第 5-1 章。图像相似度比较：SSIM

推荐文章：【统计】第五章【统计】(https://jb243.github.io/pages/1625)

a. 【距离函数和相似度】(https://jb243.github.io/pages/879)

1.概述

⑴ SSIM（结构相似性指数衡量）

⑵ 首次推出：图像质量评估：从错误可见性到结构相似性（2004，IEEE）

⑶ 传统方法仅考察均方误差

⑴ 比较两个图像（或窗口）x和y时：

⑵ 图像的组成部分

① 亮度：表示光的亮度

② 对比度：图像内亮度剧烈变化的性质

③ 结构：由像素的相对位置创建的属性

⑶ 比较功能

①最终比较函数的条件：设最终比较函数为S(x,y)，

○ 条件 1. 对称性：S(x, y) = S(y, x)

○ 条件2. S(x , y) ≤ 1

○ 条件 3. 唯一最大值：S(x , y) = 1 ⇔ x = y

② 亮度比较功能

○ 符合【韦伯定律】(https://jb243.github.io/pages/576)

③对比对比功能

④ 结构比较功能

○ 统计: σ_xx = var(x), σ_yy = var(y), σ_xy = cov(x, y)

⑷ SSIM（平均结构相似指数）

① 配方

② 默认

③ 在区域范围内使用比在全球范围内使用更有效

○ 原因 1. 图像的统计属性（例如平均值、方差）根据 ROI（感兴趣区域）而变化

○ 原因 2. 图像失真在整个图像上不均匀

○ 原因 3. 人类视觉系统也关注图像的特定部分而不是整体

○ 原因 4. 区域分析可以通过 ROI 的各种组合进行更多样化、更丰富的分析

受保护_0

⑴ 【如何使用Python中的函数】(https://jb243.github.io/pages/1892)

输入：2021.02.19 21:04

修改: 2024.10.07 13:23