图像相似性评价指标（SSIM、MSE、PSNR）简单介绍及计算方法

图像相似性评价指标

对于图像生成质量的通用性评价指标主要有SSIM、MSE、PSNR。

SSIM（结构相似性）

结构相似性（Structrual Similarity Index Metric，SSIM）是用来评估两幅图像之间的相似水平，对于图像x和y，其结构相似性的计算公式如下：

其中，SSIM的范围为0-1，值越接近1，说明图像越相似。

MSE（均方误差）

均方误差（Mean Squared Error，MSE）是用来评估修复后的图像I与原始图像K之间像素级别上的差异程度，MSE计算公式如下：

其中， M为图像I的像素总数，N为图像K的像素总数。MSE值越小，说明图像越相似。

PSNR（峰值信噪比 ）

峰值信噪比（Peak Signal to Noise Ration，PSNR）是用来评价噪声水平或图像失真的客观评价指标，其计算公式如下：

其中，MSE为两张图像的均方误差， 为图像中像素最大值。PSNR越大说明失真越少，生成图像的质量越好。

使用python进行计算

// 导入库函数
from skimage.measure import compare_ssim, compare_psnr, compare_mse
import cv2

def getSSIM(img1, img2):
	return compare_ssim(img1, img2, multichannel=True)  # 对于多通道图像(RGB、HSV等)关键词multichannel要设置为True

def getPSNR(img1, img2):
	return compare_psnr(img1, img2)

def getMSE(img1, img2):
	return compare_mse(img1, img2)

if __name__=='main':
	img1 = cv2.imread(r'')
	img2 = cv2.imread(r'')
	
	getSSIM(img1, img2)
	getPSNR(img1, img2)
	getMSE(img1, img2)