python计算图像snr

要计算图像的信噪比（SNR），可以使用Python中的scikit-image库。以下是一个简单的示例代码：

from skimage import io
import numpy as np

# 读取图像
img = io.imread('image.png')

# 计算信号的均值和标准差
signal_mean = np.mean(img)
signal_std = np.std(img)

# 计算噪声的均值和标准差
noise = np.random.normal(0, 1, img.shape)
noise_mean = np.mean(noise)
noise_std = np.std(noise)

# 计算信噪比
snr = 20 * np.log10(signal_mean / noise_mean)

print('信噪比：', snr)

在上面的代码中，我们首先使用`io.imread`函数读取图像，并计算信号的均值和标准差。接下来，我们生成一个与图像大小相同的高斯噪声，并计算噪声的均值和标准差。最后，我们使用`20 * np.log10(signal_mean / noise_mean)`公式计算信噪比，并打印结果。

请注意，这只是一个简单的示例代码，实际上，计算图像的SNR可能需要考虑更多的因素，例如图像的动态范围、色彩空间等。

相关问题

用python 实现图像SNR = 10 * log10(Σ(I(x,y))^2 / Σ(I(x,y)-K(x,y))^2)计算

要使用Python计算图像的SNR，可以使用NumPy和OpenCV库。以下是一个示例代码：

import cv2
import numpy as np

# 读取原始图像和重构图像
img_original = cv2.imread('original.jpg', cv2.IMREAD_GRAYSCALE)
img_reconstructed = cv2.imread('reconstructed.jpg', cv2.IMREAD_GRAYSCALE)

# 计算信号的能量和噪声的能量
signal_energy = np.sum(np.square(img_original))
noise_energy = np.sum(np.square(img_original - img_reconstructed))

# 计算信噪比
snr = 10 * np.log10(signal_energy / noise_energy)

print('信噪比：', snr)

在上面的代码中，我们首先使用`cv2.imread`函数读取原始图像和重构图像，并将它们转换为灰度图像。然后，我们使用`np.sum(np.square(img))`计算图像的平方和，其中`img`可以是原始图像或重构图像，也可以是它们的差值。最后，我们使用`10 * np.log10(signal_energy / noise_energy)`公式计算信噪比，并打印结果。

请注意，这只是一个简单的示例代码，实际上，计算图像的SNR可能需要考虑更多的因素，例如图像的动态范围、色彩空间等。

Python计算两张图像的snr

计算两张图像的信噪比（SNR）可以使用以下Python代码：

import cv2
import numpy as np

# 读取原始图像和噪声图像
img = cv2.imread('original_image.jpg')
noise = cv2.imread('noisy_image.jpg')

# 计算信噪比
mse = np.mean((img - noise) ** 2)
if mse == 0:
    snr = 100
else:
    snr = 10 * np.log10(np.mean(img ** 2) / mse)

print("信噪比为：", snr)

其中，`cv2.imread` 函数用于读取图像，`np.mean` 函数用于计算均值，`**` 表示求幂运算。如果均方误差为0，则信噪比为100。最后打印出计算得到的信噪比值。

需要注意的是，这种方法只适用于原始图像和噪声图像的大小、颜色通道等参数完全一致的情况。如果图像大小或颜色通道不同，则需要进行相应的调整。