今天的作业是求两幅图像的MSE、SNR、PSNR、SSIM.代码如下：
clc; close all; X = imread(\'q1.tif\');% 读取图像 Y=imread(\'q2.tif\'); figure;% 展示图像 subplot(1, 3, 1); imshow(X); title(\'q1\'); subplot(1, 3, 2); imshow(Y); title(\'q2\'); % 使得图像每个像素值为浮点型 X = double(X); Y = double(Y); A = Y-X; B = X.*Y; subplot(1,3,3);imshow(A);title(\'作差\'); MSE = sum(A(:).*A(:))/numel(Y);% 均方根误差MSE，numel()函数返回矩阵元素个数 SNR = 10*log10(sum(X(:).*X(:))/MSE/numel(Y));%信噪比SNR PSNR = 10*log10(255^2/MSE);% 峰值信噪比PSNR %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %以下为结构相似度SSIM ux=sum(X(:).*X(:))/numel(X); uy=sum(Y(:).*Y(:))/numel(Y); sigmoidx=sum(X(:).*X(:)-ux)/numel(X); sigmoidy=sum(Y(:).*Y(:)-uy)/numel(Y); sigmoidxy=sum(B(:).*B(:))/(numel(B)*ux*uy)-ux*uy; SSIM=(2*ux*uy)*(2*sigmoidxy)/(ux*ux+uy*uy)/(sigmoidx*sigmoidx+sigmoidy*sigmoidy); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% display(MSE);%均方根误差MSE display(SNR);%信噪比SNR display(PSNR);%峰值信噪比PSNR display(SSIM);%结构相似性SSIM
接下来，让我们看一下代码的输出。
MSE =153.6263 SNR =19.7617 PSNR =26.2661 SSIM =-1.5281e+26
根据观察，两幅图像可能来自于连拍，图片中的内容几乎完全一致。仅仅是对应的像素点产生了偏移。上图图三反应的是两幅图像作差以后的结果。根据均方根误差MSE，我们发现从数据上两幅图存在有巨大差异。这显然不符合我们的观察。作为图像质量评价指标，客观评价MSE与人眼的主观判断产生出入，这说明MSE并不是一个合适的指标。原因是：MSE指标的核心在于两幅图像相应像素点之间差值的平方和。这直接导致了该指标对于图像的空间分布没有“全局”认识，而只是局限于单纯的像素“个体”。
而SNR和PSNR，在本例中取得了较好的效果。不过，个人认为在高熵图像中容易失效，在具有足够多中心点的着色过的Vornoi图和其平移图像中，SNR和PSNR将会难有成效。
对于SSIM，SSIM综合考虑了两幅图像的均值、方差，以及他们的协方差，从而在本例中取得了非常好的效果。
2019-03-04
23:14:07
