### 安装和使用 `lpips` 库 #### 安装 `lpips` 和其他依赖项 为了计算图像的感知相似度（Perceptual Similarity），可以使用 Python 的 `lpips` 库。此库基于深度学习模型来评估两张图片之间的视觉差异。以下是安装方法： 通过以下命令安装 `lpips` 及其必要的依赖项： ```bash pip install lpips torch torchvision ``` 注意：由于 `lpips` 基于 PyTorch 实现，因此还需要确保已正确安装 PyTorch。 --- #### 使用 `lpips` 计算图像间的 LPIPS 距离 下面是一个完整的代码示例，展示如何加载两幅图像并计算它们的 LPIPS 距离： ```python import lpips from PIL import Image import torch import numpy as np # 初始化 LPIPS 模型 loss_fn_alex = lpips.LPIPS(net='alex') # 或者 net='vgg' 对应不同的网络架构 # 加载图像 def load_image(path): img = Image.open(path).convert('RGB') img = img.resize((64, 64)) # 统一尺寸 img_tensor = (np.array(img) / 255.0)[None].transpose(0, 3, 1, 2) return torch.tensor(img_tensor.astype(np.float32)) img1 = load_image("image1.jpg") img2 = load_image("image2.jpg") # 计算 LPIPS 距离 distance = loss_fn_alex(img1 * 2 - 1, img2 * 2 - 1) # 输入范围 [-1, 1] print(f"LPIPS Distance: {distance.item()}") ``` 上述代码实现了以下几个功能： - **初始化模型**：创建了一个 AlexNet 预训练权重为基础的 LPIPS 模型[^1]。 - **加载图像**：定义函数将输入图像转换为适合模型处理的形式，并调整大小至固定维度。 - **标准化数据**：LPIPS 接受的数据需位于区间 \([-1, 1]\)，故乘以 \(2\) 并减去 \(1\)。 - **输出结果**：最终打印出两张图像的感知距离分数。 --- #### 结合 SSIM 进一步分析 除了 LPIPS 外，还可以利用结构相似性指数（SSIM）衡量图像质量。这里提供一段用于计算灰度图 SSIM 的代码片段作为补充[^2]： ```python import cv2 from skimage.metrics import structural_similarity as ssim # 加载图像 image1 = cv2.imread("image1.jpg", cv2.IMREAD_GRAYSCALE) image2 = cv2.imread("image2.jpg", cv2.IMREAD_GRAYSCALE) # 确保两者形状一致 if image1.shape != image2.shape: raise ValueError("Images must have the same dimensions!") score, diff = ssim(image1, image2, full=True) diff = (diff * 255).astype("uint8") # 将差值映射回 [0, 255] print(f"SSIM Score: {score:.4f}") # 输出 SSIM 得分 cv2.imshow("Difference Map", diff) # 显示像素级差异图 cv2.waitKey(0); cv2.destroyAllWindows() ``` 这段脚本不仅返回了 SSIM 数值，还生成了一张可视化差异地图以便直观理解二者区别。 --- ### 总结 综上所述，借助 `lpips` 和 `scikit-image` 工具包能够高效完成多角度定量比较任意给定的一对彩色或黑白照片的质量特性。前者侧重捕捉人类视觉系统的主观感受变化趋势；后者则更关注局部区域内的亮度对比关系及其统计规律特征[^2]。