matlab图像峰值信噪比与均方根误差MSE的代码

以下是 MATLAB 中计算图像峰值信噪比（PSNR）和均方根误差（MSE）的示例代码：

% 读取图像
img = imread('image.jpg');

% 添加高斯噪声
noisy_img = imnoise(img, 'gaussian', 0, 0.01);

% 计算 MSE
mse = immse(img, noisy_img);

% 计算 PSNR
max_pixel_value = 255;
psnr = 10 * log10((max_pixel_value ^ 2) / mse);

% 显示结果
fprintf('MSE: %f\n', mse);
fprintf('PSNR: %f dB\n', psnr);

这段代码首先使用 `imread` 函数读取图像，然后使用 `imnoise` 函数向图像添加高斯噪声。接下来，使用 `immse` 函数计算原始图像和带噪声图像之间的 MSE，使用 `log10` 函数计算 PSNR。最后，使用 `fprintf` 函数打印 MSE 和 PSNR 的值。

注意，`max_pixel_value` 变量应该设置为图像像素值的最大可能值。如果图像是灰度图像，则通常为 255；如果图像是彩色图像，则通常为 255 × 3 = 765。

相关问题

MATLAB 均方根误差MSE、两图像的信噪比SNR、峰值信噪比PSNR、结构相似性SSIM

MATLAB 中均方根误差MSE的计算公式为：

MSE = mean((X-Y).^2)

其中，X和Y分别表示两幅图像的像素值矩阵，"."表示矩阵中每个元素进行运算，"^2"表示平方，mean函数表示求平均值。

信噪比SNR的计算公式为：

SNR = 10*log10((max(X(:))^2)/MSE)

其中，max(X(:))表示矩阵X中的最大值，log10表示以10为底的对数运算。

峰值信噪比PSNR的计算公式为：

PSNR = 10*log10((max(X(:))^2)/MSE)

与SNR的计算公式相同，只是将max(X(:))的平方作为分子。

结构相似性SSIM的计算公式为：

SSIM = ssim(X,Y)

其中，ssim是MATLAB内置的函数，用于计算两幅图像的结构相似性。SSIM值越接近1，表示两幅图像越相似。

图像阈值去噪计算均方根误差与峰值信噪比的程序

以下是图像阈值去噪计算均方根误差与峰值信噪比的程序，使用Python语言实现：

import cv2
import numpy as np

# 读取图像
img = cv2.imread('image.jpg', 0)

# 计算图像的均值和标准差
mean, std = cv2.meanStdDev(img)

# 设置阈值
thresh = mean + std

# 二值化图像
ret, thresh_img = cv2.threshold(img, thresh, 255, cv2.THRESH_BINARY)

# 计算均方根误差
mse = np.mean((img - thresh_img) ** 2)

# 计算峰值信噪比
psnr = cv2.PSNR(img, thresh_img)

# 输出结果
print('均方根误差：', mse)
print('峰值信噪比：', psnr)

需要注意的是，上述程序中的`image.jpg`是需要替换成你自己的图像文件名。另外，程序中使用了OpenCV库中的`cv2.meanStdDev`函数计算图像的均值和标准差，以及`cv2.threshold`函数进行二值化处理，以及`cv2.PSNR`函数计算峰值信噪比。