【图像融合】图像融合评价指标【含Matlab源码 789期】

最新推荐文章于 2024-08-19 20:44:17 发布

Matlab武动乾坤

最新推荐文章于 2024-08-19 20:44:17 发布

阅读量1.3k

点赞数 21

分类专栏： Matlab图像处理（进阶版）文章标签： matlab

本文链接：https://blog.csdn.net/KeepingMatlab/article/details/136048451

版权

Matlab图像处理（进阶版）专栏收录该内容

933 篇文章 24 订阅

订阅专栏

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

⛄一、评价指标分类

对于融合图像，其评价指标可以按如下划分为三类
1 基于无参考的统计特征
2 基于有参考的理想（目标）图像
3 基于有参考的源图像

⛄二、基于无参考的统计特征

2.1 平均梯度算法

function outval=ftidu(img) 
    A=double(img); 
    [r,c]=size(A);    
    [dzdx,dzdy]=gradient(A); 
        %分别求X的梯度和Y的梯度
        s=sqrt((dzdx.^2+dzdy.^2)./2); 
        g=sum(sum(s))/(r*c); 
    outval=mean(g); 
end

1.2 空间频率

function y=fSF(A)
    A=double(A);
    [rows,cols]=size(A);
    tempA=0;tempB=0;
    for i=1:rows 
        for j=2:cols
            temp=(A(i,j)-A(i,j-1))^2;
            tempA=tempA+temp;
        end
    end
    for j=1:rows 
        for i=2:cols
            temp=(A(i,j)-A(i-1,j))^2;
            tempA=tempA+temp;
        end
    end
    RF=(1/(rows*cols))*tempA;
    CF=(1/(rows*cols))*tempB;
    y=(RF+CF)^0.5;
end

2.3 信息熵

function varargout= fshang(varargin)
%函数功能：
%     函数msg求出输入图像的熵
%----------------------------------%

if nargin<1         %判断输入变量的个数
    error('输入参数必须大于等于1.');
elseif nargin==1
    varargout{1}=f(varargin{1});
end
end

function y= f(x)
x=uint8(x);
temp=unique(x);   %temp就是x中全部不同的元素，例如x=[1,1,3,4,1,5];那么temp=[1;3;4;5]
temp=temp';
len=length(temp); %求出x矩阵中不同元素的个数
p=zeros(1,len);   %p向量用来存储矩阵x中每个不同元素的个数
[m,n]=size(x);
for k=1:len
    for i=1:m
        for j=1:n
            if x(i,j)==temp(1,k)
                p(1,k)=p(1,k)+1;
            end
        end
    end
end
for k=1:len
    p(1,k)=p(1,k)/(m*n);  %求出每个不同元素出现的频率
    p(1,k)=-p(1,k)*log2(p(1,k));
end
y=sum(p);
end

⛄三、基于有参考的理想（目标）图像

3.1 均方根误差

function varargout= fjunfang(varargin)

if nargin<2
    error('输入参数必须大于等于2.');
elseif nargin==2
    varargout{1}=h(varargin{1},varargin{2});
end
end

function r=h(f,g)
f=double(f);
g=double(g);
[m,n]=size(f);

temp=[];
for i=1:m
    for j=1:n
        temp(i,j)=(f(i,j)-g(i,j))^2;
    end
end

r=sqrt(sum(sum(temp))/(m*n));

end

3.2 峰值信噪比

function varargout= fSNR(varargin)

if nargin<2
    error('输入参数必须大于等于2.');
elseif nargin==2
    varargout{1}=h(varargin{1},varargin{2});
end
end

function r=h(f,g)
f=double(f);
g=double(g);
[m,n]=size(f);

temp=[];
for i=1:m
    for j=1:n
        temp(i,j)=(f(i,j)-g(i,j))^2;
    end
end

r=sqrt(sum(sum(temp))/(m*n));

3.3 相关系数

function coeff = myPearson(X , Y)    
if length(X) ~= length(Y)  
    error('两个数值数列的维数不相等');  
    return;  
end  
  
fenzi = sum(X .* Y) - (sum(X) * sum(Y)) / length(X);  
fenmu = sqrt((sum(X .^2) - sum(X)^2 / length(X)) * (sum(Y .^2) - sum(Y)^2 / length(X)));  
coeff = fenzi / fenmu;  
  
end %函数myPearson结束

⛄四基于有参考的源图像

4.1 交叉熵

clc;clear;close all;
A=imread(‘test2.jpg’);B=imread(‘1.tif’);C=imread(‘2.tif’);

[m,n]=size(A);
a=zeros(1,256);
for i=1:m
for j=1:n
a(1,A(i,j)+1)=a(1,A(i,j)+1)+1;
end
end
b=zeros(1,256);
for i=1:m
for j=1:n
b(1,B(i,j)+1)=b(1,B(i,j)+1)+1;
end
end
c=zeros(1,256);
for i=1:m
for j=1:n
c(1,C(i,j)+1)=c(1,C(i,j)+1)+1;
end
end
%_____________________________________________________%
a=double(a);b=double(b);c=double©;
a=a/(mn);b=b/(mn);c=c/(m*n);

cen1=0;
for i=1:256
if a(1,i)0
temp3=0;
else
temp1=b(1,i)/a(1,i);
temp2=log2(temp1);
if temp2-Inf
temp2=0;
end
temp3=b(1,i)*temp2;
end
cen1=cen1+temp3;
end
cen2=0;
for i=1:256
if a(1,i)0
temp3=0;
else
temp1=c(1,i)/a(1,i);
temp2=log2(temp1);
if temp2-Inf
temp2=0;
end
temp3=c(1,i)*temp2;
end
cen2=cen2+temp3;
end

cen=(cen1cen1+cen2cen2)/2;
cen=sqrt(cen);
fprintf(‘\n交叉熵为:%f\n’,cen);

4.2 边缘信息保持度
I=imread(‘’);
I2=imread(‘’); % 分别表示原始图像，和处理后图像
imU=I(1:end-1, 😃;
imD=I(2:end, 😃; % 上部，下部
imL=I(:, 1:end-1);
imR=I(:, 2:end); % 左部，右部；

im2U=I2(1:end-1, 😃;
im2D=I2(2:end, 😃; % 上部，下部
im2L=I2(:, 1:end-1);
im2R=I2(:, 2:end);

EPI_H = sum(sum(abs(imR - imL)))/sum(sum(abs(im2R - im2L)));
EPI_V = sum(sum(abs(imU - imD)))/sum(sum(abs(im2D - im2D)));

fprint(‘水平保持度为%f\n，竖直保持度为%f\n’,EPI_H,EPI_V)

3.3 结构相似度
clc;
clear;
im1=imread(‘1.jpg’);
im2=imread(‘2.jpg’);
img1=double(im1);
img2=double(im2);
[mssim,ssim_map] = ssim(img1, img2);
fin=mssim
function [mssim, ssim_map] = ssim(img1, img2, K, window, L)
%Input : (1) img1: the first image being compared
% (2) img2: the second image being compared
% (3) K: constants in the SSIM index formula (see the above
% reference). defualt value: K = [0.01 0.03]
% (4) window: local window for statistics (see the above
% reference). default widnow is Gaussian given by
% window = fspecial(‘gaussian’, 11, 1.5);
% (5) L: dynamic range of the images. default: L = 255
%
%Output: (1) mssim: the mean SSIM index value between 2 images.
% If one of the images being compared is regarded as
% perfect quality, then mssim can be considered as the
% quality measure of the other image.
% If img1 = img2, then mssim = 1.
% (2) ssim_map: the SSIM index map of the test image. The map
% has a smaller size than the input images. The actual size:
% size(img1) - size(window) + 1.
%
%Default Usage:
% Given 2 test images img1 and img2, whose dynamic range is 0-255
%
% [mssim ssim_map] = ssim_index(img1, img2);
%
%Advanced Usage:
% User defined parameters. For example
%
% K = [0.05 0.05];
% window = ones(8);
% L = 100;
% [mssim ssim_map] = ssim_index(img1, img2, K, window, L);
%
%See the results:
%
% mssim %Gives the mssim value
% imshow(max(0, ssim_map).^4) %Shows the SSIM index map
%
%========================================================================

