共计 925 个字符，预计需要花费 3 分钟才能阅读完成。
一. 评估指标的分类
对于图像品质的评估指标 个别依据是否参考原始影像分为三种：
全参考 局部参考 无参考
（1）全参考
这些个别跟深度学习搭边
构造相似性 SSIM、峰值信噪比 PSNR（这俩都是越大越好）均方误差 MSE（越小越好）
等等
（2）局部参考
没咋钻研过
（3）无参考
这些比较简单 传统图像处理
均值，标准差，均匀梯度，信息熵等等
二 论文用到的评估指标
我的试验数据集是本人在谷歌卫星影像上收集的 六大洲每个州选一个国家 数据集一共 100 多幅图（是比深度学习的数据集外面图片少）我从中抉择了六幅蕴含不同地物的影像
先放一组比照试验
a 是原图 b 是咱们的后果（参考影像选的上半局部色块）
咱们从上面几个方面做评估
（1）色块提取准确率评估
这个就不说了 波及二值图标签的制作
（2）影像整体色调一致性评估
分成五个块 统计每个块的均值 标准差 制成柱状图
①分块办法：
上下左右四个块 加两头雷同大小的块
②柱状图：
（3）影像部分地物色调一致性评估
简略点说 一幅影像外面的地物 比如说路线 绿地之类的 雷同环境下 这些地物的特色应该类似
①抉择的评估指标包含：因为是须要比拟 部分地物的相似性 属于全参考评估指标
选了：梯度幅值类似偏差 GMSD、色彩偏差 c_st 和扭曲水平 D_st
具体定义大家本人百度下，这里只阐明下指标的判断根据：
当梯度幅值类似偏差 GMSD 的值越小时，表明两个色块中抉择的样本区域间构造越类似，部分品质进化越小，地物特色越靠近。色彩偏差 c_st 越小，阐明区域间地物均值差别越小，具备相近的特色。扭曲水平反映出不同色块间雷同地物特色的差别大小，值越小，阐明地物差别越小，信息保真度较好。②而后抉择了这三个小区域
局部数据：
**
（4）影像整体品质评估
这个是探讨影像通过解决当前 品质产生了怎么的变动的
次要抉择了 信息熵 E、均匀梯度 G ̅、空间频率 SF 和灰度方差乘积 SMD2 这四类影像品质评估指标
这属于 无参考评估指标了 单纯思考后果影像
信息熵越大，图像携带的信息量越大，信息越丰盛。均匀梯度越大，图像档次越多，图像就越显得清晰。图像空间频率越高，图像越清晰。当图像越含糊时，整个图像的灰度较为平均，相邻像素之间的差值很小，即计算失去的 SMD2 后果越小；图像越清晰时，计算失去的 SMD2 后果会越大。我感觉我做的试验指标也太多了。。