python 计算两幅图像的峰值信噪比

计算两幅图像的峰值信噪比可以使用以下代码：

import cv2
import numpy as np

# 读取两幅图像
img1 = cv2.imread('image1.png')
img2 = cv2.imread('image2.png')

# 计算 MSE
mse = np.mean((img1 - img2) ** 2)

# 计算 PSNR
if mse == 0:
    psnr = 100
else:
    max_pixel = 255.0
    psnr = 20 * np.log10(max_pixel / np.sqrt(mse))

print("PSNR: ", psnr, "dB")

其中，`cv2.imread`函数用于读取图像，`np.mean`函数计算 MSE（均方误差），`np.log10`函数用于计算对数，最后计算得到 PSNR（峰值信噪比）。

需要注意的是，两幅图像的大小和通道数需要相同，否则会报错。

相关问题

峰值信噪比python代码

计算峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）的Python代码如下：

import cv2
import numpy as np

def psnr(img1, img2):
    mse = np.mean((img1 - img2) ** 2)
    if mse == 0:
        return float('inf')
    max_pixel = 255.0
    psnr = 20 * np.log10(max_pixel / np.sqrt(mse))
    return psnr

# 示例：
img1 = cv2.imread('image1.jpg')
img2 = cv2.imread('image2.jpg')
print("PSNR: ", psnr(img1, img2))

其中，`img1`和`img2`分别是待比较的两幅图像，可以用OpenCV库读入。函数中计算了两幅图像的均方误差（Mean Square Error，MSE），然后根据MSE计算PSNR值。如果MSE为0，说明两幅图像完全一致，此时PSNR为正无穷。否则，PSNR值越高，表示两幅图像越接近。

利用信息熵和峰值信噪比评价灰度图像彩色化的质量代码

以下是利用信息熵和峰值信噪比评价灰度图像彩色化质量的 Python 代码：

import cv2
import numpy as np

def entropy(img):
    h, w = img.shape[:2]
    hist = cv2.calcHist([img], [0], None, [256], [0, 256])
    hist /= (h * w)
    hist = hist.ravel()

    entropy = -np.sum([p * np.log2(p + 1e-10) for p in hist if p != 0])
    return entropy

def psnr(img1, img2):
    mse = np.mean((img1 - img2) ** 2)
    psnr = 10 * np.log10(255 ** 2 / mse)
    return psnr

# 读入灰度图像
gray_img = cv2.imread('gray_image.png', cv2.IMREAD_GRAYSCALE)

# 读入彩色图像
color_img = cv2.imread('color_image.png')

# 进行彩色化处理
colorized_img = colorize(gray_img)

# 计算信息熵和峰值信噪比
gray_entropy = entropy(gray_img)
colorized_entropy = entropy(colorized_img)
psnr_value = psnr(color_img, colorized_img)

print('Gray Image Entropy: {:.2f}'.format(gray_entropy))
print('Colorized Image Entropy: {:.2f}'.format(colorized_entropy))
print('PSNR Value: {:.2f}'.format(psnr_value))

其中，`entropy` 函数计算图像的信息熵，`psnr` 函数计算两幅图像的峰值信噪比。在代码中，我们读入灰度图像和彩色图像，并对灰度图像进行彩色化处理，然后计算信息熵和峰值信噪比，输出结果。请注意，`colorize` 函数需要根据具体的彩色化算法来实现。