线性分解中作为代价函数的图像评估指标间的关联：MSE、SSIM和相关系数
计算机视觉与模式识别
2017-08-07 v1
摘要
传统的图像评估方法，如均方误差（MSE）、信噪比（SNR）和峰值信噪比（PSNR），都基于图像的绝对误差。皮尔逊内积相关系数（PCC）也常用于衡量图像间的相似性。结构相似性（SSIM）指数是另一种重要度量，已被证明在人类视觉系统（HVS）中更为有效。尽管这些图像评估指标之间存在许多本质差异，本文讨论了它们在线性分解中作为代价函数时的一些重要关联。首先，在使用不同代价函数MSE、SSIM和PCC的线性分解方案中，从基集中为目标向量选择的基是相同的。此外，对于目标向量，基于MSE的线性分解方案和基于SSIM的方案中对应仿射参数的比值是一个常数，该常数正是目标向量与其估计向量之间的PCC值。
引用
@article{arxiv.1708.01541,
title = {Associations among Image Assessments as Cost Functions in Linear Decomposition: MSE, SSIM, and Correlation Coefficient},
author = {Jianji Wang and Nanning Zheng and Badong Chen and Jose C. Principe},
journal= {arXiv preprint arXiv:1708.01541},
year = {2017}
}
备注
11 pages, 0 figures