【发布时间】：2016-01-04 21:04:45
【问题描述】：
假设图像上有随机高斯噪声，如何定量地判断哪种去噪方法最好？
很多论文都使用 MSE 和 PSNR。但是，较低的 MSE 也可能意味着没有去除足够的噪声，因此我认为 MSE 和 PSNR 并不是最好的判断方法。
【问题讨论】：
标签： image-processing computer-vision noise-reduction
【发布时间】：2016-01-04 21:04:45
【问题描述】：
原始图像和应用各种降噪算法后的图像的 PSNR 表应该是定量分析各种方法的结果的好方法。您还可以计算结果和噪声图像之间的 deltaPSNR。
如果您有一张没有噪点的原始图像，您可以计算该图像的 PSNR。然后您可以在图像中添加噪声，并再次计算 PSNR。最后，去噪后，再次确定PSNR。这个最终的 PSNR 可以与原始图像进行比较，以了解每个结果与原始图像的相似程度。
【讨论】：
-
谢谢。我没有无噪点的图像。因此，我按照 Wiki 上的公式，使用去噪和嘈杂的图像计算了 PSNR。然而，一些具有高 PSNR 的去噪图像仍然非常嘈杂，不如具有较低 PSNR 的图像。所以这就是为什么我希望也许有另一种方法来定量分析结果。
-
应用去噪算法时是否会发生任何类型的亮度偏移？还是位深度的变化？您是否在整套去噪算法中使用相同的测试图像？您可以尝试使用熵作为“噪声”测量（平均熵或总图像熵）。
-
我认为亮度（从我的眼睛看）或位深度没有变化......是的，我对每个算法都使用相同的测试图像 :) 我已经尝试过之前的熵。当算法没有去除足够的噪声时，我遇到了类似的问题（噪声熵高于去除更多噪声的算法，结果似乎更好——也用我的眼睛来判断）