Python 之 计算psnr和ssim值
基于python版的PSNR和ssim值计算
总所周知,图像质量评价的常用指标有PSNR和SSIM等,本博文是基于python版的图像numpy的float64格式和uint8格式计算两种指标值(附代码),代码经多方测试和对比,是可用的。
psnr峰值信噪比
psnr是用来评价两幅图像相比质量的好坏,即失真情况。这两幅图像分别为原图像和经图像重建或者压缩后等图像处理方法的图像。PSNR越高,图像失真越小,具体细节就不展开说了。首先简单介绍一下psnr的公式计算。对于大小为m*n的两幅图像I和K(一幅是原图,一幅一般是图像重建后的图像),其均方差MSE定义为:
而PSNR的计算公式则为:
其中,MAX为最大像素,即255。这个计算公式主要是针对的是灰度图,也就是单通道的。那么多通道的彩色图像应该怎么计算呢?这里给出两种计算方式:
分别计算RGB三个通道的PSNR,然后取平均值
计算RGB三通道的MSE,然后再除以3
这里给出三通道图像计算PSNR值的方法二,附上代码:
def psnr(target, ref):
#将图像格式转为float64
target_data = np.array(target, dtype=np.float64)
ref_data = np.array(ref,dtype=np.float64)
# 直接相减,求差值
diff = ref_data - target_data
# 按第三个通道顺序把三维矩阵拉平
diff = diff.flatten('C')
# 计算MSE值
rmse = math.sqrt(np.mean(diff ** 2.))
# 精度
eps = np.finfo(np.float64).eps
if(rmse == 0):
rmse = eps
return 20*math.log10(255.0/rmse)
ssim结构相似性
SSIM公式是从三个方面衡量两个图像x和y之间的结构相似度,分别为:亮度,对比度和结构,
其中:L为像素值范围,为255。
ssim的计算一般也是基于单通道(即灰度图)来计算的,而本文采用了两种方式,
分离每个通道,计算ssim,再求平均值
直接转换为灰度图,计算ssim
对于结构的计算公式,是求x和y的协方差,关于协方差,我一开始还没搞明白是怎么计算的,后来查了资料,看到了一句非常重要的话 **协方差矩阵计算的是不同维度之间的协方差,而不是不同样本之间的。**那么理解协方差矩阵的关键就在于牢记它计算的是不同维度之间的协方差,而不是不同样本之间。拿到一个矩阵,我们最先要明确的就是一行是一个样本还是一个维度。而对于三通道的图像,拥有三个维度,要计算两个三通道图像的协方差,是要根据计算每一个维度之间的协方差,故要把三通道分离。
在这里,需要注意的一点是,博主并没有计算结构公式。
附上代码:郑州人流多少钱 http://www.hnmt120.com/
def ssim(imageA, imageB):
# 为确保图像能被转为灰度图
imageA = np.array(imageA, dtype=np.uint8)
imageB = np.array(imageB, dtype=np.uint8)
# 通道分离,注意顺序BGR不是RGB
(B1, G1, R1) = cv2.split(imageA)
(B2, G2, R2) = cv2.split(imageB)
# convert the images to grayscale BGR2GRAY
grayA = cv2.cvtColor(imageA, cv2.COLOR_BGR2GRAY)
grayB = cv2.cvtColor(imageB, cv2.COLOR_BGR2GRAY)
# 方法一
(grayScore, diff) = compare_ssim(grayA, grayB, full=True)
diff = (diff * 255).astype("uint8")
print("gray SSIM: {}".format(grayScore))
# 方法二
(score0, diffB) = compare_ssim(B1, B2, full=True)
(score1, diffG) = compare_ssim(G1, G2, full=True)
(score2, diffR) = compare_ssim(R1, R2, full=True)
aveScore = (score0+score1+score2)/3
print("BGR average SSIM: {}".format(aveScore ))
return grayScore, aveScore
Python 之 计算psnr和ssim值的更多相关文章
- python 分词计算文档TF-IDF值并排序
文章来自于我的个人博客:python 分词计算文档TF-IDF值并排序 该程序实现的功能是:首先读取一些文档,然后通过jieba来分词,将分词存入文件,然后通过sklearn计算每一个分词文档中的tf ...
