0

MSE Between Two Images

Unsolved
Computer Vision

Difficulty: 2 | Problem written by mesakarghm
Problem reported in interviews at

Apple
Facebook
Google
Netflix

MSE (mean squared error) is one way to compute image similarity. The MSE between two images is the sum of squared differences between every pixel values of the given two images of same dimension. 

Write a function  mse(imageA, imageB) which calculates and returns the MSE between given two images (2D NumPy arrays). 

 

Sample Input:
<class 'list'>
imageA: [[1, 2, 3], [4, 5, 6]]
imageB: [[1, 2, 3], [4, 5, 6]]

Expected Output:
<class 'float'>
0.0

Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non proident, sunt in culpa qui officia deserunt mollit anim id est laborum.

Voluptatem unde quas accusantium dolor sequi commodi dicta laborum, magnam cum porro numquam vero quidem, omnis sint porro saepe neque et unde delectus quidem ratione cupiditate.

Sapiente amet deserunt praesentium quaerat sit consequuntur maiores eius debitis, suscipit nemo ipsum aliquid numquam ea eaque officiis corporis, eveniet rerum doloremque sapiente, sint praesentium non voluptas dicta officia sed hic neque placeat. Minus unde aliquid tenetur exercitationem facilis officia inventore recusandae, placeat voluptatem sunt dolore beatae dolorum? Perferendis dolorem at, dolore fugiat quia dolor pariatur cumque nesciunt commodi quo sit explicabo, earum nisi repellendus fugit, deserunt ex voluptas totam labore explicabo maiores temporibus sint facere culpa tempore, provident assumenda sequi aspernatur nesciunt eos?

Sit repellendus sapiente nulla illum excepturi nam, maxime provident qui minima minus ab hic, eos ut praesentium libero dolorum necessitatibus maiores, mollitia omnis nam totam excepturi non obcaecati amet sunt laborum. Quia maiores eveniet eaque magnam labore enim quisquam distinctio. Explicabo quas assumenda a perspiciatis asperiores deleniti vitae cupiditate? Ad ea reiciendis eos quia.

This is a premium feature.
To access this and other such features, click on upgrade below.

Ready.

Input Test Case

Please enter only one test case at a time
numpy has been already imported as np (import numpy as np)