文章目录
- 1 前言
- 2 融合评价指标介绍
- 2.1 结构相似性 SSIM
- 2.2 峰值信噪比 PSNR
- 2.3 信息熵 Entropy
- 2.4 均方误差 MSE
- 2.5 归一化均方根误差 NRMSE
- 3 代码实现
- 3.1 使用skimage库
- 3.2 信息熵Entropy python实现
- 3.3 峰值信噪比PSNR python实现
- 3.4 结构相似性SSIM python实现
- 4 总结
1 前言
最近开始学习和研究医疗图像融合这一方向,在做实验时因为缺少评估融合图像的指标以及代码非常苦恼。在经过一段时间的收集之后,得到了不少指标,所以希望可以记录一下。本文主要记录怎么使用这些指标,对于这些指标的公式和原理并不会过多介绍。后续更新图像融合质量评价方法AG、SF、STD、MI与NMI(二) 、图像融合质量评价方法MSSIM、MS-SSIM、FS、Qmi、Qabf与VIFF(三) 和图像融合质量评价方法FMI(四)
2 融合评价指标介绍
2.1 结构相似性 SSIM
SSIM是Structural Similarity的缩写,表示结构相似性,取值范围为[-1,1],越接近1,代表相似度越高,融合质量越好。 关于详细的公式和原理解释可以看Image Quality Assessment: From Error Visibility to Structural Similarity。
2.2 峰值信噪比 PSNR
Peak signal to noise ration缩写PSNR,峰值信噪比,用于衡量图像有效信息与噪声之间的比率,能够反映图像是否失真。
Z表示理想参考图像灰度最大值与最小值之差,通常为255。PSNR的值越大,表示融合图像的质量越好。
2.3 信息熵 Entropy
信息熵主要是度量图像包含信息量多少的一个客观评价指标,a表示灰度值,P(a)表示灰度概率分布:
信息熵越高表示融合图像的信息量越丰富,质量越好
2.4 均方误差 MSE
均方误差(Mean Square Error)反映的是变量间的差异程度,是一种基于像素误差的图像质量客观评价指标,用于衡量融合图像和理想参考图像之间的差异,MSE越小,表示融合图像质量越好。
均方根误差(Root Mean Square Error)是一个翻译空间细节信息的评价指标,公式如下:
2.5 归一化均方根误差 NRMSE
归一化均方根误差(normalized root mean square error)就是将RMSE的值变成(0,1)之间。
3 代码实现
3.1 使用skimage库
为什么要一次性介绍这5个指标?因为这5个指标都只需要调用skimage库就可以使用了。skimage库是用于图像处理的 Python 包,使用原生的 NumPy 数组作为图像对象。 其中skimage.measure中包括以上所以指标的函数,详见Scikit image 中文开发手册。废话不多说,下面之间给出使用这些函数的例子:
import cv2
import numpy as np
import math
import skimage.measure
# 参数0表示读入即为灰度图
img = cv2.imread('1.png',0)
img_fu = cv2.imread('2.png',0)
# 结构相似性
ssim = skimage.measure.compare_ssim(img, img_fu, data_range=255)
# 峰值信噪比
psnr = skimage.measure.compare_psnr(img, img_fu, data_range=255)
# 均方误差
mse = skimage.measure.compare_mse(img, img_fu)
# 均方根误差
rmse = math.sqrt(mse)
# 归一化均方根误差
nrmse = skimage.measure.compare_nrmse(img, img_fu, norm_type='Euclidean')
# 信息熵
entropy = skimage.measure.shannon_entropy(img_fu, base=2)
3.2 信息熵Entropy python实现
其实信息熵的实现并不难,根据上面的公式就可以写出(代码参考图像信息熵):
import cv2
import numpy as np
import math
import skimage.measure
def imageEn(image):
tmp = []
for i in range(256):
tmp.append(0)
val = 0
k = 0
res = 0
img = np.array(image)
for i in range(len(img)):
for j in range(len(img[i])):
val = img[i][j]
tmp[val] = float(tmp[val] + 1)
k = float(k + 1)
for i in range(len(tmp)):
tmp[i] = float(tmp[i] / k)
for i in range(len(tmp)):
if(tmp[i] == 0):
res = res
else:
res = float(res - tmp[i] * (math.log(tmp[i]) / math.log(2.0)))
return res
if __name__ == '__main__':
image = cv2.imread('1.png',0)
print(imageEn(image))
print(skimage.measure.shannon_entropy(image, base=2))
