• 【图像误差测量】测量 2 张图像之间的差异，并测量图像质量（Matlab代码实现）

     💥💥💞💞欢迎来到本博客❤️❤️💥💥

    🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

    ⛳️座右铭：行百里者，半于九十。

    📋📋📋本文目录如下：🎁🎁🎁

    目录

    💥1 概述

    📚2 运行结果

    🎉3 参考文献

    🌈4 Matlab代码实现

    💥1 概述

    【图像误差测量】测量 2 张图像之间的差异，并测量图像质量

    图像误差测量是一项重要的研究领域，旨在开发有效的方法来量化和评估图像之间的差异。这些差异可以来自于图像处理、压缩、传输或其他图像处理过程中的各种因素。

    在图像处理领域，准确地测量图像之间的误差是评估算法效果和优化算法的关键。通过比较原始图像和经过处理后的图像，可以确定图像处理算法对图像所做的修改，并评估其对图像质量的影响。

    常用的图像误差测量方法包括：

    - 均方误差 (MSE)：计算两幅图像的像素之间差值的平方的平均值。较大的MSE值表示较大的差异。

    - 峰值信噪比 (PSNR)：通过比较两幅图像的动态范围和均方误差来评估图像质量。PSNR值越高，表示图像质量越好。

    - 结构相似性指数 (SSIM)：通过比较图像的亮度、对比度和结构信息等方面的相似性来评估图像的质量。较高的SSIM值表示较高的相似性。

    - 互信息 (MI)：衡量两幅图像之间的信息重叠程度。较高的互信息值表示较高的相似性。

    - 泊松噪声比 (PNR)：通过估计图像中的噪声和估计信号之间的比值来评估图像质量。较高的PNR值表示较好的图像质量。

    另外，随着深度学习和人工智能的发展，还涌现出一些基于神经网络的图像误差测量方法，如基于卷积神经网络 (CNN) 的结构相似度指数 (CNN-SSIM) 和感知损失 (Perceptual Loss) 等。

    图像误差测量的研究旨在改进现有的方法，并开发新的有效算法来更准确地评估图像之间的差异。这些研究对于图像处理任务如图像复原、超分辨率、图像压缩和图像质量评估等具有重要的实际应用价值。通过深入研究图像误差测量，我们可以更好地理解图像的特性，并为相关领域的进一步发展提供指导和支持。

    本文旨在测量两张图像之间的差异并评估图像质量。以下是常用的几种图像误差测量方法：

    1. 均方误差 (MSE)：计算两张图像像素之间差值的平方的平均值。这个指标越小，表示两张图像越相似。

    2. 均方根误差 (RMSE)：将均方误差的结果开方，以得到具有与原始像素单位一致的测量值。

    3. 峰值信噪比 (PSNR)：通过比较两张图像的动态范围和均方误差来衡量图像质量。这个指标的值越高，表示两张图像之间的差异越小，图像质量越高。

    4. 平均绝对误差 (MAE)：计算两张图像像素之间差值的绝对值的平均值。与均方误差不同，MAE更加关注图像中的小差异。

    5. 信噪比 (SNR)：通过比较图像中有用信号的强度与噪声的强度来评估图像的质量。一个较高的信噪比表示图像中有较少的噪声干扰。

    6. 通用图像质量指数 (IQI)：综合考虑了图像的亮度、对比度、锐度和颜色等方面的信息，以评估图像的整体质量。

    7. 增强测量误差 (EME)：通过将图像的增强后版本与原始版本进行比较，来衡量图像的质量提升程度。

    8. 皮尔逊相关系数：衡量两张图像之间的线性相关性。当相关系数接近于1时，表示两张图像高度相关；当接近于0时，表示两张图像不相关。

    通过使用这些图像误差测量方法，我们可以客观地评估图像之间的差异并量化图像质量。这些指标对于图像处理和图像质量控制非常重要，可以帮助我们优化和改进图像处理算法，并提供更好的视觉体验。

