图像融合质量客观评价指标计算工具箱

资 源 简 介

本项目开发了一套完整且经过严格测试的图像融合质量评价系统，旨在为图像融合算法（如红外与可见光融合、多聚焦图像融合等）提供标准化的定量分析工具。项目实现了7种主流的客观评价指标，能够全方位地衡量融合图像的质量优劣。这7种指标具体包括：1. 综合熵（Information Entropy, IE），用于评估融合图像中蕴含的平均信息量；2. 空间频率（Spatial Frequency, SF），反映图像灰度的变化率，代表图像的清晰度和纹理细节；3. 互信息（Mutual Information, MI），衡量融合图像从两幅源图像中继承的信息总量，是评价融合有效性的核心指标；4. 平均梯度（Average Gradient, AG），用于表征图像微小细节反差和边缘保持能力；5. 标准差（Standard Deviation, SD），反映图像像素值的离散程度和整体对比度；6. 交叉熵（Cross Entropy），用于评估融合图像与源图像之间的差异分布；7. 边缘强度或相关系数等辅助指标。程序封装性好，逻辑清晰，用户只需准备好两幅源图像和一幅待评价的融合结果图像，运行主程序即可获得所有指标的计算结果，直接展示算法性能，非常适合科研实验对比和论文数据产出。

详 情 说 明

全能图像融合质量客观评价指标工具箱

项目简介

本项目是一个基于 MATLAB 开发的图像融合质量评价系统，专为红外与可见光融合、多聚焦图像融合等算法提供标准化的定量分析。该工具箱实现了7种主流的客观评价指标，能够从信息量、清晰度、相关性、差异性等多个维度对融合图像的质量进行全方位评估。程序设计高度集成，内置了模拟数据生成模块，无需外部数据即可直接运行演示，同时也支持替换为外部真实图像数据。

功能特性

• 全方位评价体系：涵盖了基于信息论（熵、互信息）、基于图像特征（梯度、频率）以及基于统计学（方差、相关系数）的多种评价维度。
• 零由于依赖演示：代码内部集成了测试图像生成逻辑，自动构建“左清晰右模糊”与“右清晰左模糊”的源图像对，并生成简单的最大值融合结果作为待评价对象。
• 模块化算法实现：每种评价指标均封装为独立的子函数，逻辑清晰，易于提取复用或扩展新的指标。
• 可视化展示：程序运行过程中会自动绘制源图像与融合结果的对比图，直观展示实验数据。

包含的客观评价指标

本工具箱详细实现了以下 7 种评价指标：

1. 综合熵 (Information Entropy, IE/EN)

* 原理：基于图像直方图计算信息熵。 * 意义：评估融合图像中蕴含的平均信息量，值越大表示图像包含的信息越丰富。

1. 空间频率 (Spatial Frequency, SF)

* 原理：通过计算图像在行方向和列方向的一阶差分平方和的平方根来衡量。 * 意义：反映图像灰度的变化率，数值越大，代表图像的纹理越丰富，清晰度越高。

1. 互信息 (Mutual Information, MI)

* 原理：计算融合图像与源图像A、源图像B之间的互信息之和（MI_FA + MI_FB）。内部通过联合直方图计算联合熵。 * 意义：衡量融合图像从两幅源图像中继承的信息总量，是评价融合有效性的核心指标。

1. 平均梯度 (Average Gradient, AG)

* 原理：利用水平和垂直方向的微小差异（一阶差分）计算梯度幅值，并取全图平均。 * 意义：表征图像微小细节的反差和纹理变化，反映了图像的清晰度和边缘保持能力。

1. 标准差 (Standard Deviation, SD)

* 原理：计算图像像素值相对于均值的离散程度（二阶矩）。 * 意义：反映图像的整体对比度，值越大说明图像灰度分布越广，视觉效果通常越好。

1. 交叉熵 (Cross Entropy, CE)

* 原理：计算源图像与融合图像之间的相对熵（近似 Kullback-Leibler 散度形式），取A与F、B与F的平均值。 * 意义：用于评估融合图像与源图像之间的差异分布，值反映了融合图像对源图像信息的保留程度及分布一致性。

1. 相关系数 (Correlation Coefficient, CC)

* 原理：基于统计学的相关性计算，取 A与F、B与F 的相关系数均值。 * 意义：衡量融合图像与源图像在线性关系上的相似程度。

程序实现逻辑与细节

1. 模拟数据生成（Data Preparation）

程序不依赖外部文件，而是通过数学方法实时生成测试数据：

• 源图像 A：基于正弦和余弦函数生成纹理，利用高斯滤波器对右半部分进行模糊处理，模拟“左清右蒙”的效果。
• 源图像 B：同样基于正弦和余弦函数，但对左半部分进行高斯模糊，模拟“右清左蒙”的效果。
• 融合图像 F：采用简单的“像素最大值”融合规则（Max Rule）合成，作为该工具箱的被评价对象。

2. 图像预处理

在计算指标前，系统会自动检查图像维度。如果是彩色图像（3通道），会自动转换为灰度图像（单通道），并将数据类型统一转换为双精度浮点型（double），以确保数学计算的精度。

3. 算法核心实现细节

• 互信息（MI）计算优化：在计算两幅图像的联合直方图时，程序采用了一种高效的索引映射方法。通过公式 idx = img1 + 256 * img2 将二维像素对映射为一维索引，配合 accumarray 函数快速统计联合概率分布，避免了低效的双重循环。
• 梯度与频率计算：对于空间频率（SF）和平均梯度（AG），均使用了 MATLAB 的 diff 函数进行差分计算。程序对差分后的矩阵进行了精确的维度截断处理，保证了水平差分和垂直差分矩阵尺寸的一致性。
• 交叉熵（CE）的鲁棒性处理：在计算交叉熵时，为了防止对数运算中出现 log(0) 或除以零的错误，代码加入了极小值判断（eps），仅统计概率大于0的有效像素区域。

使用方法

1. 运行环境：需要安装 MATLAB（建议 R2016a 及以上版本，需包含 Image Processing Toolbox）。
2. 启动程序：直接运行主入口函数。
3. 结果查看：

* 程序将弹出一个图形窗口，显示源图像 A、源图像 B 和融合图像 F。 * MATLAB 命令行窗口（Command Window）将依次输出算得的 7 项指标数值。

1. 替换数据：

* 如果需要评价自己的算法结果，只需注释掉代码中“数据准备”部分的模拟生成代码。 * 使用 imread 函数分别读取您的源图像和融合结果图像至变量 ImgA, ImgB, ImgF 即可。

注意事项

• 本工具箱主要针对灰度图像设计。如果输入为彩色图像，程序会自动计算其灰度版本的指标。对于需要分通道计算（如RGB分别计算再平均）的特殊需求，需在调用前预先处理。
• 模拟数据生成部分使用了硬编码的掩膜（mask），仅用于演示代码可运行性。在实际科研场景中，请务必替换为真实的实验图像。