解析PSNR和SSIM

转自：http://blog.csdn.net/zjyruobing/article/details/49908979

PSNR（Peak Signal to Noise Ratio）峰值信噪比，一种全参考的图像质量评价指标。

MSE表示当前图像X和参考图像Y的均方误差（Mean Square Error），H、W分别为图像的高度和宽度； 

MSE=1H×W∑i=1H∑j=1W(X(i,j)−Y(i,j))2

PSNR 的单位是dB，数值越大表示失真越小。n为每像素的比特数，一般的灰度图像取8，即像素灰阶数为256. 

PSNR=10log10((2n−1)2MSE)

PSNR 是最普遍和使用最为广泛的一种图像客观评价指标，然而它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。由于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

μX 、 μY 分别表示图像X和Y的均值， σX 、 σY 分别表示图像X和Y的方差， σXY 表示图像X和Y的协方差，即 

μX=1H×W∑i=1H∑j=1WX(i,j)

σX=(1H×W−1∑i=1H∑j=1W(X(i,j)−μX)2)12

σXY=1H×W−1∑i=1H∑j=1W(X(i,j)−μX)(Y(i,j)−μY)

SSIM 分别从亮度、对比度、结构三方面度量图像相似性。 

l(X,Y)=2μXμY+C1μ2X+μ2Y+C1

c(X,Y)=2σXσY+C2σ2X+σ2Y+C2

s(X,Y)=σXY+C3σXσY+C3

C1 、 C2 、 C3 为常数，为了避免分母为0的情况，通常取 C1=(K1∗L)2 ,  C2=(K2∗L)2 ,  C3=C22 , 一般地K1=0.01, K2=0.03, L=255. 则 

SSIM(X,Y)=l(X,Y)∗c(X,Y)∗s(X,Y)

SSIM 取值范围[0,1]，值越大，表示图像失真越小. 
SSIM 的特殊形式如下： 

SSIM(X,Y)=(2μXμY+C1)(2σXY+C2)(μ2X+μ2Y+C1)(σ2X+σ2Y+C2)

MSSIM（Mean Structural Similarity ）平均结构相似性

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，采用加权计算每一窗口的均值、方差以及协方差，权值 wij 满足 ∑i∑jwij=1 ,通常采用高斯核，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： 

μX=∑i=1H∑j=1WwijX(i,j)

σX=(∑i=1H∑j=1Wwij(X(i,j)−μX))12

σXY=∑i=1H∑j=1Wwij(X(i,j)−μX)(Y(i,j)−μY)

MSSIM=1N∑k=1NSSIM(xk,yk)