图像拼接融合质量的客观评价指标

MSE：Mean Square Error，均方误差，计算待评价图像和原始图像之间的差异。对于拼接融合图像来说，值越大说明质量越差。 QMSE：均值误差法。基于MSE提出的一种新的均方误差方法。 RMSE：均方根误差。同样，值越大说明拼接融合效果越差。 SNR：信噪比，信噪比越大，说明混在信号里的噪声越小，采集到的的信号质量越高 PSNR：峰值信噪比，分母为待评价图和原图像之间的能量差异，也相当于噪声，噪声越小越好，因此PSNR越大说明拼接融合质量越好。 SSIM：结构相似度，主要对图像对比度、亮度以及结构信息进行考量，值越大越相似，且最大值为1 熵值： 反映了图像中平均信息量的多少，在图像拼接融合中，熵值越大，说明拼接融合效果越好。 补充：MSE、RMSE、QMSE、SNR和PSNR都是基于灰度值对参考图和评价图进行运算。

如下公式，均方误差是值与参数真值之差平方的期望值（均值）。 在图像处理中，均方误差表示处理后图像像素值与原始像素值之差平方和的期望值。 图像尺寸为m*n，而i 和 j表示该某像素点的横纵坐标，I表示原图像（参考图像），K表示处理后的图像（评价图像）

我们给出下面图片，来计算它们的MSE均方误差。其中mn图片有重合部分更相似，r与mn无重复部分。我们依次进行验证

如下符合要求，均方误差为0 同理 采用m n 两张图（有重合部分）进行均方误差计算为3283.4812，可看出两图间差别越大值越大。 采用 m r两张图（无重合部分），均方误差为3766.2645，说明差别更大，符合图片描述。

当我们进行全景图评价的时候，由于没有全景图的参考图，因此我们将输入的拼接左右图作为参考图，得到如下新的均方误差公式： 其中w为权重因子，当w = 1/2 时，为均值误差法，该值越小，说明差异越小，因此拼接全景图的质量越好。

相当于对均方误差MSE开根号。

同样采用mnr三张图片分别验证。

SNR为图像信噪比，图像的信噪比和图像的清晰度一样，也是衡量图像质量高低的重要指标。图像的信噪比是指视频信号的大小与噪波信号大小的比值

PSNR为峰值信噪比，即峰值信号的能量与噪声的平均能量之比，通常表示的时候取 log 变成分贝（dB），由于 MSE 均方误差为原图像与处理后图像之差的能量均值，而两者的差相当于噪声，因此 PSNR 即峰值信号能量与 RMSE （均方根误差）之比。其中，MAX是表示图像点颜色的最大数值，也就是灰度值的最大值，如果每个采样点用 8 位表示，那么就是 255。

SSIM为结构相似度，用来对两幅图像的亮度、对比度以及结构信息进行测量，其是一个0-1之间的数，最大值为1。尤其反映了图像的轮廓，细节等的相似度，很适合作为图像拼接的客观评价指标。当两幅图像一模一样时，SSIM=1。 上公式中的三项 l c s 分别代表三个特征（亮度，对比度以及结构）的占比。

ux和uy代表图像XY灰度统计均值。sigma xy 分别是处理图像的灰度值方差。C12为常数。L为像素值的动态范围。对于8比特255灰度图，其Ki 范围为0.01-0.03。

此时得到结果为1，因为我们输入的是同一张图像，结构相似性最大，为1。验证了当两幅图像一模一样时，SSIM=1。

反映图像信息丰富程度。通常情况下，图像信息熵越大，其信息量就越丰富，质量越好。对于图像拼接融合来说，熵值越大融合越好。 分别对较好拼接和较差拼接进行熵值的计算。 较差拼接：（字母处出现重影模糊） 较好拼接：

运行后，在命令框输入

较好拼接熵值：7.5314 较差拼接：7.5210

由此符合我们的分析，熵值越大，拼接效果越好。

除此之外，还有很多评价指标，比如互信息、平均梯度、信息比 互信息值越大说明融合图像信息越丰富。 平均梯度值越大则表明融合后图像越清晰，过渡更平滑自然。 信息比：表示全景图信息比，能近似反应全景图扭曲程度，信息比越小说明扭曲越严重。公式如下： wh表示图像尺寸 全景图扭曲程度越大，那么全景图中包含的无用黑色像素也会变多，因此信息比参数变小，因此我们希望信息比参数越大越好。

参考