图像评价方法程序-PSNR

本文主要展示图像的有参考评价方式PSNR的程序部分,其数学原理部分参考这片文章

以下为主程序部分:

#include "common.h"

int main() {

    Mat img1 = imread("图片地址");

    Mat img2 = imread("图片地址");


    getPSNR(img1, img2);

    return 0;
}

以下部分是PSNR函数部分:

#include "common.h"



void getPSNR(const Mat& img1, const Mat& img2)
{
    Mat temp;
    absdiff(img1, img2, temp);       // |I1 - I2|AbsDiff函数是 OpenCV 中计算两个数组差的绝对值的函数
    temp.convertTo(temp, CV_32F);  // 这里我们使用的CV_32F来计算,因为8位无符号char是不能进行平方计算
    temp = temp.mul(temp);           // |I1 - I2|^2

    Scalar temp_sum = sum(temp);         //对每一个通道进行加和

    double sse = temp_sum.val[0] + temp_sum.val[1] + temp_sum.val[2]; // sum channels

    if( sse <= 1e-10) // 对于非常小的值我们将约等于0
        cout << "两张图像一样" <<endl;

    else
    {
        double  MSE =sse /(double)(img1.channels() * img1.total());//计算MSE

        cout << "MSE: " << MSE << endl;

        double PSNR = 10.0*log10((255*255)/MSE);

        cout << "PSNR:" << PSNR<< endl;
    }
}

以下是头文件:

#include <opencv2/opencv.hpp>
#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>


using namespace cv;
using namespace std;

void getPSNR(const Mat& img1, const Mat& img2);
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
以下是使用Numpy库函数对图像求解MSE、PSNR、SSIM评价参数的示例代码: ```python import numpy as np import cv2 def mse(imageA, imageB): err = np.sum((imageA.astype("float") - imageB.astype("float")) ** 2) err /= float(imageA.shape[0] * imageA.shape[1]) return err def psnr(imageA, imageB): mse_value = mse(imageA, imageB) if mse_value == 0: return float('inf') else: max_pixel = 255.0 psnr_value = 20 * np.log10(max_pixel / np.sqrt(mse_value)) return psnr_value def ssim(imageA, imageB): K1 = 0.01 K2 = 0.03 L = 255 C1 = (K1 * L) ** 2 C2 = (K2 * L) ** 2 window = cv2.createWindow('window', (128, 128), cv2.WINDOW_AUTOSIZE) window.show() window_imageA = cv2.resize(imageA, (128, 128)) window_imageB = cv2.resize(imageB, (128, 128)) window_imageA = window_imageA.astype(np.float32) window_imageB = window_imageB.astype(np.float32) meanA = cv2.GaussianBlur(window_imageA, (11, 11), 1.5) meanB = cv2.GaussianBlur(window_imageB, (11, 11), 1.5) meanA_meanB = meanA * meanB meanA_squared = meanA ** 2 meanB_squared = meanB ** 2 varianceA = cv2.GaussianBlur(window_imageA ** 2, (11, 11), 1.5) - meanA_squared varianceB = cv2.GaussianBlur(window_imageB ** 2, (11, 11), 1.5) - meanB_squared covariance = cv2.GaussianBlur(window_imageA * window_imageB, (11, 11), 1.5) - meanA_meanB ssim_value = ((2 * meanA_meanB + C1) * (2 * covariance + C2)) / ((meanA_squared + meanB_squared + C1) * (varianceA + varianceB + C2)) return ssim_value.mean() # 读取图片 img1 = cv2.imread('img1.jpg') img2 = cv2.imread('img2.jpg') # 计算MSE、PSNR、SSIM mse_value = mse(img1, img2) psnr_value = psnr(img1, img2) ssim_value = ssim(img1, img2) # 输出结果 print("MSE: ", mse_value) print("PSNR: ", psnr_value) print("SSIM: ", ssim_value) ``` 其中 `mse()` 函数计算MSE,`psnr()` 函数计算PSNR,`ssim()` 函数计算SSIM。 需要注意的是,计算SSIM时需要使用OpenCV库中的GaussianBlur函数来进行高斯模糊,以及创建一个128x128的窗口用于计算SSIM值。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值