance
  - 2、Contrast
  - 3、Structure
  - 4、ssim
  - 5、python代码实现：
- 3、MSE
- - 1.基本概念
  - 1.python中实现有相应的api
- 4、后续补充均有api

前言

评价一个去雾算法的好坏，常常使用主观评价法和客观评价法。

一、主观评价

主观评价即通过肉眼观察经过去雾处理的图像，从图像的纹理特征、对比度、饱和度及细节信息等多方面进行感官感受和评价。主观评价主要是通过人眼视觉系统的主观感受在确定好的评价基础上做出相应的判断。这种方法的优点是不需要专业的技术或经验,且非常适合于色彩变化较大的图像;但也存在不足,例如不同的测试员对相同的处理结果极易出现偏差。

二、客观评价

1.PSNR

PSNR是“Peak Signal to Noise Ratio”的缩写，即峰值信噪比。
PSNR的单位是dB，数值越大表示失真越小。n为每像素的比特数，一般的灰度图像取8，即像素灰阶数为256.

MSE
用真实值-预测值然后平方之后求和平均。

在图像中的MSE定义说人话就是：

两个图像中每一个相同位置的像素值相减，平方，求和，再求平均。

表达的是两幅图在每一个位置上的像素值的差异的平均。

数值越大，表示两张图片在相似度上更低。

这里注意两点：

在计算之前要把两个图像调整为同一个阈值，一个[0,1]和一个[0,255]是不能放一起用的。
图像的大小要保持一致。不然无法做到像素值之间的一一对应。
MSE在描述两图像的相似成都时具有它的局限性。
其中一点是这个定义太简单了，不一定完全符合视觉上规律。
比如说如果两图像是少量的平移或者缩放关系，我们在视觉上的感受是两者之间并无太大差异，图像信息可能被完整地保留了下来（比如大头照）。但是他们计算MSE的时候会有一个不太理想的结果。

1.PSnr python代码实现

注意：若像素为0-1 则MAX=1 若像素为0-255 则MAX为255

import numpy as np
import math
import cv2def PSNR(x, y):# x=np.float32(x/255.0)# y= np.float32(y / 255.0)MSE = np.mean((x/255.0 - y/255.0)**2)if MSE<1.0e-10:return 100MAX=1return 20 * math.log10(MAX / math.sqrt(MSE))src=cv2.imread("image/wu5.jpg")
det=cv2.imread("image/wu30.jpg")
a=PSNR(src,det)
print(a)

np.mean() 函数定义：
numpy.mean(a, axis, dtype, out，keepdims)

mean()函数功能：求取均值
经常操作的参数为axis，以m * n矩阵举例：

axis 不设置值，对 mn 个数求均值，返回一个实数
axis = 0：压缩行，对各列求均值，返回 1 n 矩阵
axis = 1：压缩列，对各行求均值，返回 m *1 矩阵

2、SSIM(Structure Similarity Index Measure) 结构衡量指标

结构相似指标可以衡量图片的失真程度，也可以衡量两张图片的相似程度。与MSE和PSNR衡量绝对误差不同，SSIM是感知模型，即更符合人眼的直观感受。
SSIM的取值范围[-1, 1], 具有对成性，边界性，唯一最大性（当且仅当x=y时SSIM=1），是一种距离公式。

SSIM理论
SSIM 主要考量图片的三个关键特征：亮度（Luminance）, 对比度（Contrast）, 结构 (Structure)

1、Luminance

亮度以平均灰度衡量，通过平均所有像素的值得到。

对比函数

2、Contrast

对比度通过灰度标准差来衡量。标准差无偏估计：

相应对比函数

3、Structure

结构对比比较的是经过归一化后与的比较, 即可以用相关性系数衡量

在这里插入图片描述

4、ssim

SSIM是衡量两幅图像相似度的指标，其取值范围为[0,1]，SSIM的值越大，表示图像失真程度越小，说明图像质量越好。

5、python代码实现：

import numpy as np
from PIL import Image
from scipy.signal import convolve2ddef gauss2D(shape=(3, 3), sigma=0.5):m, n = [(ss - 1.) / 2. for ss in shape]y, x = np.ogrid[-m:m + 1, -n:n + 1]h = np.exp(-(x * x + y * y) / (2. * sigma * sigma))h[h < np.finfo(h.dtype).eps * h.max()] = 0h_sum = h.sum()if h_sum != 0:h /= h_sumreturn hdef filter2(x, kernel, mode='same'):return convolve2d(x, np.rot90(kernel, 2), mode=mode)def compute_ssim(image1, image2, k1=0.01, k2=0.03, win_size=11, L=255):if not image1.shape == image2.shape:raise ValueError("输入的两张图片大小应该一样")if len(image1.shape) > 2:raise ValueError("输入的图片应为灰度图")M, N = image1.shapeC1 = (k1 * L) ** 2C2 = (k2 * L) ** 2window = gauss2D(shape=(win_size, win_size), sigma=1.5)window = window / np.sum(np.sum(window))if image1.dtype == np.uint8:image1 = np.double(image1)if image2.dtype == np.uint8:image2 = np.double(image2)mu1 = filter2(image1, window, 'valid')mu2 = filter2(image2, window, 'valid')mu1_sq = mu1 * mu1mu2_sq = mu2 * mu2mu1_mu2 = mu1 * mu2sigma1_sq = filter2(image1 * image1, window, 'valid') - mu1_sqsigma2_sq = filter2(image2 * image2, window, 'valid') - mu2_sqsigmal2 = filter2(image1 * image2, window, 'valid') - mu1_mu2ssim_map = ((2 * mu1_mu2 + C1) * (2 * sigmal2 + C2)) / ((mu1_sq + mu2_sq + C1) * (sigma1_sq + sigma2_sq + C2))return np.mean(np.mean(ssim_map))src=cv2.imread("image/wu5.jpg")
det=cv2.imread("image/wu32.jpg")
#一定要传入灰度图
srcgray=cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)
detgray=cv2.cvtColor(det,cv2.COLOR_BGR2GRAY)
a=PSNR(src,det)
b=compute_ssim(srcgray,detgray)