    📚2 运行结果

    部分代码：

    1. noiseTypeModes = {
    2.     'gaussian',         % [1]
    3.     'salt & pepper',    % [2]    
    4.     'localvar',         % [3]
    5.     'speckle',          % [4] (multiplicative noise)
    6.     'poisson',          % [5]
    7.     'motion blur',      % [6]
    8.     'erosion',          % [7]
    9.     'dilation',         % [8]
    10.     % 'jpg compression blocking effect'   % [9]
    11.     % [10] Interpolation/ resizing noise <to do>
    12.     };
    13.  
    14. noiseChosen = 2;
    15. noiseTypeChosen = char(noiseTypeModes(noiseChosen));
    16.  
    17. originalImage = uint8(IMG);
    18.  
    19. %% plot original
    20. titleStr = 'Original';
    21.  
    22. imagePlot( originalImage, plotRowSize, plotColSize, ...
    23.                     plotIndex, titleStr );
    24. plotIndex = plotIndex + 1;
    25.  
    26. %%
    27. for i = 1:(plotRowSize*plotColSize)-1
    28.  
    29. IMG_aforeUpdated = double(IMG);    % backup the previous state just in case it gets updated.
    30.  
    31. % returns the noise param updates for further corruption    
    32. % IMG may be updated as the noisy image for the next round
    33. [IMG, noisyImage, titleStr, sigma, dilationFilterSize, erosionFilterSize] = ...
    34.     noisyImageGeneration(IMG, mean, sigma, offset, dilationFilterSize, erosionFilterSize, noiseTypeChosen);
    35.  
    36. imageQualityIndex_Value = imageQualityIndex(double(originalImage), double(noisyImage));
    37.  
    38. titleStr = [titleStr ',' newline 'IQI: ' num2str(imageQualityIndex_Value)];
    39.  
    40. imagePlot( noisyImage, plotRowSize, plotColSize, ...
    41.                     plotIndex, titleStr );
    42. plotIndex = plotIndex + 1;
    43.  
    44. end
    45.  
    46. if (~strcmp(char(class(noisyImage)), 'uint8'))
    47.     disp('noisyImage is NOT type: uint8');
    48. end
    49.  
    50. %% PSNR
    51. psnr_Value = PSNR(originalImage, noisyImage);
    52.     fprintf('PSNR = +%5.5f dB \n', psnr_Value);
    53. %% RMSE
    54. [mse, rmse] = RMSE2(double(originalImage), double(noisyImage));
    55.     fprintf('MSE = %5.5f \n', mse);
    56.     fprintf('RMSE = %5.5f \n', rmse);
    57. %% Universal Quality Index
    58. imageQualityIndex_Value = imageQualityIndex(double(originalImage), double(noisyImage));
    59.     fprintf('Universal Image Quality Index = %5.5f \n', imageQualityIndex_Value);
    60. %% Enhancement : measure of enhance- ment, or measure of improvement
    61. [M M] = size(originalImage);
    62. L = 8;
    63. EME_original = eme(double(originalImage),M,L);
    64. EME_noisyImage = eme(double(noisyImage),M,L);
    65.     fprintf('EME (original image) = %5.5f \n', EME_original);
    66.     fprintf('EME (noisy image) = %5.5f \n', EME_noisyImage);
    67. %% PearsonCorrelationCoefficient
    68. pcc = compute_PearsonCorrelationCoefficient (double(originalImage), double(noisyImage));
    69.     fprintf('PearsonCorrelationCoefficient (originalImage vs noisyImage) = %5.5f \n', pcc);
    70. pcc = compute_PearsonCorrelationCoefficient (double(originalImage), double(originalImage));
    71.     fprintf('PearsonCorrelationCoefficient (originalImage vs originalImage) = %5.5f \n', pcc);
    72.  
    73. %% Signal to signal noise ratio, SNR
    74. noise = double(noisyImage) - double(originalImage); % assume additive noise
    75.  
    76. % check noise
    77. noisyImageReconstructed = double(originalImage) + noise;
    78. residue = noisyImageReconstructed - double(noisyImage);
    79.  
    80. if (sum(residue(:) ~= 0))
    81.     disp('The noise is NOT relevant.');
    82. end
    83.  
    84. snr_power = SNR(originalImage, noise);
    85.     fprintf('SNR = %5.5f dB \n', snr_power);
    86.     
    87. %% Mean absolute error, MAE
    88. mae = meanAbsoluteError(double(originalImage), double(noisyImage));
    89.     fprintf('MAE = %5.5f \n', mae);

    noiseTypeModes = {
        'gaussian',         % [1]
        'salt & pepper',    % [2]    
        'localvar',         % [3]
        'speckle',          % [4] (multiplicative noise)
        'poisson',          % [5]
        'motion blur',      % [6]
        'erosion',          % [7]
        'dilation',         % [8]
        % 'jpg compression blocking effect'   % [9]
        % [10] Interpolation/ resizing noise
        };

    noiseChosen = 2;
    noiseTypeChosen = char(noiseTypeModes(noiseChosen));

    originalImage = uint8(IMG);

    %% plot original
    titleStr = 'Original';

    imagePlot( originalImage, plotRowSize, plotColSize, ...
                        plotIndex, titleStr );
    plotIndex = plotIndex + 1;

    %%
    for i = 1:(plotRowSize*plotColSize)-1

    IMG_aforeUpdated = double(IMG);    % backup the previous state just in case it gets updated.

