psnr和ssim的代码实现,基于numpy

5 篇文章 0 订阅
3 篇文章 0 订阅
def PSNRLossnp(y_true,y_pred):
		return 10* np.log(255*2 / (np.mean(np.square(y_pred - y_true))))


def SSIMnp(y_true , y_pred):
    u_true = np.mean(y_true)
    u_pred = np.mean(y_pred)
    var_true = np.var(y_true)
    var_pred = np.var(y_pred)
    std_true = np.sqrt(var_true)
    std_pred = np.sqrt(var_pred)
    c1 = np.square(0.01*7)
    c2 = np.square(0.03*7)
    ssim = (2 * u_true * u_pred + c1) * (2 * std_pred * std_true + c2)
    denom = (u_true ** 2 + u_pred ** 2 + c1) * (var_pred + var_true + c2)
    return ssim / denom

 

  • 2
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 7
    评论
PSNRLoss是一种损失函数,用于衡量图像重建或恢复任务的质量。它是基于PSNR(峰值信噪比)计算的,PSNR是一种常用的评估图像质量的指标。通过比较原始图像和重建图像之间的均方误差(MSE),PSNRLoss可以衡量图像的相似性和重建的准确程度。 在PSNRLoss的计算过程中,首先根据给定的图像进行重建或恢复,然后计算重建图像和原始图像之间的MSE。MSE是指两幅图像像素之间差异的平方和的均值。然后,通过将MSE转换为PSNRPSNRLoss可以量化图像重建的质量,PSNR越高,表示重建的图像质量越好。 PSNRLoss通常在图像处理和计算机视觉任务中使用,例如超分辨率重建、图像降噪和图像修复等。它可以作为训练过程中的损失函数,用于指导模型的优化和参数调整,以达到更高的图像重建质量。 总结来说,PSNRLoss是一种损失函数,用于衡量图像重建或恢复任务的质量,通过计算重建图像和原始图像之间的PSNR来衡量图像的相似性和重建的准确程度。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *3* [使用restormer网络做2022年中兴捧月图像去噪](https://blog.csdn.net/weixin_44875593/article/details/124909747)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* [Python函数综合案例.md](https://download.csdn.net/download/qq_42431718/88241199)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 7
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值