图像融合效果_质量评估指标小结
Performance evalution of image fusion
- 选择融合方法
- 修正参数
subjective
基于人类视觉系统
- image details, object completeness, and image distortion
- 受过训练的观察者为融合后图像打分
- 最简单
- 缺点:人为干扰、巨大时间损耗、高开销、不可重复性
objective
大批量地评估图像质量。和人眼观察的结果保持一致性,但又不会受到人为干扰。
A:红外图 B:可见图 F:融合图 X:原图像的参数列表M*N
-
Entropy(EN) 图像熵
测量一张融合图中有多少信息(基于信息理论)
E N = − ∑ l = 0 L − 1 p l log 2 p l EN = -\sum_{l=0}^{L-1}p_{l}\log_{2}{p_{l}} EN=−∑l=0L−1pllog2pl
L:0~灰度上限中的每一个值 pl:该灰度所占的比例
L为图像灰度级数,对于8-bit灰度图像,L=255
EN越大,该图像含有的信息越多,融合的表现越好。
然而,EN可能会被噪声影响,融合图的噪声越多,EN越大。
所以EN常常是一个辅助的量度。
-
Mutual information(MI) 互信息
用来度量从原图像传到融合图像的信息量。两张图是否独立或关联,以及关联程度。
M I = M I A , F + M I B , F MI=MI_{A,F}+MI_{B,F} MI=MIA,F+MIB,F
Kullback–Leibler measure:
M I X , F = ∑ x , f p X , F ( x , f ) log p X , F ( x , f ) p X ( x ) p F ( f ) MI_{X,F}=\sum_{x,f}p_{X,F}(x,f)\log\frac{p_{X,F}(x,f)}{p_{X}(x)p_{F}(f)} MIX,F=∑x,fpX,F(x,f)logpX(x)pF(f)pX,F(x,f)
分子:边缘分布概率; 分母:联合分布律
MI越大意味着信息的传递越多,也就越好。
-
Feature mutual information(FMI)
一些特定的特征,比如细节,对比度,边界。这个指标度量特征信息的传递情况。
F M I = M I A ˊ , F ˊ + M I B ˊ , F ˊ FMI=MI_{\acute{A},\acute{F}}+MI_{\acute{B},\acute{F}} FMI=MIAˊ,Fˊ+MIBˊ,Fˊ
这个指标越大越好。
-
Structural similarity index measure(SSIM) 结构相似度
涵盖三个方面:相关性损失,亮度,对比度失真。三者相乘就是评估结果。
S S I M X , F = ∑ x , f 2 μ x μ f + C 1 μ x 2 + μ f 2 + C 1 ⋅ 2 σ x σ f + C 2 σ x 2 + σ f 2 + C 2 ⋅ σ x f + C 3 σ x σ f + C 3 SSIM_{X,F}=\sum_{x,f} \frac{2\mu_x\mu_f+C_1}{\mu_x^{2}+ \mu_f^{2}+C_1}·\frac{2\sigma_x\sigma_f+C_2}{\sigma_x^{2}+ \sigma_f^{2}+C_2} ·\frac{\sigma_{xf}+C_3}{\sigma_x \sigma_f+C_3} SSIMX,F=∑x,fμx2+μf2+C12μxμf+C1⋅σx2+σf2+C22σxσf+C2⋅σxσf+C3σxf+C3
亮度对比函数 * 对比度对比函数 * 结构对比函数
σ x f \sigma_{xf} σxf:协方差
σ x , σ f \sigma_x,\sigma_f σx,σf:标准差
C 1 , C 2 , C 3 C_1,C_2,C_3 C1,C2,C3:稳定系数。当全部等于0时,SSIM退化为通用图像指标。
μ x , μ f \mu_x,\mu_f μx,μf:平均值
S S I M = S S I M A , F + S S I M B , F SSIM=SSIM_{A,F}+SSIM_{B,F} SSIM=SSIMA,F+SSIMB,F 表征结构相似性。
-
QAB/F
量度边缘信息的转移(基于边缘信息被融合后的图像保存下来了)
