图像质量评估指标 PSNR和SSIM

PSNR（Peak Signal to Noise Ratio）峰值信噪比

通常用来评价一幅图像压缩后和原图像相比质量的好坏，PSNR越高，压缩后失真越小。
$$MSE=\frac{1}{H\times W}\sum _{i=1}^H\sum _{j=1}^W{\left(X\left(i,j\right)-Y\left(i,j\right)\right)}^2$$
MSE表示当前图像X和参考图像Y的均方误差(Mean Square Error)，H,W为图像的高和宽。
$$PSNR=10{\log }_{10}\left(\frac{{\left(2^n-1\right)}^2}{MSE}\right)$$
n为像素比特数，一般取8，即像素灰阶数为256，单位是dB，数值越大表示失真越小。

原始图像	图像宽高分别缩小1/2再放大到原图 PSNR=30.2dB	图像宽高分别缩小1/5再放大到原图 PSNR=24.5dB

tf.image.psnr

tf.image.psnr(a, b, max_val, name=None)
#返回a和b之间的峰值信噪比.
#这旨在用于信号(或图像).在批处理中为每个图像生成一个信噪比(PSNR)值.
#输入的最后三个维度预计为[height, width, depth].
a：第一组图像; b：第二组图像.
max_val：图像的动态范围(即最大允许值和最小允许值之间的差值).
name：用于嵌入计算的命名空间.

示例

# Read images from file.
im1 = tf.decode_png('path/to/im1.png')
im2 = tf.decode_png('path/to/im2.png')
# Compute PSNR over tf.uint8 Tensors.
psnr1 = tf.image.psnr(im1, im2, max_val=255)

# Compute PSNR over tf.float32 Tensors.
im1 = tf.image.convert_image_dtype(im1, tf.float32)
im2 = tf.image.convert_image_dtype(im2, tf.float32)
psnr2 = tf.image.psnr(im1, im2, max_val=1.0)
# psnr1 and psnr2 both have type tf.float32 and are almost equal.
返回：
a和b之间的标量PSNR,返回的张量具有tf.float32类型和形状[batch_size,1].

SSIM（Structual Similarity）结构相似性

分别从亮度、对比度、结构三方面度量图像相似性。
SSIM取值范围[0,1]，值越大，表示图像失真越小。

tf.image.ssim

tf.image.ssim(img1, img2, max_val)
#img1：第一批图像. img2：第二批图像.
#max_val：图像的动态范围(即最大允许值与最小允许值之间的差值).
#由于过滤器尺寸的原因,图像尺寸必须至少为11x11.

示例

# Read images from file.
im1 = tf.decode_png('path/to/im1.png')
im2 = tf.decode_png('path/to/im2.png')
# Compute SSIM over tf.uint8 Tensors.
ssim1 = tf.image.ssim(im1, im2, max_val=255)

# Compute SSIM over tf.float32 Tensors.
im1 = tf.image.convert_image_dtype(im1, tf.float32)
im2 = tf.image.convert_image_dtype(im2, tf.float32)
ssim2 = tf.image.ssim(im1, im2, max_val=1.0)
# ssim1 and ssim2 both have type tf.float32 and are almost equal.
返回：
一个包含批处理中每个图像的SSIM值的张量.返回的SSIM值在范围(-1,1)中,
当像素值非负时返回形状为：broadcast(img1.shape [： - 3],img2.shape [： - 3])的张量