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:
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:
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;
}
下面列表中的介绍更详细具体,如果看过本文还是意犹未尽的话可以戳进去看看^_^->
OpenCV对图像的性能测试