python 图像拼接融合质量评价代码

以下是一个基于均方误差（MSE）和结构相似性指数（SSIM）的图像拼接融合质量评价代码示例：

import cv2
from skimage.measure import compare_ssim
import numpy as np

def image_mse(image1, image2):
    err = np.sum((image1.astype("float") - image2.astype("float")) ** 2)
    err /= float(image1.shape[0] * image1.shape[1])
    return err

def image_ssim(image1, image2):
    return compare_ssim(image1, image2, multichannel=True)

def evaluate_image_quality(image1, image2):
    mse = image_mse(image1, image2)
    ssim = image_ssim(image1, image2)
    return (mse, ssim)

# 读取原始图像和拼接后的图像
img1 = cv2.imread('image1.jpg')
img2 = cv2.imread('image2.jpg')
merged_img = cv2.imread('merged_image.jpg')

# 计算两张原始图像的评价指标
mse1, ssim1 = evaluate_image_quality(img1, img2)

# 计算拼接后的图像与原始图像的评价指标
mse2, ssim2 = evaluate_image_quality(merged_img, img1)

# 打印评价指标
print('原始图像1和原始图像2的MSE值和SSIM值分别为：', mse1, ssim1)
print('原始图像1和拼接后的图像的MSE值和SSIM值分别为：', mse2, ssim2)

这里使用了 OpenCV 库和 scikit-image 库分别实现了计算MSE和SSIM的函数，然后对原始图像和拼接后的图像进行评价并输出评价指标。需要注意的是，MSE值越小，SSIM值越大，说明图像质量越高。