论文笔记（二）——关于一些图像处理效果的评价指标

一.评价指标的分类

关于图像质量的评价指标 一般根据是否参考原始影像分为三种：
全参考 部分参考 无参考
（1）全参考
这些一般跟深度学习搭边
结构相似性SSIM、峰值信噪比PSNR（这俩都是越大越好） 均方误差MSE（越小越好）
等等

（2）部分参考
没咋研究过

（3）无参考
这些比较简单 传统图像处理
均值，标准差，平均梯度，信息熵等等

二 论文用到的评价指标

我的实验数据集是自己在谷歌卫星影像上搜集的 六大洲每个州选一个国家 数据集一共100多幅图（是比深度学习的数据集里面图片少） 我从中选择了六幅包含不同地物的影像
先放一组对比实验

a是原图 b是我们的结果 （参考影像选的上半部分色块）
我们从下面几个方面做评价

（1）色块提取准确率评价

这个就不说了 涉及二值图标签的制作

（2）影像整体色彩一致性评价

分成五个块 统计每个块的均值 标准差 制成柱状图
①分块方法：

上下左右四个块 加中间相同大小的块
②柱状图：

（3）影像局部地物色彩一致性评价

简单点说 一幅影像里面的地物 比如说道路 绿地之类的 相同环境下 这些地物的特征应该相似
①选择的评价指标包括：因为是需要比较 局部地物的相似性 属于全参考评价指标
选了：梯度幅值相似偏差GMSD、颜色偏差c_st和扭曲程度D_st
具体定义大家自己百度下，这里只说明下指标的判断依据：

   当梯度幅值相似偏差GMSD的值越小时，表明两个色块中选择的样本区域间结构越相似，局部质量退化越小，地物特征越接近。
   颜色偏差c_st越小，说明区域间地物均值差异越小，具有相近的特征。
   扭曲程度反映出不同色块间相同地物特征的差异大小，值越小，说明地物差异越小，信息保真度较好。

②然后选择了这三个小区域

部分数据：

**

（4）影像整体质量评价

这个是讨论影像经过处理以后 质量发生了怎样的变化的
主要选择了 信息熵E、平均梯度G ̅、空间频率SF和灰度方差乘积SMD2这四类影像质量评价指标
这属于 无参考评价指标了 单纯考虑结果影像

信息熵越大，图像携带的信息量越大，信息越丰富。
平均梯度越大，图像层次越多，图像就越显得清晰。
图像空间频率越高，图像越清晰。
当图像越模糊时，整个图像的灰度较为均匀，相邻像素之间的差值很小，即计算得到的SMD2结果越小；图像越清晰时，计算得到的SMD2结果会越大。

我觉得我做的试验指标也太多了。。