Q A B / F = ∑ i = 1 N ∑ j = 1 M Q A F ( i , j ) w A ( i , j ) + Q B F ( i , j ) w B ( i , j ) ∑ i = 1 N ∑ j = 1 M ( w A ( i , j ) + w B ( i , j ) ) Q^{AB/F}=\frac{\sum_{i=1}^{N}\sum_{j=1}^{M}Q^{AF}(i,j)w^{A}(i,j)+Q^{BF}(i,j)w^{B}(i,j)}{\sum_{i=1}^{N}\sum_{j=1}^{M}(w^{A}(i,j)+w^{B}(i,j))} QAB/F=∑i=1N∑j=1M(wA(i,j)+wB(i,j))∑i=1N∑j=1MQAF(i,j)wA(i,j)+QBF(i,j)wB(i,j)
越大就意味着转移了越多。越好。
Q X F ( i , j ) = Q g X F ( i , j ) Q a X , F ( i , j ) Q^{XF}(i,j)=Q_g^{XF}(i,j)Q_a^{X,F}(i,j) QXF(i,j)=QgXF(i,j)QaX,F(i,j)
边缘强度;边缘方向值。w代表权重。 -
Qw 通用图像质量指标的一个变种
为一些特征的图像区域赋予很高的权重。
Q w ( A , B , F ) = ∑ w ∈ W c ( w ) ( λ ( w ) Q 0 ( A , F ∣ W ) + ( 1 − λ ( w ) Q 0 ( B , F ∣ w ) ) Q_w(A,B,F)=\sum_{w\in{W}}c(w)(\lambda(w)Q_0(A,F|W)+(1-\lambda(w)Q_0(B,F|w)) Qw(A,B,F)=∑w∈Wc(w)(λ(w)Q0(A,F∣W)+(1−λ(w)Q0(B,F∣w))
w代表一个区域,|W|代表一张图多少个区域。Q0可以用通用图像质量来计算。 λ ( w ) = s ( A ∣ w ) s ( A ∣ w ) + s ( B ∣ w ) λ(w)=\frac{s(A|w)}{s(A|w)+s(B|w)} λ(w)=s(A∣w)+s(B∣w)s(A∣w),s(A|w),s(B|w)表示A,B在窗口w处的显著性。c(w)标准化(正规化)系数。
-
QE
在求出QW之后,分别对源图像和融合图像进行边缘检测
Q E = Q W ( A , B , F ) ⋅ Q W ( A ˊ , B ˊ , F ˊ ) α Q_E=Q_W(A,B,F)·Q_W(\acute{A},\acute{B},\acute{F})^{\alpha} QE=QW(A,B,F)⋅QW(Aˊ,Bˊ,Fˊ)α
A ˊ , B ˊ , F ˊ \acute{A},\acute{B},\acute{F} Aˊ,Bˊ,Fˊ是图像的边缘。
QE高,表现好。
-
SD 标准差
S D = ∑ i = 1 M ∑ j = 1 N ( F ( i , j ) − μ ) 2 SD=\sqrt{\sum_{i=1}^{M}\sum_{j=1}^{N}(F(i,j)-\mu)^{2}} SD=∑i=1M∑j=1N(F(i,j)−μ)2
高对比图的融合图往往SD更高,更抓人眼球,视觉效果好。
-
Spatial frequency(SF)
基于梯度的一个图像质量指标。
空间频率SF反映图像灰度的变化率,可用于反映图像的清晰度(细节和纹理)。一般地,图像越清晰,空间频率越高。
S F = R F 2 + C F 2 SF=\sqrt{RF^{2}+CF^{2}} SF=RF2+CF2
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=MN1∑i=1M−1∑j=1N−1(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=MN1∑i=1M−1∑j=1N−1(F(i,j)−F(i+1,j))2
RF和CF为F的行频率和列频率。
SF越大,人对其的观察越敏感,有更明显的边缘和纹理。
-
AG Average gradient 平均梯度
A G = 1 M N ∑ i = 1 M ∑ j = 1 N ▽ F x 2 ( i , j ) + ▽ F y 2 ( i , j ) 2 AG=\frac{1}{MN}\sum_{i=1}^{M}\sum_{j=1}^{N}\sqrt{\frac{\triangledown{F_x^{2}(i,j)}+\triangledown{F_y^{2}(i,j)}}{2}} AG=MN1∑i=1M∑j=1N2▽Fx2(i,j)+▽Fy2(i,j)
