matlab代码实现图像的：均方根误差MSE、峰值信噪比PSNR、平均绝对误差MAE、结构相似性SSIM

最新推荐文章于 2024-04-25 21:35:19 发布

Steven_ycs

最新推荐文章于 2024-04-25 21:35:19 发布

阅读量3.8w

点赞数 27

分类专栏： python编程深度学习图像处理文章标签：图像处理深度学习

本文链接：https://blog.csdn.net/weixin_38208741/article/details/82941114

版权

3 篇文章 0 订阅

订阅专栏

1 篇文章 0 订阅

订阅专栏

1 篇文章 0 订阅

订阅专栏

实现matlab编程实现关于图像处理的一些简单的操作，加深对图像处理后图像性能评估的理解:

clc; close all;
X = imread('1.jpg');
X=rgb2gray(X);
Y=X;
Y = imnoise(Y, 'salt & pepper');%添加椒盐噪声，也可以改成其他噪声
A=fspecial('average',3); %生成系统预定义的3X3滤波器
Z=filter2(A,Y)/255; %均值滤波
%Z=medfilt2(Y,[3,3]);%中值滤波
%A=fspecial('gaussian'); %高斯滤波卷积核
%Z=filter2(A,Y)/255; %用生成的高斯序列进行滤波
figure;
subplot(1, 3, 1); imshow(X); title('原图像');
subplot(1, 3, 2); imshow(Y); title('加噪声图像');
subplot(1, 3, 3); imshow(Z); title('滤波后图像');
X = double(X);
Z = double(Z);
D = Z-X;
MSE = sum(D(:).*D(:))/numel(Z);%均方根误差MSE
PSNR = 10*log10(255^2/MSE);%峰值信噪比
MAE=mean(mean(abs(D)));%平均绝对误差
w = fspecial('gaussian', 11, 1.5); %window 加窗
K(1) = 0.01;
K(2) = 0.03;
L = 255;
Z = double(Z);
X = double(X);
C1 = (K(1)*L)^2;
C2 = (K(2)*L)^2;
w = w/sum(sum(w));
ua = filter2(w, Z, 'valid');%对窗口内并没有进行平均处理，而是与高斯卷积，
ub = filter2(w, X, 'valid'); % 类似加权平均
ua_sq = ua.*ua;
ub_sq = ub.*ub;
ua_ub = ua.*ub;
siga_sq = filter2(w, Z.*Z, 'valid') - ua_sq;
sigb_sq = filter2(w, X.*X, 'valid') - ub_sq;
sigab = filter2(w, Z.*X, 'valid') - ua_ub;
ssim_map = ((2*ua_ub + C1).*(2*sigab + C2))./((ua_sq + ub_sq + C1).*(siga_sq + sigb_sq + C2));
MSSIM = mean2(ssim_map);
display(MSE);%均方根误差MSE
display(PSNR);%峰值信噪比
display(MAE);%平均绝对误差
display(MSSIM);%结构相似性SSIM

另外，常用于图像质量评价方法有：信噪比、峰值信噪比和结构相似性。

均方根误差在图像的质量评价中相当于一个中间的评价指标，很多后续的评价指标都是沿用均方根误差。均方根误差主要是评价已知图像和退化图像之间误差大小。其实这个指标跟最小二乘的原理多少有些类似，也跟统计知识的误差统计求标准差和方差是一样的。

其基本公式为：

RMSE = sqrt(1/mn * E(I - F))

其中，E(I - F) 是退化图像与真实图像之间每个像素的差值的平方和

一般峰值信噪比在图像的评价中使用的较多，公式为：

其中，MN是图形的大小，M*N，f 是真实图像，f∧是退化图像

结构相似度(SSIM)是来源于结构相似理论，用来测量两幅图像的结构相似性大小，其最大值为1。尤其反映了图像的轮廓，细节等的相似度。结构相似度可以表示为：

其中，l（）表示亮度变化，c()表示差异变化，s()是结构变化。

其中，f 和g 表示两幅图像，uf 和 ug 表示图像的均值，σf和σg 表示它们的方差，σfg表示它们的协方差。C1，C2，C3为比较小的常数，用来确保分母不等于零。

关注