if (nargin < 2 || nargin > 5)
% ssim_index = -Inf;
ssim_map = -Inf;
return;
end

if (size(img1) ~= size(img2))
% ssim_index = -Inf;
ssim_map = -Inf;
return;
end

[M N] = size(img1);

if (nargin == 2)
if ((M < 11) || (N < 11)) % 图像大小过小，则没有意义。
% ssim_index = -Inf;
ssim_map = -Inf;
return
end
window = fspecial(‘gaussian’, 11, 1.5); % 参数一个标准偏差1.5，11*11的高斯低通滤波。
K(1) = 0.01; % default settings
K(2) = 0.03; %
L = 255; %
end

if (nargin == 3)
if ((M < 11) || (N < 11))
% ssim_index = -Inf;
ssim_map = -Inf;
return
end
window = fspecial(‘gaussian’, 11, 1.5);
L = 255;
if (length(K) == 2)
if (K(1) < 0 || K(2) < 0)
% ssim_index = -Inf;
ssim_map = -Inf;
return;
end
else
% ssim_index = -Inf;
ssim_map = -Inf;
return;
end
end

if (nargin == 4)
[H W] = size(window);
if ((H*W) < 4 || (H > M) || (W > N))
% ssim_index = -Inf;
ssim_map = -Inf;
return
end
L = 255;
if (length(K) == 2)
if (K(1) < 0 || K(2) < 0)
% ssim_index = -Inf;
ssim_map = -Inf;
return;
end
else
% ssim_index = -Inf;
ssim_map = -Inf;
return;
end
end

if (nargin == 5)
[H W] = size(window);
if ((H*W) < 4 || (H > M) || (W > N))
% ssim_index = -Inf;
ssim_map = -Inf;
return
end
if (length(K) == 2)
if (K(1) < 0 || K(2) < 0)
% ssim_index = -Inf;
ssim_map = -Inf;
return;
end
else
% ssim_index = -Inf;
ssim_map = -Inf;
return;
end
end
%%
C1 = (K(1)*L)^2; % 计算C1参数，给亮度L（x，y）用。
C2 = (K(2)*L)^2; % 计算C2参数，给对比度C（x，y）用。
window = window/sum(sum(window)); %滤波器归一化操作。
img1 = double(img1);
img2 = double(img2);

mu1 = filter2(window, img1, ‘valid’); % 对图像进行滤波因子加权
mu2 = filter2(window, img2, ‘valid’); % 对图像进行滤波因子加权

mu1_sq = mu1.*mu1; % 计算出Ux平方值。
mu2_sq = mu2.*mu2; % 计算出Uy平方值。
mu1_mu2 = mu1.mu2; % 计算UxUy值。

sigma1_sq = filter2(window, img1.*img1, ‘valid’) - mu1_sq; % 计算sigmax （标准差）
sigma2_sq = filter2(window, img2.*img2, ‘valid’) - mu2_sq; % 计算sigmay （标准差）
sigma12 = filter2(window, img1.*img2, ‘valid’) - mu1_mu2; % 计算sigmaxy（标准差）

if (C1 > 0 && C2 > 0)
ssim_map = ((2mu1_mu2 + C1).(2sigma12 + C2))./((mu1_sq + mu2_sq + C1).(sigma1_sq + sigma2_sq + C2));
else
numerator1 = 2mu1_mu2 + C1;
numerator2 = 2sigma12 + C2;
denominator1 = mu1_sq + mu2_sq + C1;
denominator2 = sigma1_sq + sigma2_sq + C2;
ssim_map = ones(size(mu1));
index = (denominator1.*denominator2 > 0);
ssim_map(index) = (numerator1(index).*numerator2(index))./(denominator1(index).*denominator2(index));
index = (denominator1 ~= 0) & (denominator2 == 0);
ssim_map(index) = numerator1(index)./denominator1(index);
end

mssim = mean2(ssim_map);

return
end

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 蔡利梅.MATLAB图像处理——理论、算法与实例分析[M].清华大学出版社，2020.
[2]杨丹,赵海滨,龙哲.MATLAB图像处理实例详解[M].清华大学出版社，2013.
[3]周品.MATLAB图像处理与图形用户界面设计[M].清华大学出版社，2013.
[4]刘成龙.精通MATLAB图像处理[M].清华大学出版社，2015.

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流人群疏散病毒扩散晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合