基于matlab的有参考图像质量评价,使用多种算法进行图像质量评价仿真
目录
1.算法概述
图像质量评价(Image Quality Assessment,IQA)是图像处理中的基本技术之一,主要通过对图像进行特性分析研究,然后评估出图像优劣(图像失真程度)。图像质量评价在图像处理系统中,对于算法分析比较、系统性能评估等方面有着重要的作用。近年来,随着对数字图像领域的广泛研究,图像质量评价的研究也越来越受到研究者的关注,提出并完善了许多图像质量评价的指标和方法。
主观评价只涉及人作出的定性评价,它以人为观察者,对图像的优劣作出主观的定性评价。对于观察者的选择一般考虑未受训练的“外行”或者训练有素的“内行”。该方法是建立在统计意义上的,为保证图像主观评价在统计上有意义,参加评价的观察者应该足够多。主观评价方法主要可分为两种:绝对评价和相对评价。
相对评价中没有原始图像作为参考,是由观察者对一批待评价图像进行相互比较,从而判断出每个图像的优劣顺序,并给出相应的评价值。通常,相对评价采用单刺激连续质量评价方法(Single Stimulus Continuous Quality Evaluation,SSCQE)。具体做法是,将一批待评价图像按照一定的序列播放,此时观察者在观看图像的同时给出待评图像相应的评价分值。相对于主观绝对评价,主观相对评价也规定了相应的评分制度,称为“群优度尺度”。
图像质量客观评价可分为全参考(Full-Reference,FR),部分参考(Reduced-Reference,RR)和无参考(No-Reference,NR)三种类型。
全参考(Full-Reference,FR)
部分参考(Reduced-Reference,RR)
部分参考也成为半参考,它是以理想图像的部分特征信息作为参考,对待评图像进行比较分析,从而得到图像质量评价结果。由于所参考的信息是从图像中提取出来的特征,所以它必须要先提取待评图像和理想图像的部分特征信息,通过比较提取出的部分信息对待评图像进行质量评估。部分参考方法可分为基于原始图像特征方法、基于数字水印方法和基于Wavelet域统计模型的方法等。因为部分参考质量评价依赖于图像的部分特征,与图像整体相比而言,数据量下降了很多,目前应用比较集中在图像传输系统中。
无参考(No-Reference,NR)三种类型
无参考方法也称为首评价方法,因为一般的理想图像很难获得,所以这种完全脱离了对理想参考图像依赖的质量评价方法应用较为广泛。无参考方法一般都是基于图像统计特性。
本课题,我们主要考虑全参考IQA算法。
2.仿真效果预览
matlab2022a仿真
3.MATLAB部分代码预览
%Mean Square Error
MSE = MeanSquareError(origImg, distImg);
disp('Mean Square Error = ');
disp(MSE);
%Peak Signal to Noise Ratio
PSNR = PeakSignaltoNoiseRatio(origImg, distImg);
disp('Peak Signal to Noise Ratio = ');
disp(PSNR);
%Normalized Cross-Correlation
NK = NormalizedCrossCorrelation(origImg, distImg);
disp('MNormalized Cross-Correlation = ');
disp(NK);
%Average Difference
AD = AverageDifference(origImg, distImg);
disp('Average Difference = ');
disp(AD);
%Structural Content
SC = StructuralContent(origImg, distImg);
disp('Structural Content = ');
disp(SC);
%Maximum Difference
MD = MaximumDifference(origImg, distImg);
disp('Maximum Difference = ');
disp(MD);
%Normalized Absolute Error
NAE = NormalizedAbsoluteError(origImg, distImg);
disp('Normalized Absolute Error = ');
disp(NAE);
A_016
4.完整MATLAB程序
V
相关文章
- matlab 等值线函数 contour
- matlab 点云精配准(4)——基于ISS关键点的ICP配准算法
- 【DSP视频教程】DSP视频教程第5期:Matlab生成C算法文件在STM32上运行,相比Simulink生成C工程具有更广泛适用性(2022-03-27)
- 【二次分配问题】基于遗传算法 (GA)、粒子群优化 (PSO) 和萤火虫算法 (FA) 求解二次分配( QAP)问题(MATLAB 实现)
- 智能优化算法——正余弦优化算法(Matlab代码实现)
- 【微电网调度】考虑需求响应的基于改进多目标灰狼算法的微电网优化调度研究(Matlab代码实现)
- 基于粒子群优化算法的分布式电源选址定容【IEEE33节点】(Matlab代码实现)
- 基于改进粒子群算法的混合储能系统容量优化(Matlab代码实现)
- 【微电网】基于改进粒子群算法的微电网优化调度(Matlab代码实现)
- 【负荷预测】基于蚂蚁优化算法的BP神经网络在负荷预测中的应用研究(Matlab完整代码实现)
- 【路径规划】基于前向动态规划算法在地形上找到最佳路径(Matlab代码实现)
- 基于粒子群算法(PSO)的路径规划问题研究 (Matlab代码实现)
- 基于象鼻虫损害优化算法的TSP问题求解(Matlab代码实现)
- 【路径规划】基于人工势场法、蝙蝠优化算法、人工鱼群算法、果蝇优化算法的路径规划(Matlab代码实现)
- 基于萤火虫算法优化的BP神经网络预测模型(Matlab代码实现)
- 【设备布局】基于粒子群优化算法的设备布局设计研究(Matlab代码实现)
- 基于机器学习算法与历史数据预测未来的站点关闭(Matlab代码实现)
- 基于进化思想的聚类算法及其类簇融合算法(Matlab代码实现)
- SMMP:一种基于稳定成员资格的多峰聚类算法(Matlab代码实现)
- 多目标灰太狼算法求解环境经济调度问题(IEEE30)(Matlab实现)
- 基于鲸鱼优化算法的5G信道估计(Matlab代码实现)
- m基于rbf神经网络和遗传算法优化的MIMO-OFDM系统信道估计算法matlab仿真
- 基于PSO粒子群优化算法的TSP路径规划matlab仿真
- m基于HMM隐性马尔科夫模型的驾驶员驾驶意图识别算法matlab仿真
- 基于象虫损害优化算法的投资组合问题(Matlab代码实现)