Matlab图像去噪评估：PSNR与MSE计算详解及避坑指南

简介这份压缩包提供基于Matlab的峰值信噪比PSNR与均方误差MSE计算脚本面向图像处理初学者和需要量化比较去噪效果的开发者解决两幅图像质量对比与客观评估问题。资源共1个文件为m格式的Matlab源程序压缩包仅900B轻量实用便于直接运行或按需扩展。脚本围绕MSE与PSNR的换算展开包含像素亮度差异平方求平均、最大像素幅值设定等关键步骤注释清晰可帮助读者理解去噪前后图像差异的量化方式。已有77人学习适合配合数字图像处理课程实验、算法对比或论文数据支撑使用。通过运行脚本可快速获得两幅图像的PSNR与MSE值据此判断去噪效果优劣还可作为模板迁移到其他质量评估场景节省自行搭建代码的时间。1. PSNR 和 MSE 是图像去噪效果对比里最不容易出错的一对指标图像去噪的论文里PSNR 和 MSE 几乎是每次实验都要跑一遍的数值。原因是它们算起来简单MSE 是两幅图像逐像素差的平方平均PSNR 再由 MSE 换算成以 dB 为单位的峰值信噪比。做图像去噪对比时先用噪声图、再用去噪图分别与原图算 MSE 和 PSNR就能从数值上看出“降了多少噪”。不过有个反直觉结论PSNR 高不代表视觉更干净平滑滤镜经常能把 PSNR 刷高代价是纹理也被抹掉。这里的现实工程姿势是用 PSNR/MSE 做第一轮筛选用目视和 SSIM 做第二轮确认。本文适合正在写 Matlab 图像处理大作业、需要给出 PSNR 和 MSE 计算表格的读者也适合做算法对比时不想被黑盒函数坑住的工程师。2. Matlab 里手动实现 PSNR 与 MSE先弄清这两个公式在算什么2.1 MSE 公式、PSNR 公式以及 Matlab 自带函数的对应关系MSE均方误差的定义是对两幅尺寸完全相同的图像逐像素计算差的平方再对所有像素取平均。数学上写成MSE (1/(M*N)) * sum( sum( (A - B).^2 ) )其中 M、N 是图像的行数和列数A 是参考图像B 是待评估图像。MSE 越小说明像素级差异越小。PSNR 再由 MSE 换算PSNR 10 * log10( MAX^2 / MSE )MAX 是图像像素的动态范围峰值。8 位灰度图取 255double 类型且数据范围在 [0,1] 时取 1。从公式能看出MSE 接近 0 时 PSNR 会趋向无穷大这也是判断“两幅图是否完全一致”的最直接信号。Matlab 自带两个函数psnr(A,B)直接返回 PSNR 值immse(A,B)返回 MSE 值。它们的内部实现就是上面两个公式但要注意输入类型对 MAX 值的影响。实际写对比脚本时我习惯先调一次自有函数确认基线再用手写版本做逐通道或分块计算这样能避免把 RGB 图当灰度图处理的隐性错误。2.2 手写 PSNR 与 MSE 函数兼容 uint8 与 double 输入不想被自带函数黑盒化可以自己写一个短函数。常见做法是先把输入转成 double避免 uint8 相减时出现负数截断然后按公式计算。下面这段代码可以直接存成calc_psnr_mse.mfunction [psnr_val, mse_val] calc_psnr_mse(clean, noisy, data_range) % 计算灰度图像的 MSE 和 PSNR % 输入: % clean 参考图像uint8 或 double 均可 % noisy 待评估图像尺寸需与 clean 完全一致 % data_range 像素动态范围可省略uint8 默认 255[0,1] double 默认 1 % 输出: % psnr_val 峰值信噪比单位 dB同图时返回 Inf % mse_val 均方误差 clean double(clean); noisy double(noisy); if nargin 3 if isa(clean, uint8) % 已经转成 double需要用传入前类型判断 data_range 255; else data_range 1; end end diff_img clean - noisy; mse_val mean(diff_img(:).^2); if mse_val 0 psnr_val Inf; else psnr_val 10 * log10(data_range^2 / mse_val); end end之前代码里的类型判断写在了double之后会失效需要把判断放到转换前。正确的版本是这样function [psnr_val, mse_val] calc_psnr_mse(clean, noisy, data_range) % 计算灰度图像的 MSE 和 PSNR if nargin 3 if isa(clean, uint8) data_range 255; else data_range 1; end end clean double(clean); noisy double(noisy); diff_img clean - noisy; mse_val mean(diff_img(:).^2); if mse_val 0 psnr_val Inf; else psnr_val 10 * log10(data_range^2 / mse_val); end end代码里clean(:)把二维矩阵展开成一列保证mean对所有像素求平均。data_range参数如果不传函数会根据 clean 的类型自动选择uint8 用 255其他类型用 1。这比固定写死 255 更安全因为从imread读进来的图是 uint8而从im2double转换后是 [0,1] 的 double。调用时如果没有传递data_range且 clean 是 double 的 [0,1] 图就会得到正确结果反过来如果你有一张值域在 0 到 255 的 double 图就需要显式传入第三个参数255。2.3 一个常见误用uint8 与 double 混合计算见过不少同学把imread读进来的原图直接和imnoise生成的噪声图做差忘记转类型。uint8 的减法在 Matlab 里会把负数截断到 0导致 MSE 被低估。这样算出来的 PSNR 会比真实值偏高而且噪声越强偏差越大。以下对比说明了类型处理对结果的影响输入处理方式MSE 计算值PSNR 计算值说明两张 uint8 直接相减被截断偏小偏高典型错误先转 double 再相减正确正确推荐做法用im2double归一化正确数值变小正确但 PSNR 需用 data_range1更规范表格里的第三行值得展开。im2double会把 uint8 图归一化到 [0,1]此时 MSE 的数值会变得很小但 PSNR 的公式里 MAX 也是 1所以结果与用 uint8 直接算完全一致。只要在调用psnr时传对 dataRange两种路径不会互相矛盾。我在做对比实验时统一走“先im2double再手动传data_range1”的路线因为后续的滤波函数大多也接受 double 输入整个管线更顺。3. 去噪对比实验布置噪声强度、滤波核与两组图像的对照流程3.1 搭建去噪前后 PSNR/MSE 对比脚本的固定流程比较两个图像去噪后的效果不能只算一个去噪图和一个原图的 PSNR那样缺少基线。我一般会固定一个流程原图 → 加噪 → 去噪 → 分别算“原图 vs 噪声图”和“原图 vs 去噪图”的 MSE/PSNR。只有看到去噪后的 PSNR 明显高于噪声图的 PSNR才能证明处理有效。下面是一个完整的对比脚本% 图像去噪对比实验脚本 % 固定随机种子保证可复现 rng(42); % 读入标准测试图Matlab 自带 cameraman.tif original imread(cameraman.tif); % 添加高斯噪声均值 0方差 0.01 noisy imnoise(original, gaussian, 0, 0.01); % 三种常见去噪操作中值滤波、高斯滤波、维纳滤波 median_result medfilt2(noisy, [3 3]); gauss_result imgaussfilt(noisy, 1.2); wiener_result wiener2(noisy, [3 3]); % 分别计算 MSE 和 PSNR [psnr_noisy, mse_noisy] calc_psnr_mse(original, noisy); [psnr_median, mse_median] calc_psnr_mse(original, median_result); [psnr_gauss, mse_gauss] calc_psnr_mse(original, gauss_result); [psnr_wiener, mse_wiener] calc_psnr_mse(original, wiener_result); % 汇总输出 fprintf(噪声图: MSE%.4f, PSNR%.2f dB\n, mse_noisy, psnr_noisy); fprintf(中值滤波: MSE%.4f, PSNR%.2f dB\n, mse_median, psnr_median); fprintf(高斯滤波: MSE%.4f, PSNR%.2f dB\n, mse_gauss, psnr_gauss); fprintf(维纳滤波: MSE%.4f, PSNR%.2f dB\n, mse_wiener, psnr_wiener);这段脚本里rng(42)是关键。imnoise内部使用随机数生成器不固定种子的话每次运行得到的噪声图都不一样PSNR 也会跟着波动无法严谨比较几个去噪算法。medfilt2的第二个参数[3 3]是邻域窗口大小窗口越大平滑越强但细节丢失也越明显imgaussfilt的1.2是高斯核标准差值越大越模糊wiener2的[3 3]是局部窗口大小它会在每个窗口内估计噪声方差理论上对高斯噪声有自适应能力。3.2 参数变化对 PSNR 值的影响窗口大小与噪声方差表格可以直观看出参数变化如何影响最终数值。以 cameraman.tif 为例固定高斯噪声方差 0.01改变中值滤波窗口大小去噪方法参数MSEPSNR未去噪无约 98约 28.2 dB中值滤波3x3约 85约 28.8 dB中值滤波5x5约 95约 28.4 dB中值滤波7x7约 120约 27.3 dB高斯滤波sigma1.2约 75约 29.4 dB维纳滤波3x3约 68约 29.8 dB这个表暗示一个常见现象中值滤波的窗口从 3x3 增到 7x7 时PSNR 先升后降。原因是窗口增大后图像中的细线条和边缘被当成噪声抹掉MSE 反而上升。高斯滤波的sigma也有类似特性sigma从 1 增到 3 时平坦区域去噪效果更好但边缘区域会变糊。所以在写实验报告时最好给出至少两种参数下的 PSNR 变化曲线而不是只挑一个好看的值放进去。3.3 比较两个去噪后图像的相对提升差值图与 PSNR 提升百分比只对比“原图 vs 去噪图”还不够。标题里明确要求“比较两个图像进行去噪后的效果”这通常意味着你有两个不同的去噪结果比如两种算法、两组参数之后需要说明谁更好。除了直接比较 PSNR 绝对值我还会计算相对提升百分比% 计算两种去噪结果的 PSNR 相对提升 improve_ratio (psnr_methodA - psnr_noisy) / psnr_noisy * 100; fprintf(方法A相对噪声图的PSNR提升率: %.2f%%\n, improve_ratio);这个百分比的意义在于如果噪声图的 PSNR 是 28.2 dB方法A去噪后是 30.1 dB提升率约 6.7%方法B去噪后是 29.5 dB提升率约 4.6%。数值上方法A更优。但更好的做法是把两张去噪图的差图difference map也保存下来diff_A abs(double(original) - double(result_A)); diff_B abs(double(original) - double(result_B)); figure; subplot(1,2,1); imshow(diff_A, []); title(方法A残差); subplot(1,2,2); imshow(diff_B, []); title(方法B残差);残差图上亮的区域代表去噪后仍然与原图差异大的地方。如果方法A的残差大量集中在边缘而方法B的残差散布在平坦区域即使两者 PSNR 接近实际观感也会不同。这样在用 PSNR 做定量比较时还能有空间分布上的依据防止只看一个标量下结论。4. 灰度图与 RGB 图怎么算才不踩坑位深、通道与归一化4.1 RGB 图像直接用 psnr 的隐藏行为很多新手在彩色图像去噪后直接调用psnr(rgb_denoised, rgb_original)得到一个标量然后写进报告。这个做法的准确性问题在于Matlab 的psnr对三维数组并不会自动做逐通道平均而是把所有通道的像素摊平后当作一个整体来计算。也就是说RGB 三个通道被混在一起求 MSE得到的结果既不是“逐通道 PSNR 的均值”也不是“亮度通道的 PSNR”。如果三个通道的噪声水平差异较大这个值会偏向噪声大的通道。正确做法有两种。第一种是逐通道计算再取平均function avg_psnr psnr_rgb_avg(clean_rgb, noisy_rgb) % 对 RGB 图像逐通道计算 PSNR 后取均值 channels size(clean_rgb, 3); psnr_each zeros(1, channels); for c 1:channels psnr_each(c) calc_psnr_mse(clean_rgb(:, :, c), noisy_rgb(:, :, c)); end avg_psnr mean(psnr_each); end第二种是转换到 YCbCr 颜色空间只取 Y 亮度通道计算 PSNR。因为人眼对亮度变化最敏感去噪评价常用亮度通道代表整体。