影象質量評價指標之 PSNR 和 SSIM
1. PSNR (Peak Signal-to-Noise Ratio) 峰值信噪比
給定一個大小為 \(m×n\) 的乾淨影象 \(I\) 和噪聲影象 \(K\),均方誤差 \((MSE)\) 定義為:
\[MSE = \frac{1}{mn}\sum_{i=0}^{m-1}\sum_{j=0}^{n-1}[I(i, j)-K(i,j)]^2\]
然後 \(PSNR (dB)\) 就定義為:
\[PSNR = 10 \cdot log_{10}(\frac{MAX_I^2}{MSE})\]
其中 \(MAX_I^2\) 為圖片可能的最大畫素值。如果每個畫素都由 8 位二進位制來表示,那麼就為 255。通常,如果畫素值由 \(B\)
一般地,針對 uint8 資料,最大畫素值為 255,;針對浮點型資料,最大畫素值為 1。
上面是針對灰度影象的計算方法,如果是彩色影象,通常有三種方法來計算。
- 分別計算 RGB 三個通道的 PSNR,然後取平均值。
- 計算 RGB 三通道的 MSE ,然後再除以 3 。
- 將圖片轉化為 YCbCr 格式,然後只計算 Y 分量也就是亮度分量的 PSNR。
其中,第二和第三種方法比較常見。
# im1 和 im2 都為灰度影象,uint8 型別 # method 1 diff = im1 - im2 mse = np.mean(np.square(diff)) psnr = 10 * np.log10(255 * 255 / mse) # method 2 psnr = skimage.measure.compare_psnr(im1, im2, 255)
compare_psnr(im_true, im_test, data_range=None) 函式原型可見此處
針對超光譜影象,我們需要針對不同波段分別計算 PSNR,然後取平均值,這個指標稱為 MPSNR。
2. SSIM (Structural SIMilarity) 結構相似性
\(SSIM\) 公式基於樣本 \(x\) 和 \(y\) 之間的三個比較衡量:亮度 (luminance)、對比度 (contrast) 和結構 (structure)。
\[l(x,y) = \frac{2\mu_x \mu_y + c_1}{\mu_x^2+ \mu_y^2 + c_1}\]
\[c(x,y) = \frac{2\sigma_x \sigma_y + c_2}{\sigma_x^2+ \sigma_y^2 + c_2}\]
\[s(x,y) = \frac{\sigma_{xy} + c_3}{\sigma_x \sigma_y + c_3}\]
一般取 \(c_3 = c_2 / 2\)。
- \(\mu_x\) 為 \(x\) 的均值
- \(\mu_y\) 為 \(y\) 的均值
- \(\sigma_x^2\) 為 \(x\) 的方差
- \(\sigma_y^2\) 為 \(y\) 的方差
- \(\sigma_{xy}\) 為 \(x\) 和 \(y\) 的協方差
- \(c_1 = (k_1L)^2, c_2 = (k_2L)^2\) 為兩個常數,避免除零
- \(L\) 為畫素值的範圍,\(2^B-1\)
- \(k_1=0.01, k_2=0.03\) 為預設值
那麼
\[SSIM(x, y) = [l(x,y)^{\alpha} \cdot c(x,y)^{\beta} \cdot s(x,y)^{\gamma}]\]
將 \(\alpha,\beta,\gamma\) 設為 1,可以得到
\[SSIM(x, y) = \frac{(2\mu_x \mu_y + c_1)(2\sigma_{xy}+c_2)}{(\mu_x^2+ \mu_y^2 + c_1)(\sigma_x^2+\sigma_y^2+c_2)}\]
每次計算的時候都從圖片上取一個 \(N×N\) 的視窗,然後不斷滑動視窗進行計算,最後取平均值作為全域性的 SSIM。
# im1 和 im2 都為灰度影象,uint8 型別
ssim = skimage.measure.compare_ssim(im1, im2, data_range=255)
針對超光譜影象,我們需要針對不同波段分別計算 SSIM,然後取平均值,這個指標稱為 MSSIM。
獲取更多精彩,請關注「seniusen」!