可以看到对同一图片,上面所示代码和skimage库中的shannon_entropy()函数计算结果相差不大
3.3 峰值信噪比PSNR python实现
代码来源PSNR实现:
import cv2
import numpy as np
import math
import skimage.measure
def psnr1(img1, img2):
mse = np.mean((img1/1.0 - img2/1.0) ** 2 )
if mse < 1.0e-10:
return 100
return 10 * math.log10(255.0**2/mse)
def psnr2(img1, img2):
mse = np.mean( (img1/255. - img2/255.) ** 2 )
if mse < 1.0e-10:
return 100
PIXEL_MAX = 1
return 20 * math.log10(PIXEL_MAX / math.sqrt(mse))
if __name__ == '__main__':
image = cv2.imread('1.png',0)
img_fu = cv2.imread('2.png',0)
print(psnr1(image,img_fu))
print(psnr2(image,img_fu))
print(skimage.measure.compare_psnr(image, img_fu, data_range=255))
对同一图片进行测试,得到结果如下:
3.4 结构相似性SSIM python实现
在研究使用python实现MS-SSIM(多层级结构相似性)时,考虑从SSIM代码上面进行改进,发现【超分辨率】基于结构相似性的图像质量评价SSIM及其python实现这篇文章的代码误差相对而言较小:
import numpy as np
from PIL import Image
from scipy.signal import convolve2d
import cv2
import skimage.measure
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])
"""
m,n = [(ss-1.)/2. for ss in shape]
y,x = np.ogrid[-m:m+1,-n:n+1]
h = np.exp( -(x*x + y*y) / (2.*sigma*sigma) )
h[ h < np.finfo(h.dtype).eps*h.max() ] = 0
sumh = h.sum()
if sumh != 0:
h /= sumh
return h
def filter2(x, kernel, mode='same'):
return convolve2d(x, np.rot90(kernel, 2), mode=mode)
def compute_ssim(im1, im2, k1=0.01, k2=0.03, win_size=11, L=255):
if not im1.shape == im2.shape:
raise ValueError("Input Imagees must have the same dimensions")
if len(im1.shape) > 2:
raise ValueError("Please input the images with 1 channel")
M, N = im1.shape
C1 = (k1*L)**2
C2 = (k2*L)**2
window = matlab_style_gauss2D(shape=(win_size,win_size), sigma=1.5)
window = window/np.sum(np.sum(window))
if im1.dtype == np.uint8:
im1 = np.double(im1)
if im2.dtype == np.uint8:
im2 = np.double(im2)
mu1 = filter2(im1, window, 'valid')
mu2 = filter2(im2, window, 'valid')
mu1_sq = mu1 * mu1
mu2_sq = mu2 * mu2
mu1_mu2 = mu1 * mu2
sigma1_sq = filter2(im1*im1, window, 'valid') - mu1_sq
sigma2_sq = filter2(im2*im2, window, 'valid') - mu2_sq
sigmal2 = filter2(im1*im2, window, 'valid') - mu1_mu2
ssim_map = ((2*mu1_mu2+C1) * (2*sigmal2+C2)) / ((mu1_sq+mu2_sq+C1) * (sigma1_sq+sigma2_sq+C2))
return np.mean(np.mean(ssim_map))
if __name__ == "__main__":
im1 = cv2.imread('1.png',0)
im2 = cv2.imread('2.png',0)
print(compute_ssim(np.array(im1),np.array(im2)))
ssim = skimage.measure.compare_ssim(im1, im2, data_range=255)
print(ssim)
可以看到使用上面的代码与skimage库计算SSIM误差存在但是相对而言较小
4 总结
这5个指标的实现比较容易,但是融合图像评价方法还有很多,继续慢慢总结…