Måle bildekvalitet er viktig i ulike felt som bildebehandling, kompresjon og overføring. To vanlige metriske som brukes er Peak Signal-to-Snose Ratio (PSNR) og Strukturell Lignende indeks (SSIM). Denne artikkelen forklarer hvordan man beregner disse metriske i praksis.

Forstå PSNR

PSNR måler forskjellen mellom et komprimert eller behandlet bilde og dens opprinnelige versjon. Det uttrykkes i desibel (dB). Høyere PSNR-verdier indikerer bedre kvalitet.

For å beregne PSNR beregner du først den gjennomsnittlige firkantede feilen (MSE) mellom de to bildene:

MSE = (1 / (bredde × høyde)) × Σ (I original - I bearbeidt)2

PSNR beregnes som:

PSNR = 10 × log10 (MAX I2 / MSE)

hvor MAX I er den maksimale mulige pikselverdien av bildet (f.eks. 255 for 8-bits bilder).

Forståelse av SSIM

SSIM vurderer likheten mellom to bilder basert på luminans, kontrast og struktur. Det gir en verdi mellom -1 og 1, hvor 1 indikerer identiske bilder.

SSIM-indeksen beregnes ved hjelp av formelen:

SSIM = [(2μ xμ y + C1)(2σ xy + C2)] / [(μ x2 + μ y2 + C1)(σ x2 + σ y2 + C2)]

hvor μ x og μ y er midlene til bilder x og y, σ x2 og σ y2 er variansene, σ xy er kovariansen og C1, C2 er konstanter for å stabilisere delingen.

Praktiske beregningstips

Implementere disse beregningene innebærer vanligvis å bruke bildebehandlingsbiblioteker som OpenCV eller Scikit-bilde i Python. Disse bibliotekene gir funksjoner for å beregne PSNR og SSIM direkte, forenkle prosessen.

  • Sørg for at bildene er i samme størrelse og fargerom.
  • Bruk flytende punktrepresentasjoner for nøyaktighet.
  • Bruk riktig normalisering om nødvendig.
  • Bruk eksisterende biblioteksfunksjoner for effektivitet.