▽ F x ( i , j ) = F ( i , j ) − F ( i + 1 , j ) \triangledown{F_x(i,j)}=F(i,j)-F(i+1,j) ▽Fx(i,j)=F(i,j)−F(i+1,j)
▽ F y ( i , j ) = F ( i , j ) − F ( i , j + 1 ) \triangledown{F_y(i,j)}=F(i,j)-F(i,j+1) ▽Fy(i,j)=F(i,j)−F(i,j+1)
AG越大,融合图含有更多梯度信息,表现越好。
-
MG Mean gradient
M G = 1 ( M − 1 ) ( N − 1 ) ∗ ∑ x = 1 M − 1 ∑ y = 1 N − 1 ( ( F ( x , y ) − F ( x − 1 , y ) ) 2 + ( ( F ( x , y ) − F ( x , y − 1 ) ) 2 2 MG=\frac{1}{(M-1)(N-1)}*\sum_{x=1}^{M-1}\sum_{y=1}^{N-1}\sqrt{\frac{((F(x,y)-F(x-1,y))^{2}+((F(x,y)-F(x,y-1))^{2}}{2}} MG=(M−1)(N−1)1∗∑x=1M−1∑y=1N−12((F(x,y)−F(x−1,y))2+((F(x,y)−F(x,y−1))2
与AG类似,越大越好(富边界和纹理)。
-
MSE Mean squared error
M S E = M S E A F + M S E B F 2 MSE=\frac{MSE_{AF}+MSE_{BF}}{2} MSE=2MSEAF+MSEBF
M S E X F = 1 M N ∑ i = 0 M − 1 ∑ j = 0 N − 1 ( X ( i , j ) − F ( i , j ) ) 2 MSE_{XF}=\frac{1}{MN}\sum_{i=0}^{M-1}\sum_{j=0}^{N-1}(X(i,j)-F(i,j))^{2} MSEXF=MN1∑i=0M−1∑j=0N−1(X(i,j)−F(i,j))2
两者表征了差异程度。越小越好。
-
RMSE root mean squared error
R M S E = R M S E A F + R M S E B F 2 RMSE=\frac{RMSE_{AF}+RMSE_{BF}}{2} RMSE=2RMSEAF+RMSEBF
R M S E = 1 M N ∑ m = 0 M − 1 ∑ n = 0 N − 1 ( X ( m , n ) − F ( m , n ) ) 2 RMSE=\sqrt{\frac{1}{MN}\sum_{m=0}^{M-1}\sum_{n=0}^{N-1}(X(m,n)-F(m,n))^{2}} RMSE=MN1∑m=0M−1∑n=0N−1(X(m,n)−F(m,n))2
越小越好。
-
PSNR peak signal-to-noise ratio
反映图像的扭曲程度。
P S N R = l o g 10 r 2 M S E PSNR=log_{10}{\frac{r^{2}}{MSE}} PSNR=log10MSEr2
r为图像的峰值
越大,融合图扭曲程度就越小。
-
VIF visual information fidelity 视觉信息保真度
-
CC Correlation coefficient 相关系数
测量融合图与源图像的线性相关性。
C C = r A F + r B F x CC=\frac{r_{AF}+r_{BF}}{x} CC=xrAF+rBF
r X F = ∑ i = 1 M ∑ j = 1 N ( X ( i , j ) − X ‾ ) ( F ( i , j ) − μ ) ∑ i = 1 M ∑ j = 1 N ( X ( i , j ) − X ‾ ) 2 ( ∑ i = 1 M ∑ j = 1 N ( F ( i , j ) − μ ) 2 ) r_{XF}=\frac{\sum_{i=1}^{M}\sum_{j=1}^{N}(X(i,j)-\overline{X})(F(i,j)-\mu)}{\sqrt{\sum_{i=1}^{M}\sum_{j=1}^{N}(X(i,j)-\overline{X})^{2}(\sum_{i=1}^{M}\sum_{j=1}^{N}(F(i,j)-\mu)^{2})}} rXF=∑i=1M∑j=1N(X(i,j)−X)2(∑i=1M∑j=1N(F(i,j)−μ)2)∑i=1M∑j=1N(X(i,j)−X)(F(i,j)−μ)
