红外和可见光图像融合评估指标
博主关于图像融合的综述论文基于深度学习的图像融合方法综述已被《中国图象图形学报》正式接收!
作者在图像融合方向相关的博文还有:
图像融合系列博客还有:
- 图像融合论文及代码整理最全大合集参见:图像融合论文及代码整理最全大合集
- 图像融合综述论文整理参见:图像融合综述论文整理
- 图像融合评估指标参见:红外和可见光图像融合评估指标
- 图像融合常用数据集整理参见:图像融合常用数据集整理
- 通用图像融合框架论文及代码整理参见:通用图像融合框架论文及代码整理
- 基于深度学习的红外和可见光图像融合论文及代码整理参见:基于深度学习的红外和可见光图像融合论文及代码整理
- 更加详细的红外和可见光图像融合代码参见:红外和可见光图像融合论文及代码整理
- 基于深度学习的多曝光图像融合论文及代码整理参见:基于深度学习的多曝光图像融合论文及代码整理
- 基于深度学习的多聚焦图像融合论文及代码整理参见:基于深度学习的多聚焦图像融合(Multi-focus Image Fusion)论文及代码整理
- 基于深度学习的全色图像锐化论文及代码整理参见:基于深度学习的全色图像锐化(Pansharpening)论文及代码整理
- 基于深度学习的医学图像融合论文及代码整理参见:基于深度学习的医学图像融合(Medical image fusion)论文及代码整理
- 彩色图像融合参见: 彩色图像融合
- DIVFusion:首个耦合互促低光增强&图像融合的框架参见:DIVFusion:首个耦合互促低光增强&图像融合的框架
为了更好的评估红外和可见光图像融合算法的性能,对融合算法进行定量评估,本篇博客在对目前已有的部分评估指标进行了整理及汇总,虽然是用于评估红外和可见光图像融合算法的性能,但部分评估指标对于其他诸如多曝光、多聚焦、医学图像融合也适用,共整理了17种评估方法的代码,分别是:
评估指标 | 缩写 |
---|---|
信息熵 | EN |
空间频率 | SF |
标准差 | SD |
峰值信噪比 | PSNR |
均方误差 | MSE |
互信息 | MI |
视觉保真度 | VIF |
平均梯度 | AG |
相关系数 | CC |
差异相关和 | SCD |
基于梯度的融合性能 | Qabf |
结构相似度测量 | SSIM |
多尺度结构相似度测量 | MS-SSIM |
基于噪声评估的融合性能 | Nabf |
像素特征互信息 | FMI_pixel |
离散余弦特征互信息 | FMI_dct |
小波特征互信息 | FMI_w |
性能评估指标主要分为四类,分别是基于信息论的评估指标,主要包括** EN、MI、FMI_pixel、FMI_w、FIM_dct、PSNR**、基于结构相似性的评估指标,主要包括SSIM、MS_SSIM、MSE、基于图像特征的评估指标, 主要包括SF、SD、AG,基于人类视觉感知的评估指标,主要包括VIF、以及基于源图像与生成图像的评估指标,主要包括CC、SCD、Qabf、Nabf。 | |
接下来是评估算法主函数的介绍 |
clc
clear all
names = {'AEFusion', 'CNN', 'DenseFuse', 'FusionGAN', 'GTF', 'IFCNN', 'JSRSD', 'Latlrr', 'MaskFusion', 'PMGI', 'WLS'}; #用于保存对比算法的名称
rows = ['B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J', 'K', 'L']; #用于保存测试指标对应的位置
easy = 0
row_name1 = 'row1';
row_data1 = 'row2';
for i = 1 : length(names)
method_name = cellstr(names(i))
row = rows(i)
row_name = strrep(row_name1, 'row', row);
row_data = strrep(row_data1, 'row', row);
fileFolder=fullfile('../Comparison/Test_ir'); #此处我将需要测试的图像放置在Test_ir文件夹中
dirOutput=dir(fullfile(fileFolder,'*.bmp')); #测试图像全部是bmp后缀
fileNames = {dirOutput.name};
[m, num] = size(fileNames);
ir_dir = '../Comparison/New_Test_ir/'; #用于评估算法性能的红外图像文件夹
vi_dir = '../Comparison/New_Test_vi/'; #用于评估算法性能的可见光图像文件夹
Fused_dir = '../Comparison/'; # 用于存放对比结果的文件夹,Comparison中主要包括所有对比算法,对比算法的文件夹以DenseFuse为例 ‘/DenseFuse/DenseFuse_Results’类似的存放
Fused_dir = char(strcat(Fused_dir, names(i), '\', names(i), '_Results', '\'));
EN_set = []; SF_set = [];SD_set = [];PSNR_set = [];
MSE_set = [];MI_set = [];VIF_set = []; AG_set = [];
CC_set = [];SCD_set = []; Qabf_set = [];
SSIM_set = []; MS_SSIM_set = [];
Nabf_set = [];FMI_pixel_set = [];
FMI_dct_set = []; FMI_w_set = [];
disp(method_name)
for i = 1:num
disp('---------------------------Analysis---------------------------');
fileName_source_ir = strcat(ir_dir, fileNames{i});
fileName_source_vi = strcat(vi_dir, fileNames{i});
fileName_Fusion = strcat(Fused_dir, fileNames{i});
ir_image = imread(fileName_source_ir);
vi_image = imread(fileName_source_vi);
fused_image = imread(fileName_Fusion);
[m, n] = size(fused_image);
% fused_image = fused_image(7:m-6, 7:n-6);
