图像评价体系

一．理论分析

1.在撰写论文的结果分析时：需要放上图片的大小和硬件、软件的配置。

2. 在图像的选取上可以简单分为三类：远景和近景、图像场景（自然环境和城市建筑）、雾气浓度（薄雾、大雾和浓雾）

3. 图像的评价标准主要有:

(1)标准差(MSE)

标准差反映了图像像素灰度相对于灰度均值的离散情况。结果图像的标准差越大，说明图像的灰度级分布相对分散，反映的信息量越多，图像处理的效果越好。其数学定义为:

 

上式中表示灰度图像，指灰度图像的大小。其中，越大表示图像的信息量越高，处理的效果越好。

(2)平均饱和度

饱和度是指图像色彩的鲜艳程度。其数学定义为

一幅图像的饱和度越大，它的色彩越鲜明，视觉效果也就越好。因此，利用平均饱和度从颜色角度对图像处理的效果进行评价。

 二．编程部分

1.Full Reference Quality Metrics

1.1结构相似度（SSIM，Structural Similarity Index for measuring image quality）

2017版matlab有一个函数可以直接计算，格式为：

Ssim=ssim(A,B),输出A与B相比的结构相似度，一般A为处理的结果图像，B为原始图像。

1.2标准差（MSE，Mean-squared error）

err = immse(X,Y) , X 和 Y可以是任意维度的矩阵，但大小和内容格式必须相同。

1.3峰值信噪比（PSNR,Peak Signal-to-Noise Ratio）

peaksnr = psnr(A,ref)，计算图像A的峰值信噪比；

peaksnr = psnr(A,ref,peakval)，图像A的图像峰值设置为peakval,然后计算峰值信噪比；

[peaksnr,snr] = psnr(___) ，输出信噪比和峰值信噪比。

PSNR=10log10(peakval2/MSE)