CC越大,融合图与源图像越相似,表现越好。
-
NCC Nonlinear correlation coefficient 非线性相关系数
N C C ( X ; F ) = 2 + ∑ i = 1 b 2 n i N log b n i N NCC(X;F)=2+\sum_{i=1}^{b^{2}}\frac{n_i}{N}\log_{b}{\frac{n_i}{N}} NCC(X;F)=2+∑i=1b2NnilogbNni
ni:分布在第i阶的样本个数
b:阶的总数
N:样本对数
-
others
- localized MI
- normalized MI
- Weber MI
- Qp
表格总结
definition | meaning | tendency | |
---|---|---|---|
EN | E N = − ∑ l = 0 L − 1 p l log 2 p l EN = -\sum_{l=0}^{L-1}p_{l}\log_{2}{p_{l}} EN=−∑l=0L−1pllog2pl | 测量一张融合图中有多少信息(基于信息理论);L:0~灰度上限中的每一个值 pl:该灰度所占的比例;L为图像灰度级数,对于8-bit灰度图像,L=255 | EN越大,该图像含有的信息越多,融合的表现越好。 |
MI |
M
I
=
M
I
A
,
F
+
M
I
B
,
F
MI=MI_{A,F}+MI_{B,F}
MI=MIA,F+MIB,F M I X , F = ∑ x , f p X , F ( x , f ) log p X , F ( x , f ) p X ( x ) p F ( f ) MI_{X,F}=\sum_{x,f}p_{X,F}(x,f)\log\frac{p_{X,F}(x,f)}{p_{X}(x)p_{F}(f)} MIX,F=∑x,fpX,F(x,f)logpX(x)pF(f)pX,F(x,f) | 用来度量从原图像传到融合图像的信息量。两张图是否独立或关联,以及关联程度。分子:边缘分布概率; 分母:联合分布律。 | MI越大意味着信息的传递越多,也就越好。 |
FMI | F M I = M I A ˊ , F ˊ + M I B ˊ , F ˊ FMI=MI_{\acute{A},\acute{F}}+MI_{\acute{B},\acute{F}} FMI=MIAˊ,Fˊ+MIBˊ,Fˊ | 一些特定的特征,比如细节,对比度,边界。这个指标度量特征信息的传递情况。 | 这个指标越大越好。 |
SSIM |
S
S
I
M
X
,
F
=
∑
x
,
f
2
μ
x
μ
f
+
C
1
μ
x
2
+
μ
f
2
+
C
1
⋅
2
σ
x
σ
f
+
C
2
σ
x
2
+
σ
f
2
+
C
2
⋅
σ
x
f
+
C
3
σ
x
σ
f
+
C
3
SSIM_{X,F}=\sum_{x,f} \frac{2\mu_x\mu_f+C_1}{\mu_x^{2}+ \mu_f^{2}+C_1}·\frac{2\sigma_x\sigma_f+C_2}{\sigma_x^{2}+ \sigma_f^{2}+C_2} ·\frac{\sigma_{xf}+C_3}{\sigma_x \sigma_f+C_3}
SSIMX,F=∑x,fμx2+μf2+C12μxμf+C1⋅σx2+σf2+C22σxσf+C2⋅σxσf+C3σxf+C3 S S I M = S S I M A , F + S S I M B , F SSIM=SSIM_{A,F}+SSIM_{B,F} SSIM=SSIMA,F+SSIMB,F | 亮度对比函数 * 对比度对比函数 * 结构对比函数。表征结构相似性。 | 越大越好 |
QAB/F |
Q
A
B
/
F
=
∑
i
=
1
N
∑
j
=
1
M
Q
A
F
(
i
,
j
)
w
A
(
i
,
j
)
+
Q
B
F
(
i
,
j
)
w
B
(
i
,
j
)
∑
i
=
1
N
∑
j
=
1
M
(
w
A
(
i
,
j
)
+
w
B
(
i
,
j
)
)
Q^{AB/F}=\frac{\sum_{i=1}^{N}\sum_{j=1}^{M}Q^{AF}(i,j)w^{A}(i,j)+Q^{BF}(i,j)w^{B}(i,j)}{\sum_{i=1}^{N}\sum_{j=1}^{M}(w^{A}(i,j)+w^{B}(i,j))}
QAB/F=∑i=1N∑j=1M(wA(i,j)+wB(i,j))∑i=1N∑j=1MQAF(i,j)wA(i,j)+QBF(i,j)wB(i,j) Q X F ( i , j ) = Q g X F ( i , j ) Q a X , F ( i , j ) Q^{XF}(i,j)=Q_g^{XF}(i,j)Q_a^{X,F}(i,j) QXF(i,j)=QgXF(i,j)QaX,F(i,j) | 量度边缘信息的转移(基于边缘信息被融合后的图像保存下来了) | 越大就意味着转移了越多。越好。 |
QW | Q w ( A , B , F ) = ∑ w ∈ W c ( w ) ( λ ( w ) Q 0 ( A , F W ) + ( 1 − λ ( w ) Q 0 ( B , F w ) ) Q_w(A,B,F)=\sum_{w\in{W}}c(w)(\lambda(w)Q_0(A,FW)+(1-\lambda(w)Q_0(B,Fw)) Qw(A,B,F)=∑w∈Wc(w)(λ(w)Q0(A,FW)+(1−λ(w)Q0(B,Fw)) | 通用图像质量指标的一个变种。为一些特征的图像区域赋予很高的权重。 | 越大越好。 |
QE | Q E = Q W ( A , B , F ) ⋅ Q W ( A ˊ , B ˊ , F ˊ ) α Q_E=Q_W(A,B,F)·Q_W(\acute{A},\acute{B},\acute{F})^{\alpha} QE=QW(A,B,F)⋅QW(Aˊ,Bˊ,Fˊ)α | 在求出QW之后,分别对源图像和融合图像进行边缘检测。 A ˊ , B ˊ , F ˊ \acute{A},\acute{B},\acute{F} Aˊ,Bˊ,Fˊ是图像的边缘。 | QE高,表现好。 |
SD | S D = ∑ i = 1 M ∑ j = 1 N ( F ( i , j ) − μ ) 2 SD=\sqrt{\sum_{i=1}^{M}\sum_{j=1}^{N}(F(i,j)-\mu)^{2}} SD=∑i=1M∑j=1N(F(i,j)−μ)2 | 对比度 | 高对比图的融合图往往SD更高,更抓人眼球,视觉效果好。 |
SF |
S
F
=
R
F
2
+
C
F
2
SF=\sqrt{RF^{2}+CF^{2}}
SF=RF2+CF2 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=MN1∑i=1M−1∑j=1N−1(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=MN1∑i=1M−1∑j=1N−1(F(i,j)−F(i+1,j))2 | 基于梯度的一个图像质量指标。空间频率SF反映图像灰度的变化率,可用于反映图像的清晰度(细节和纹理)。一般地,图像越清晰,空间频率越高。RF和CF为F的行频率和列频率。 | SF越大,人对其的观察越敏感,有更明显的边缘和纹理。 |
AG |
A
G
=
1
M
N
∑
i
=
1
M
∑
j
=
1
N
▽
F
x
2
(
i
,
j
)
+
▽
F
y
2
(
i
,
j
)
2
AG=\frac{1}{MN}\sum_{i=1}^{M}\sum_{j=1}^{N}\sqrt{\frac{\triangledown{F_x^{2}(i,j)}+\triangledown{F_y^{2}(i,j)}}{2}}
AG=MN1∑i=1M∑j=1N2▽Fx2(i,j)+▽Fy2(i,j) ▽ F x ( i , j ) = F ( i , j ) − F ( i + 1 , j ) \triangledown{F_x(i,j)}=F(i,j)-F(i+1,j) ▽Fx(i,j)=F(i,j)−F(i+1,j) ▽ F y ( i , j ) = F ( i , j ) − F ( i , j + 1 ) \triangledown{F_y(i,j)}=F(i,j)-F(i,j+1) ▽Fy(i,j)=F(i,j)−F(i,j+1) | AG越大,融合图含有更多梯度信息,表现越好。 | |
