图像融合质量评价方法SSIM、PSNR、EN、MSE与NRMSE（一） |
您所在的位置：网站首页 › 均方根值什么意思 › 图像融合质量评价方法SSIM、PSNR、EN、MSE与NRMSE（一） |
图像融合质量评价方法SSIM、PSNR、EN、MSE与NRMSE（一）
|
文章目录
1 前言2 融合评价指标介绍2.1 结构相似性 SSIM2.2 峰值信噪比 PSNR2.3 信息熵 Entropy2.4 均方误差 MSE2.5 归一化均方根误差 NRMSE
3 代码实现3.1 使用skimage库3.2 信息熵Entropy python实现3.3 峰值信噪比PSNR python实现3.4 结构相似性SSIM python实现
4 总结
1 前言
最近开始学习和研究医疗图像融合这一方向，在做实验时因为缺少评估融合图像的指标以及代码非常苦恼。在经过一段时间的收集之后，得到了不少指标，所以希望可以记录一下。本文主要记录怎么使用这些指标，对于这些指标的公式和原理并不会过多介绍。后续更新图像融合质量评价方法AG、SF、STD、MI与NMI（二） 、图像融合质量评价方法MSSIM、MS-SSIM、FS、Qmi、Qabf与VIFF（三） 和图像融合质量评价方法FMI（四） 2 融合评价指标介绍 2.1 结构相似性 SSIMSSIM是Structural Similarity的缩写，表示结构相似性，取值范围为[-1,1]，越接近1，代表相似度越高，融合质量越好。 关于详细的公式和原理解释可以看Image Quality Assessment: From Error Visibility to Structural Similarity。 2.2 峰值信噪比 PSNRPeak signal to noise ration缩写PSNR，峰值信噪比，用于衡量图像有效信息与噪声之间的比率，能够反映图像是否失真。 P S N R = 10 log z 2 M S E PSNR=10\log\frac{z^2}{MSE} PSNR=10logMSEz2Z表示理想参考图像灰度最大值与最小值之差，通常为255。PSNR的值越大，表示融合图像的质量越好。 2.3 信息熵 Entropy信息熵主要是度量图像包含信息量多少的一个客观评价指标,a表示灰度值，P(a)表示灰度概率分布: H ( A ) = − ∑ a P A ( a ) l o g p A ( a ) H(A)\;=\;-\sum_aP_A(a)l\mathrm{og}p_A(a) H(A)=−a∑PA(a)logpA(a)信息熵越高表示融合图像的信息量越丰富，质量越好 2.4 均方误差 MSE均方误差(Mean Square Error)反映的是变量间的差异程度，是一种基于像素误差的图像质量客观评价指标，用于衡量融合图像和理想参考图像之间的差异，MSE越小，表示融合图像质量越好。 均方根误差(Root Mean Square Error)是一个翻译空间细节信息的评价指标，公式如下： R M S E ( I F , I W ) = M S E ( I F , I W ) RMSE(I_F,I_W)\;=\;\sqrt{MSE(I_F,I_W)\;} RMSE(IF,IW)=MSE(IF,IW) 2.5 归一化均方根误差 NRMSE归一化均方根误差（normalized root mean square error）就是将RMSE的值变成(0,1)之间。 3 代码实现 3.1 使用skimage库为什么要一次性介绍这5个指标？因为这5个指标都只需要调用skimage库就可以使用了。skimage库是用于图像处理的 Python 包，使用原生的 NumPy 数组作为图像对象。 其中skimage.measure中包括以上所以指标的函数，详见Scikit image 中文开发手册。废话不多说，下面之间给出使用这些函数的例子： import cv2 import numpy as np import math import skimage.measure # 参数0表示读入即为灰度图 img = cv2.imread('1.png',0) img_fu = cv2.imread('2.png',0) # 结构相似性 ssim = skimage.measure.compare_ssim(img, img_fu, data_range=255) # 峰值信噪比 psnr = skimage.measure.compare_psnr(img, img_fu, data_range=255) # 均方误差 mse = skimage.measure.compare_mse(img, img_fu) # 均方根误差 rmse = math.sqrt(mse) # 归一化均方根误差 nrmse = skimage.measure.compare_nrmse(img, img_fu, norm_type='Euclidean') # 信息熵 entropy = skimage.measure.shannon_entropy(img_fu, base=2) 3.2 信息熵Entropy python实现其实信息熵的实现并不难，根据上面的公式就可以写出（代码参考图像信息熵）： import cv2 import numpy as np import math import skimage.measure def imageEn(image): tmp = [] for i in range(256): tmp.append(0) val = 0 k = 0 res = 0 img = np.array(image) for i in range(len(img)): for j in range(len(img[i])): val = img[i][j] tmp[val] = float(tmp[val] + 1) k = float(k + 1) for i in range(len(tmp)): tmp[i] = float(tmp[i] / k) for i in range(len(tmp)): if(tmp[i] == 0): res = res else: res = float(res - tmp[i] * (math.log(tmp[i]) / math.log(2.0))) return res if __name__ == '__main__': image = cv2.imread('1.png',0) print(imageEn(image)) print(skimage.measure.shannon_entropy(image, base=2))可以看到对同一图片，上面所示代码和skimage库中的shannon_entropy()函数计算结果相差不大 代码来源PSNR实现： import cv2 import numpy as np import math import skimage.measure def psnr1(img1, img2): mse = np.mean((img1/1.0 - img2/1.0) ** 2 ) if mse |
【本文地址】