OpenCV进行图像相似度对比的几种办法（2） channels, elements, double, return, cannot

yuyang911220

double getPSNR(const Mat& I1, const Mat& I2){    Mat s1;     absdiff(I1, I2, s1);       // |I1 - I2|    s1.convertTo(s1, CV_32F);  // cannot make a square on 8 bits    s1 = s1.mul(s1);           // |I1 - I2|^2    Scalar s = sum(s1);         // sum elements per channel    double sse = s.val[0] + s.val[1] + s.val[2]; // sum channels    if( sse <= 1e-10) // for small values return zero        return 0;    else    {        double  mse =sse /(double)(I1.channels() * I1.total());        double psnr = 10.0*log10((255*255)/mse);        return psnr;    }}double getPSNR_GPU_optimized(const Mat& I1, const Mat& I2, BufferPSNR& b){        b.gI1.upload(I1);    b.gI2.upload(I2);    b.gI1.convertTo(b.t1, CV_32F);    b.gI2.convertTo(b.t2, CV_32F);    gpu::absdiff(b.t1.reshape(1), b.t2.reshape(1), b.gs);    gpu::multiply(b.gs, b.gs, b.gs);    double sse = gpu::sum(b.gs, b.buf)[0];    if( sse <= 1e-10) // for small values return zero        return 0;    else    {        double mse = sse /(double)(I1.channels() * I1.total());        double psnr = 10.0*log10((255*255)/mse);        return psnr;    }}double getPSNR_GPU(const Mat& I1, const Mat& I2){    gpu::GpuMat gI1, gI2, gs, t1,t2;     gI1.upload(I1);    gI2.upload(I2);    gI1.convertTo(t1, CV_32F);    gI2.convertTo(t2, CV_32F);    gpu::absdiff(t1.reshape(1), t2.reshape(1), gs);     gpu::multiply(gs, gs, gs);    Scalar s = gpu::sum(gs);    double sse = s.val[0] + s.val[1] + s.val[2];    if( sse <= 1e-10) // for small values return zero        return 0;    else    {        double  mse =sse /(double)(gI1.channels() * I1.total());        double psnr = 10.0*log10((255*255)/mse);        return psnr;    }}Scalar getMSSIM( const Mat& i1, const Mat& i2){     const double C1 = 6.5025, C2 = 58.5225;    /***************************** INITS **********************************/    int d     = CV_32F;    Mat I1, I2;     i1.convertTo(I1, d);           // cannot calculate on one byte large values    i2.convertTo(I2, d);     Mat I2_2   = I2.mul(I2);        // I2^2    Mat I1_2   = I1.mul(I1);        // I1^2    Mat I1_I2  = I1.mul(I2);        // I1 * I2    /*************************** END INITS **********************************/    Mat mu1, mu2;   // PRELIMINARY COMPUTING    GaussianBlur(I1, mu1, Size(11, 11), 1.5);    GaussianBlur(I2, mu2, Size(11, 11), 1.5);    Mat mu1_2   =   mu1.mul(mu1);        Mat mu2_2   =   mu2.mul(mu2);     Mat mu1_mu2 =   mu1.mul(mu2);    Mat sigma1_2, sigma2_2, sigma12;     GaussianBlur(I1_2, sigma1_2, Size(11, 11), 1.5);    sigma1_2 -= mu1_2;    GaussianBlur(I2_2, sigma2_2, Size(11, 11), 1.5);    sigma2_2 -= mu2_2;    GaussianBlur(I1_I2, sigma12, Size(11, 11), 1.5);    sigma12 -= mu1_mu2;    ///////////////////////////////// FORMULA ////////////////////////////////    Mat t1, t2, t3;     t1 = 2 * mu1_mu2 + C1;     t2 = 2 * sigma12 + C2;     t3 = t1.mul(t2);              // t3 = ((2*mu1_mu2 + C1).*(2*sigma12 + C2))    t1 = mu1_2 + mu2_2 + C1;     t2 = sigma1_2 + sigma2_2 + C2;         t1 = t1.mul(t2);               // t1 =((mu1_2 + mu2_2 + C1).*(sigma1_2 + sigma2_2 + C2))    Mat ssim_map;    divide(t3, t1, ssim_map);      // ssim_map =  t3./t1;    Scalar mssim = mean( ssim_map ); // mssim = average of ssim map    return mssim; }Scalar getMSSIM_GPU( const Mat& i1, const Mat& i2){     const float C1 = 6.5025f, C2 = 58.5225f;    /***************************** INITS **********************************/    gpu::GpuMat gI1, gI2, gs1, t1,t2;     gI1.upload(i1);    gI2.upload(i2);    gI1.convertTo(t1, CV_MAKE_TYPE(CV_32F, gI1.channels()));    gI2.convertTo(t2, CV_MAKE_TYPE(CV_32F, gI2.channels()));    vector<gpu::GpuMat> vI1, vI2;     gpu::split(t1, vI1);    gpu::split(t2, vI2);    Scalar mssim;    for( int i = 0; i < gI1.channels(); ++i )    {        gpu::GpuMat I2_2, I1_2, I1_I2;         gpu::multiply(vI2[i], vI2[i], I2_2);        // I2^2        gpu::multiply(vI1[i], vI1[i], I1_2);        // I1^2        gpu::multiply(vI1[i], vI2[i], I1_I2);       // I1 * I2        /*************************** END INITS **********************************/        gpu::GpuMat mu1, mu2;   // PRELIMINARY COMPUTING        gpu::GaussianBlur(vI1[i], mu1, Size(11, 11), 1.5);        gpu::GaussianBlur(vI2[i], mu2, Size(11, 11), 1.5);        gpu::GpuMat mu1_2, mu2_2, mu1_mu2;         gpu::multiply(mu1, mu1, mu1_2);           gpu::multiply(mu2, mu2, mu2_2);           gpu::multiply(mu1, mu2, mu1_mu2);           gpu::GpuMat sigma1_2, sigma2_2, sigma12;         gpu::GaussianBlur(I1_2, sigma1_2, Size(11, 11), 1.5);        //sigma1_2 = sigma1_2 - mu1_2;        gpu::subtract(sigma1_2,mu1_2,sigma1_2);        gpu::GaussianBlur(I2_2, sigma2_2, Size(11, 11), 1.5);        //sigma2_2 = sigma2_2 - mu2_2;        gpu::GaussianBlur(I1_I2, sigma12, Size(11, 11), 1.5);        (Mat)sigma12 =(Mat)sigma12 - (Mat)mu1_mu2;        //sigma12 = sigma12 - mu1_mu2        ///////////////////////////////// FORMULA ////////////////////////////////        gpu::GpuMat t1, t2, t3; //      t1 = 2 * mu1_mu2 + C1; //      t2 = 2 * sigma12 + C2; //      gpu::multiply(t1, t2, t3);     // t3 = ((2*mu1_mu2 + C1).*(2*sigma12 + C2))// //      t1 = mu1_2 + mu2_2 + C1; //      t2 = sigma1_2 + sigma2_2 + C2;     //      gpu::multiply(t1, t2, t1);     // t1 =((mu1_2 + mu2_2 + C1).*(sigma1_2 + sigma2_2 + C2))        gpu::GpuMat ssim_map;        gpu::divide(t3, t1, ssim_map);      // ssim_map =  t3./t1;        Scalar s = gpu::sum(ssim_map);            mssim.val[i] = s.val[0] / (ssim_map.rows * ssim_map.cols);    }    return mssim; }