代码：
import cv2
import numpy as np
import math
tmp = []
for i in range(256):
tmp.append(0)
val = 0
k = 0
res = 0
#'img/1-3.jpg'=6.0404 ; out2.jpg=7.0361 ;result2=7.1585
image = cv2.imread('img/result2.jpg',0)
img = np.array(image)
for i in range(len(img)):
for j in range(len(img[i])):
val = img[i][j]
tmp[val] = float(tmp[val] + 1)
k = float(k + 1)
for i in range(len(tmp)):
tmp[i] = float(tmp[i]/ k)
for i in range(len(tmp)):
if(tmp[i] == 0):
res = res
else:
res = float(res - tmp[i] * (math.log(tmp[i]) / math.log(2.0)))
print (res)
二、均值和标准差
均值代表图像的亮度，越大代表越亮，但是不能单纯的说图像越亮越好，要视情况而定；
标准差则用于评价图像的对比度，越大表明图像明暗渐变层越多，图像细节越突出越清晰，不失为一种好的评价指标。
代码：
from PIL import Image,ImageStat
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('img/1-3.jpg')
img = img.astype(np.float32) / 255
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
plt.imshow(img)
cv2.imshow('img',img)
通过img.copy()方法，复制img的数据到mean_img
mean_img = img.copy()
使用 .mean() 方法可得出 mean_img 的平均值
print(mean_img.mean())
mean_img -= mean_img.mean() 等效于 mean_img = mean_img - mean_img.mean()
减去平均值，得出零平均值矩阵
mean_img -= mean_img.mean()
显示图像
cv2.imshow(mean_img)
cv2.imshow('mean_img',mean_img)
std_img = mean_img.copy()
输出 std_img 的标准差
print(std_img.std())
std_img /= std_img.mean() 等效于 std_img = std_img / std_img.mean()
除于标准差，得出单位方差矩阵
std_img /= std_img.std()
显示图像
plt.imshow(std_img)
cv2.imshow('std_img',std_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
三、信噪比（峰值信噪比）
PSNR峰值信噪比(python代码实现+SSIM+MSIM)_彩色海绵的博客-CSDN博客_psnr峰值信噪比
代码：
import cv2 as cv
import math
import numpy as np
def psnr1(img1, img2):
# compute mse
# mse = np.mean((img1-img2)**2)
mse = np.mean((img1 / 1.0 - img2 / 1.0) ** 2)
# compute psnr
if mse < 1e-10:
return 100
psnr1 = 20 * math.log10(255 / math.sqrt(mse))
return psnr1
def psnr2(img1, img2):#第二种法：归一化
mse = np.mean((img1 / 255.0 - img2 / 255.0) ** 2)
if mse < 1e-10:
return 100
PIXEL_MAX = 1
psnr2 = 20 * math.log10(PIXEL_MAX / math.sqrt(mse))
return psnr2
imag1 = cv.imread("./img/22.jpg")
print(imag1.shape)
imag2 = cv.imread("./img/222.jpg")
print(imag2.shape)
#如果大小不同可以强制改变
imag2 = imag2.reshape(352,352,3)
#print(imag2.shape)
res1 = psnr1(imag1, imag2)
print("res1:", res1)
res2 = psnr2(imag1, imag2)
print("res2:", res2)
#tensorflow框架里有直接关于psnr计算的函数，直接调用就行了：(更推荐)以下代码
'''
#注意：计算PSNR的时候必须满足两张图像的size要完全一样！
#compute PSNR with tensorflow
import tensorflow as tf
def read_img(path):
return tf.image.decode_image(tf.read_file(path))
def psnr(tf_img1, tf_img2):
return tf.image.psnr(tf_img1, tf_img2, max_val=255)
def _main():
t1 = read_img('t1.jpg')
t2 = read_img('t2.jpg')
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
y = sess.run(psnr(t1, t2))
print(y)
if __name__ == '__main__':
_main()
'''
四、平均梯度
平均梯度(meangradient)：指图像的边界或影线两侧附近灰度有明显差异，即灰度变化率大，这种变化率的大小可用来表示图像清晰度。它反映了图像微小细节反差变化的速率，即图像多维方向上密度变化的速率，表征图像的相对清晰程度。
平均梯度即图像的清晰度(definition)，反映图像对细节对比的表达能力，计算公式为
图像梯度: G(x,y) = dx i + dy j;
dx(i,j) = I(i+1,j) – I(i,j);
dy(i,j) = I(i,j+1) – I(i,j);
其中，I是图像像素的值(如：RGB值)，(i,j)为像素的坐标。
图像梯度一般也可以用中值差分：
dx(i,j) = [I(i+1,j) – I(i-1,j)]/2;
dy(i,j) = [I(i,j+1) – I(i,j-1)]/2;
图像边缘一般都是通过对图像进行梯度运算来实现的。
上面说的是简单的梯度定义，其实还有更多更复杂的梯度公式。
python opencv学习（六）图像梯度计算_刘子晞的博客的博客-CSDN博客_图像计算梯度
代码：
import cv2 as cv
import numpy as np
'''图像梯度(由x,y方向上的偏导数和偏移构成)，有一阶导数(sobel算子)和二阶导数(Laplace算子)
用于求解图像边缘，一阶的极大值，二阶的零点
一阶偏导在图像中为一阶差分，再变成算子(即权值)与图像像素值乘积相加，二阶同理
'''
def sobel_demo(image):
grad_x = cv.Sobel(image, cv.CV_32F, 1, 0) # 采用Scharr边缘更突出
grad_y = cv.Sobel(image, cv.CV_32F, 0, 1)
gradx = cv.convertScaleAbs(grad_x) # 由于算完的图像有正有负，所以对其取绝对值
grady = cv.convertScaleAbs(grad_y)
#计算两个图像的权值和，dst = src1alpha + src2beta + gamma
gradxy = cv.addWeighted(gradx, 0.5, grady, 0.5, 0)
cv.imshow("gradx", gradx)
cv.imshow("grady", grady)
cv.imshow("gradient", gradxy)
def laplace_demo(image): # 二阶导数，边缘更细
dst = cv.Laplacian(image, cv.CV_32F)
lpls = cv.convertScaleAbs(dst)
cv.imshow("laplace_demo", lpls)
def custom_laplace(image):
#以下算子与上面的Laplace_demo()是一样的，增强采用np.array([[1, 1, 1], [1, -8, 1], [1, 1, 1]])kernel = np.array([[1, 1, 1], [1, -8, 1], [1, 1, 1]])
dst = cv.filter2D(image, cv.CV_32F, kernel=kernel)
lpls = cv.convertScaleAbs(dst)
cv.imshow("custom_laplace", lpls)
def Scharr(img):
scharrx = cv.Scharr(img,cv.CV_64F, dx= 1, dy= 0)
scharrx = cv.convertScaleAbs(scharrx)
scharry = cv.Scharr(img,cv.CV_64F, dx = 0, dy = 1)
scharry = cv.convertScaleAbs(scharry)
result = cv.addWeighted(scharrx, 0.5, scharry, 0.5, 0)
cv.imshow("scharrx", scharrx)
cv.imshow("scharry", scharry)
cv.imshow("result", result)
src = cv.imread("img/result2.jpg")
cv.imshow("original", src)
sobel_demo(src)
laplace_demo(src)
custom_laplace(src)
Scharr(src)
cv.waitKey(0) # 等有键输入或者1000ms后自动将窗口消除，0表示只用键输入结束窗口
cv.destroyAllWindows() # 关闭所有窗口
五、SSIM
结构相似性指标（英文：structural similarity index，SSIM index），是一种用以衡量两张数字图象相似性的指标。结构相似性在于衡量数字图像相邻像素的关联性，图像中相邻像素的关联性反映了实际场景中物体的结构信息。因此，在设计图像失真的衡量指标时，必须考虑结构性失真。
图像相似性评价指标SSIM/PSNR_恒友成的博客-CSDN博客_ssim指标
Original: https://blog.csdn.net/m0_63172128/article/details/125856799
Author: 彩色海绵
Title: 图像评价指标（python）
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/670254/
转载文章受原作者版权保护。转载请注明原作者出处！