图像拼接融合质量的客观评价指标——matlab实现MSE、均值误差、RMSE、SNR、PSNR，SSIM，熵值计算

学习一下图像拼接会用到的评价指标

MSE、RMSE、PSNR，SSIM，熵值分别是什么

MSE：Mean Square Error，均方误差，计算待评价图像和原始图像之间的差异。对于拼接融合图像来说，值越大说明质量越差。
QMSE：均值误差法。基于MSE提出的一种新的均方误差方法。
RMSE：均方根误差。同样，值越大说明拼接融合效果越差。
SNR：信噪比，信噪比越大，说明混在信号里的噪声越小，采集到的的信号质量越高
PSNR：峰值信噪比，分母为待评价图和原图像之间的能量差异，也相当于噪声，噪声越小越好，因此PSNR越大说明拼接融合质量越好。
SSIM：结构相似度，主要对图像对比度、亮度以及结构信息进行考量，值越大越相似，且最大值为1
熵值： 反映了图像中平均信息量的多少，在图像拼接融合中，熵值越大，说明拼接融合效果越好。
补充：MSE、RMSE、QMSE、SNR和PSNR都是基于灰度值对参考图和评价图进行运算。

MSE均方误差

如下公式，均方误差是值与参数真值之差平方的期望值（均值）。
在图像处理中，均方误差表示处理后图像像素值与原始像素值之差平方和的期望值。
图像尺寸为m*n，而i 和 j表示该某像素点的横纵坐标，I表示原图像（参考图像），K表示处理后的图像（评价图像）

我们给出下面图片，来计算它们的MSE均方误差。其中mn图片有重合部分更相似，r与mn无重复部分。我们依次进行验证

Matlab计算MSE均方误差

%计算相同的两张图像m的均方误差
%A是处理后的图像，ref为参考图像，可根据需要进行图像修改
A=imread('m.png');
ref=imread('m.png');
err = immse(A, ref);
fprintf('\n The mean-squared error is %0.4f\n', err);

如下符合要求，均方误差为0

同理 采用m n 两张图（有重合部分）进行均方误差计算为3283.4812，可看出两图间差别越大值越大。
采用 m r两张图（无重合部分），均方误差为3766.2645，说明差别更大，符合图片描述。

QMSE均值误差法

当我们进行全景图评价的时候，由于没有全景图的参考图，因此我们将输入的拼接左右图作为参考图，得到如下新的均方误差公式：

其中w为权重因子，当w = 1/2 时，为均值误差法，该值越小，说明差异越小，因此拼接全景图的质量越好。

RMSE均方根误差

相当于对均方误差MSE开根号。

Matlab计算RMSE均方根误差

同样采用mnr三张图片分别验证。

%输入两张相同的图片，其均方根误差为0，输入不同的两张图mn均方根误差为3.2835e+03，输入两张不同的图片mr为 3.7663e+03。
clc;
close all;
X = imread('m.png');%             读取图像
Y=imread('m.png');
figure;%展示图像
subplot(1, 3, 1); imshow(X); title('q1');
subplot(1, 3, 2); imshow(Y); title('q2');
% 使得图像每个像素值为浮点型
X = double(X);
Y = double(Y);

A = Y-X;
B = X.*Y;
%subplot(1,3,3);imshow(A);title('作差');
MSError = sum(A(:).*A(:))/numel(Y);%  均方根误差MSE，numel()函数返回矩阵元素个数
 
display(MSError);%均方根误差MSE

SNR信噪比

SNR为图像信噪比，图像的信噪比和图像的清晰度一样，也是衡量图像质量高低的重要指标。图像的信噪比是指视频信号的大小与噪波信号大小的比值

Matlab计算SNR信噪比

%信噪比说明混在信号里的噪声越小，因此输入mn图像（有重合区域），信噪比为6.7641；输入mr图像（无重合区域），信噪比为6.1683
clc;
close all;
X = imread('m.png');%             读取图像
Y=imread('n.png');
figure;%                           展示图像
subplot(1, 3, 1); imshow(X); title('q1');
subplot(1, 3, 2); imshow