我有个疑问。我们计算了 PSNR、SNR 和 MSE 等指标，以证明所提出的算法优于同类算法。为此，我们需要原始图像（无噪声）、噪声图像（我们添加此噪声），然后是过滤图像。现在我们比较原始输出和过滤输出来估计这些参数。
我的问题是，当我们只有嘈杂的图像时如何估计这些参数？也就是说，在超声图像的情况下，散斑噪声出现在原始图像本身中。在超声波的情况下，我们没有嘈杂的免费图像。如果我们照常进行（如上所述），即使图像的主观质量得到了显着改善，我们也会得到很差的结果（PSNR、SNR 和 MSE）。
好吧，一种方法是在这个嘈杂的（原始）图像中添加额外的噪声，并应用我们的过滤器并显示添加的噪声已被有效地去除。我希望你提出任何其他方法来证明我提出的算法比它的同类算法表现更好。
例子：
Original Image Filtered Image
您如何期望去噪模型的效果？您是否希望它超出您观察噪声模式并移除它们的能力，或者取代您并移除您定义为噪声的已知模式？
我认为大多数去噪算法都针对第二个选项。这就是为什么通过模拟量化和比较不同算法更有意义的原因。本文假设噪声的主要来源来自散斑，可以进一步假设为高斯噪声。因此，他们在“干净”图像上添加了正态分布值，PSNR、SNR 和 MSE 都与图像的变化有关。这种变化只是由于增加的价值。他们实际上是在试图找出哪种算法可以将这种变化减少到最接近“干净”图像的水平。因此，必须使用已知的“干净”图像进行比较。
严格来说，纸上的“干净”图像根本不干净。它是超声波 B 模式扫描的实验数据，包含未知噪声。我记得你很久以前在 SO 中问过一个问题，声称你没有从论文中复制一些比较结果。这是很有可能的，因为正如我上面提到的，你只能通过模拟来评估你的算法，而“干净”的图像应该是作为计算模型生成的。否则，您甚至不知道实验图像的哪一部分，除了您的附加值之外，在您的算法中被视为噪声。
据我所知，信噪比可以作为实验数据的量化，但在你的论文中不是这样计算的。您的算法的目的是增强感兴趣区域（超声图像中的器官、组织），使诊断更加清晰。因此，您最好自己选择这些区域，并选择其他背景区域作为SNR 计算中的“噪声”部分。如果您有多个不被视为背景的区域，则对比度噪声比 (CNR)也适用于您的对比度量化（这更多用于 MRI 图像分析）。此外，边缘扩展函数（ESF）与调制传递函数一起经常用于光学成像。
您还可以找到一些对图像质量评估有用的图像分析书籍。