1. PSNR (Peak Signal-to-Noise Ratio) 峰值信噪比
给定一个大小为 m × n m×n m×n 的干净图像 I I I 和噪声图像 K K K,均方误差 ( M S E ) (MSE) (MSE) 定义为:
M S E = 1 m n ∑ i = 0 m − 1 ∑ j = 0 n − 1 [ I ( i , j ) − K ( i , j ) ] 2 MSE = \frac{1}{mn}\sum_{i=0}^{m-1}\sum_{j=0}^{n-1}[I(i, j)-K(i,j)]^2 MSE=mn1i=0∑m−1j=0∑n−1[I(i,j)−K(i,j)]2
然后 P S N R ( d B ) PSNR (dB) PSNR(dB) 就定义为:
P S N R = 10 ⋅ l o g 10 ( M A X I 2 M S E ) PSNR = 10 \cdot log_{10}(\frac{MAX_I^2}{MSE}) PSNR=10⋅log10(MSEMAXI2)
其中 M A X I 2 MAX_I^2 MAXI2 为图片可能的最大像素值。如果每个像素都由 8 位二进制来表示,那么就为 255。通常,如果像素值由 B B B 位二进制来表示,那么 M A X I = 2 B − 1 MAX_I = 2^B-1 MAXI=2B−1。
一般地,针对 uint8 数据,最大像素值为 255,;针对浮点型数据,最大像素值为 1。
上面是针对灰度图像的计算方法,如果是彩色图像,通常有三种方法来计算。
- 分别计算 RGB 三个通道的 PSNR,然后取平均值。
- 计算 RGB 三通道的 MSE ,然后再除以 3 。
- 将图片转化为 YCbCr 格式,然后只计算 Y 分量也就是亮度分量的 PSNR。
其中,第二和第三种方法比较常见。
# im1 和 im2 都为灰度图像,uint8 类型
# method 1
diff = im1 - im2
mse = np.mean(np.square(diff))
psnr = 10 * np.log10(255 * 255 / mse)
# method 2
psnr = skimage.measure.compare_psnr(im1, im2, 255)
compare_psnr(im_true, im_test, data_range=None) 函数原型可见此处
针对超光谱图像,我们需要针对不同波段分别计算 PSNR,然后取平均值,这个指标称为 MPSNR。
2. SSIM (Structural SIMilarity) 结构相似性
S S I M SSIM SSIM 公式基于样本 x x x 和 y y y 之间的三个比较衡量:亮度 (luminance)、对比度 (contrast) 和结构 (structure)。
l
(
x
,
y
)
=
2
μ
x
μ
y
+
c
1
μ
x
2
+
μ
y
2
+
c
1
l(x,y) = \frac{2\mu_x \mu_y + c_1}{\mu_x^2+ \mu_y^2 + c_1}
l(x,y)=μx2+μy2+c12μxμy+c1
c
(
x
,
y
)
=
2
σ
x
σ
y
+
c
2
σ
x
2
+
σ
y
2
+
c
2
c(x,y) = \frac{2\sigma_x \sigma_y + c_2}{\sigma_x^2+ \sigma_y^2 + c_2}
c(x,y)=σx2+σy2+c22σxσy+c2
s
(
x
,
y
)
=
σ
x
y
+
c
3
σ
x
σ
y
+
c
3
s(x,y) = \frac{\sigma_{xy} + c_3}{\sigma_x \sigma_y + c_3}
s(x,y)=σxσy+c3σxy+c3
一般取 c 3 = c 2 / 2 c_3 = c_2 / 2 c3=c2/2。
- μ x \mu_x μx 为 x x x 的均值
- μ y \mu_y μy 为 y y y 的均值
- σ x 2 \sigma_x^2 σx2 为 x x x 的方差
- σ y 2 \sigma_y^2 σy2 为 y y y 的方差
- σ x y \sigma_{xy} σxy 为 x x x 和 y y y 的协方差
- c 1 = ( k 1 L ) 2 , c 2 = ( k 2 L ) 2 c_1 = (k_1L)^2, c_2 = (k_2L)^2 c1=(k1L)2,c2=(k2L)2 为两个常数,避免除零
- L L L 为像素值的范围, 2 B − 1 2^B-1 2B−1
- k 1 = 0.01 , k 2 = 0.03 k_1=0.01, k_2=0.03 k1=0.01,k2=0.03 为默认值
那么
S S I M ( x , y ) = [ l ( x , y ) α ⋅ c ( x , y ) β ⋅ s ( x , y ) γ ] SSIM(x, y) = [l(x,y)^{\alpha} \cdot c(x,y)^{\beta} \cdot s(x,y)^{\gamma}] SSIM(x,y)=[l(x,y)α⋅c(x,y)β⋅s(x,y)γ]
将 α , β , γ \alpha,\beta,\gamma α,β,γ 设为 1,可以得到
S S I M ( x , y ) = ( 2 μ x μ y + c 1 ) ( 2 σ x y + c 2 ) ( μ x 2 + μ y 2 + c 1 ) ( σ x 2 + σ y 2 + c 2 ) SSIM(x, y) = \frac{(2\mu_x \mu_y + c_1)(2\sigma_{xy}+c_2)}{(\mu_x^2+ \mu_y^2 + c_1)(\sigma_x^2+\sigma_y^2+c_2)} SSIM(x,y)=(μx2+μy2+c1)(σx2+σy2+c2)(2μxμy+c1)(2σxy+c2)
每次计算的时候都从图片上取一个 N × N N×N N×N 的窗口,然后不断滑动窗口进行计算,最后取平均值作为全局的 SSIM。
# im1 和 im2 都为灰度图像,uint8 类型
ssim = skimage.measure.compare_ssim(im1, im2, data_range=255)
针对超光谱图像,我们需要针对不同波段分别计算 SSIM,然后取平均值,这个指标称为 MSSIM。
获取更多精彩,请关注「seniusen」!