企业官网建设流程全解析

简介：面向图像处理学习者和科研人员的图像质量评价工具包，围绕平均梯度、信息熵、标准差、清晰度等核心指标，提供可直接运行的算法脚本，可用于图像融合、压缩、去噪等处理效果的快速评估。压缩包共十二个文件，含十一个脚本与一份说明文档；脚本覆盖梯度计算、香农熵、标准差、均值、清晰度及综合评价等典型环节，整体仅五KB，轻量易读，说明文档对模块用途做了简要交代。目前已有七百七十八人学习下载。通过阅读这些脚本，能够理解各指标的计算逻辑和适用场景，掌握融合图像质量对比与评价标准选用的实践方法；脚本结构简洁，便于初学者巩固理论，也方便研究者直接复用或二次开发，搭建自己的评价基线。这一套资料将理论指标与实际计算衔接起来，可有效支撑课程实验、论文验证或工程测试中的质量评估需求。

1. 图像质量评价.zip 的敲门砖：为什么大家都先算梯度、熵和标准差

拿到一个名为「图像质量评价」的工具包，最常见的三个函数名准是 average_gradient、information_entropy 和 standard_deviation。做融合对比、超分重建评测时，这三项指标总在结果表第一行，分别对应人眼最在意的事：边缘清不清晰、灰度层次丰不丰富、画面有没有对比度。三者放一起，就能把「这张图行不行」翻译成三个可比较的数值。但多数人只把脚本当黑盒：差分方向怎么取、熵的 log 底数用几、标准差除 N 还是 N-1，换一个脚本，结论就对不上。

这篇笔记把定义、Python 实现和融合评价里的用法逐个拆开，用最小可复现脚本把每一步讲清楚。读完后你不仅能把 zip 里的脚本改造成自己的工具，还能回答「为什么我的融合图熵值最高但看着最差」这类让人卡壳的问题。适合被审稿人追问指标计算方式的人，也适合需要给融合算法写验收脚本的工程师。

2. 平均梯度、信息熵、标准差的数学定义与判读逻辑

2.1 平均梯度：一阶差分逼近清晰度

平均梯度（Average Gradient）度量的是图像边缘的锐利程度。它的思路很朴素：清晰图像相邻像素变化大，模糊图像相邻像素变化小，用一阶差分把这种变化量化出来。

对 M×N 的灰度图 I，先求水平差分 ΔIx(i,j) = I(i, j+1) - I(i, j) 和垂直差分 ΔIy(i,j) = I(i+1, j) - I(i, j)，再对每个像素求梯度幅值，最后取平均：

AG = 1/((M-1)(N-1)) · Σ √( (ΔIx² + ΔIy²) / 2 )

因为差分会让输出尺寸在两个方向上各缩一个像素，所以分母用 (M-1)(N-1)。根号里的 1/2 是最容易被忽略的细节：它让水平、垂直和对角方向的边缘响应一致，保证指标与边缘方向无关。有些开源实现写的是 √(ΔIx² + ΔIy²)，那会让数值整体放大 1.414 倍，排序一般不变，但和论文里的绝对值对比时必须先确认变体。

import numpy as np gx, gy = np.array(2.0), np.array(3.0) print(np.sqrt(gx**2 + gy**2)) # 不除 2 的版本：3.606 print(np.sqrt((gx**2 + gy**2) / 2)) # 各向同性版本：2.550

同一个 (2, 3) 的梯度，两个公式能差出 1 以上。按我的习惯，实现一律用带 1/2 的版本，并把公式写进代码注释，省得三个月后自己都核对不上。另外要留意差分算子的选择：用 np.diff 是裸差分，对单像素细节最敏感；Sobel 自带 3×3 平滑核，对噪声更稳，但会低估超分结果里的细纹理。论文对照时优先裸差分，和定义式严格对应。

2.2 图像信息熵：灰度分布的不确定性度量

图像信息熵借用香农信息论：把图像看成灰度随机变量的一个样本，灰度分布越均匀，不确定性越大，熵越高。对 8 位灰度图：

H = -Σ p_k · log₂(p_k)，k 从 0 到 255

p_k 是灰度级 k 的出现频率。log 以 2 为底时单位是 bit，均匀分布时熵达到最大值 8 bit；整张图只有一种灰度时熵为 0。实现上，用直方图统计频率再套公式即可，唯一要处理的是 p_k = 0 的桶不能参与 log 运算。

熵的解读比梯度更依赖场景。细节丰富的自然图像熵通常在 7 bit 左右，但这不意味着 7.5 就一定比 7.0 好——白噪声图像的熵可以非常接近 8，因为每个灰度级都均匀出现。所以熵高只说明灰度层次多，至于它是「丰富的细节」还是「一堆噪声」，要靠梯度、标准差和肉眼一起判断。