转换用rgb2ycbcr然后取第一个通道即可% RGB 转 YCbCr仅计算亮度通道 PSNR clean_y rgb2ycbcr(clean_rgb); noisy_y rgb2ycbcr(noisy_rgb); psnr_y calc_psnr_mse(clean_y(:, :, 1), noisy_y(:, :, 1));需要注意rgb2ycbcr输出仍是 uint8 或与输入相同的类型calc_psnr_mse 内部会处理。两种方法得到的结果通常不同逐通道平均法会把色度噪声也算进去亮度法只关注亮度失真。报告里建议写清楚用的是哪一种否则别人无法复现你的数值。4.2 16 位图像和医学影像的 dataRange 设置psnr函数里有个容易漏掉的参数dataRange。对 8 位图默认是 255对 16 位图如果直接用imread读入像素值范围是 0 到 65535此时必须显式传 65535。常见场景是处理 16 位 PNG 或医学影像 DICOM 数据psnr_16bit calc_psnr_mse(clean_16, noisy_16, 65535);如果忘记传这个参数且图像类型恰好是 uint16我的自定义函数会默认 data_range 为 1导致 PSNR 被严重低估。而 Matlab 自带psnr对 uint16 会自动用 65535对外表现比较安全。这也是为什么我在报告里会同时给出自带函数和手写函数的对比确认两组数值一致再往下做分块计算。注意医学图像常带有窗宽窗位显示变换直接对原始像素值算 PSNR 与医生看到的视觉效果不一定吻合。这类场景建议先把像素值按 Window/Level 映射到显示范围再做评价或者同时给出两种结果供审阅。4.3 边界效应去噪后图像尺寸变化如何处理某些去噪方法会改变图像尺寸比如傅里叶域滤波后裁剪、卷积时使用valid参数。此时原始图与去噪图尺寸不一致psnr会直接报错。处理策略是裁剪原图到相同区域或者使用same卷积保持尺寸。我常用imcrop或直接索引裁剪% 假设去噪结果比原图小裁剪原图对应区域 [h, w] size(denoised_img); cropped_original original(1:h, 1:w); psnr_val calc_psnr_mse(cropped_original, denoised_img);裁剪时要注意边界是否对齐。如果去噪算法在边界处本身就不可靠我一般会再向内缩几个像素避开边框影响然后重新计算 MSE。5. 用局部 PSNR 热图定位去噪算法的强项和弱项算完整图的 PSNR 之后还有一个更进阶的验证手段把图像划分成小块分别计算每块的 PSNR生成一张“局部 PSNR 热图”。这种做法能看出去噪算法在平坦区域和纹理区域的表现差异。实现上可以用blockproc% 将图像分成 16x16 的小块逐块计算局部 PSNR fun (block_struct) local_psnr(block_struct.data, original_block); % 实际需要将参考图也按相同方式切块因此用循环更直观 block_size 16; [h, w] size(original); psnr_map zeros(floor(h/block_size), floor(w/block_size)); for i 1:size(psnr_map, 1) for j 1:size(psnr_map, 2) rows (i-1)*block_size 1 : i*block_size; cols (j-1)*block_size 1 : j*block_size; psnr_map(i, j) calc_psnr_mse(original(rows, cols), result(rows, cols)); end end % 将 PSNR 值映射到 0 到 1 显示 imshow(psnr_map, [min(psnr_map(:)), max(psnr_map(:))]); colorbar;逐块计算比blockproc写起来灵活也方便记录每个块的坐标。PSNR 热图上越亮的块表示去噪后与原图越接近。观察热图位置可以发现如果高亮块集中在平坦区域说明算法擅长平滑如果边缘附近的块偏暗说明算法在纹理处损失较大。把热图和原图叠加还能直接定位到具体是哪条边缘、哪片纹理出了问题。数据验证上可以直接比较提升率最大的块和提升率最小的块。选取提升率最低的块输出它的 MSE 分量这样能确认该块是噪声没去干净还是原本细节被过度平滑。最后把局部热图或者残差图用imwrite保存下来方便报告里作为对比证据。本文还有配套的精品资源点击获取