㈠ 計算圖像相似度的演算法有哪些
SIM = Structural SIMilarity（結構相似性），這是一種用來評測圖像質量的一種方法。由於人類視覺很容易從圖像中抽取出結構信息,因此計算兩幅圖像結構信息的相似性就可以用來作為一種檢測圖像質量的好壞.
首先結構信息不應該受到照明的影響,因此在計算結構信息時需要去掉亮度信息,即需要減掉圖像的均值;其次結構信息不應該受到圖像對比度的影響,因此計算結構信息時需要歸一化圖像的方差;最後我們就可以對圖像求取結構信息了,通常我們可以簡單地計算一下這兩幅處理後的圖像的相關系數.
然而圖像質量的好壞也受到亮度信息和對比度信息的制約,因此在計算圖像質量好壞時,在考慮結構信息的同時也需要考慮這兩者的影響.通常使用的計算方法如下,其中C1,C2,C3用來增加計算結果的穩定性:
2u(x)u(y) + C1
L(X,Y) = ------------------------ ,u(x), u(y)為圖像的均值
u(x)^2 + u(y)^2 + C1
2d(x)d(y) + C2
C(X,Y) = ------------------------,d(x),d(y)為圖像的方差
d(x)^2 + d(y)^2 + C2
d(x,y) + C3
S(X,Y) = ----------------------,d(x,y)為圖像x,y的協方差
d(x)d(y) + C3
而圖像質量Q = [L(X,Y)^a] x [C(X,Y)^b] x [S(X,Y)^c]，其中a，b，c分別用來控制三個要素的重要性，為了計算方便可以均選擇為1，C1，C2，C3為比較小的數值，通常C1=(K1 x L)^2, C2=(K2 xL)^2, C3 = C2/2, K1 << 1, K2 << 1, L為像素的最大值(通常為255).
希望對你能有所幫助。
㈡ 低亮度圖片增強方法：基於多圖像融合的低亮度圖片增強演算法
這篇博客介紹兩篇基於多圖像融合的低亮度圖片增強演算法：
基於多圖像融合的低亮度質量評價演算法主要考慮融合多幅圖片來進行低亮度圖片的增強。
由Retinex理論：
其中 是亮度分量， 是RGB通道上的反射分量， 是待增強的分量。
首先，使用RGB通道上每個pixel的最大值最為亮度分量的一個估計值。
因為圖像的亮度分量一般是局部光滑的，所以文章中使用了形態學中的閉環操作來進一步估計亮度分量：
公式中除以255是為了將亮度分量限制到了[0,1]，文章中選取了disk作為結構元素。
亮度分量通過guided filter來保持the shape of large contours：
是中心在 上的窗口。
multi_fusion融合了多幅增強的亮度分量：
最後，權重由以下公式表示：
文章中首先將各個亮度分量 通過Laplacian金字塔分解為多個尺度上特徵圖，將權重 使用高斯金字塔光滑過度的部分。
將第 金字塔層的圖像進行融合：
融合多個金字塔層的圖像：
其中 是上采樣操作。
最後增強的圖片由下式得到：
EFF考慮融合同一場景下不同曝光程度的圖片來增強低亮度圖片。
為了得到完美曝光的圖片，Exposure Fusion框架融合了不同曝光的圖片：
其中 是各個顏色通道上的不同曝光率下的圖片， 為對應的權重。
由之前基於相機響應模型的低亮度圖片增強演算法，我們可以得到同一場景下，不同曝光率的圖片間的轉換公式：
在這篇文章中，作者只考慮了兩種曝光率的圖片，第一種是低亮度下的圖片，另一種是低亮度下的圖片使用曝光增強後的圖片。
由於需要將曝光完好的像素賦予更大的權重，所以文章中使用圖片的亮度分量作為權重：
其中 用來調節增強的程度
對於亮度分量的求解可參考原文或是之前介紹基於相機響應模型的低亮度圖片增強演算法的博客。
與之前介紹基於相機響應模型的低亮度圖片增強演算法的博客中一致：
文章中首先排除了原圖中曝光較好的像素點：
其中 只包含了曝光不足的像素點。
的亮度部分定義為：
則對於曝光率增強後的亮度分量有：
將曝光不足的像素點轉化為曝光正常的像素點後，可以提供的信息應該變大，所以，這里使用了圖片墒最大化來求解曝光比：
則由
可得到增強後的圖片。
https://xueyangfu.github.io/projects/sp2016.html
https://t.github.io/OpenCE/caip2017.html
㈢ 圖像壓縮技術的優劣的三個指標
壓縮比：壓縮比是指壓縮過程中輸入數據量和輸出數據量之比
峰值信噪比：峰值信噪比用來衡量與原始圖像相比較的重建圖像的質量
時間復雜度：時間復雜度是指圖像壓縮演算法編解碼的速度