图像质量评估（PSNR+SSIM）-C++

最新推荐文章于 2024-07-13 16:06:42 发布

起名字什么的好难

最新推荐文章于 2024-07-13 16:06:42 发布

阅读量6.6k

点赞数 1

分类专栏：数字图像处理文章标签： psnr ssim

本文链接：https://blog.csdn.net/u012428169/article/details/77948164

版权

数字图像处理专栏收录该内容

19 篇文章 3 订阅

订阅专栏

PSNR：峰值信噪比，一种评价图像的客观标准，用来评估图像的保真性。峰值信噪比经常用作图像压缩等领域中信号重建质量的测量方法，它常简单地通过均方差（MSE）进行定义，使用两个m×n单色图像I和K。PSNR的单位为分贝dB。计算公式如下：
这里写图片描述
其中，MAXI是表示图像点颜色的最大数值，如果每个采样点用 8 位表示，那么就是 255。PSNR值越大，就代表失真越少，图像压缩中典型的峰值信噪比值在 30 到 40dB 之间，小于30dB时考虑图像无法忍受。

SSIM：(structural similarity index)，结构相似性，是一种衡量两幅图像相似度的指标，也是一种全参考的图像质量评价指标，它分别从亮度、对比度、结构三方面度量图像相似性。Wiki中的计算公式：
这里写图片描述

其中是X 的平均值，是 Y 的平均值，是 X 的方差，是 Y 的方差，是 X 和Y 的协方差。C1，C2和C3为常数，是为了避免分母为0而维持稳定。 L=255（是像素值的动态范围，一般都取为255）。K1=0.01, K2=0.03。结构相似性的范围为-1 到 1 。当两张图像一模一样时，SSIM的值等于1。
简单的实现代码如下：

double psnr(Mat &I1, Mat &I2){ //注意，当两幅图像一样时这个函数计算出来的psnr为0 
    Mat s1;  
    absdiff(I1, I2, s1);  
    s1.convertTo(s1, CV_32F);//转换为32位的float类型，8位不能计算平方  
    s1 = s1.mul(s1);  
    Scalar s = sum(s1);  //计算每个通道的和  
    double sse = s.val[0] + s.val[1] + s.val[2];  
    if( sse <= 1e-10) // for small values return zero  
        return 0;  
    else  
    {  
        double mse = sse / (double)(I1.channels() * I1.total()); //  sse/(w*h*3)  
        double psnr = 10.0 * log10((255*255)/mse);  
        return psnr;  
    }   
}  
double ssim(Mat &i1, Mat & i2){  
    const double C1 = 6.5025, C2 = 58.5225;  
    int d = CV_32F;  
    Mat I1, I2;  
    i1.convertTo(I1, d);  
    i2.convertTo(I2, d);  
    Mat I1_2 = I1.mul(I1);  
    Mat I2_2 = I2.mul(I2);  
    Mat I1_I2 = I1.mul(I2);  
    Mat mu1, mu2;  
    GaussianBlur(I1, mu1, Size(11,11), 1.5);  
    GaussianBlur(I2, mu2, Size(11,11), 1.5);  
    Mat mu1_2 = mu1.mul(mu1);  
    Mat mu2_2 = mu2.mul(mu2);  
    Mat mu1_mu2 = mu1.mul(mu2);  
    Mat sigma1_2, sigam2_2, sigam12;  
    GaussianBlur(I1_2, sigma1_2, Size(11, 11), 1.5);  
    sigma1_2 -= mu1_2;  

    GaussianBlur(I2_2, sigam2_2, Size(11, 11), 1.5);  
    sigam2_2 -= mu2_2;  

    GaussianBlur(I1_I2, sigam12, Size(11, 11), 1.5);  
    sigam12 -= mu1_mu2;  
    Mat t1, t2, t3;  
    t1 = 2 * mu1_mu2 + C1;  
    t2 = 2 * sigam12 + C2;  
    t3 = t1.mul(t2);  

    t1 = mu1_2 + mu2_2 + C1;  
    t2 = sigma1_2 + sigam2_2 + C2;  
    t1 = t1.mul(t2);  

    Mat ssim_map;  
    divide(t3, t1, ssim_map);  
    Scalar mssim = mean(ssim_map);  

    double ssim = (mssim.val[0] + mssim.val[1] + mssim.val[2]) /3;  
    return ssim;  
}