图像质量评价指标
MSE
MSE:均方误差
对于给定的大小为
m
×
n
m\times n
m×n的干净图像
I
I
I和噪声图像
K
K
K,均方误差MSE的定义如下:
M
S
E
=
1
m
n
∑
0
m
∑
0
m
[
I
(
i
,
j
)
−
K
(
i
,
j
)
]
2
MSE = \frac{1}{mn}\sum^{m}_{0}\sum^{m}_{0}[I(i,j)-K(i,j)]^2
MSE=mn10∑m0∑m[I(i,j)−K(i,j)]2
PSNR
PSNR (Peak Signal to Noise Ratio)峰值信噪比,其定义如下:
P
S
N
R
=
10
log
10
(
2
n
−
1
)
2
M
S
E
=
10
log
10
M
a
x
I
2
M
S
E
PSNR = 10 \log_{10} \frac{(2^n-1)^2}{MSE}=10 \log_{10} \frac{Max_I^2}{MSE}
PSNR=10log10MSE(2n−1)2=10log10MSEMaxI2
其中,MSE表示当前图像X和参考图像Y的均方误差(Mean Square Error);
M
a
x
I
Max_I
MaxI为图像可能的最大像素值;n为每像素的比特数,一般取8,即像素灰阶数为256. PSNR的单位是dB,数值越大表示失真越小。
- 如果图像是彩色图像,则通常分别计算RGB三个通道的PSNR,然后再取平均
- 根据公式可以发现PSNR实际上是基于对应像素点间的误差,即基于误差敏感的图像质量评价。
- PSNR并未考虑到人眼的视觉特性(人眼对空间频率较低的对比差异敏感度较高,人眼对亮度对比差异的敏感度较色度高,人眼对一个区域的感知结果会受到其周围邻近区域的影响等),因而经常出现评价结果与人的主观感觉不一致的情况。
SSIM (Structural SIMilarity) 结构相似性
SSIM(structural similarity)结构相似性,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。
S
S
I
M
S S I M
SSIM 公式基于图像
x
x
x 和图像
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
(1)
l(x, y)=\frac{2 \mu_{x} \mu_{y}+c_{1}}{\mu_{x}^{2}+\mu_{y}^{2}+c_{1}} \tag1
l(x,y)=μx2+μy2+c12μxμy+c1(1)
c
(
x
,
y
)
=
2
σ
x
σ
y
+
c
2
σ
x
2
+
σ
y
2
+
c
2
(2)
c(x, y)=\frac{2 \sigma_{x} \sigma_{y}+c_{2}}{\sigma_{x}^{2}+\sigma_{y}^{2}+c_{2}} \tag2
c(x,y)=σx2+σy2+c22σxσy+c2(2)
s
(
x
,
y
)
=
σ
x
y
+
c
3
σ
x
σ
y
+
c
3
(3)
s(x, y)=\frac{\sigma_{x y}+c_{3}}{\sigma_{x} \sigma_{y}+c_{3}} \tag3
s(x,y)=σxσy+c3σxy+c3(3)
c 1 , c 2 , c 3 c_1, c_2, c_3 c1,c2,c3 为常数,为了避免分母为零的情况,通常情况下:
c 1 = ( k 1 L ) 2 , c 2 = ( k 2 L ) 2 , c 3 = c 2 / 2 c_{1}=\left(k_{1} L\right)^{2}, c_{2}=\left(k_{2}L\right)^{2},c_{3}=c_{2} / 2 c1=(k1L)2,c2=(k2L)2,c3=c2/2
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
- 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_{x y} σxy 为 x x x 和 y y y 的协方差
综上:
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]
SSIM取值范围[0,1],值越大,表示图像失真越小.
在实际应用中,可以利用滑动窗将图像分块,令分块总数为N,考虑到窗口形状对分块的影响,采用高斯加权计算每一窗口的均值、方差以及协方差,然后计算对应块的结构相似度SSIM,最后将平均值作为两图像的结构相似性度量,即平均结构相似性MSSIM:
M
S
S
I
M
(
x
,
y
)
=
1
N
∑
K
=
1
N
S
S
I
M
(
x
k
,
y
k
)
MSSIM(x,y)= \frac{1}{N}\sum^{N}_{K=1}SSIM(x_k,y_k)
MSSIM(x,y)=N1K=1∑NSSIM(xk,yk)
参考链接:
https://www.cnblogs.com/vincent2012/archive/2012/10/13/2723152.html
https://zhuanlan.zhihu.com/p/50757421