图像质量评价指标之 PSNR 和 SSIM

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

给定一个大小为 m×nm×n 的干净图像 II 和噪声图像 KK，均方误差 (MSE)(MSE) 定义为：

 

MSE=1mn∑i=0m−1∑j=0n−1[I(i,j)−K(i,j)]2MSE=1mn∑i=0m−1∑j=0n−1[I(i,j)−K(i,j)]2

 

然后 PSNR(dB)PSNR(dB) 就定义为：

 

PSNR=10⋅log10(MAX2IMSE)PSNR=10⋅log10(MAXI2MSE)

 

其中 MAX2IMAXI2 为图片可能的最大像素值。如果每个像素都由 8 位二进制来表示，那么就为 255。通常，如果像素值由 BB 位二进制来表示，那么 MAXI=2B−1MAXI=2B−1。

一般地，针对 uint8 数据，最大像素值为 255,；针对浮点型数据，最大像素值为 1。

上面是针对灰度图像的计算方法，如果是彩色图像，通常有三种方法来计算。

• 分别计算 RGB 三个通道的 PSNR，然后取平均值。
• 计算 RGB 三通道的 MSE ，然后再除以 3 。
• 将图片转化为 YCbCr 格式，然后只计算 Y 分量也就是亮度分量的 PSNR。

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。

2. SSIM (Structural SIMilarity) 结构相似性

SSIMSSIM 公式基于样本 xx 和 yy 之间的三个比较衡量：亮度 (luminance)、对比度 (contrast) 和结构 (structure)。

 

l(x,y)=2μxμy+c1μ2x+μ2y+c1l(x,y)=2μxμy+c1μx2+μy2+c1

 

 

c(x,y)=2σxσy+c2σ2x+σ2y+c2c(x,y)=2σxσy+c2σx2+σy2+c2

 

 

s(x,y)=σxy+c3σxσy+c3s(x,y)=σxy+c3σxσy+c3

 

一般取 c3=c2/2c3=c2/2。

• μxμx 为 xx 的均值
• μyμy 为 yy 的均值
• σ2xσx2 为 xx 的方差
• σ2yσy2 为 yy 的方差
• σxyσxy 为 xx 和 yy 的协方差
• c1=(k1L)2,c2=(k2L)2c1=(k1L)2,c2=(k2L)2 为两个常数，避免除零
• LL 为像素值的范围，2B−12B−1
• k1=0.01,k2=0.03k1=0.01,k2=0.03 为默认值

那么

 

SSIM(x,y)=[l(x,y)α⋅c(x,y)β⋅s(x,y)γ]SSIM(x,y)=[l(x,y)α⋅c(x,y)β⋅s(x,y)γ]

 

将 α,β,γα,β,γ 设为 1，可以得到

 

SSIM(x,y)=(2μxμy+c1)(2σxy+c2)(μ2x+μ2y+c1)(σ2x+σ2y+c2)SSIM(x,y)=(2μxμy+c1)(2σxy+c2)(μx2+μy2+c1)(σx2+σy2+c2)

 

每次计算的时候都从图片上取一个 N×NN×N 的窗口，然后不断滑动窗口进行计算，最后取平均值作为全局的 SSIM。

# 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。

以上转自：地址。