Question

考虑以下代码

import numpy as np
from skimage import measure

def mse(x, y):
    return np.mean(np.square(x - y))

def psnr(x, y):
    return 10 * np.log10(255 ** 2 / mse(x, y))

x = (np.random.rand(512, 512) * 255).astype(np.uint8)
y = (np.random.rand(512, 512) * 255).astype(np.uint8)
print(type(x))
print('MSE (np)\t', mse(x, y))
print('MSE (sk)\t', measure.compare_mse(x, y))
print('PSNR(np)\t', psnr(x, y))
print('PSNR(sk)\t', measure.compare_psnr(x, y))
print('PSNR(dr)\t', measure.compare_psnr(x, y, data_range=255))

它产生（可能因随机而变化）

MSE (np)         105.4649887084961
MSE (sk)         10802.859519958496
PSNR(np)         27.899720503741783
PSNR(sk)         7.7954163229186815
PSNR(dr)         7.7954163229186815

这非常令人困惑。与香草的numpy实施相比，mean-squre error的外向度很高。

代码中的x和y用来模拟具有8位整数数据深度的普通图像。深入github of skimage：

def _as_floats(im1, im2):
    """Promote im1, im2 to nearest appropriate floating point precision."""
    float_type = np.result_type(im1.dtype, im2.dtype, np.float32)
    im1 = np.asarray(im1, dtype=float_type)
    im2 = np.asarray(im2, dtype=float_type)
    return im1, im2


def compare_mse(im1, im2):
    """Compute the mean-squared error between two images.
    Parameters
    ----------
    im1, im2 : ndarray
        Image.  Any dimensionality.
    Returns
    -------
    mse : float
        The mean-squared error (MSE) metric.
    """
    _assert_compatible(im1, im2)
    im1, im2 = _as_floats(im1, im2)
return np.mean(np.square(im1 - im2), dtype=np.float64)

它将图像强制转换为float32，然后再次重铸为float64，然后计算MSE。这种方法会导致上方显示的MSE飙升的高值吗？

Answer 1

您的MSE函数是错误计算该值的函数。使用输入np.square(x - y)和x的数据类型完成计算y，在这种情况下为np.uint8。如果任何平方差超过255，它们将“环绕”，例如

In [37]: a = np.array([2, 3, 225, 0], dtype=np.uint8)

In [38]: b = np.array([3, 2, 0, 65], dtype=np.uint8)

您已经可以在减法中看到问题：

In [39]: a - b
Out[39]: array([255,   1, 225, 191], dtype=uint8)

现在将它们平方起来，就会看到更多问题：

In [40]: np.square(a - b)
Out[40]: array([  1,   1, 193, 129], dtype=uint8)

如果在调用函数之前将输入转换为浮点，则表示它与skimage函数一致：

In [41]: mse(x.astype(float), y.astype(float))
Out[41]: 10836.0170211792

In [42]: measure.compare_mse(x, y)
Out[42]: 10836.0170211792

skimage.measure产生异常高的均方误差

1 个答案: