matlab中常用的衡量图像的指标

• 峰值信噪比（PSNR）：计算原始图像与目标图像之间的峰值信噪比，即图像信息与噪声的比例。PSNR越大，表示两幅图像越相似。
• 均方误差（MSE）：计算原始图像与模糊图像之间像素值的差异平方的平均值。MSE越小，表示两幅图像越接近，即图像越清晰。
• 结构相似性指数（SSIM）：通过比较原始图像和模糊图像的亮度、对比度和结构信息来度量图像的相似性。SSIM的取值范围为[-1,1]，越接近1表示图像越清晰.
• 多尺度结构相似性指数（MS-SSIM）：SSIM的扩展，用于评估图像的结构相似性在多个尺度上的表现。
• 梯度相似度指数（GSI）：通过比较图像的梯度信息来度量图像的相似性。GSI计算原始图像和模糊图像之间梯度的差异平均值。GSI越大，表示图像越清晰。
• 傅里叶频谱逆谱距离（ISD）：通过比较原始图像和模糊图像的傅里叶频谱来度量图像的相似性。ISD越小，表示图像越清晰。
• 互信息（MI）：衡量原始图像和目标图像之间的信息共享程度。互信息越大，表示两幅图像越相似。
• 统计特征匹配（SFM）：通过比较原始图像和目标图像的统计特征，如直方图、颜色矩等，来度量图像的相似性。

psnr(I, ref)			%计算峰值信噪比
immse(img1, img2)		%测量均方误差
ssim(img1, img2)		%计算结构相似性，越接近1越相似
multissim(I, ref)		%计算多尺度相似性指数

计算梯度相似度指数（GSI）

[Gimg, Gdir] = imgradient(img); 
 %im为输入的图像，Gmag为梯度幅值，Gdir为梯度方向
mean_value = mean2(Gimg);
max_value = max(Gimg(:));
GSI = mean_value / max_value;

计算图像的傅里叶频谱逆谱距离（ISD）

F = fft2(img);
A = abs(F);
a= ifft2(A);
ISD = norm(img - a, 'fro');
%norm函数用于计算两个矩阵之间的Frobenius范数

计算图像的互信息（MI）

%histcounts2函数：用于计算两个变量的二维直方图。
[counts, edges] = histcounts2(im1, im2, 'NumBins', num_bins);
%num_bins为直方图的bin数，counts为二维直方图的计数结果，edges为直方图的边界。
total_counts = sum(counts(:));
pxy = counts / total_counts;
px = sum(pxy, 2);
py = sum(pxy, 1);
pxy(pxy == 0) = eps;
px(px == 0) = eps;
py(py == 0) = eps;
MI = sum(sum(pxy .* log2(pxy ./ (px * py))));

计算图像的统计特征匹配（SFM）

 [counts, bins] = imhist(img);
%其中counts为直方图的计数结果，bins为直方图的边界。
feature_vector = reshape(counts, [], 1);
%计算特征匹配指标：
%可以使用不同的指标来衡量特征向量之间的相似性，常见的有欧氏距离、相关系数等。
dist_euclidean = norm(feature_vector1 - feature_vector2); %欧氏距离
corr_coefficient = corrcoef(feature_vector1, feature_vector2); %相关系数
%其中，feature_vector1和feature_vector2分别为两幅图像的特征向量。

模糊系数（KBlur）

%根据KBlur与1的关系来判定图像受噪声污染程度。
w = [-1, 1; 1, -1]
I = imfilter(I, w);
ref = imfilter(ref, w);
Sout = sum(I(:));
Sin = sum(ref(:));
KBlur = Sout/Sin;