psnr

import math import numpy as np from skimage import io from scipy . signal import convolve2d def compute_psnr ( img1 , img2 ) : if isinstance ( img1 , str ) : img1 = io . imread ( img1 ) if isinstance ( img2 , str ) : img2 = io . imread ( img2 ) mse = np . mean ( ( img1 / 255 . - img2 / 255 . ) ** 2 ) if mse < 1.0e-10 : return 1000000000000 PIXEL_MAX = 1 psnr = 20 * math . log10 ( PIXEL_MAX / math . sqrt ( mse ) ) return mse , psnr def matlab_style_gauss2D ( shape = ( 3 , 3 ) , sigma = 0.5 ) : """ 2D gaussian mask - should give the same result as MATLAB's fspecial('gaussian',[shape],[sigma]) ""

本文由 月小升 博客 https://java-er.com 翻译自google官方文档 https://developers.google.com/speed/webp/docs/cwebp 翻译的感觉 1. 我背了3年的单词，有点用 2. 翻译让我静下心来仔细的阅读官方文档，对 webp 了解更深入一层了 2020.02.29 c webp 名字 cwebp — 压缩一张图片文件为webp文件 摘要命令行 cwebp [options] input_file -o output_file.webp 描述 cwebp压缩一张图片为WebP格式。输入的数据可以是PNG, JPEG, TIFF, WebP 或者 raw Y’CbCr samples （备注， 月小升 没看懂） 参数 基本参数: -o string 制定输出文件名称。如果省略，cwebp将进行压缩，输出静态报告，使用 “-” 作为一个输出名称，将直接输入到文件 -- string 明确制定输入文件。这个选项以 – 开头。这个选项必须出现在最后，任何其他在他后面的选项都会被忽略 -h, -help 帮助手册简单版 -H, -longhelp 帮助手册详情版 -version 打印版本 -lossless 编码图片，不需要进行任何损失。整个图片，包含透明区域，看不见的像素值(R/G/B or Y/U/V)都会被保存。

本文部分内容摘自： https://zhuanlan.zhihu.com/p/32553977 1. 背景介绍 在过去的几十年里，由于质量评估(Quality Assessment，QA)在许多领域有其广泛的实用性，比如图像压缩、视频编解码、视频监控等，并且对高效、可靠质量评估的需求日益增加，所以QA成为一个感兴趣的研究领域，每年都涌现出大量的新的QA算法，有些是扩展已有的算法，也有一些是QA算法的应用。 质量评估可分为图像质量评估（Image Quality Assessment, IQA）和视频质量评估（Video Quality Assessment, VQA），本文主要讨论图像质量评估。IQA从方法上可分为主观评估和客观评估。主观评估就是从人的主观感知来评价图像的质量，首先给出原始参考图像和失真图像，让标注者给失真图像评分，一般采用平均主观得分（Mean Opinion Score, MOS）或平均主观得分差异（Differential Mean Opinion Score, DMOS）表示。客观评估使用数学模型给出量化值，可以使用图像处理技术生成一批失真图像，操作简单，已经成为IQA研究的重点。图像质量评估算法的目标是自动评估与人的主观质量判断相一致的客观图像质量。然而，主观评估费时费力，在实际应用中不可行，并且主观实验受观看距离、显示设备、照明条件、观测者的视觉能力

题 目：Residual Networks for Light Field Image Super-Resolution 作 者：Shuo Zhang, Youfang Lin, Hao Sheng 单 位：北京交通大学计算机与信息技术学院北京交通数据分析与挖掘重点实验室，中国民航民航旅客服务智能化应用技术重点实验室，北京航空航天大学计算机科学与工程学院软件开发环境国家重点实验室，北京航空航天大学北京大数据与脑计算高级创新中心 期刊名称：The IEEE Conference on Computer Vision and Pattern Recognition 发表时间：16 June 2019 阅读时间：2019.9.29 研究领域（想要做什么，功能，应用或研究背景） 研究一种提高光场图像的空间分辨率的方法，用于改善全光摄像机的性能。 针对的问题（要解决什么技术或者研究问题） 传统方法通过基于先验视差信息显式扭曲其他视图图像来得到子像素信息，这种LF图像视差估计方法存在遮挡，噪声和无纹理区域，在重建的LF图像中导致大量伪像。最近提出的一种基于深度学习的方法，用于光场超分辨率（LFSR），训练过程中隐式地学习了视差信息，但是这些方法在探索准确的子像素信息和保留LF图像的固有极线特性方面受到很大限制。本论文利用超分辨率网络中的残差结构设计了一种新型的残差网络（resLF）