- opencv-9-图像噪声以及评估指标 PSNR 与SSIM
开始之前 我们在将 opencv 的图像显示在了 qt 的label 上, 我们能够将图显示在label 上, 用于显示我们的算法, 我们在 opencv 上一篇文章中介绍了 opencv 的核操作, ...
- python计算文件的md5值
前言 最近要开发一个基于python的合并文件夹/目录的程序,本来的想法是基于修改时间的比较,即判断文件有没有改变,比较两个文件的修改时间即可.这个想法在windows的pc端下测试没有问题. 但是当 ...
- Python实现计算圆周率π的值到任意位的方法示例
Python实现计算圆周率π的值到任意位的方法示例 本文实例讲述了Python实现计算圆周率π的值到任意位的方法.分享给大家供大家参考,具体如下: 一.需求分析 输入想要计算到小数点后的位数,计算圆周 ...
- 全参考视频质量评价方法(PSNR,SSIM)以及与MOS转换模型
转载处:http://blog.csdn.NET/leixiaohua1020/article/details/11694369 最常用的全参考视频质量评价方法有以下2种: PSNR(峰值信噪比):用 ...
- 图像质量评价指标之 PSNR 和 SSIM
1. PSNR (Peak Signal-to-Noise Ratio) 峰值信噪比 给定一个大小为 \(m×n\) 的干净图像 \(I\) 和噪声图像 \(K\),均方误差 \((MSE)\) 定义 ...
- Python TF-IDF计算100份文档关键词权重
上一篇博文中,我们使用结巴分词对文档进行分词处理,但分词所得结果并不是每个词语都是有意义的(即该词对文档的内容贡献少),那么如何来判断词语对文档的重要度呢,这里介绍一种方法:TF-IDF. 一,TF- ...
- Python科学计算之Pandas
Reference: http://mp.weixin.qq.com/s?src=3×tamp=1474979163&ver=1&signature=wnZn1UtW ...
- Python科学计算库
Python科学计算库 一.numpy库和matplotlib库的学习 (1)numpy库介绍:科学计算包,支持N维数组运算.处理大型矩阵.成熟的广播函数库.矢量运算.线性代数.傅里叶变换.随机数生成 ...
随机推荐
- STM32片上Flash容量大小命名规则
- Java 静态、类加载
1.静态是什么?有什么用? static的主要作用在于创建独立于具体对象的域变量或者方法. 每创建一个对象,都会在堆里开辟内存,存成员(属性),但是不存方法,方法是共用的,没必要每一个对象都浪费内存去 ...
- HTML基础二-DOM操作
http://www.imdsx.cn/index.php/2017/07/27/html2/ DOM(Document Object Model 文档对象模型) 一个web页面的展示,是由html标 ...
- Super Fish
Super fish is a common fun and leisure game. It's a game that tests your intelligence and memory ...
- q1096
一,看题 1,大概是每个点都来一次BFS标记下应该就可以. 2,你可以想想队列为啥pop()是l++; 3,还是字符你得注意下. 4,x,y,m,n,行列你得搞清楚. 5,这棋盘的破东西.. 6,额, ...
- IIS添加MIME类型.woff/.svg/.woff2/.eot/.otf.ttf
IIS添加MIME类型: 文件扩展名 MIME类型 .svg image/svg+xml.woff application/x-font-woff.woff2 application/x- ...
- 使用golang写一个redis-cli
使用golang写一个redis-cli 0. redis通信协议 redis的客户端(redis-cli)和服务端(redis-server)的通信是建立在tcp连接之上, 两者之间数据传输的编码解 ...
- 【贪心】【P5521】[yLOI2019] 梅深不见冬
B [yLOI2019] 梅深不见冬 Background 风,吹起梅岭的深冬:霜,如惊涛一样汹涌:雪,飘落后把所有烧成空, 像这场,捕捉不到的梦. 醒来时已是多年之久,宫门铜环才长了铁锈, 也开始生 ...
- 【CF573E】Bear and Bowling
[CF573E]Bear and Bowling 题面 洛谷 题解 首先有一个贪心的结论: 我们一次加入每个数,对于\(\forall i\),位置\(i\)的贡献为\(V_i = k_i\times ...
- centos 升级openSSH7.81
1.下载相关依赖包 [root@Log ~]# yum install -y gcc openssl-devel pam-devel rpm-build 2.下载安装包 wget http://ftp ...