图像相似度衡量指标（PSNR、SSIM、LPIPS）

目录

 

PSNR

SSIM

LPIPS

---

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}

• 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：

https://www.bilibili.com/video/BV1eG4y1D73A/?spm_id_from=333.337.search-card.all.click&vd_source=932e04108911758459d2bfeda44bf7dc