传统经典CV算法_图像融合评价指标
人类视觉系统(HVS)
a) 从空间频域来看,人眼是一个低通线性系统。
b) 人眼对亮度的响应具有对数非线性性质。
c) 人类对亮度信号的空间分辨率大于对色度信号的空间分辨率。
d) 人眼视觉系统对信号进行加权求和运算,相当于使信号通过一个带通滤波器。
e) 图像的边缘信息对视觉很重要,特别是边缘的位置信息,人眼容易感觉到边缘的位置变化,而对边缘的灰度误差并不敏感。
f) 人眼的视觉掩盖效应是一种局部效应,受背景照度、纹理复杂性和信号频率的影响,具有不同局部特性的区域,在保证不被人眼察觉的前提下,允许改变的信号强度不同。
图像质量评价(IQA)方法的分类
图像质量评价(IQA),根据参考图片(reference image),即原始图片的存在与否,可分为:
a) 全参考(full-reference)方法
b) 半参考(reduced-reference)方法
c) 无参考(no-reference)方法
其中,FR方法研究比较成熟,相关方法较多。RR方法只有原始图片的部分信息,相关方法不是很有效,NR方法目前还处于研究中,因此我们这里只对FR方法进行介绍。
图像融合评价指标: 信息熵(IE)、标准差(STD)、、空间频率(SF)、 Piella 基于结构相似性的两个指标 QW与 QE等。
常用评级指标
1.信息熵
在信息论中,熵(entropy)是接收的每条消息中包含的信息的平均量,又被称为信息熵、信源熵、平均自信息量。
计算公式:
2.标准差
标准差(又称标准偏差、均方差,Standard Deviation,缩写SD),数学符号σ(sigma),在概率统计中最常使用作为测量一组数值的离散程度之用。标准差定义:为方差开算术平方根,反映组内个体间的离散程度;标准差与期望值之比为标准离差率。
计算公式:
3.空间频率(SF)
空间频率(spatial frequency),空间频率反映的是图像灰度的变化率。
计算公式:
其中,RF 和 CF 分别为图像的行频率和列频率,如下:
空间频率可用于反映图像的清晰度. 一般地, 图像越清晰, 空间频率越高。
4.边缘强度(Edge Intensity)
SSIM(structural similarity)
HVS能高度自适应提取场景中的结构信息,它分别从亮度、对比度、结构三方面度量图像相似性。
亮度:
对比度与结构:
亮度相似性:
对比度相似性:
结构相似性:
总的式子:
其中,为常数,用于防止分母为零。SSIM取值范围[0,1],值越大,表示图像失真越小。
互信息(Mutual information, MI)
对于图像 A、B 和 F,互信息的数学表达式为:
表示A与F之间的联合熵,IE为图像的信息熵,分别为A与F、B与F之间的归一化联合直方图。MI越大代表融合图像包含源图像的信息越多。