图像各类评价指标合集--(针对LLIE任务)

2023-12-13 04:38:10


前言

在涉及图像领域,不论时图像复原、图像去噪或者是图像增强等任务,除了人为主观因素上对其进行评价,还需要一些客观的评价指标辅助判断任务完成的好坏。因此本文主要介绍一些图像各类评价的指标,并给出具体的实现代码。

一、常见评价指标

1、均方误差(MSE)

  • 定义:对于标准图像 I I I 和待评价图像 K K K M S E MSE MSE 指的是 I I I K K K 的所有像素值的差的平方和,再求平均值。
  • MSE越大,图像质量越好。
  • 数学公式
  • 实现代码
import numpy as np
def MSE(img1,img2):
    img1 = img1.astype(np.float64)
    img2 = img2.astype(np.float64)
    mse = np.mean((img1 - img2) ** 2 )
    return mse

2、峰值信噪比(PSNR)

  • 定义:通过比较原始信号(通常是未经压缩的图像)和失真信号(压缩或传输后的图像)之间的信噪比来评估图像的失真程度

  • PSNR越大,图像质量越好。

  • 数学公式
    在这里插入图片描述
    其中, M A X I MAX_{I} MAXI? 表示图像颜色的最大数值,8位采样点表示为255。

  • 实现代码

def PSNR(img1, img2):
   img1 = img1.astype(np.float64)
   img2 = img2.astype(np.float64)
   mse = np.mean((img1 - img2) ** 2 )
   if mse < 1.0e-10:
      return 100
   return 10 * math.log10(255.0**2/mse)

  • 也可用python自带函数实现 from skimage.metrics import peak_signal_noise_ratio as psnr

3、结构相似性(SSIM)

  • 定义:SSIM综合亮度、对比度和结构3个方面来评估图像的质量。
  • SSIM越大,图像质量越好。
  • 数学公式:计算 x 、 y x、y xy两幅图像的SSIM为:
    在这里插入图片描述
    l 、 c 、 s l、c、s lcs 分别为亮度对比度结构评价。计算公式如下:
    在这里插入图片描述
    μ \mu μ表示图像的均值, σ x \sigma_{x} σx?表示图像的标准差, σ x y \sigma_{xy} σxy?表示两幅图像的协方差, c 1 、 c 2 、 c 3 c1、c2、c3 c1c2c3均为常数 α 、 β 、 γ \alpha 、β、γ αβγ为大于0的常数系数。
  • 实现代码
    实现步骤不难,方便一点采用自带函数实现 from skimage.metrics import structural_similarity
---------->>>><<<<<<----------
- 以上常见的评价指标应用范围很广,经常使用,属于评价方法中的全参考方法。
- 实际上,整个图像的质量评价方法可以分为以下3类:

1、全参考( F R ? I Q A FR-IQA FR?IQA):使用参考图像与待评估图像之间的比较来进行评估。
2、半参考( R R ? I Q A RR-IQA RR?IQA):使用部分参考信息进行评估。它们既考虑了待评估图像的质量特征,又考虑了部分参考图像的信息。
3、无参考( N R ? I Q A NR-IQA NR?IQA):不依赖于任何参考图像,仅根据待评估图像自身的内容来进行评估。这些方法主要基于图像的统计性质、纹理特征、对比度等进行评估。

2、低照度图像评价

以下重点介绍一些用于低照度图像的评价指标,方便在LLIE方向上学习的伙伴们。

2.1 均值

  • 反映图像的明暗程度,其值越大,亮度越高
  • 代码
import cv2
def avg(img):
    mean_value = np.mean(cv2.normalize(img, None, 0, 255, cv2.NORM_MINMAX))
    return  round(mean_value,2)

2.2 标准差(Standard Deviation,SD)

  • 反映图像对比度,其值越大,对比度越高
  • 代码
import cv2
def std(img):
    img = cv2.normalize(img, None, 0, 255, cv2.NORM_MINMAX)
    std = np.std(img)
    return  round(std,2)

2.3 信息熵(Information Entropy,IE)

  • 描述图像信息量,其值越大,信息越丰富
  • 数学公式:
    在这里插入图片描述

其中, p i 表示图像中某一灰度值所占比例 其中,p_{i}表示图像中某一灰度值所占比例 其中,pi?表示图像中某一灰度值所占比例

  • 代码
import numpy as np
import  cv2
def entropy(image):
    # 将图像转换为灰度图像
    image=  cv2.normalize(image, None, 0, 255, cv2.NORM_MINMAX)
    gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

    # 计算像素值的直方图
    histogram, _ = np.histogram(gray_image.flatten(), bins=256, range=[0, 256])

    # 计算每个像素值的概率
    probabilities = histogram / float(np.sum(histogram))

    # 计算信息熵
    entropy = -np.sum(probabilities * np.log2(probabilities + np.finfo(float).eps))

    return round(entropy,2)

2.4 熵增强(Extended maximum entropy,EME)