PSNR 是 “ Peak Signal to Noise Ratio ” 的缩写，峰值信噪比。 psnr 一般是用于最大值信号和背景噪音之间的一个工程项目。 PSNR 计算公式如下： 8bits 表示法中， peak 的最大值为 255 ； MSE 指 Mean Square Error （均方误差）； I ( 角标 n ) ：指原始影像第 n 个 pixel 值； P ( 角标 n ) ：指经处理后的影像第 n 个 pixel 值。 PSNR 的单位为 dB 。所以 PSNR 值越大，就代表失真越少。 Matlab 实现： % func ——计算两幅图像的 psnr 值 function result=psnr(in1,in2) in1=imread( 'feature.jpg' ); in2=imread( 'landmark.jpg' ); z=mse(in1,in2); result=10*log10(255.^2/z); function z=mse(x,y) x=double(x); y=double(y); [m,n]=size(x); z=0; for i=1:m for j=1:n z=z+(x(i,j)-y(i,j)).^2; end end z=z/(m*n); 来源： https://www.cnblogs.com/dairongle97/archive

视频质量评估（ VQA）一直是个很活跃的研究领域，原因其一是业内一直缺少一种统一且准确的评估标准，其二是影响视频质量的因素过多，且包含很多主观因素，难以客观、定量地评价。经过这么多年的研究，已经诞生了非常多的视频质量评估方法，本文将简单地对它们进行分类及介绍。 相关阅读推荐 《 视频直播： Windows中各类画面源的截取和合成方法总结 》 《 视频直播关键技术：流畅、拥塞和延时追赶 》 《 短视频技术详解： Android端的短视频开发技术 》 客观质量评估方法分类 首先，视频质量评估方法可分为主观测试和客观测试两大类。主观测试即通过人类肉眼观察的手段来评分，可以说是最能体现观众对视频质量感受的方法，也是其他客观评价方法的终极目标。但主观测试极端耗费人力和时间，是无法直接在工业领域应用的。 而客观评估方法，按照国际电信联盟（ ITU）的建议，可以根据输入的数据类型被分为5大类：媒体层（Media-layer）模型、参数集层（Parametric packet-layer）模型、参数规划（Parametric planning）模型、码流层（Bitstream-layer）模型、混合（Hybrid）模型。其中媒体层模型直接使用媒体信息进行运算分析给出评价结果，而其他类型的评估方法则是根据编码参数或网络信道状态等等外部变量来评估质量。

PSNR(Peak Signal to Noise Ratio)，即峰值信噪比，是一种评价图像的客观标准，它具有局限性，一般是用于最大值信号和背景噪音之间的一个工程项目。 其中，MSE表示当前图像X和参考图像Y的均方误差（MeanSquare Error），H、W分别为图像的高度和宽度；n为每像素的比特数，一般取8，即像素灰阶数为256. PSNR的单位是dB，数值越大表示失真越小。 PSNR是最普遍和使用最为广泛的一种图像客观评价指标，然而它是基于对应像素点间的误差，即 基于误差敏感的图像质量评价。由于并未考虑到人眼的视觉特性（人眼对空间频率较低的对比差异敏感度较高，人眼对亮度对比差异的敏感度较色度高，人眼对一个 区域的感知结果会受到其周围邻近区域的影响等），因而经常出现评价结果与人的主观感觉不一致的情况。 PSNR高于40dB说明图像质量极好（即非常接近原始图像）， 在30—40dB通常表示图像质量是好的（即失真可以察觉但可以接受）， 在20—30dB说明图像质量差； 最后，PSNR低于20dB图像不可接受 原文链接：https://blog.csdn.net/dxpqxb/article/details/85071338 来源： https://www.cnblogs.com/come-on-baby/p/12025145.html

