高光谱图像重构常用评价指标及其Python实现

高光谱图像重构评价指标及其Python实现

高光谱图像重构的评价指标通常有三项。其中部分指标从普通图像变化而来，部分指标只有高光谱图像独有。本文拟从以下两个角度介绍高光谱图像评价指标，并列出基于Python语言的skimage库的对应实现方法。

1）从普通图像重构评价指标到高光谱图像重构评价指标

2）从普通图像重构评价指标代码到高光谱图像重构评价指标代码

一、MSE

MSE计算两组数据的均方误差，是最常用的评价相似度的准则，包括但不限于图像、信号。

Skimage库中对应的函数原型：

skimage.measure.compare_mse(im1, im2)

Parameters:	im1, im2 : ndarray Image. Any dimensionality.
Returns:	mse : float The mean-squared error (MSE) metric.

想要测度其他距离，参考compare_nrmse函数

http://scikit-image.org/docs/stable/api/skimage.measure.html#compare-nrmse

二、PSNR与MPSNR

1. PSNR

PSNR全称是Compute the peak signal to noise ratio。用于计算原始图像与重构图像之间的峰值信噪比。在图像超分辨率等任务中尤为常用，如同错误率之于分类任务，PSNR是图像重构任务事实上的基准评价准则。

skimage.measure.compare_psnr(im_true, im_test, data_range=None, dynamic_range =None )

Parameters:	im_true : ndarray Ground-truth image. im_test : ndarray Test image. data_range : int The data range of the input image (distance between minimum and maximum possible values). By default, this is estimated from the image data-type.
Returns:	psnr : float The PSNR metric.

2. MPSNR

MPSNR用于计算两幅高光谱图像之间的平均峰值信噪比。MPSNR计算方法很简单，只需要分别计算不同波段的PSNR，取均值就可以了。