2.3 图像标准差：对比度与动态范围

标准差衡量像素值相对均值 μ 的离散程度：

σ = √( 1/(MN) · Σ (I(i,j) - μ)² )

它直观对应画面的「反差」：标准差大，亮暗拉得开，视觉上更透亮；标准差小，图像发灰、发闷。numpy 的 np.std 默认除 N（总体标准差），有的脚本用除 N-1 的样本标准差，对常见尺寸的图像两者差异在 0.05% 以内，可以忽略；真正影响可比性的是灰度范围——0-255 和 0-1 两种尺度算出的 σ 相差 255 倍。

另外注意，标准差对整体亮度偏移不敏感：同一张图整体加 50 的灰度偏移，σ 不变。若想排除亮度影响只看对比度，可以用变异系数 CV = σ/μ，这在红外和可见光融合里常用来比较不同模态图像的反差水平。

2.4 三指标联动判读：先看“形状”再看“数值”

单看任何一个指标都会误判，三个放一起能筛掉大部分假阳性：

判读经验是：梯度异常高但画面看着不干净，先怀疑噪声；熵接近 8 且梯度也高，先看直方图有没有均匀「拖尾」；标准差高但均值偏移严重，先检查预处理是不是做了不该做的归一化。把三个数字和直方图放一起看，比单独报一个指标靠谱得多。

3. 用 Python 实现图像质量评价：一次算完平均梯度/信息熵/标准差

3.1 最小可复现脚本：从 PIL 到三项指标

把前面定义落成代码，我会写成三个独立函数加一个入口，方便单独 import 到其他项目：

import numpy as np from PIL import Image def average_gradient(img: np.ndarray) -> float: """平均梯度：输入二维灰度数组，值越大边缘越锐利。""" img = img.astype(np.float64) gx = np.diff(img, axis=1) # 水平差分，形状 (H, W-1) gy = np.diff(img, axis=0) # 垂直差分，形状 (H-1, W) gx = gx[:-1, :] # 裁剪公共区域 (H-1, W-1) gy = gy[:, :-1] return float(np.mean(np.sqrt((gx ** 2 + gy ** 2) / 2.0))) def information_entropy(img: np.ndarray) -> float: """信息熵：8 位灰度图，均匀分布时为 8 bit。""" img = np.asarray(img, dtype=np.uint8) hist = np.bincount(img.ravel(), minlength=256) p = hist / hist.sum() # 归一化为概率 p = p[p > 0] # 剔除零概率，避免 log2(0) return float(-np.sum(p * np.log2(p))) def standard_deviation(img: np.ndarray) -> float: """标准差：反映对比度，ddof 默认 0（总体标准差）。""" return float(np.std(img.astype(np.float64))) def evaluate_quality(image_path: str) -> dict: """读取图像并返回四项基础统计量。""" arr = np.array(Image.open(image_path).convert('L')) return { 'average_gradient': round(average_gradient(arr), 4), 'information_entropy': round(information_entropy(arr), 4), 'std_deviation': round(standard_deviation(arr), 4), 'mean': round(float(arr.mean()), 4), } if __name__ == '__main__': import sys for p in sys.argv[1:]: print(p, evaluate_quality(p))

逐段说明。average_gradient 里 np.diff 沿 axis 的结果各少一个像素，所以先算完再统一裁剪到 (H-1, W-1)，保证 gx 和 gy 逐元素对应；如果先裁剪再差分，边界像素会丢更多，数值偏小。information_entropy 里 np.bincount 要求输入为非负整数，uint8 正好满足，minlength=256 保证灰度级 255 也有对应桶位。std 直接用它默认的总体标准差，大图上 ddof 取 0 还是 1 的差异可以忽略。

命令行用法：python eval_metrics.py image1.png image2.png，脚本会把每个文件的四项指标打出来。这是最小闭环，做批量评价时只要在外面套一层目录遍历。

3.2 关键参数细节：差分选择、熵底数与灰度位数

换不同实现时最容易翻车的是三个参数：

Sobel 的问题在超分辨率评测里特别明显：它自带 3×3 平滑核，会把单像素细线这类高频细节抹掉，算出的梯度偏低。如果你的结果要和某篇论文的 AG 值逐位对齐，先确认对方代码里有没有 filter2D 或 convolve，没有就是裸差分。

信息熵还有个隐藏前提：直方图分箱必须是 0-255 共 256 个桶。有的脚本对归一化后的 [0,1] 数据直接 np.histogram，默认分箱数对不上，熵值就不可比。

提示：如果输入是 PNG 但实际存的是调色板索引，直接 ravel 统计的是索引值而不是真实灰度，先 convert('L') 再算。

3.3 彩色图像与 16 位图像：转灰度还是逐通道

彩色图像常见两种策略。第一种是整体转灰度，PIL 的 convert('L') 用 ITU-R BT.601 系数 L = 0.299R + 0.587G + 0.114B，优点是快、和大多数论文口径一致；缺点是抹掉色差信息，两张饱和度不同但亮度分布相同的图指标完全相同。

第二种是逐通道计算再平均，保留色彩对指标的影响：

def evaluate_color(image_path: str) -> dict: arr = np.array(Image.open(image_path)) if arr.ndim == 2: return evaluate_quality(image_path) arr = arr[:, :, :3] # RGBA 图去掉 alpha 通道 names = ['average_gradient', 'information_entropy', 'std_deviation'] acc = {k: [] for k in names} for c in range(arr.shape[2]): ch = arr[:, :, c] acc['average_gradient'].append(average_gradient(ch)) acc['information_entropy'].append(information_entropy(ch)) acc['std_deviation'].append(standard_deviation(ch)) return {k: round(float(np.mean(v)), 4) for k, v in acc.items()}

对每个通道算完指标后取平均，等价于把三通道看成三个独立样本。这样处理的好处是，色偏严重的融合图会被熵值反映出来——某一通道分布被压扁时，该通道熵明显低于其余通道，平均后就能看见差异。注意 RGBA 图的 alpha 通道是透明掩膜，不是色彩信息，必须先切片去掉，否则标准差会失真。

16 位图像的坑更隐蔽：uint16 范围是 0-65535，直接套 256 桶的 bincount 会把高位信息全挤进第一个桶。做法是先做线性映射到 0-255 再算，或者把熵的分箱数改成 4096/65536 并重新归一化联合分布。我一般只对 8 位图报绝对熵值，16 位图只报相对大小，不做跨数据集比较。

4. 融合评价实战：用三项指标比较融合算法的输出质量

4.1 无参考评价的对照逻辑：孤立指标没有意义

图像融合场景里，评价分两类。有真值（比如仿真时把一张清晰图人为模糊成多张源图）可以用 PSNR、SSIM 这类全参考指标；但大多数真实融合任务没有真值，只能做无参考评价，平均梯度、信息熵、标准差就是最常用的一组。

无参考不等于无对照。失败案例大多是「算了个融合图的熵，7.2，很好」——这没有意义。融合的目标是把源图的有效信息尽可能搬到结果里，所以融合图的每个指标都要和源图放在同一张表里比，看的是差值而不是绝对值。

判读逻辑有三条。第一，融合图的平均梯度应达到或超过源图中较清晰的那张；第二，信息熵不应低于任一源图，明显降低说明灰度层次被压没；第三，标准差应保持在中上水平，异常低说明动态范围被压缩，异常高往往是振铃伪影在撑数值。

4.2 多聚焦融合图的判读实验脚本

多聚焦是最典型的场景：源图 A 左清晰右模糊，源图 B 右清晰左模糊，融合算法把两者合成一张全清晰图。写个循环把一组图全算一遍：

import os def evaluate_folder(folder: str) -> list: rows = [] for name in sorted(os.listdir(folder)): if name.lower().endswith(('.png', '.jpg', '.bmp', '.tif')): m = evaluate_quality(os.path.join(folder, name)) m['filename'] = name rows.append(m) return rows rows = evaluate_folder('./fusion_results') for r in rows: print(f"{r['filename']:<20} AG={r['average_gradient']:.3f} " f"H={r['information_entropy']:.3f} std={r['std_deviation']:.3f}")

跑出来的表按文件名对齐，源图 A、源图 B、融合图 F 各一行。判读时先看 AG 列：F 的 AG 应该接近 max(AG_A, AG_B)，如果比两者都低，说明融合在「做平均」而不是「做选择」，边缘被中和掉了。再看熵列：F 的熵不低于任一源图才算合格，但接近 8 且 AG 也比源图高出一截时，要怀疑算法引入了伪纹理。

需要提醒的是，这些指标无法区分「真实细节」和「伪影细节」，任何自动判读都必须配一张局部放大图。我通常会在脚本里顺手裁三个 100×100 的区域存成对比图，指标表和视图一起交出去。

注意：计算前所有图像必须经过完全相同的预处理，包括位深、归一化和格式转换。融合算法输出的 16 位结果直接和 8 位源图比熵，数值没有意义。

4.3 补充互信息指标：衡量融合结果对源图的信息保留

三项基础指标之外，融合评价里出场率最高的补充指标是互信息（Mutual Information, MI），衡量融合图 F 与各源图 S 之间的信息重合度。常用形式是 MI_f = MI(F, S1) + MI(F, S2)，值越大说明从源图继承的信息越多。

def mutual_information(a: np.ndarray, b: np.ndarray) -> float: """计算两幅 8 位灰度图的互信息，单位 bit。""" a = np.asarray(a, dtype=np.uint8).ravel() b = np.asarray(b, dtype=np.uint8).ravel() joint, _, _ = np.histogram2d(a, b, bins=256, range=[[0, 255], [0, 255]]) joint /= joint.sum() pa = joint.sum(axis=1, keepdims=True) pb = joint.sum(axis=0, keepdims=True) with np.errstate(divide='ignore', invalid='ignore'): term = np.log2(joint / (pa * pb)) term[~np.isfinite(term)] = 0.0 return float(np.sum(joint * term))

np.histogram2d 生成 256×256 的联合直方图，除以总和得到联合概率；边缘概率 pa、pb 分别由联合分布按行列求和得到。log2(joint / (pa * pb)) 里 joint 为 0 的位置会产生 NaN，用 errstate 配合 isfinite 清零后参与求和。MI 的下界是 0，表示两图完全独立；同图自信息是 8 bit，所以融合评价里 MI 总和一般落在 2-6 bit 区间。

审稿较严的场合还会要求 QABF（基于边缘保持度的融合指标），它需要方向梯度算子和边缘强度归一化，实现比 MI 复杂得多，但和 AG 互补——AG 看绝对值，QABF 看边缘信息保留比例。论文里有空间引，工程验收里我一般只算 MI 做交叉验证。

5. 批量图像质量评价的工程细节：CSV 汇总、数值验证与判读误区

5.1 目录批量计算并输出 CSV

实验要跑十几个算法、每个算法几十张图时，print 到控制台就没法看了。我习惯把 evaluate_folder 的结果直接写成 CSV，Excel 或 pandas 都能继续处理：

import csv def export_csv(rows: list, out_path: str) -> None: with open(out_path, 'w', newline='', encoding='utf-8-sig') as fp: writer = csv.DictWriter(fp, fieldnames=list(rows[0].keys())) writer.writeheader() writer.writerows(rows) rows = evaluate_folder('./fusion_results') export_csv(rows, 'metrics_summary.csv')

DictWriter 用第一个字典的键当表头，后续每个字典一行。编码用 utf-8-sig 是为了让 Excel 直接打开时不乱码。导出后我会在 CSV 里加两列派生指标：ΔAG = AG_fused - max(AG_src1, AG_src2)，ΔH = H_fused - max(H_src1, H_src2)，验收标准就变成两条硬规则：ΔAG > 0 且 ΔH 不低于 -0.3 bit。这两条能挡掉八成不合格的融合结果。

5.2 用合成图验证实现是否正确

指标实现有没有写错，拿真实图是看不出来的，因为没人知道「正确值」是多少。每次写完先用两张合成图自检：

# 合成图 1：256x256 斜坡图，灰度随列递增 ramp = np.tile(np.arange(256, dtype=np.float64), (256, 1)) print(average_gradient(ramp)) # 期望 0.7071 = 1/sqrt(2) print(information_entropy(ramp)) # 期望 8.0，均匀分布 print(standard_deviation(ramp)) # 期望约 73.9 # 合成图 2：全零图 zero = np.zeros((256, 256)) print(average_gradient(zero)) # 期望 0.0 print(information_entropy(zero)) # 期望 0.0 print(standard_deviation(zero)) # 期望 0.0

斜坡图每列递增 1，水平差分恒为 1、垂直差分恒为 0，所以 AG = √(1/2) ≈ 0.7071；灰度在 256 级上均匀分布，熵精确等于 8.0；离散均匀分布的标准差理论值约 73.9。如果这三个值和理论对不上，说明差分裁剪或分箱统计有 bug。这个验证十秒跑完，比拿真实图瞎猜可靠得多。

5.3 判读中的三个高频误区

第一个误区是跨脚本比绝对值。不同实现的分箱、差分、归一化不一致，AG 差 30% 很常见，所以验收必须固定一套脚本跑完全部对比，绝不允许 A 算法用论文里的数、B 算法自己跑一遍。第二个误区是把高熵当高质量，噪声图熵接近 8，判读时先看直方图，看它是不是均匀「白」出来的。第三个误区是只看融合图自带指标、不看源图基线，AG 7.0 看着不错，但如果源图清晰区本来就有 7.5，这个融合结果反而是减分的。我的验收流程固定为：同一脚本算全部图 → CSV 输出 → 加 ΔAG 和 ΔH 两列 → 抽查三处局部放大图，指标与视图互为印证后才算过。

本文还有配套的精品资源，点击获取