    % returns the noise param updates for further corruption    
    % IMG may be updated as the noisy image for the next round
    [IMG, noisyImage, titleStr, sigma, dilationFilterSize, erosionFilterSize] = ...
        noisyImageGeneration(IMG, mean, sigma, offset, dilationFilterSize, erosionFilterSize, noiseTypeChosen);

    imageQualityIndex_Value = imageQualityIndex(double(originalImage), double(noisyImage));

    titleStr = [titleStr ',' newline 'IQI: ' num2str(imageQualityIndex_Value)];

    imagePlot( noisyImage, plotRowSize, plotColSize, ...
                        plotIndex, titleStr );
    plotIndex = plotIndex + 1;

    end

    if (~strcmp(char(class(noisyImage)), 'uint8'))
        disp('noisyImage is NOT type: uint8');
    end

    %% PSNR
    psnr_Value = PSNR(originalImage, noisyImage);
        fprintf('PSNR = +%5.5f dB \n', psnr_Value);
    %% RMSE
    [mse, rmse] = RMSE2(double(originalImage), double(noisyImage));
        fprintf('MSE = %5.5f \n', mse);
        fprintf('RMSE = %5.5f \n', rmse);
    %% Universal Quality Index
    imageQualityIndex_Value = imageQualityIndex(double(originalImage), double(noisyImage));
        fprintf('Universal Image Quality Index = %5.5f \n', imageQualityIndex_Value);
    %% Enhancement : measure of enhance- ment, or measure of improvement
    [M M] = size(originalImage);
    L = 8;
    EME_original = eme(double(originalImage),M,L);
    EME_noisyImage = eme(double(noisyImage),M,L);
        fprintf('EME (original image) = %5.5f \n', EME_original);
        fprintf('EME (noisy image) = %5.5f \n', EME_noisyImage);
    %% PearsonCorrelationCoefficient
    pcc = compute_PearsonCorrelationCoefficient (double(originalImage), double(noisyImage));
        fprintf('PearsonCorrelationCoefficient (originalImage vs noisyImage) = %5.5f \n', pcc);
    pcc = compute_PearsonCorrelationCoefficient (double(originalImage), double(originalImage));
        fprintf('PearsonCorrelationCoefficient (originalImage vs originalImage) = %5.5f \n', pcc);

    %% Signal to signal noise ratio, SNR
    noise = double(noisyImage) - double(originalImage); % assume additive noise

    % check noise
    noisyImageReconstructed = double(originalImage) + noise;
    residue = noisyImageReconstructed - double(noisyImage);

    if (sum(residue(:) ~= 0))
        disp('The noise is NOT relevant.');
    end

    snr_power = SNR(originalImage, noise);
        fprintf('SNR = %5.5f dB \n', snr_power);
        
    %% Mean absolute error, MAE
    mae = meanAbsoluteError(double(originalImage), double(noisyImage));
        fprintf('MAE = %5.5f \n', mae);

    🎉3 参考文献

    文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

    [1]路慧娟.影像测量误差实验估计[D].西安体育学院[2023-09-21].DOI:10.7666/d.d142172.

    [2]康立丽,林意群,林木炎.MR信噪比一幅图像测量方法与两幅图像测量方法对照研究[J].北京生物医学工程, 2004, 23(1):4.DOI:10.3969/j.issn.1002-3208.2004.01.002.

    [3]吴晓波,安文斗.图像测量系统中的误差分析及提高测量精度的途径[J].光学精密工程, 1997, 5(1):12.DOI:CNKI:SUN:GXJM.0.1997-01-022.

    [4]廖强华,钟江生.基于图像处理的光纤阵列误差测量[J].计算机工程, 2006, 32(10):3.DOI:10.3969/j.issn.1000-3428.2006.10.097.

    🌈4 Matlab代码实现

  • 相关阅读:
    【微信小程序开发】史上最详细的入门教学
    MDPI论文投稿全流程实例讲解
    穿透三翼鸟“三不卖”原则：看似“逆向”背后的十足远见
    C生万物之函数
    Memcached 未授权访问漏洞验证
    【Python】基础语法（函数、列表和元组、字典、文件）
    Python学习-----Day09
    istio系列：第五章-ServiceEntry内到外的通讯配置
    C++单例的安全实现，double-check(双重检查锁定)的安全实现方法
    【Java面试】这也太卷了~面试竟然问，HTTP协议和RPC协议的区别
  • 原文地址：https://blog.csdn.net/Ke_Yan_She/article/details/133150709