ir_size = size(ir_image);
vi_size = size(vi_image);
fusion_size = size(fused_image);
if length(ir_size) < 3 & length(vi_size) < 3
disp(fileNames{i})
[EN, SF,SD,PSNR,MSE, MI, VIF, AG, CC, SCD, Qabf, Nabf, SSIM, MS_SSIM, FMI_pixel, FMI_dct, FMI_w] = analysis_Reference(fused_image,ir_image,vi_image, easy);
EN_set = [EN_set, EN];SF_set = [SF_set,SF];SD_set = [SD_set, SD];PSNR_set = [PSNR_set, PSNR];
MSE_set = [MSE_set, MSE];MI_set = [MI_set, MI]; VIF_set = [VIF_set, VIF];
AG_set = [AG_set, AG]; CC_set = [CC_set, CC];SCD_set = [SCD_set, SCD];
Qabf_set = [Qabf_set, Qabf]; Nabf_set = [Nabf_set, Nabf];
SSIM_set = [SSIM_set, SSIM]; MS_SSIM_set = [MS_SSIM_set, MS_SSIM];
FMI_pixel_set = [FMI_pixel_set, FMI_pixel]; FMI_dct_set = [FMI_dct_set,FMI_dct];
FMI_w_set = [FMI_w_set, FMI_w];
else
disp('unsucessful! ')
disp( fileName_Fusion)
end
disp('Done');
end
# easy == 1 主要是由于在运行程序过程中有的评估指标耗时较长,easy == 1 时对于耗时较长的指标不进行测试
if easy == 1
xlswrite('评估指标.xlsx', method_name,'EN',row_name)
xlswrite('评估指标.xlsx', method_name,'SF',row_name)
xlswrite('评估指标.xlsx', method_name,'SD',row_name)
xlswrite('评估指标.xlsx', method_name,'PSNR',row_name)
xlswrite('评估指标.xlsx', method_name,'MSE',row_name)
xlswrite('评估指标.xlsx', method_name,'MI',row_name)
xlswrite('评估指标.xlsx', method_name,'VIF',row_name)
xlswrite('评估指标.xlsx', method_name,'AG',row_name)
xlswrite('评估指标.xlsx', method_name,'CC',row_name)
xlswrite('评估指标.xlsx', method_name,'SCD',row_name)
xlswrite('评估指标.xlsx', method_name,'Qabf',row_name)
xlswrite('评估指标.xlsx',SF_set','SF',row_data)
xlswrite('评估指标.xlsx',SD_set','SD',row_data)
xlswrite('评估指标.xlsx',PSNR_set','PSNR',row_data)
xlswrite('评估指标.xlsx',MSE_set','MSE',row_data)
xlswrite('评估指标.xlsx',MI_set','MI',row_data)
xlswrite('评估指标.xlsx',VIF_set','VIF',row_data)
xlswrite('评估指标.xlsx',AG_set','AG',row_data)
xlswrite('评估指标.xlsx',CC_set','CC',row_data)
xlswrite('评估指标.xlsx',EN_set','EN',row_data)
xlswrite('评估指标.xlsx',SCD_set','SCD',row_data)
xlswrite('评估指标.xlsx',Qabf_set','Qabf',row_data)
else
xlswrite('评估指标.xlsx', method_name,'Nabf',row_name)
xlswrite('评估指标.xlsx', method_name,'SSIM',row_name)
xlswrite('评估指标.xlsx', method_name,'MS_SSIM',row_name)
xlswrite('评估指标.xlsx', method_name,'FMI_pixel',row_name)
xlswrite('评估指标.xlsx', method_name,'FMI_dct',row_name)
xlswrite('评估指标.xlsx', method_name,'FMI_w',row_name)
xlswrite('评估指标.xlsx',Nabf_set','Nabf',row_data)
xlswrite('评估指标.xlsx',SSIM_set','SSIM',row_data)
xlswrite('评估指标.xlsx',MS_SSIM_set','MS_SSIM',row_data)
xlswrite('评估指标.xlsx',FMI_pixel_set','FMI_pixel',row_data)
xlswrite('评估指标.xlsx',FMI_dct_set','FMI_dct',row_data)
xlswrite('评估指标.xlsx',FMI_w_set','FMI_w',row_data)
end
end
除main函数之外的程序列表包括:
所有测试代码整合在:https://download.csdn.net/download/fovever_/12543640
2021/05/27补充
关于测试代码中丢失’sobel_fn.m’问题实在抱歉,是笔者在打包程序时漏掉了‘sobel_fn.m’函数,给大家造成不便非常不好意思。
因此在博客中补充‘sobel_fn.m’函数,望各位使用的朋友在使用时自己新建一个‘sobel_fn.m’文件并把程序复制过去。
function [gv gh]=sobel_fn(x)
%%% sobel_fn: Computes the vertical & horizontal edges of x using sobel operator.
%%%
%%% [gv gh]=sobel_fn(x)
%%%
%%% Author : B. K. SHREYAMSHA KUMAR
%%% Created on 28-10-2011.
%%% Updated on 28-10-2011.
vtemp=[-1 0 1;-2 0 2;-1 0 1]/8;
htemp=[-1 -2 -1;-0 0 0;1 2 1]/8;
[a b]=size(htemp);
x_ext=per_extn_im_fn(x,a);
[p,q]=size(x_ext);
for ii=2:p-1
for jj=2:q-1
gv(ii-1,jj-1)=sum(sum(x_ext(ii-1:ii+1,jj-1:jj+1).*vtemp));
gh(ii-1,jj-1)=sum(sum(x_ext(ii-1:ii+1,jj-1:jj+1).*htemp));
end
end
2021/08/31补充
由于之前的main函数许多不熟悉matlab的朋友在使用会遇到许多问题,所以在此简化了main.m函数,大家可以新建一个主函数把下面的代码复制过去,测试某一算法的结果。
clc
clear all
easy = 0
fileFolder=fullfile('./Comparison/Test_ir'); % 需要测试的红外图像所在文件夹
dirOutput=dir(fullfile(fileFolder,'*.bmp')); %测试图像全部是bmp后缀
fileNames = {
dirOutput.name};
[m, num] = size(fileNames);
ir_dir = './Comparison/Test_ir'; %用于评估算法性能的红外图像文件夹
vi_dir = './Comparison/Test_vi'; %用于评估算法性能的可见光图像文件夹
Fused_dir = './Comparison/PMGI'; % 用于存放对比结果的文件夹,Comparison中主要包括所有对比算法,对比算法的文件夹以DenseFuse为例 ‘/DenseFuse/DenseFuse_Results’类似的存放
EN_set = []; SF_set = [];SD_set = [];PSNR_set = [];
MSE_set = [];MI_set = [];VIF_set = []; AG_set = [];
CC_set = [];SCD_set = []; Qabf_set = [];
SSIM_set = []; MS_SSIM_set = [];
Nabf_set = [];FMI_pixel_set = [];
FMI_dct_set = []; FMI_w_set = [];
disp(method_name)
for i = 1:num
disp('---------------------------Analysis---------------------------');
fileName_source_ir = fullfile(ir_dir, fileNames{
i});
fileName_source_vi = fullfile(vi_dir, fileNames{
i});
fileName_Fusion = fullfile(Fused_dir, fileNames{
i});
ir_image = imread(fileName_source_ir);
vi_image = imread(fileName_source_vi);
fused_image = imread(fileName_Fusion);
[m, n] = size(fused_image);
[ir_m, ir_n, ir_c] = size(ir_image);
if ir_c > 1
ir_image = rgb2gray(ir_image);
end
[vi_m, vi_n, vi_c] = size(vi_image);
if vi_c > 1
vi_image = rgb2gray(vi_image);
end
[EN, SF,SD,PSNR,MSE, MI, VIF, AG, CC, SCD, Qabf, Nabf, SSIM, MS_SSIM, FMI_pixel, FMI_dct, FMI_w] = analysis_Reference(fused_image,ir_image,vi_image, easy);
EN_set = [EN_set, EN];SF_set = [SF_set,SF];SD_set = [SD_set, SD];PSNR_set = [PSNR_set, PSNR];
MSE_set = [MSE_set, MSE];MI_set = [MI_set, MI]; VIF_set = [VIF_set, VIF];
AG_set = [AG_set, AG]; CC_set = [CC_set, CC];SCD_set = [SCD_set, SCD];
Qabf_set = [Qabf_set, Qabf]; Nabf_set = [Nabf_set, Nabf];
SSIM_set = [SSIM_set, SSIM]; MS_SSIM_set = [MS_SSIM_set, MS_SSIM];
FMI_pixel_set = [FMI_pixel_set, FMI_pixel]; FMI_dct_set = [FMI_dct_set,FMI_dct];
FMI_w_set = [FMI_w_set, FMI_w];
fprintf('Evaluating %s Image', fileNames{
i});
end
由于博主个人水平有限,或许有不足之处,欢迎大家指正和交流。
如有疑问可联系:2458707789@qq.com; 备注 姓名+学校
今天的文章图像融合评估指标分享到此就结束了,感谢您的阅读。
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
如需转载请保留出处:https://bianchenghao.cn/7301.html