linspace函數matlab，【圖像評價】基于matlab GUI圖像評價系統【含Matlab源碼 2185期】

2023-10-17 阅读 65 评论 0

摘要：一、圖像質量評價圖像質量評價對圖像處理算法的可行性分析以及某類算法達成效果的比較都起著非常重要的指導作用。隨著圖像處理技術的發展，對于圖像質量評價的研究也日益深入，新的評價指標和評價算法不斷涌現，共同推動了圖像質量評價的進步。圖像質量評

一、圖像質量評價

圖像質量評價對圖像處理算法的可行性分析以及某類算法達成效果的比較都起著非常重要的指導作用。隨著圖像處理技術的發展，對于圖像質量評價的研究也日益深入，新的評價指標和評價算法不斷涌現，共同推動了圖像質量評價的進步。

圖像質量評價的方法大致可分為兩類:主觀評價和客觀評價。主觀評價是由參與者對圖像質量進行直接評價，是圖像質量評價最直觀的方法。但由于個別人對于圖像的理解差異性很大，主觀評價方法如果要達到預期的評價效果，需要有多人的參與和判斷，以群體的形式來消除個體差異性，這就導致主觀評價方法受到很大的約束和限制，只能在某些特定的場合下采用。

客觀評價通過建立數學模型來模擬人的視覺系統，根據數學公式的推導，采用相應的算法對圖像質量進行評價。按照是否需要原始圖像作為參考信息，客觀評價方法又分為無參考 (No-reference, NR) 評價、部分參考 (Reduced-Reference, RR) 評價和全參考 (Full-Reference, FR) 評價三類。

常見的主觀評價和客觀評價的分類如圖1所示。
在這里插入圖片描述
圖1 圖像質量評價分類
在客觀評價中的全參考評價模式下，關于原始圖像和處理后的圖像之間的比對，通常會采用峰值信噪比 (PSNR) 進行衡量。PSNR從統計學的角度來衡量原始圖像和處理后圖像的關系，計算原始圖像和處理后圖像的對應像素點灰度值之間的差異。對于尺寸為M×N的圖像，PSNR定義如下:
在這里插入圖片描述
其中，處理前圖像在坐標空間 (i, j) 的灰度值使用R (i, j) 表示，處理后圖像在坐標空間 (i, j) 的灰度值使用F (i, j) 表示。通過計算得出的PSNR值越大，表示處理后圖像與原始圖像之間的失真越小，圖像處理后的質量越好。從公式 (1) 可以看出，PSNR計算非常簡單，但是其僅僅是基于統計學的角度來考慮處理后圖像和原始圖像對應像素點灰度值之間的差異，忽略了圖片內部像素點之間的關系，這就導致其會和主觀評價產生一定的誤差。

2004年，Wang等人提出了結構相似度 (SSIM) 方法，將圖像內部的結構特征和圖像的亮度、圖像的對比度一起作為重要的參數。因為其考慮了圖像的內部結構在人眼視覺上的差異，該方法能和主觀評價取得較為一致的結果。假設原始圖像和處理后圖像分別定義為X和Y，則圖像亮度信息L (X, Y) 、圖像對比度信息C (X, Y) 和圖像結構信息S (X, Y) 分別計算如下:
在這里插入圖片描述
其中圖像X的均值使用μX表示，圖像Y的均值使用μY表示，圖像X的標準差使用σX表示，圖像Y的標準差使用σY表示，圖像X與圖像Y的協方差使用σXY表示，而公式中出現的C1、C2和C3是為計算的可靠性而定義的常數。綜合公式 (2) 、公式 (3) 和公式 (4) ，定義兩幅圖像的SSIM如下:
在這里插入圖片描述
其中α、β、γ是為了調整亮度信息、對比度信息和結構信息三者所占比重而設定的參數。通過以上公式計算出的SSIM (X, Y) 的取值在0和1之間，越接近1，表示處理后的圖像和原始圖像失真程度越小。

linspace函數matlab、和PSNR進行對比，SSIM考慮了圖像內部的結構相關信息，更加符合人類視覺對圖像特征的理解，因此其應用更加廣泛。

二、部分源代碼

function varargout = IQA(varargin)

% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @IQA_OpeningFcn, …
‘gui_OutputFcn’, @IQA_OutputFcn, …
‘gui_LayoutFcn’, [] , …
‘gui_Callback’, []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end

if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT

% — Executes just before IQA is made visible.
function IQA_OpeningFcn(hObject, eventdata, handles, varargin)

handles.output = hObject;

matlab做界面、% Update handles structure
guidata(hObject, handles);

ResetButton_Callback(hObject, eventdata, handles)

% — Outputs from this function are returned to the command line.
function varargout = IQA_OutputFcn(hObject, eventdata, handles)

% Get default command line output from handles structure
varargout{1} = handles.output;

% — Executes on button press in BrowseImage.
function BrowseImage_Callback(hObject, eventdata, handles)

ResetButton_Callback(hObject, eventdata, handles);

matlab subplot。global image;
[filename pathname] = uigetfile({‘.jpg’;'.bmp’;‘.tif’;'.png’},‘File Selector’);
x = strcat(pathname, filename);
image=imread(x);
axes(handles.axes1);
imshow(image);

% — Executes on button press in AddNoise.
function AddNoise_Callback(hObject, eventdata, handles)

global image;
global addnoisyimage;
global mean;
global variance;
global AdditiveNoiseMenu;
if (strcmp(AdditiveNoiseMenu, ‘Gaussian’))
addnoisyimage = imnoise(image, ‘Gaussian’, mean, variance);
elseif (strcmp(AdditiveNoiseMenu, ‘Poisson’))
addnoisyimage = imnoise(image, ‘Poisson’);
elseif (strcmp(AdditiveNoiseMenu, ‘Select Additive Noise Type’))
addnoisyimage = image;
end
axes(handles.axes2);
imshow(addnoisyimage);

% — Executes on button press in MultiNoise.
function MultiNoise_Callback(hObject, eventdata, handles)
global noisedensity;
global variance_multi;
global image;
global multinoisyimage;
global MultiplicativeNoiseMenu;
if (strcmp(MultiplicativeNoiseMenu, ‘Salt & Pepper’))
multinoisyimage = imnoise(image, ‘salt & pepper’, noisedensity);
elseif (strcmp(MultiplicativeNoiseMenu, ‘Speckle’))
multinoisyimage = imnoise(image, ‘speckle’, variance_multi);
elseif (strcmp(MultiplicativeNoiseMenu, ‘Select Multiplicative Noise’))
multinoisyimage = image;
end