3、MSE

1.基本概念

MSE全称为“Mean Square Error”，中文意思即为均方误差，是衡量图像质量的指标之一。计算原理为真实值与预测值的差值的平方然后求和再平均，公式如下：

其中， M为图像I的像素总数，N为图像K的像素总数。MSE值越小，说明图像越相似

1.python中实现有相应的api

src=cv2.imread("image/wu5.jpg")
det=cv2.imread("image/wu31.jpg")print('原图和去雾图的MSE为{}'.format(MSE(src,det)))

4、后续补充均有api

from skimage.metrics import mean_squared_error as MSE
from skimage.metrics import structural_similarity as SSIM
from skimage.metrics import peak_signal_noise_ratio as PSNR
print('原图和噪点图的MSE为{}'.format(MSE(imor,imnose)))
print('原图和噪点图的PSNR为{}'.format(SSIM(imor,imnose,multichannel=True)))
print('原图和噪点图的PSNR为{}'.format(PSNR(imor,imnose)))

见该博客

图像去雾算法评价指标相关推荐

综述：视频和图像去雾算法以及相关的图像恢复和增强研究
综述:视频和图像去雾算法以及相关的图像恢复和增强研究翻译自IEEE的一篇文章<Review of Video and Image Defogging Algorithms and Relate ...
单幅图像去雾算法研究综述
来源 <计算机工程与应用>北大核心期刊,CSCD数据库. 影响因子:2.348 简介图像去雾算法是以满足特定场景需求,突出图片细节并增强图片质量为目的的图像分析与处理方法.在雾霾天气下, ...
避免图像去雾算法中让天空部分出现过增强的一种简易方法
FROM:http://www.chawenti.com/articles/25193.html 在经典的几种去雾算法中,包括何凯明的暗通道去雾.Tarel的基于中值滤波的去雾以及一些基于其他边缘保留 ...
暗通道优先的图像去雾算法（上）
FROM:http://blog.csdn.net/baimafujinji/article/details/27206237 11.1 暗通道优先的图像去雾算法图像增强与图像修复二者之间有一定交 ...
暗通道优先的图像去雾算法（下）
FROM:http://blog.csdn.net/baimafujinji/article/details/30060161 书接上文 http://blog.csdn.net/baimafujin ...
[论文阅读] (11)ACE算法和暗通道先验图像去雾算法（Rizzi | 何恺明老师）
<娜璋带你读论文>系列主要是督促自己阅读优秀论文及听取学术讲座,并分享给大家,希望您喜欢.由于作者的英文水平和学术能力不高,需要不断提升,所以还请大家批评指正,非常欢迎大家给我留言评论,学 ...
基于Vision Transformer的图像去雾算法研究与实现(附源码)
基于Vision Transformer的图像去雾算法研究与实现 0. 服务器性能简单监控 \LOG_USE_CPU_MEMORY\文件夹下的use_memory.py文件可以实时输出CPU使用率以及 ...
基于暗通道优先的单幅图像去雾算法（Matlab）
基于暗通道优先的单幅图像去雾算法(Matlab) 每一幅图像的RGB三个颜色通道中,总有一个通道的灰度值很低,几乎趋向于0.基于这个几乎可以视作是定理的先验知识,作者提出暗通道先验的去雾算法. 首 ...
暗原色先验图像去雾算法研究_先验算法
暗原色先验图像去雾算法研究 Today we are going to learn about Apriori Algorithm. Before we start with that we need ...

图像去雾算法评价指标

文章目录

前言

一、主观评价

二、客观评价

1.PSNR

1.PSnr python代码实现

2、SSIM(Structure Similarity Index Measure) 结构衡量指标

1、Luminance

2、Contrast

3、Structure

4、ssim

5、python代码实现：

3、MSE

1.基本概念

1.python中实现有相应的api

4、后续补充均有api

图像去雾算法评价指标相关推荐

最新文章

热门文章

图像去雾算法评价指标

文章目录

前言

一、主观评价

二、客观评价

1.PSNR

1.PSnr python代码实现

2、SSIM(Structure Similarity Index Measure) 结构衡量指标

1、Luminance

2、Contrast

3、Structure

4、ssim

5、python代码实现：

3、MSE

1.基本概念

1.python中实现 有相应的api

4、后续补充 均有api

图像去雾算法评价指标相关推荐

最新文章

热门文章

1.python中实现有相应的api

4、后续补充均有api