图像融合定量指标分析

最新推荐文章于 2025-01-01 02:03:53 发布

原创

最新推荐文章于 2025-01-01 02:03:53 发布 · 6.6k 阅读

129 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #计算机视觉 #神经网络 #深度学习

① 熵/Entropy/EN

熵表示一张图像包含信息的丰富程度。公式如下：
$H=-\sum_{i=0}^{L-1}p_i\log_2p_i$

熵的变化	意义
$↑$	图像包含信息更多。
$↓$	图像包含信息更少。

对于一张灰度图，像素的取值为0-255，那么 $L = 256$ 。 $p_i$ 表示灰度值为 $i$ 的概率，可以由灰度值为 $i$ 的像素个数 $N_i$ 与所有像素数目 $N$ 之比计算，即 $p_i=\frac{N_i}{N}$ 。对于RGB图像一般是将其转为灰度图再计算熵。

② 交叉熵/Cross Entropy/CE

交叉熵表示生成图像与源图像信息的差异。其中 $A$ 是源图像， $B$ 是生成图像，公式如下：
$CE_{A,B}=\sum_{i=0}^{L-1}p_{Ai}\log\frac{p_{Ai}}{p_{Bi}}$

交叉熵的变化	意义
$↑$	生成图像与源图像差异更大。
$↓$	生成图像与源图像差异更小。

如果源图像有多张，例如可见光与红外图像的融合，由两张源图像 $A 、 B$ 生成一张图像 $F$ 则：
$CE_{A,F}=\sum_{i=0}^{L-1}p_{Ai}\log\frac{p_{Ai}}{p_{Fi}}\\CE_{B,F}=\sum_{i=0}^{L-1}p_{Bi}\log\frac{p_{Bi}}{p_{Fi}}$
可以统一计算平均交叉熵 $M C E$ 和均方根平均交叉熵 $R C E$ ：
$MCE=\frac{CE_{A,F}+CE_{B,F}}{2}\\RCE=\sqrt {\frac{CE_{A,F}^2+CE_{B,F}^2}{2}}$

③ 相关熵/Mutual Information/MI

相关熵或相关信息量 $M I$ 是反应生成图像和源图像的像素分布的相似程度。其中 $A$ 是源图像， $B$ 是生成图像，公式如下：
$MI(A,B)=\sum_{a=1}^{L-1}\sum_{b=1}^{L-1}p_{B,A}(b,a)\log_2\frac{p_{B,A}(b,a)}{p_B(b)p_A(a)}$