python 图像拼接融合质量评价代码

下面是一种基于均方误差（Mean Squared Error，MSE）和结构相似性（Structural Similarity，SSIM）的图像拼接融合质量评价代码：

import cv2
import numpy as np
from skimage.metrics import structural_similarity as ssim

def image_fusion_evaluation(img1, img2, fused_img):
    # 计算均方误差
    mse1 = np.mean((img1 - fused_img) ** 2)
    mse2 = np.mean((img2 - fused_img) ** 2)
    mse = (mse1 + mse2) / 2
    
    # 计算结构相似性
    ssim1 = ssim(img1, fused_img, multichannel=True)
    ssim2 = ssim(img2, fused_img, multichannel=True)
    ssim_val = (ssim1 + ssim2) / 2
    
    return mse, ssim_val

# 读取图像
img1 = cv2.imread('image1.jpg')
img2 = cv2.imread('image2.jpg')
fused_img = cv2.imread('fused_image.jpg')

# 调用评价函数
mse, ssim_val = image_fusion_evaluation(img1, img2, fused_img)

# 输出评价结果
print("MSE: ", mse)
print("SSIM: ", ssim_val)

在这个代码中，我们首先使用 OpenCV 和 NumPy 库读取了三幅图像：img1、img2 和 fused_img。接下来，我们定义了一个名为 image_fusion_evaluation 的函数，该函数接受三个参数：img1、img2 和 fused_img，分别代表原始图像和融合后的图像。该函数使用 MSE 和 SSIM 两种方法对融合结果进行评估，并返回评价结果。

最后，我们调用 image_fusion_evaluation 函数，并输出评价结果。MSE 值越小，说明融合结果越好；SSIM 值越接近 1，说明融合结果越好。