目录
PSNR
PSNR
(
Peak Signal-to-Noise Ratio
)是一种用于衡量图像质量的指标。它是衡量信号最大功率和噪声功率的比值。
PSNR
通过计算原始图像和失真图像之间的均方误差(
MSE
),然后将其转换为一个对数尺度。
PSNR
的单位是分贝(
dB
),
值越大表示图像质量越好
。
其中,MAX 表示图像中最大可能的像素值(对于 8 位灰度图像,MAX = 255),MSE 表示原始图像和失真图像之间的均方误差。
\begin{equation}
\text{MSE} = \frac{1}{n} \sum_{i=1}^n (x_i - y_i)^2
\end{equation}
\text{MSE} = \frac{1}{n} \sum_{i=1}^n (x_i - y_i)^2
\end{equation}
- n 表示图像中像素的数量。
- x_i 和 y_i 分别表示原始图像和失真图像的第 i 个像素值。
SSIM
SSIM
(
Structural Similarity Index
)是一种用于衡量图像质量评估的指标。它是由德州大学奥斯汀分校的
Zhou Wang
和
Alan
Bovik
教授于
2004
年提出的。
SSIM
是一种全参考图像质量评估方法,即它需要一个无损的原始图像作为参考,然后对失真图像进行评估。
SSIM
的基本思想是,将图像分成
亮度
、
对比度
和
结构
三个部分,然后分别计算这三个部分的相似度,并将它们组合成一个总的相似度指数。
SSIM
的值范围在
-1
到
1
之间,值越大表示图像质量越好。
SSIM
的优点是它更接近人类视觉系统的感知,能够更好地反映图像的质量。然而,
SSIM
也有一些缺点,例如它对图像的亮度和对比度变化比较敏感,而且在
处理复杂失真(如模糊和噪声)时性能较差
。
LPIPS
LPIPS
(
Learned Perceptual Image Patch Similarity
)是一种用于衡量图像相似性的指标。与传统的图像质量评估方法(如
PSNR
和
SSIM
)相比,
LPIPS
更接近人类视觉系统的感知。它通过训练一个深度神经网络来学习图像块之间的相似性,从而能够捕捉到人类视觉系统所关注的细节。
LPIPS
的主要优点是它可以很好地处理
模糊
、
压缩
和其他失真类型的图像。此外,它在各种任务中都有很好的表现,如图像去噪、图像修复和图像生成等。
参考: