SSIM作为评估图像质量的指标，弥补了MSE忽视结构信息的不足。它通过比较图像块的均值、标准差和协方差来计算相似性，SSIM值范围在0到1之间，值越大表示相似度越高。在实际操作中，通常设置特定参数以简化公式。此外，SSIM具有对称性和0-1之间的取值范围。在TensorFlow中实现SSIM需要注意其仅适用于灰度图像，不进行颜色空间转换。
SSIM可以抵消MSE无法衡量图像结构相似性的缺陷。
SSIM定义：
其中：α、β、γ均大于0
上式中，μ_x，μ_y为图像块所有像素；δ_x,δ_y为图像像素值的标准差；δ_xy为x与y的协方差；C_1，C_2，C_3为常数，为避免分母为0时带来的系统错误。
在实际应用中，α=β=γ=1，C_3= 0.5C_2，则SSIM表达式为：
SSIM性质
- SSIM具有对称性。即SSIM(x,y)=SSIM(y,x)
- SSIM是一个0到1之间的数，SSIM越大，两图像间差异越小。
tensorflow实现：
tf.image.ssim(img1,img2,max_val)
img1：第一批图片。
img2：第二批图片。
max_val：图像的动态范围&
最低0.47元/天 解锁文章
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
