一、RMSE基本定义
MSE全称为“Root Mean Square Error”，中文意思即为均方根误差，是衡量图像质量的指标之一。计算原理为真实值与预测值的差值的平方然后求和再平均，最后开根号，公式如下：
RMSE值越小，说明图像越相似。计算RMSE有四种方法：
方法一：计算RGB图像三个通道每个通道的MSE值再求平均值，最后开根号即可
方法二：直接使用matlab的内置函数immse()(注意该函数将所有图像当成灰度图像处理)，再开根号即可
方法三：判断图像的维度，若是三维即为RGB图像求其RMSE，若是二维即为灰度图像求其RMSE
方法四：同方法三，对RMSE进行归一化处理
二、matlab实现RMSE
1、方法一：rgbRMSE.m
function rmsevalue= rgbRMSE(image1,image2)
% image1和image2大小相等
row=size(image1,1); % 图像的长
col=size(image1,2); % 图像的宽
image1=double(image1);
image2=double(image2);
MSE_R=double(zeros(row,col));
MSE_G=double(zeros(row,col));
MSE_B=double(zeros(row,col));
image1_R=image1(:,:,1); % R通道
image1_G=image1(:,:,2); % G通道
image1_B=image1(:,:,3); % B通道
image2_R=image2(:,:,1);
image2_G=image2(:,:,2);
image2_B=image2(:,:,3);
% 计算RGB图像三个通道每个通道的MSE值再求平均值
for i=1:row
for j=1:col
MSE_R(i,j)=(image1_R(i,j)-image2_R(i,j))^2;
MSE_G(i,j)=(image1_G(i,j)-image2_G(i,j))^2;
MSE_B(i,j)=(image1_B(i,j)-image2_B(i,j))^2;
end
end
MSE_RGB=sum(MSE_R(:))+sum(MSE_G(:))+sum(MSE_B(:)); % 将RGB三个通道计算的MSE值相加,注意(:)的用法
rmsevalue=sqrt(MSE_RGB/(row*col)); % 在MSE的基础上开根号
end
2、方法二：grayRMSE.m
function rmsevalue = grayRMSE(image1,image2)
% image1和image2大小相等
row=size(image1,1); % 图像的长
col=size(image1,2); % 图像的宽
image1=double(image1);
image2=double(image2);
rmsevalue=sqrt(sum(sum((image1-image2).^2))/(row*col)); % 在MSE的基础上开根号
end
3、方法三：rgbgrayRMSE.m
function rmsevalue = rgbgrayRMSE(image1,image2)
% image1和image2大小相等
row=size(image1,1); % 图像的长
col=size(image1,2); % 图像的宽
% 一定要注意转为double类型
image1=double(image1);
image2=double(image2);
dim=length(size(image1));% 图像的维度
if dim==2 % 灰度图像只有二维,彩色图像有三维
sum_mse=sum(sum((image1-image2).^2));% 两次使用sum()函数,第一次使用sum将每行值相加,第二次使用sum将每行值的和再次相加
else
sum_mse=sum(sum(sum((image1-image2).^2)));% 三次使用sum()函数,第一次使用sum将每行值相加,第二次使用sum将每行值的和再次相加,第三次使用sum将每个通道值的和再次相加
end
rmsevalue=sqrt(sum_mse/(row*col));
end
4、方法四：NRMSE.m
function nrmsevalue = NRMSE(image1,image2)
% image1和image2大小相等
row=size(image1,1); % 图像的长
col=size(image1,2); % 图像的宽
% 一定要注意转为double类型
image1=double(image1);
image2=double(image2);
dim=length(size(image1));% 图像的维度
if dim==2 % 灰度图像只有二维,彩色图像有三维
sum_mse1=sum(sum((image1-image2).^2));% 两次使用sum()函数,第一次使用sum将每行值相加,第二次使用sum将每行值的和再次相加
sum_mse2=sum(sum(image1.^2));
else
sum_mse1=sum(sum(sum((image1-image2).^2)));% 三次使用sum()函数,第一次使用sum将每行值相加,第二次使用sum将每行值的和再次相加,第三次使用sum将每个通道值的和再次相加
sum_mse2=sum(sum(sum(image1.^2)));
end
nrmsevalue=sqrt(sum_mse1/(row*col))/sqrt(sum_mse2/(row*col));
end
5、主函数main.m
clc;clear;close all;
rgbimage=imread('ultraman.jpg');
attack_rgbimage=imnoise(rgbimage,'gaussian',0,0.001);
figure(1),
subplot(121),imshow(rgbimage);
title('原始图像');
subplot(122),imshow(attack_rgbimage);
title('噪声攻击图像');
grayimage=rgb2gray(imread('ultraman.jpg'));
attack_grayimage=imnoise(grayimage,'gaussian',0,0.01);
figure(2),
subplot(121),imshow(grayimage);
title('原始图像');
subplot(122),imshow(attack_grayimage);
title('噪声攻击图像');
% =============rgbRMSE.m============= %
rmsevalue1 = rgbRMSE(rgbimage,attack_rgbimage);
disp('RGB图像的均方根误差：');
disp(rmsevalue1);
% =============immse============= %
rmsevalue2 = sqrt(immse(rgbimage,attack_rgbimage)); % 在使用matlab内置函数immse的基础上开根号
disp('matlab函数的均方误差：');
disp(rmsevalue2);
% =============grayRMSE.m============= %
rmsevalue3 = grayRMSE(grayimage,attack_grayimage);
disp('灰度图像的均方根误差：');
disp(rmsevalue3);
% =============rgbgrayRMSE.m============= %
rmsevalue4 = rgbgrayRMSE(rgbimage,attack_rgbimage);
disp('RGB图像的均方根误差：');
disp(rmsevalue4);
rmsevalue5 = rgbgrayRMSE(grayimage,attack_grayimage);
disp('灰度图像的均方根误差：');
disp(rmsevalue5);
% =============NRMSE.m============= %
rmsevalue6 = NRMSE(rgbimage,attack_rgbimage);
disp('RGB图像的归一化均方根误差：');
disp(rmsevalue6);
rmsevalue7 = NRMSE(grayimage,attack_grayimage);
disp('灰度图像的归一化均方根误差：');
disp(rmsevalue7);
三、实现结果分析
1、输出结果
RGB图像：
对应灰度图像：
各种方法输出的RMSE值：
2、结果分析
1、注意每次运行主函数main.m文件，输出的RMSE值都会有细微差别，可以对比上下两张图。
2、仅以高斯噪声的参数为讨论，我们将主函数main.m文件椒盐噪声的方差改为0.001，可以与上方得到方差为0.01的RMSE结果进行对比，可以看出得到的RMSE要小很多，表示图像质量更好。
3、利用matlab的内置函数immse计算的灰度图像RMSE比我们自己写的方法计算的灰度图像RMSE要大一些。
4、本质上，方法三是方法一和方法二的结合体。
