文章目录

1 前言2 Qabf介绍2 Qabf的代码2.1 matlab代码2.2 python代码2.3 效果对比 3 总结

1 前言

在评估融合图像质量时，由于作者使用的是python代码进行融合，但$Q^{AB/F}$只有matlab代码，在使用时非常不方便，所以作者就根据matlab代码实现了$Q^{AB/F}$的python代码。

2 Qabf介绍

$Q^{AB/F}$是由C. S. Xydeas, V. Petrović提出了一种像素级图像融合质量评估指标，该指标反映了从输入图像融合中获得的视觉信息的质量，可用于比较不同图像融合算法的性能。从Objective Image Fusion Performance Measure中的实验结果表明，该度量是有感知意义的，具体公式可以看文章。

2 Qabf的代码

2.1 matlab代码

matlab的代码可以看图像融合质量评价方法MSSIM、MS-SSIM、FS、Qmi、Qabf与VIFF（三）

2.2 python代码

python代码如下，相较于matlab简洁了一点：

import math import numpy as np import cv2 #model parameters 模型参数 L = 1; Tg = 0.9994; kg = -15; Dg = 0.5; Ta = 0.9879; ka = -22; Da = 0.8; #Sobel Operator Sobel算子 h1 = np.array([[1, 2, 1], [0, 0, 0], [-1, -2, -1]]).astype(np.float32) h2 = np.array([[0, 1, 2], [-1, 0, 1], [-2, -1, 0]]).astype(np.float32) h3 = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]]).astype(np.float32) #if y is the response to h1 and x is the response to h3;then the intensity is sqrt(x^2+y^2) and is arctan(y/x); #如果y对应h1，x对应h2，则强度为sqrt(x^2+y^2)，方向为arctan(y/x) strA = cv2.imread("images/MDDataset/c01_1.tif", 0).astype(np.float32) strB = cv2.imread("images/MDDataset/c01_2.tif", 0).astype(np.float32) strF = cv2.imread("results/our/guided_1.png", 0).astype(np.float32) # 数组旋转180度 def flip180(arr): new_arr = arr.reshape(arr.size) new_arr = new_arr[::-1] new_arr = new_arr.reshape(arr.shape) return new_arr #相当于matlab的Conv2 def convolution(k, data): k = flip180(k) data = np.pad(data, ((1, 1), (1, 1)), 'constant', constant_values=(0, 0)) n,m = data.shape img_new = [] for i in range(n-2): line = [] for j in range(m-2): a = data[i:i+3,j:j+3] line.append(np.sum(np.multiply(k, a))) img_new.append(line) return np.array(img_new) #用h3对strA做卷积并保留原形状得到SAx，再用h1对strA做卷积并保留原形状得到SAy #matlab会对图像进行补0，然后卷积核选择180度 #gA = sqrt(SAx.^2 + SAy.^2); #定义一个和SAx大小一致的矩阵并填充0定义为aA，并计算aA的值 def getArray(img): SAx = convolution(h3,img) SAy = convolution(h1,img) gA = np.sqrt(np.multiply(SAx,SAx)+np.multiply(SAy,SAy)) n, m = img.shape aA = np.zeros((n,m)) for i in range(n): for j in range(m): if(SAx[i,j]==0): aA[i,j] = math.pi/2 else: aA[i, j] = math.atan(SAy[i,j]/SAx[i,j]) return gA,aA #对strB和strF进行相同的操作 gA,aA = getArray(strA) gB,aB = getArray(strB) gF,aF = getArray(strF) #the relative strength and orientation value of GAF,GBF and AAF,ABF; def getQabf(aA,gA,aF,gF): n, m = aA.shape GAF = np.zeros((n,m)) AAF = np.zeros((n,m)) QgAF = np.zeros((n,m)) QaAF = np.zeros((n,m)) QAF = np.zeros((n,m)) for i in range(n): for j in range(m): if(gA[i,j]>gF[i,j]): GAF[i,j] = gF[i,j]/gA[i,j] elif(gA[i,j]==gF[i,j]): GAF[i, j] = gF[i, j] else: GAF[i, j] = gA[i,j]/gF[i, j] AAF[i,j] = 1-np.abs(aA[i,j]-aF[i,j])/(math.pi/2) QgAF[i,j] = Tg/(1+math.exp(kg*(GAF[i,j]-Dg))) QaAF[i,j] = Ta/(1+math.exp(ka*(AAF[i,j]-Da))) QAF[i,j] = QgAF[i,j]*QaAF[i,j] return QAF QAF = getQabf(aA,gA,aF,gF) QBF = getQabf(aB,gB,aF,gF) #计算QABF deno = np.sum(gA+gB) nume = np.sum(np.multiply(QAF,gA)+np.multiply(QBF,gB)) output = nume/deno print(output)

2.3 效果对比

选择了配准好的MRI和CT图像各一张，将其融合后，如下： matlab代码运行结果如下： python代码运行结果如下： 可以看到两种代码运行结果是一致的。

3 总结

目前就这一篇吧