图像评价指标

1.图像评价指标

　　图像评价指标用来客观评价图像处理中算法的优劣性，一般在对比实验中突出自己提出的算法的亮点。一般来说，每个细分的领域都有相应的指标，如边缘检测，有PFOM（Pratt’s Figure Of Merit）[1][2]（第一个引用是它的来源，第二个引用是使用它的例子）；图像增强，有EEME（Evaluating image Enhancement Measure by Entropy）[3][4]。
　　还有一个比较大的领域–图像复原，包括图像去噪、去模糊、去雾等的评价指标基本上是通用的，都可以用复原后图像与参考图像对比来进行评价，即有参考图像评价指标。相应地提出一系列的指标：(R)MSE, (M)SSIM, PSNR(CSNR)等等，这些指标比较常见。原则上来说，采用越通用的指标，如去噪大家都采用PSNR和SSIM，这样得到的结果也越令人信服。#每种指标都有具体针对的情况，根据评价的目的和情况来设计评价算法。
　　接下来介绍几种评价指标：

2.SMD2[５]

　　图像的清晰度可以这样得到：对于模糊的图像，其整个图像的灰度较为均匀，相邻像素之间的差值会很小，相乘之后的结果会很小；图像越清晰，那么，边缘跟其周围像素灰度的差值也越大，相乘之后的值也会更大，这样就可以定义一个指标：灰度方差乘积（SMD2），它可以快速准确地来判断一副图像清晰的程度。

$$SMD2=\sum\sum|I(x,y)-I(x+1,y)|*|I(x,y)-I(x,y+1)|$$
用代码实现如下：

double getSMD2(const Mat& test)//SMD2=sum(|test(x,y)-test(x+1,y)|*|test(x,y)-test(x,y+1)|)
{
    double temp = 0;
    const uchar* ix;
    const uchar* ix1;
    for (int i = 0; i < test.rows-1; ++i)
    {
        ix = test.ptr<uchar>(i);
        ix1 = test.ptr<uchar>(i + 1);
        for (int j = 0; j < test.cols-1; ++j)
        {
            temp += abs(ix[j] - ix1[j])*abs(ix[j] - ix[j + 1]);
        }
    }
    return temp / (test.rows * test.cols);
}

3. 人眼特性评价指标HVSNR[６]

　　人类的视觉感知有3个显著的特性，即视觉非线性特性（Weber定律）、视觉敏感度带通和视觉多通道及掩盖效应。利用小波变换与HVS多通道特性相匹配的特点，建立一种和人的视觉评价保持良好一致的方法，其评价结果与主观评价平均评价分数的相关系数达0.95，而对应的客观评价方法与主观评价平均评价分数的相关系数为0.81。利用对比度敏感度函数的带通特性以简化HVS模型，将不同空间频带失真用Minkowski求和进行非线性合并，最后仿照峰值信噪比的定义，得到结果。具体的步骤是：
　　(1)将待测图像和标准图像选用D9/7小波进行分解，分解为4级；
　　(2)将4级小波分为5个频带，对不同空间频带乘于对应的CSF系数；
　　(3)待测图像和标准图像相减得到5个频带的误差E，然后按照下面公式进行求和：

$$S=(\sum_{n=1}^{N}|E_n|^\beta)^{1/\beta}$$
　　(4)根据信噪比的定义得到基于人眼视觉特性的信噪比结果：

HVSRN=10log[(2552