MG | M G = 1 ( M − 1 ) ( N − 1 ) ∗ ∑ x = 1 M − 1 ∑ y = 1 N − 1 ( ( F ( x , y ) − F ( x − 1 , y ) ) 2 + ( ( F ( x , y ) − F ( x , y − 1 ) ) 2 2 MG=\frac{1}{(M-1)(N-1)}*\sum_{x=1}^{M-1}\sum_{y=1}^{N-1}\sqrt{\frac{((F(x,y)-F(x-1,y))^{2}+((F(x,y)-F(x,y-1))^{2}}{2}} MG=(M−1)(N−1)1∗∑x=1M−1∑y=1N−12((F(x,y)−F(x−1,y))2+((F(x,y)−F(x,y−1))2 | 越大越好(富边界和纹理)。 | |
MSE |
M
S
E
=
M
S
E
A
F
+
M
S
E
B
F
2
MSE=\frac{MSE_{AF}+MSE_{BF}}{2}
MSE=2MSEAF+MSEBF M S E X F = 1 M N ∑ i = 0 M − 1 ∑ j = 0 N − 1 ( X ( i , j ) − F ( i , j ) ) 2 MSE_{XF}=\frac{1}{MN}\sum_{i=0}^{M-1}\sum_{j=0}^{N-1}(X(i,j)-F(i,j))^{2} MSEXF=MN1∑i=0M−1∑j=0N−1(X(i,j)−F(i,j))2 | 表征了差异程度。 | 越小越好。 |
RMSE |
R
M
S
E
=
R
M
S
E
A
F
+
R
M
S
E
B
F
2
RMSE=\frac{RMSE_{AF}+RMSE_{BF}}{2}
RMSE=2RMSEAF+RMSEBF R M S E = 1 M N ∑ m = 0 M − 1 ∑ n = 0 N − 1 ( X ( m , n ) − F ( m , n ) ) 2 RMSE=\sqrt{\frac{1}{MN}\sum_{m=0}^{M-1}\sum_{n=0}^{N-1}(X(m,n)-F(m,n))^{2}} RMSE=MN1∑m=0M−1∑n=0N−1(X(m,n)−F(m,n))2 | 越小越好。 | |
PSNR | P S N R = l o g 10 r 2 M S E PSNR=log_{10}{\frac{r^{2}}{MSE}} PSNR=log10MSEr2 | 反映图像的扭曲程度。r为图像的峰值。 | 越大,融合图扭曲程度就越小。 |
VIF | 视觉信息保真度 | 越大越好 | |
CC |
C
C
=
r
A
F
+
r
B
F
x
CC=\frac{r_{AF}+r_{BF}}{x}
CC=xrAF+rBF r X F = ∑ i = 1 M ∑ j = 1 N ( X ( i , j ) − X ‾ ) ( F ( i , j ) − μ ) ∑ i = 1 M ∑ j = 1 N ( X ( i , j ) − X ‾ ) 2 ( ∑ i = 1 M ∑ j = 1 N ( F ( i , j ) − μ ) 2 ) r_{XF}=\frac{\sum_{i=1}^{M}\sum_{j=1}^{N}(X(i,j)-\overline{X})(F(i,j)-\mu)}{\sqrt{\sum_{i=1}^{M}\sum_{j=1}^{N}(X(i,j)-\overline{X})^{2}(\sum_{i=1}^{M}\sum_{j=1}^{N}(F(i,j)-\mu)^{2})}} rXF=∑i=1M∑j=1N(X(i,j)−X)2(∑i=1M∑j=1N(F(i,j)−μ)2)∑i=1M∑j=1N(X(i,j)−X)(F(i,j)−μ) | 测量融合图与源图像的线性相关性。 | CC越大,融合图与源图像越相似,表现越好。 |
NCC | N C C ( X ; F ) = 2 + ∑ i = 1 b 2 n i N log b n i N NCC(X;F)=2+\sum_{i=1}^{b^{2}}\frac{n_i}{N}\log_{b}{\frac{n_i}{N}} NCC(X;F)=2+∑i=1b2NnilogbNni | ni:分布在第i阶的样本个数 b:阶的总数 N:样本对数 | 越大越好。 |