psnr

1. 致谢 感谢 草飘灵sky（QQ 2550688560）对该公式理解给予的指导以及资料提供！ 2. 啰嗦的介绍（可跳过）   评价图像处理结果是图像处理非常重要的一环，因此我认为有必要弄清楚评价所采用的数学模型的公式来源。由于本人没有学习过数字图像处理和相关的课程，因此没有自己弄清楚该公式的来源，网络中的博客也大多只是对该公式的实现，对公式来源没有做理解性的说明（感觉应该是公式太简单，没有必要说明 QAQ）。但作为一个从来没接触过数字图像处理的小白来说，理解性的说明还是有必要的。 3. 个人理解   先贴出公式：   这里 MSE 就不做解释了，大多数博客都有提到，它是均方误差，这个不难理解。重点是最后 PSNR 的这个公式。先看对数括号内的比值。这里的$\frac{(2^n - 1)^2}{MSE}$，先看(2 n -1)，这里对应的值表示一个图像的最大像素值，也就是幅值。这里公式整体实际上是在求信噪比。信噪比的定义如下（图源自百度百科） 简单来说就是输出信号功 率与噪声功率的比值，但在该词条下的图像信噪比项，如下图所示： 其中“ 局部方差的最大值认为是信号方差，最小值是噪声方差，求出它们的比值 ”描述了上面这个比值的含义。这句话的后半部分“ 再转成dB数 ”则恰好对应了对数公式的来源。分贝的计算公式如下图所示（图片来自百度百科）   上述的图例均为我在得到了 草飘灵sky

https://www.cnblogs.com/seniusen/p/10012656.html 来源： https://www.cnblogs.com/picassooo/p/11930740.html

一幅MxN尺寸的图像的PSNR的计算公式如下所示： 其中xij 和yij 分别表示失真图像和原始图像对应像素点的灰度值； i，j 分别代表图像的行和列； L 是图像灰度值可到达的动态范围，8位的灰度图像的L=2^8-1=255。 如果已知SSD，MxN尺寸图像的PSNR公式如下所示。 MSE=SSD*1/(M*N) PSNR=10*lg(255^2/MSE) 。 dp:17 dp:28 dp:32 dp:36 代码： // PSNR_CAL.cpp : 定义控制台应用程序的入口点。 //PSNR (Peak Signal to Noise Ratio) //峰值信噪比PSNR衡量图像失真或是噪声水平的客观标准。2个图像之间PSNR值越大，则越相似。普遍基准为30dB，30dB以下的图像劣化较为明显。 #include "stdafx.h" #include <stdlib.h> #include <stdio.h> #include <time.h> #include <math.h> #define VIDEO_WIDTH 1280 #define VIDEO_HEIGHT 720 #define VIDEO_FRAME_NUM 10 //frame number //编码解码YUV #define DEC_YUV_PATH "E:\\yuv\\\\bs3.yuv" //原YUV

帧差-> I-mean(I) -->openFilter -->medianFilter + Sobel --> psnr(sobel, black) 1. 帧差法+PSNR 缺点： 亮度剧烈变化检测失败， 人物静止时检测失败 2. 背景差分法+psnr 原图，背景图 该图误检为静帧 44 ---》代码加入 abs 并且高斯滤波核设置为3X3 然鹅 然并卵 ---》继续删除guassian滤波 然并卵 差分图如下 --》删除openfilter 一样 变成了43 来源： https://www.cnblogs.com/luoyinjie/p/11551724.html