  • 用于判断一幅图像中像素最大值和最小值之间的差别,即图像的对比度,值越大,对比度越好。
  • 数学公式:
    在这里插入图片描述
    先将图像分为 k 1 × k 2 块,求出 先将图像分为k_{1}×k_{2}块,求出 先将图像分为k1?×k2?块,求出

在这里插入图片描述

2.5 平均梯度(Average gradient,AG)

  • 反映图像的清晰度和纹理变化,数值越大说明图像越清晰。
  • 数学公式:
    在这里插入图片描述
    其中, ? f ? x = I ( i + 1 , j ) ? I ( i , j ) , ? f ? y = I ( i , j + 1 ) ? I ( i , j ) 分别表示水平和垂直方向上的梯度 \frac{\partial f}{\partial x}=I(i+1,j)-I(i,j),\frac{\partial f}{\partial y}=I(i,j+1)-I(i,j) 分别表示水平和垂直方向上的梯度 ?x?f?=I(i+1,j)?I(i,j),?y?f?=I(i,j+1)?I(i,j)分别表示水平和垂直方向上的梯度
  • 代码
def AG(image):
    # 将图像转换为灰度图像
    image=  cv2.normalize(image, None, 0, 255, cv2.NORM_MINMAX)
    gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    
    # 计算平均梯度
    sobelx = cv2.Sobel(gray_image, cv2.CV_64F, 1, 0, ksize=3)
    sobely =cv2.Sobel(gray_image, cv2.CV_64F, 0, 1, ksize=3)
    AG = np.mean(np.sqrt(sobelx**2 + sobely**2))
    
    return round(AG,2)

2.6 亮度顺序误差(LOE,lightness-order-error)

  • 反映增强图像自然程度,其值越小,增强图像与原图像亮度顺序越接近,即自然度保持得越好。
  • 数学公式:
    对于每个像素 ( x , y ) (x,y) (x,y)
    在这里插入图片描述
    其中: R D ( x , y ) 表示相对亮度顺序差,计算公式为: RD(x,y)表示相对亮度顺序差,计算公式为: RD(x,y)表示相对亮度顺序差,计算公式为:
    在这里插入图片描述
    ⊕ 表示异或操作 \oplus表示异或操作 表示异或操作 L e 和 L 分别为增强前后图片 L_{e}和L分别为增强前后图片 Le?L分别为增强前后图片
    U 的计算公式为: U的计算公式为: U的计算公式为:
    在这里插入图片描述

L ( x , y ) 表示 R G B 三通道中的最大值 L(x,y)表示RGB三通道中的最大值 L(x,y)表示RGB三通道中的最大值
在这里插入图片描述

  • 实现代码:
def LOE(img,img_enhance):
    
    
    H , W , C = img.shape
    
    img=  cv2.normalize(img, None, 0, 255, cv2.NORM_MINMAX)
    img_enhance =  cv2.normalize(img_enhance, None, 0, 255, cv2.NORM_MINMAX)
    
    # 得到RGB通道中的最大值
    L = np.max(img,axis = 2)
    L_e = np.max(img_enhance,axis = 2)

    
    # 计算相对亮度顺序差 RD
    def RD(x,y):
        mat = np.ones((H,W)) * L[x,y] 
        mat_en = np.ones((H,W)) * L_e[x,y]
        res = np.bitwise_xor(np.where(mat >= L,1,0),np.where(mat_en >= L_e,1,0))
        return np.sum(res)
    
    # 计算亮度顺序误差 LOE
    LOE = 0
    for i in range(H):
        for j in range(W):
            LOE += RD(i,j)
    
    LOE = round(LOE / (H*W),2) 
    return LOE
  • 对于稍微大一点的图片,计算LOE的代码运算时间就会很长。代码如果有误或者可以给出改进,欢迎评论区交流。🧐

2.7 自然图像质量评价指标( N I Q E NIQE NIQE

  • 描述图像质量,其值越低,说明图像质量越高,越符合人眼的主观评价标准

  • 数学公式:
    通过一个自然场景统计模型(NSS)进行质量特征提取,采用多元高斯模型(MVG)进行建模,将评估的图像质量表示为两者多元高斯分布之间的距离:
    $$
    其中, v 1 , v 2 , ∑ 1 、 ∑ 2 分别表示 自然图像和失真图像的 M V G 模型均值和方差矩阵。 其中,v_{1},v_{2},\sum_{1}、\sum_{2}分别表示\\ 自然图像和失真图像的MVG模型均值和方差矩阵。 其中,v1?,v2?,1?2?分别表示自然图像和失真图像的MVG模型均值和方差矩阵。

  • 代码部分有点长,具体内容见主页资源。

总结

本文会长期更新内容,目前将平时常用的一些图像评价指标的代码附在了这里,争取将其他一些比较重要的评价标准写在一起,方便随时使用。🔍

文章来源:https://blog.csdn.net/m0_46366547/article/details/134428671
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。