图像质量评价指标之 PSNR 和 SSIM

转自：https://zhuanlan.zhihu.com/p/50757421

暂时只理解了PSNR，后续如果用到SSIM再来研究补充。

1. PSNR (Peak Signal-to-Noise Ratio) 峰值信噪比

其中，第二和第三种方法比较常见。

# im1 和 im2 都为灰度图像，uint8 类型

# method 1
diff = im1 - im2
mse = np.mean(np.square(diff))
psnr = 10 * np.log10(255 * 255 / mse)

# method 2
psnr = skimage.measure.compare_psnr(im1, im2, 255)

compare_psnr(im_true, im_test, data_range=None) 函数原型可见此处

针对超光谱图像，我们需要针对不同波段分别计算 PSNR，然后取平均值，这个指标称为 MPSNR。

这里捋一下我对PSNR公式的理解：

其实常规意义上原图像和噪声图像的MSE就基本能反应该图像信息丢失程度，此时该值越小表明结果越好误差越小，值越大结果越差误差也越大。

但存在的问题是，当图像为浮点型图像时，即其中值在0~1之间取值时，发现这里的MSE和uint8算出来的结果差距很大，那么该如何评价他们之间的好坏呢？

为了使得该指标具有更强的通用性，引入了归一化方式，即，此时其结果为即uint8的值为255^2，浮点型为1^2。这时评估指标就变为。以uint8举例，当原图全都为255，噪声图全都为0，此时MSE为255^2，为255^2，此时评估指标为1，当噪声图与原图相等时，其结果为无穷大（所以我这里认为可以在分母加一个极小的数，以防出现这种情况，尽管概率很低也应该避免才对，但这里为了讲解公式，就不加入一个极小的数了）。

这里评估指标为1到无穷大，这有点不美，显示也不太好看，所以引入了对数log10。前面的10我认为也是为了更加美观加入的。

2. SSIM (Structural SIMilarity) 结构相似性

# im1 和 im2 都为灰度图像，uint8 类型
ssim = skimage.measure.compare_ssim(im1, im2, data_range=255)

compare_ssim(X, Y, win_size=None, gradient=False, data_range=None, multichannel=False, gaussian_weights=False, full=False, **kwargs) 函数原型可见此处

针对超光谱图像，我们需要针对不同波段分别计算 SSIM，然后取平均值，这个指标称为 MSSIM。