　　本文采用生成对抗网络（GAN）对图像进行超分辨，并且采用了新的损失函数来得到具有逼真视觉效果的结果。 　　在超分辨的过程中恢复图像的细节是亟待解决的问题，许多利用MSE作为损失函数的工作都具有很高的PSNR，但是它们恢复出的结果都是缺乏高频信息并且视觉效果并不令人满意。 　　为了在高分辨率时也有契合的保真度，本文提出SRGAN来生成视觉效果逼真的HR图片，在SRGAN中，生成网络使用的是SRResNet，并且采用了新的损失函数，即视觉损失函数(perceptual loss)。视觉损失函数由两部分组成，对抗损失(adversarial loss)和内容损失(content loss)。对抗损失是用于区别生成的超分辨图像和原始图像的，而内容损失则是由视觉相似性而不是在像素域上的相似性来定义的。 　　内容损失函数在本文中考虑了基于MSE和基于VGG网络的两种损失。采用MSE会得到PSNR很高的图像，但是缺少高频内容并且纹理会过渡平滑；而采用VGG网络损失尽管得到的PSNR不如MSE，但是其视觉效果却很好。 　　为此，本文分别针对三种情况做了试验，SRGAN-MSE是以MSE作为内容损失函数的，SRGAN-VGG22是定义在VGG网络低级特征上的内容损失函数，而SRGAN-VGG54是定义在VGG深层网络的高级特征上的内容损失函数，它在关注图像的内容上拥有更大的潜力

在图像处理算法研究中，很多时候需要有客观评价指标来对算法的性能进行评价。 比如，在图像复原、图像滤波算法研究中，需要采用客观评价指标来定量的来测试算法恢复出的图像相对于参考图像的好坏程度。 本文介绍文献中提到到三个比较好的客观评价指标——峰值性噪比PSNR、模糊系数K、质量因素Q，其定义分别是： 这三个指标的详细定义见参考文献[1]~[3]，下面给出这三个评价指标的MatLab实现。 [html] view plain copy %说明：本文件为计算两幅视频图象相对于高清晰图象的质量，其中： %eyechart1.bmp为未处理前质量较差图象，核心区域的截图保存为area_eyechart1.bmp %eyechart2.bmp为某种算法处理后质量较好图象，核心区域的截图保存为area_eyechart2.bmp %eyechart3.bmp为高清晰参考图象，核心区域的截图保存为area_eyechart3.bmp %程序流程为 %第一步：先分别从eyechart1.bmp、eyechart2.bmp、eyechart3.bmp中截取出核心区域，并分别保存为area_eyechart1.bmp、area_eyechart1.bmp、area_eyechart3.bmp %第二步：以area_eyechart3.bmp为参考图象，计算area_eyechart1.bmp的PSNR

PSNR（Peak Signal to Noise Ratio） 峰值信噪比，一种全参考的图像质量评价指标。 其中，MSE表示当前图像X和参考图像Y的均方误差（Mean Square 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。 SSIM（structural similarity） 结构相似性，也是一种全参考的图像质量评价指标，它分别从亮度、对比度、结构三方面度量图像相似性。 其中u x 、u y 分别表示图像X和Y的均值，σ X 、σ Y 分别表示图像X和Y的方差，σ XY 表示图像X和Y的协方差，即 C1、C2、C3为常数，为了避免分母为0的情况，通常取C1=(K1*L)^2, C2=(K2*L)^2, C3=C2/2, 一般地K1=0.01, K2=0.03, L=255. 则 SSIM取值范围[0,1]，值越大，表示图像失真越小. 在实际应用中

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 \((MSE)\) 定义为： \[MSE = \frac{1}{mn}\sum_{i=0}^{m-1}\sum_{j=0}^{n-1}[I(i, j)-K(i,j)]^2\] 然后 \(PSNR (dB)\) 就定义为： \[PSNR = 10 \cdot log_{10}(\frac{MAX_I^2}{MSE})\] 其中 \(MAX_I^2\) 为图片可能的最大像素值。如果每个像素都由 8 位二进制来表示，那么就为 255。通常，如果像素值由 \(B\) 位二进制来表示，那么 \(MAX_I = 2^B-1\) 。 一般地，针对 uint8 数据，最大像素值为 255,；针对浮点型数据，最大像素值为 1。 上面是针对灰度图像的计算方法，如果是彩色图像，通常有三种方法来计算。 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 。 将图片转化为 YCbCr 格式，然后只计算 Y 分量也就是亮度分量的 PSNR。 其中，第二和第三种方法比较常见。 # im1 和 im2 都为灰度图像，uint8 类型 # method 1 diff = im1 -

https://www.cnblogs.com/seniusen/p/10012656.html 来源： https://www.cnblogs.com/picassooo/p/11930740.html