from skimage.measure import compare_ssim, compare_mse, compare_psnr import cv2 import os import numpy as np cnt=0 HD_path=r"C:\Users\Song\Desktop\test\HD" LC_path=r"C:\Users\Song\Desktop\test\LC" HD_files = os.listdir(HD_path) for HD_file in HD_files: cnt+=1 print(cnt) i=1 mse =np.empty(cnt) psnr=np.empty(cnt) ssim=np.empty(cnt) while(i<=cnt): img1=cv2.imread(os.path.join(HD_path,"%d.png"%i))#图片从1.png开始 img2=cv2.imread(os.path.join(LC_path,"%d.png"%i)) j=i-1#数组下标从0开始 mse[j] = compare_mse(img1,img2) ssim[j] = compare_ssim(img1, img2, data_range=255,multichannel=True) psnr[j] = compare_psnr(img1

写在前面 最近在不断地调研一些新的红外图像增强算法，优化与仿真实现了一些不同算法框架下的图像效果，在各种算法框架的取舍中，陷入了困惑。 归根到底，那就是对一个看似简单实却难以说清楚的基础问题，没有理解透彻，因此我决定就这问题学习并总结一番。 这个问题就是：什么是一张好图像。 明确了这个问题，进而才能理解：什么是一个好的红外图像可视化算法。 冈萨雷斯在其《数字图像处理》第二章最开始，引用这么一段话。 要想成功，就必须弄清基础问题。 —亚里士多德 对本质上的东西搞明白了，有了一定的知识框架，做事情也就条理清晰，章法有度了。 正文中也就这两个问题加以展开。 问题1：什么是一张好图像？ 问题2：什么是一个好的红外图像可视化算法？ 进入正文 1．什么是一张好图像？ 这是一个看似很简单的问题，有人说不就是图像好看不好看呗。其实这个就是图像的评价。图像的评价有包含两方面：美学评价和技术评价。前者是艺术家的事情，这里不讨论。对于我们做相机的工程师来说，更偏向了后者。 关于技术评价，个人觉得这里面又包含两方面，一种是基于实验室环境的相机性能评价，典型的就是：EMVA1288标准；另一种是对于实际场景图像质量的评价。 1.1 基于实验室环境的相机性能评价 最为典型的是相机界大名鼎鼎的EMVA1288标准，它是由欧洲机器视觉协会（EMVA）建立，主要的图像传感器与相机生产商均参与其中

目录 1.PSNR原理 2.PSNR的matlab实现代码 3.针对彩色图像的PSNR的matlab代码 @ 1.PSNR原理 PSNR，峰值信噪比，通常用来评价一幅图像压缩后和原图像相比质量的好坏，当然，压缩后图像一定会比原图像质量差的，所以就用这样一个评价指标来规定标准了。PSNR越高，压缩后失真越小。这里主要定义了两个值，一个是均方差MSE，另一个是峰值信噪比PSNR，公式如下： 这里的MAX通常是图像的灰度级，一般就是255了。 2.PSNR的matlab实现代码 将图像缩小再放大比较一下，下面是代码： close all; clear all; clc; img=imread('lena.jpg'); [h w]=size(img); imgn=imresize(img,[floor(h/2) floor(w/2)]); imgn=imresize(imgn,[h w]); img=double(img); imgn=double(imgn); B=8; %编码一个像素用多少二进制位 MAX=2^B-1; %图像有多少灰度级 MES=sum(sum((img-imgn).^2))/(h*w); %均方差 PSNR=20*log10(MAX/sqrt(MES)); %峰值信噪比 PSNR越高，图像和原图越接近。 3.针对彩色图像的PSNR的matlab代码 (a