验证图像处理中的去噪功能的最佳测量是什么？信噪比似乎让我失望

Question

我正在使用BrainWeb来模拟正常大脑 MR 图像的数据集。我想验证调用包的MyDenoise函数。为此，我从 BrainWeb 下载了两组图像，一组具有0%噪声和0%强度不均匀性的原始图像，另一组具有相同选项但具有9%噪声和40%强度不均匀性的噪声图像。并且，我根据以下已弃用的版本计算信噪比 (SNR) ：denoise_nl_meansskimage.restorationscipy.stats

def signaltonoise(a, axis=0, ddof=0):

    a = np.asanyarray(a)

    m = a.mean(axis)

    sd = a.std(axis=axis, ddof=ddof)

    return np.where(sd == 0, 0, m/sd)

我认为，去噪后，我们应该有更高的信噪比，这始终是正确的。然而，与原始图像相比，噪声图像中的信噪比更高。我猜这是因为图像的总平均值比标准差增加得更显着。因此，SNR 似乎不能成为验证去噪图像是否更接近原始图像的良好测量方法，因为噪声图像的 SNR 已经高于原始图像。我想知道是否有更好的测量方法来验证图像中的去噪功能。

这是我的结果：

Original image SNR: 1.23

Noisy image SNR: 1.41

Denoised image SNR: 1.44

谢谢。

Answer 1

这不是计算 SNR 的方法。核心概念是，对于任何一幅给定的图像，您不知道什么是噪声，什么是信号。如果我们这样做，去噪就不成问题了。因此，不可能测量一幅图像的噪声水平（可以估计它，但我们无法计算它）。解决方案是使用无噪声图像。这是事实真相，也是去噪操作的目标。因此，我们可以通过将任何一张图像与该地面实况进行比较来估计噪声，差异就是噪声：noise = image - ground_truth您现在可以计算均方误差 (MSE)：mse = np.mean(noise**2)或信噪比：snr = np.mean(ground_truth) / np.mean(noise)（请注意，这是信噪比的许多可能的不同定义之一，我们通常使用信号的功率而不仅仅是它们的平均值，并且通常以 dB 为单位进行测量。）总的来说，MSE 是讨论去噪误差的一个非常好的方法。您会看到该领域的大多数科学论文另外使用峰值信噪比 (PSNR)，这只是 MSE 的缩放和对数映射。因此，同时使用两者是没有意义的。您还可以查看平均绝对误差 (MAE)，它对误差较大的单个像素更敏感。