结构相似性指数（Structural Similarity Index, SSIM）

结构相似性指数（Structural Similarity Index, SSIM）是一个用于衡量两幅图像之间相似度的指标，它由周海翔等人在2004年提出。SSIM旨在改进传统的均方误差（MSE）和峰值信噪比（PSNR），因为这些传统方法往往不能很好地反映人类视觉系统（HVS, Human Visual System）对图像质量变化的感知。

SSIM考虑了三个方面的信息：亮度（luminance）、对比度（contrast）以及结构信息（structure）。这三个因素是基于人类视觉系统的特性而选取的，因为人类对于图像的感知主要取决于这些特征。SSIM公式可以表示为：

$$\text{SSIM}(x,y)=[l(x,y){]}^{\alpha }\cdot [c(x,y){]}^{\beta }\cdot [s(x,y){]}^{\gamma }$$

其中 ( x ) 和 ( y ) 分别代表参考图像和待比较图像；$l(x,y)$、$c(x,y)$和 $s(x,y)$分别是亮度、对比度和结构的相似性度量；$\alpha$, $\beta$, $\gamma$是非负的加权参数，默认情况下都设置为1。

亮度相似度 $l(x,y)$通常定义为两个图像平均亮度的相似度，对比度相似度 $c(x,y)$ 定义为两个图像对比度的相似度，而结构相似度$s(x,y)$则衡量的是两个图像之间的结构信息的一致性。

为了计算方便，实际应用中的SSIM值通常简化为如下形式：

$$\text{SSIM}(x,y)=\frac{(2{\mu }_x{\mu }_y+C_1)(2{\sigma }_{xy}+C_2)}{({\mu }_x^2+{\mu }_y^2+C_1)({\sigma }_x^2+{\sigma }_y^2+C_2)}$$

这里：

• ${\mu }_x$ 和${\mu }_y$分别是图像$x$和 $y$ 的平均亮度；
• ${\sigma }_x^2$ 和${\sigma }_y^2$分别是图像$x$ 和$y$的方差，即对比度；
• ${\sigma }_{xy}$是图像$x$ 和$y$ 的协方差，反映了它们之间的结构相似性；
• $C_1$ 和 $C_2$ 是用来稳定除法运算的小常数，防止分母为零的情况发生。

SSIM的取值范围一般是在 -1 到 1 之间，其中 1 表示完全相同，0 表示没有线性相关，-1 表示完全负相关。然而，在实际应用中，SSIM的值很少会达到 -1 或者低于 0，因此更常见的取值范围是 0 到 1 之间，值越大表示两张图片越相似。

SSIM已经被广泛应用于图像处理和计算机视觉领域，如图像压缩、图像恢复、图像融合等任务中，作为评估图像质量的一个重要标准。