【图像融合】评价方法(熵、均方根误差)
来源:互联网 发布:图片数字识别算法 编辑:程序博客网 时间:2024/06/05 18:24
图像融合质量评价方法
一般分为主观和客观两类:
1、主观方法主要是观察者来评价融合结果的质量。
2、客观方法又分为两类:
(1)无参考图像评价方法(如信息熵)。
1)单一图像统计特征评价。
2)融合图像和原图像关系评价。
(2)有参考图像评价方法(如均方根误差)。
熵
说明:L表示图像灰度级别。Pi表示灰度值i像素占总像素比例。E越大表示融合图像信息量越大。
代码示例
function varargout= msg(varargin)%函数功能:% 函数msg求出输入图像的熵%----------------------------------%if nargin<1 %判断输入变量的个数 error('输入参数必须大于等于1.');elseif nargin==1 varargout{1}=f(varargin{1});endendfunction y= f(x)%函数功能:% 函数y=f(x)的功能是求出图像x的熵%输入参数:% x----输入的原图像%输出参数:% y----原图像的熵%-------------------------------------------------%x=uint8(x);temp=unique(x); %temp就是x中全部不同的元素,例如x=[1,1,3,4,1,5];那么temp=[1;3;4;5]temp=temp';len=length(temp); %求出x矩阵中不同元素的个数p=zeros(1,len); %p向量用来存储矩阵x中每个不同元素的个数[m,n]=size(x);for k=1:len for i=1:m for j=1:n if x(i,j)==temp(1,k) p(1,k)=p(1,k)+1; end end endendfor k=1:len p(1,k)=p(1,k)/(m*n); %求出每个不同元素出现的频率 p(1,k)=-p(1,k)*log2(p(1,k));endy=sum(p);end
函数调用
x1 = imread('lena.jpg');x2 = imread('lena1.jpg');x3 = imread('lena2.jpg');subplot(1,3,1);imshow(x1);title('源图像');subplot(1,3,2);imshow(x2);title('左模糊');subplot(1,3,3);imshow(x3);title('右模糊');out{1}= msg(x1);out{2}= msg(x2);out{3}= msg(x3);fprintf('\n图像1的熵:%f\n',out{1});fprintf('\n图像2的熵:%f\n',out{2});fprintf('\n图像3的熵:%f\n',out{3});
运行结果
均方根误差
说明:均方误差越小,表示融合图像和参考图差异越小,融合效果越好。
代码示例
function varargout= rmse(varargin)if nargin<2 error('输入参数必须大于等于2.');elseif nargin==2 varargout{1}=h(varargin{1},varargin{2});endendfunction r=h(f,g)%函数功能:% 函数r=h(f,g)求出两幅图像的均方根误差r%输入参数:% f----标准图像% g----融合后的图像%-------------------------------------%f=double(f);g=double(g);[m,n]=size(f);temp=[];for i=1:m for j=1:n temp(i,j)=(f(i,j)-g(i,j))^2; endendr=sqrt(sum(sum(temp))/(m*n));end
函数调用
x1 = imread('lena.jpg');x2 = imread('lena1.jpg');x3 = imread('lena2.jpg');subplot(1,3,1);imshow(x1);title('源图像');subplot(1,3,2);imshow(x2);title('左模糊');subplot(1,3,3);imshow(x3);title('右模糊');out1= rmse(x1,x2);out2= rmse(x1,x3);fprintf('\n图像1、2的均方根误差:%f\n',out1);fprintf('\n图像1、3的均方根误差:%f\n',out2);
运行结果
阅读全文
0 0
- 【图像融合】评价方法(熵、均方根误差)
- 无参考图像质量评价之图像质量评价方法(一)[均方根误差、峰值信噪比、结构相似度]
- 误差评价:均方根值(RMS)+ 均方根误差(RMSE)+标准差(Standard Deviation)
- 均方根误差
- 均方根误差
- 【图像融合】图像融合质量评价方法的研究
- 均方根误差与标准差
- 均方根误差与标准差
- 均方根误差与标准差
- 均方根误差与标准差
- 图像融合结果评价
- 均方根值(RMS)+ 均方根误差(RMSE)+标准差(Standard Deviation)
- 均方根值(RMS) 均方根误差(RMSE) 标准差(Standard Deviation)
- 均方根值(RMS)+ 均方根误差(RMSE)+标准差(Standard Deviation)
- 均方根值(RMS)+ 均方根误差(RMSE)+标准差(Standard Deviation)
- 均方根值(RMS)+ 均方根误差(RMSE)+标准差(Standard Deviation)
- 均方根值(RMS)+ 均方根误差(RMSE)+标准差(Standard Deviation)
- 均方根值(RMS)+ 均方根误差(RMSE)+标准差(Standard Deviation)
- 【Openjudge, NOI,枚举】1749数字方格
- DOS原理和常用命令详解示例
- BZOJ 1041 [HAOI2008]圆上的整点【几何】
- 深度学习之卷积网络
- 下载ubuntu版本的网址
- 【图像融合】评价方法(熵、均方根误差)
- CF 853-C
- SSH 和 SSM 的实现原理
- volatile关键字
- Selenium
- QT5.9
- 使用栈(非递归方法)解决斐波那契数列问题
- LintCode 题目答案
- kubernetes之kube-proxy源码分析