峰值信噪比（PSNR）和结构相似性（SSIM）

峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）和结构相似性（Structural Similarity，SSIM）是图像质量评价中常用的两个指标，用于衡量重建图像与参考图像（通常是原始图像）之间的相似度和质量。它们在图像处理领域，尤其是图像压缩、去噪和超分辨率任务中，被广泛使用。

1. 峰值信噪比（PSNR）

PSNR 通过衡量重建图像和参考图像之间的误差来评估图像质量。它基于均方误差（MSE），即每个像素点的差异的平方平均值，定义如下：

• MAX 是图像可能的最大像素值（例如，对于8位图像，MAX = 255）。
• MSE 是重建图像与参考图像之间的均方误差。

作用：

• PSNR 数值越大，表示重建图像与参考图像的差异越小，图像质量越好。
• 通常，用于评估图像在压缩、去噪或超分辨率重建等过程中丢失的细节。
• 优点：简单易用，计算量低。
• 缺点：只关注像素的绝对差异，不能很好地反映图像的感知质量，因为人眼对某些图像特征更为敏感。

2. 结构相似性（SSIM）

SSIM 主要用于评估图像在感知上的相似度，特别关注图像的亮度、对比度和结构信息的相似性。SSIM 公式如下：

• μx 和 μy 分别是两幅图像块的平均亮度。
• σx² 和 σy² 分别是两幅图像的对比度（方差）。
• σxy 是两幅图像的协方差，衡量它们的结构相似性。
• C1 和 C2 是用于避免分母为零的常数。

作用：

• SSIM 在模拟人眼对图像结构的感知方面优于 PSNR。它不仅关注像素之间的差异，还考虑了图像的局部结构、亮度和对比度。
• 优点：更符合人类视觉系统，能够反映感知上的图像质量。
• 缺点：计算复杂度较高，相对于 PSNR 更耗时。

应用场景：

• PSNR：适用于快速比较图像的失真程度，常用于一些需要对压缩或去噪结果进行数值评估的场景。
• SSIM：更适合用在图像质量评估时，尤其是在视觉质量（感知图像质量）比数值失真更重要的场景，例如超分辨率图像生成。

总结来说，PSNR 是一个简单且常用的指标，适合定量比较图像，但不完全反映视觉质量。而 SSIM 更能反映图像感知上的相似性，适合评价图像的视觉效果