图像处理篇---图像处理中常见参数


文章目录


前言

图像处理 中,参数的衡量常涉及对数单位(如分贝,dB) ,主要用于量化信号的强度、噪声水平或图像质量的相对变化。以下是常见参数的原理、计算方法和示例:


一、分贝(dB)的原理

分贝(Decibel)是一种对数单位 ,用于表示两个量(如信号与噪声)的比值 。其核心优势是将大范围的数值压缩到更易处理的尺度 ,并符合人类感官对强度的非线性感知特性

1.公式

其中 𝑃1和 𝑃2是两个功率值 。若涉及幅度值(如电压、像素强度) ,公式需平方:

二、峰值信噪比(PSNR, Peak Signal-to-Noise Ratio)

1.用途

用途:衡量图像压缩或重建后的质量对比原始图像)。

2.公式

3.示例

三、信噪比(SNR, Signal-to-Noise Ratio)

1.用途

用途:量化信号中有效信息与噪声的比例。

2.公式

3.示例

四、动态范围(Dynamic Range)

1.用途

用途:描述图像中最亮与最暗区域的比值

2.公式

五、分贝的意义

1.直观性

直观性:分贝将大范围数值压缩为小范围

(如 1:1000 → 30dB)。

2.人眼适应性

人眼适应性:符合人类对亮度变化的非线性感知韦伯-费希纳定律)。

3.标准化比较

标准化比较:便于跨不同设备或场景的图像质量评估

六、结构相似性指数(SSIM, Structural Similarity Index)

1.原理

SSIM通过比较亮度(Luminance)、对比度(Contrast)和结构(Structure)三个因素来评估两幅图像的相似性 ,范围在**[-1, 1]**之间,1表示完全相同

2.公式

3.示例代码

python 复制代码
from skimage.metrics import structural_similarity as ssim
import cv2

 读取图像(需保证尺寸相同)
img1 = cv2.imread('original.png', cv2.IMREAD_GRAYSCALE)
img2 = cv2.imread('processed.png', cv2.IMREAD_GRAYSCALE)

#计算SSIM
ssim_score = ssim(img1, img2, data_range=255)  # 8位图像范围为0-255
print(f"SSIM: {ssim_score:.4f}")

七、多尺度结构相似性指数(MS-SSIM)

1.原理

MS-SSIM在多个尺度(分辨率)下计算SSIM,综合各尺度的结果,更符合人类视觉系统多分辨率特征的感知。

2.示例代码

python 复制代码
import tensorflow as tf  # 需要安装tensorflow或使用其他库

#使用TensorFlow的MS-SSIM实现
def compute_ms_ssim(img1, img2):
    img1 = tf.convert_to_tensor(img1, dtype=tf.float32)
    img2 = tf.convert_to_tensor(img2, dtype=tf.float32)
    return tf.image.ssim_multiscale(img1, img2, max_val=255)

#示例(假设img1和img2为numpy数组,形状[H, W, C])
ms_ssim_score = compute_ms_ssim(img1, img2)
print(f"MS-SSIM: {ms_ssim_score.numpy():.4f}")

八、平均绝对误差(MAE, Mean Absolute Error)

1.原理

计算两图像像素差的绝对值的均值,单位与像素强度相同。

2.公式

3.示例代码

python 复制代码
def compute_mae(img1, img2):
    return np.mean(np.abs(img1 - img2))

mae = compute_mae(img1, img2)
print(f"MAE: {mae:.2f}")

九、视觉信息保真度(VIF, Visual Information Fidelity)

1.原理

通过自然场景统计模型人类视觉系统的失真感知 来评估图像质量,值越大表示质量越好通常范围在0到1之间)。

2.示例代码

python 复制代码
#需要安装piq库:pip install piq
from piq import vif_p

#输入为PyTorch张量,形状[B, C, H, W](B为批次大小)
img1_tensor = torch.tensor(img1).unsqueeze(0).permute(0, 3, 1, 2)  # 示例转换
img2_tensor = torch.tensor(img2).unsqueeze(0).permute(0, 3, 1, 2)
vif_score = vif_p(img1_tensor, img2_tensor)
print(f"VIF: {vif_score.item():.4f}")

十、学习感知图像块相似度(LPIPS)

1.原理

基于深度学习模型(如VGG)提取特征,计算特征空间的距离值越小表示越相似

2.示例代码

python 复制代码
#需要安装lpips库:pip install lpips
import lpips

loss_fn = lpips.LPIPS(net='vgg')  # 使用VGG网络
img1_tensor = lpips.im2tensor(lpips.load_image('original.png'))
img2_tensor = lpips.im2tensor(lpips.load_image('processed.png'))
lpips_score = loss_fn(img1_tensor, img2_tensor)
print(f"LPIPS: {lpips_score.item():.4f}")

总结

以上就是今天要讲的内容,本文仅仅简单介绍了分贝、峰值信噪比、信噪比、动态范围等的公式、原理以及使用。

相关推荐
乌恩大侠1 小时前
自动驾驶的未来:多模态传感器钻机
人工智能·机器学习·自动驾驶
光锥智能2 小时前
AI办公的效率革命,金山办公从未被颠覆
人工智能
GetcharZp2 小时前
爆肝整理!带你快速上手LangChain,轻松集成DeepSeek,打造自己的AI应用
人工智能·llm·deepseek
猫头虎3 小时前
新手小白如何快速检测IP 的好坏?
网络·人工智能·网络协议·tcp/ip·开源·github·php
GeeJoe3 小时前
凡人炼丹传之 · 我让 AI 帮我训练了一个 AI
人工智能·机器学习·llm
小和尚同志4 小时前
Dify29. 为你的 Dify API 穿层衣服吧
人工智能·aigc
不会学习的小白O^O4 小时前
神经网络----卷积层(Conv2D)
人工智能·深度学习·神经网络
bastgia4 小时前
Transformer终结者?Google DeepMind新架构实现2倍推理速度和一半内存占用
人工智能·llm
努力一点9484 小时前
ubuntu22.04系统入门 linux入门(二) 简单命令 多实践以及相关文件管理命令
linux·运维·服务器·人工智能·gpu算力