图像处理 图像的信噪比 python 图像信噪比怎么计算

文章目录

• 1、图像客观质量评价
• 2、信噪比
• 3、峰值信噪比
• 4、信噪比和峰值信噪比的关系

1、图像客观质量评价

方法是先计算出被评价图像的某些统计特性和物理参量，最常用的是图像相似度的测量。图像相似度的测量通常是用处理后的图像与原图像之间的统计误差来衡量处理图像的质量，若误差越小，则从统计意义上来说,被评价图像与原图像的差异越小，图像的相似度就越高，获得的图像质量评价也就越高。

此种评价方法大多适用于黑白图像及灰度图像的质量评价。常用的图像相似度测量参数有平均绝对误差(ME) 、均方误差(MSE)、归一化均方误差(MSE) 、信噪比(SNR)和峰值信噪比(PSMR )等。

2、信噪比

图像的信噪比应该等于信号与噪声的功率谱之比，但通常功率谱难以计算， 有一种方法可以近似估计图像信噪比，即信号与噪声的方差之比。首先计算图像所有象素的局部方差，将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，再转成dB数，最后用经验公式修正。

图像的信噪比的计算公式如下:

$SNR=10lg\frac{{\sum_{i=0}^{M-1}}{\sum_{j=0}^{N-1}g(i,j)^2}}{ {\sum_{i=0}^{M-1}{\sum_{j=0}^{N-1}{[g(i,j)-f(i,j)]^2}}} }$
$M$和$N$分别是图像长度和宽度上的像素个数，$g(i,j)$和$f(i,j)$分别是原始原始图像和去噪后的图像在$(i,j)$处的灰度值。

信噪比是用于比较被评价图像与原图像质量的参数，信噪比的数值越大，图像质量越好。

double kcvPSNR(IplImage* im1,IplImage* im2)  
{  
    IplImage* dst = cvCreateImage( cvGetSize(im1), 8, 1);  
    cvAbsDiff(im1,im2,dst);  
    CvScalar stddev;  
    cvAvgSdv(dst,NULL,&stddev);  
    double psnr=20*log10(255/stddev.val[0]);  
    cvReleaseImage(&dst);  
    return psnr;  
}

3、峰值信噪比

峰值信噪比经常用作图像压缩等领域中信号重建质量的测量方法，它常简单地通过均方差（MSE）进行定义。PSNR (Peak Signal to Noise Ratio):也是讯杂比，只是讯号部分的值通通改用该讯号度量的最大值。以讯号度量范围为0到255当作例子来计算PSNR时，讯号部分均当成是其能够度量的最大值，也就是255，而不是原来的讯号。

两个m×n单色图像I和K，如果一个为另外一个的噪声近似，那么它们的的均方差定义为：
$MSE=\frac{1}{mn}\sum_{i=0}^{m-1}{\sum_{j=0}^{n-1}} ||I(i,j)-K(i,j)||^2$

峰值信噪比定义为：

4、信噪比和峰值信噪比的关系