㈠ 计算图像相似度的算法有哪些
SIM = Structural SIMilarity（结构相似性），这是一种用来评测图像质量的一种方法。由于人类视觉很容易从图像中抽取出结构信息,因此计算两幅图像结构信息的相似性就可以用来作为一种检测图像质量的好坏.
首先结构信息不应该受到照明的影响,因此在计算结构信息时需要去掉亮度信息,即需要减掉图像的均值;其次结构信息不应该受到图像对比度的影响,因此计算结构信息时需要归一化图像的方差;最后我们就可以对图像求取结构信息了,通常我们可以简单地计算一下这两幅处理后的图像的相关系数.
然而图像质量的好坏也受到亮度信息和对比度信息的制约,因此在计算图像质量好坏时,在考虑结构信息的同时也需要考虑这两者的影响.通常使用的计算方法如下,其中C1,C2,C3用来增加计算结果的稳定性:
2u(x)u(y) + C1
L(X,Y) = ------------------------ ,u(x), u(y)为图像的均值
u(x)^2 + u(y)^2 + C1
2d(x)d(y) + C2
C(X,Y) = ------------------------,d(x),d(y)为图像的方差
d(x)^2 + d(y)^2 + C2
d(x,y) + C3
S(X,Y) = ----------------------,d(x,y)为图像x,y的协方差
d(x)d(y) + C3
而图像质量Q = [L(X,Y)^a] x [C(X,Y)^b] x [S(X,Y)^c]，其中a，b，c分别用来控制三个要素的重要性，为了计算方便可以均选择为1，C1，C2，C3为比较小的数值，通常C1=(K1 x L)^2, C2=(K2 xL)^2, C3 = C2/2, K1 << 1, K2 << 1, L为像素的最大值(通常为255).
希望对你能有所帮助。
㈡ 低亮度图片增强方法：基于多图像融合的低亮度图片增强算法
这篇博客介绍两篇基于多图像融合的低亮度图片增强算法：
基于多图像融合的低亮度质量评价算法主要考虑融合多幅图片来进行低亮度图片的增强。
由Retinex理论：
其中 是亮度分量， 是RGB通道上的反射分量， 是待增强的分量。
首先，使用RGB通道上每个pixel的最大值最为亮度分量的一个估计值。
因为图像的亮度分量一般是局部光滑的，所以文章中使用了形态学中的闭环操作来进一步估计亮度分量：
公式中除以255是为了将亮度分量限制到了[0,1]，文章中选取了disk作为结构元素。
亮度分量通过guided filter来保持the shape of large contours：
是中心在 上的窗口。
multi_fusion融合了多幅增强的亮度分量：
最后，权重由以下公式表示：
文章中首先将各个亮度分量 通过Laplacian金字塔分解为多个尺度上特征图，将权重 使用高斯金字塔光滑过度的部分。
将第 金字塔层的图像进行融合：
融合多个金字塔层的图像：
其中 是上采样操作。
最后增强的图片由下式得到：
EFF考虑融合同一场景下不同曝光程度的图片来增强低亮度图片。
为了得到完美曝光的图片，Exposure Fusion框架融合了不同曝光的图片：
其中 是各个颜色通道上的不同曝光率下的图片， 为对应的权重。
由之前基于相机响应模型的低亮度图片增强算法，我们可以得到同一场景下，不同曝光率的图片间的转换公式：
在这篇文章中，作者只考虑了两种曝光率的图片，第一种是低亮度下的图片，另一种是低亮度下的图片使用曝光增强后的图片。
由于需要将曝光完好的像素赋予更大的权重，所以文章中使用图片的亮度分量作为权重：
其中 用来调节增强的程度
对于亮度分量的求解可参考原文或是之前介绍基于相机响应模型的低亮度图片增强算法的博客。
与之前介绍基于相机响应模型的低亮度图片增强算法的博客中一致：
文章中首先排除了原图中曝光较好的像素点：
其中 只包含了曝光不足的像素点。
的亮度部分定义为：
则对于曝光率增强后的亮度分量有：
将曝光不足的像素点转化为曝光正常的像素点后，可以提供的信息应该变大，所以，这里使用了图片墒最大化来求解曝光比：
则由
可得到增强后的图片。
https://xueyangfu.github.io/projects/sp2016.html
https://t.github.io/OpenCE/caip2017.html
㈢ 图像压缩技术的优劣的三个指标
压缩比：压缩比是指压缩过程中输入数据量和输出数据量之比
峰值信噪比：峰值信噪比用来衡量与原始图像相比较的重建图像的质量
时间复杂度：时间复杂度是指图像压缩算法编解码的速度