PSNR和SSIM

图像质量评价指标

MSE

MSE:均方误差
对于给定的大小为$m\times n$的干净图像$I$和噪声图像$K$,均方误差MSE的定义如下：
$$MSE=\frac{1}{mn}\sum _0^m\sum _0^m[I(i,j)-K(i,j){]}^2$$

PSNR

PSNR (Peak Signal to Noise Ratio)峰值信噪比，其定义如下：
$$PSNR=10{\log }_{10}\frac{(2^n-1{)}^2}{MSE}=10{\log }_{10}\frac{Ma{x}_I^2}{MSE}$$
其中，MSE表示当前图像X和参考图像Y的均方误差（Mean Square Error）；$Ma{x}_I$为图像可能的最大像素值；n为每像素的比特数，一般取8，即像素灰阶数为256. PSNR的单位是dB，数值越大表示失真越小。

• 如果图像是彩色图像，则通常分别计算RGB三个通道的PSNR，然后再取平均
• 根据公式可以发现PSNR实际上是基于对应像素点间的误差，即基于误差敏感的图像质量评价。
• PSNR并未考虑到人眼的视觉特性（人眼对空间频率较低的对比差异敏感度较高，人眼对亮度对比差异的敏感度较色度高，人眼对一个区域的感知结果会受到其周围邻近区域的影响等），因而经常出现评价结果与人的主观感觉不一致的情况。

SSIM (Structural SIMilarity) 结构相似性

SSIM（structural similarity）结构相似性，是一种全参考的图像质量评价指标，它分别从亮度、对比度、结构三方面度量图像相似性。

$SSIM$ 公式基于图像 $x$ 和图像 $y$ 之间的三个比较衡量：亮度 (luminance)、对比度 (contrast) 和结构 (structure)
$$l(x,y)=\frac{2{\mu }_x{\mu }_y+c_1}{{\mu }_x^2+{\mu }_y^2+c_1}\text{\hspace{1em}(1)}$$
$$c(x,y)=\frac{2{\sigma }_x{\sigma }_y+c_2}{{\sigma }_x^2+{\sigma }_y^2+c_2}\text{\hspace{1em}(2)}$$
$$s(x,y)=\frac{{\sigma }_{xy}+c_3}{{\sigma }_x{\sigma }_y+c_3}\text{\hspace{1em}(3)}$$

$c_1,c_2,c_3$ 为常数，为了避免分母为零的情况，通常情况下：
$c_1={\left(k_{1}L\right)}^2,c_2={\left(k_{2}L\right)}^2，c_3=c_2/2$
$L$ 为像素值的范围, $2^B-1$ $k_1=0.01,k_2=0.03$ 为默认值

• ${\mu }_x$ 为 $x$ 的均值 ${\mu }_y$ 为 $y$ 的均值
• ${\sigma }_x^2$ 为 $x$ 的方差 ${\sigma }_y^2$ 为 $y$ 的方差 -
• ${\sigma }_{xy}$ 为$x$ 和 $y$ 的协方差

综上：
$$SSIM(x,y)=[l(x,y{)}^{\alpha }\cdot c(x,y{)}^{\beta }\cdot s(x,y{)}^{\gamma }]$$
SSIM取值范围[0,1]，值越大，表示图像失真越小.

在实际应用中，可以利用滑动窗将图像分块，令分块总数为N，考虑到窗口形状对分块的影响，采用高斯加权计算每一窗口的均值、方差以及协方差，然后计算对应块的结构相似度SSIM，最后将平均值作为两图像的结构相似性度量，即平均结构相似性MSSIM：
$$MSSIM(x,y)=\frac{1}{N}\sum _{K=1}^{N}SSIM(x_k,y_k)$$

参考链接：

https://www.cnblogs.com/vincent2012/archive/2012/10/13/2723152.html
https://zhuanlan.zhihu.com/p/50757421