### 图像融合评估指标 Python 实现代码 图像融合评估指标是衡量图像融合效果的重要工具，常见的评估指标包括峰值信噪比（PSNR）、结构相似性指数（SSIM）等。以下为这些指标的 Python 实现代码： #### 峰值信噪比（PSNR） PSNR 是一种广泛使用的图像质量评价指标，用于衡量重建图像与原始图像之间的差异。其公式如下： \[ PSNR = 10 \cdot \log_{10} \left( \frac{MAX^2}{MSE} \right) \] 其中 \( MAX \) 表示像素的最大可能值，\( MSE \) 表示均方误差。 ```python import numpy as np def calculate_psnr(original, reconstructed, max_value=255): mse = np.mean((original - reconstructed) ** 2) if mse == 0: return float('inf') psnr = 10 * np.log10(max_value**2 / mse) return psnr ``` #### 结构相似性指数（SSIM） SSIM 是一种基于人眼视觉系统的图像质量评价方法，能够更好地反映图像的感知质量[^3]。 ```python from skimage.metrics import structural_similarity as ssim def calculate_ssim(original, reconstructed, data_range=255): score, _ = ssim(original, reconstructed, data_range=data_range, full=True, multichannel=False) return score ``` #### 光谱角映射（SAM） SAM 是一种用于评估光谱相似性的指标，适用于高光谱图像融合的质量评价[^3]。 ```python import numpy as np def calculate_sam(original, reconstructed): dot_product = np.sum(original * reconstructed, axis=-1) norm_original = np.linalg.norm(original, axis=-1) norm_reconstructed = np.linalg.norm(reconstructed, axis=-1) sam = np.arccos(dot_product / (norm_original * norm_reconstructed)) return np.mean(sam) ``` #### 均方误差（MSE） MSE 是一种简单有效的图像质量评价指标，用于衡量两幅图像之间的平均误差。 ```python def calculate_mse(original, reconstructed): mse = np.mean((original - reconstructed) ** 2) return mse ``` 以上代码实现了 PSNR、SSIM、SAM 和 MSE 等常见图像融合评估指标的计算方法。用户可以根据具体需求调用相应函数进行计算。 ### 注意事项 - 在使用上述代码时，请确保输入图像的形状和数据类型一致。 - 对于高光谱图像，需特别注意波段数和像素值范围的处理[^3]。