<think>我们假设有两个文件夹：一个存放真实图像（原图像），另一个存放生成图像（由生成器生成）。 我们需要计算这两个文件夹中对应图像之间的LPIPS距离（注意LPIPS值越低表示相似度越高）。 步骤： 1. 遍历真实图像文件夹和生成图像文件夹。 2. 对每一对图像（真实图像和对应的生成图像），计算LPIPS。 3. 计算所有图像对LPIPS的平均值。 注意：LPIPS计算需要将图像转换为PyTorch张量，并进行归一化（通常归一化到[-1,1]）。 我们将编写一个函数，输入为两个文件夹的路径，输出为所有图像对的LPIPS平均值，并打印每张图像的结果。 需要安装lpips库：pip install lpips 代码： </think> # 计算两个文件夹图像间LPIPS相似度的解决方案 下面是一个完整的Python脚本，用于计算两个文件夹中对应图像的LPIPS（学习感知图像块相似度）指标： ```python import os import argparse import numpy as import torch import torchvision.transforms as transforms from PIL import Image import lpips from tqdm import tqdm def calculate_lpips(real_dir, gen_dir): """ 计算真实图像目录和生成图像目录中对应图像之间的LPIPS值 参数: real_dir (str): 存放原始真实图像的目录路径 gen_dir (str): 存放生成图像的目录路径 返回: Tuple: (所有图像对的LPIPS平均值, 每个图像对的LPIPS值字典) """ # 检查目录存在性 if not os.path.isdir(real_dir): raise ValueError(f"原始图像目录不存在: {real_dir}") if not os.path.isdir(gen_dir): raise ValueError(f"生成图像目录不存在: {gen_dir}") # 初始化LPIPS模型(使用默认的AlexNet作为感知网络) lpips_model = lpips.LPIPS(net='alex') # 设置设备(GPU如果可用) device = torch.device("cuda" if torch.cuda.is_available() else "cpu") lpips_model.to(device) lpips_model.eval() # 设为评估模式 print(f"LPIPS模型初始化完成, 使用{'GPU' if device.type=='cuda' else 'CPU'}计算") # 获取图像文件名并进行匹配 real_images = sorted([f for f in os.listdir(real_dir) if f.lower().endswith(('.png', '.jpg', '.jpeg', '.tiff', '.bmp'))]) gen_images = sorted([f for f in os.listdir(gen_dir) if f.lower().endswith(('.png', '.jpg', '.jpeg', '.tiff', '.bmp'))]) # 检查同名文件匹配情况 matched_pairs = [] for img_name in real_images: if img_name in gen_images: matched_pairs.append(img_name) else: print(f"警告: 未找到生成图像对应文件: {img_name}") if not matched_pairs: raise ValueError("错误: 没有找到匹配的原始图像和生成图像对") print(f"找到 {len(matched_pairs)} 对匹配的原始-生成图像") # 图像预处理变换 transform = transforms.Compose([ transforms.ToTensor(), lambda x: x * 2.0 - 1.0 # 将[0,1]转换为[-1,1]范围 ]) # 计算每对图像的LPIPS lpips_scores = {} total_lpips = 0.0 for img_name in tqdm(matched_pairs, desc="计算LPIPS"): # 加载真实图像 real_path = os.path.join(real_dir, img_name) img_real = Image.open(real_path).convert('RGB') # 加载生成图像 gen_path = os.path.join(gen_dir, img_name) img_gen = Image.open(gen_path).convert('RGB') # 确保图像大小相同 if img_real.size != img_gen.size: # 以真实图像大小为基准调整生成图像 gen_width, gen_height = img_gen.size real_width, real_height = img_real.size img_gen = img_gen.resize((real_width, real_height), resample=Image.BICUBIC) print(f"调整大小: {img_name} | 从 {gen_width}x{gen_height} -> {real_width}x{real_height}") # 转换为PyTorch张量并进行归一化 img_real_tensor = transform(img_real).unsqueeze(0).to(device) img_gen_tensor = transform(img_gen).unsqueeze(0).to(device) # 计算LPIPS with torch.no_grad(): lpips_val = lpips_model(img_real_tensor, img_gen_tensor).item() # 存储结果并累计总分 lpips_scores[img_name] = lpips_val total_lpips += lpips_val # 计算平均LPIPS avg_lpips = total_lpips / len(matched_pairs) return avg_lpips, lpips_scores def main(): # 命令行参数解析 parser = argparse.ArgumentParser(description='计算两个文件夹中对应图像的LPIPS相似度') parser.add_argument('--real_dir', type=str, required=True, help='包含原始真实图像的目录路径') parser.add_argument('--gen_dir', type=str, required=True, help='包含生成图像的目录路径') parser.add_argument('--save_csv', type=str, default='lpips_results.csv', help='保存详细结果的CSV文件路径') parser.add_argument('--visualize', action='store_true', help='可视化距离最大的前几对图像') args = parser.parse_args() try: # 计算LPIPS mean_lpips, all_lpips = calculate_lpips( real_dir=args.real_dir, gen_dir=args.gen_dir ) # 打印结果 print("\n=== LPIPS 计算完成 ===") print(f"平均LPIPS: {mean_lpips:.6f}") print(f"图像对数量: {len(all_lpips)}") print(f"最高相似度: {min(all_lpips.values()):.6f} | 最低相似度: {max(all_lpips.values()):.6f}") # 保存结果到CSV with open(args.save_csv, 'w') as f: f.write("图像文件,LPIPS值\n") for img_name, score in all_lpips.items(): f.write(f"{img_name},{score:.6f}\n") f.write(f"\n平均值,{mean_lpips:.6f}\n") print(f"详细结果已保存到: {args.save_csv}") if args.visualize: # 可视化最不同的图像对 most_different = sorted(all_lpips.items(), key=lambda x: x[1], reverse=True)[:5] print("\nLPIPS值最高的5对图像(差异最大):") for idx, (img_name, score) in enumerate(most_different, 1): print(f"{idx}. {img_name}: LPIPS = {score:.6f}") # 显示图像(可选,需要matplotlib) try: import matplotlib.pyplot as plt real_img = Image.open(os.path.join(args.real_dir, img_name)) gen_img = Image.open(os.path.join(args.gen_dir, img_name)) fig, axes = plt.subplots(1, 2, figsize=(10, 5)) axes[0].imshow(real_img) axes[0].set_title(f"原图: {img_name}") axes[0].axis('off') axes[1].imshow(gen_img) axes[1].set_title(f"生成图: {img_name}\nLPIPS={score:.4f}") axes[1].axis('off') plt.tight_layout() plt.savefig(f"difference_{idx}.png") plt.close() print(f"已保存对比图到: difference_{idx}.png") except ImportError: print("警告: 未安装matplotlib, 无法可视化图像对") except Exception as e: print(f"错误: {str(e)}") if __name__ == "__main__": main() ``` ## 代码解释 ### 1. 参数说明 - **`real_dir`**: 存储原始真实图像的目录路径 - **`gen_dir`**: 存储生成图像的目录路径 - **`save_csv`**: 可选，保存详细结果的CSV文件路径 - **`visualize`**: 可选，可视化差异最大的图像对 ### 2. 主要功能函数 (calculate_lpips) #### 步骤: 1. **初始化LPIPS模型**: - 使用AlexNet作为感知网络(默认) - 自动检测并利用GPU加速计算 2. **图像文件配对**: - 比较两个目录中的图像文件 - 只考虑相同文件名(含扩展名)的文件对 - 自动跳过不匹配的文件 3. **图像预处理**: - 将图像转换为RGB格式 - 统一尺寸(以原始图像尺寸为准调整生成图像) - 归一化到 [-1, 1] 范围 4. **LPIPS计算**: - 对每对图像计算LPIPS值 - 返回所有图像对的LPIPS平均值和每个图像对的详细结果 ### 3. 特殊功能 - **动态大小调整**: 自动调整生成图像尺寸匹配原始图像 - **完整错误处理**: 目录检查、文件匹配验证 - **进度条**: 使用tqdm显示计算进度 - **结果分析**: 计算最大值、最小值和平均值 - **可视化选项**: 自动保存差异最大的图像对比图 ### 4. 使用示例 ```bash # 基本用法 python lpips_calculator.py --real_dir /path/to/real_images --gen_dir /path_to/generated_images # 保存结果到CSV python lpips_calculator.py --real_dir real --gen_dir generated --save_csv results.csv # 可视化差异最大的图像对 python lpips_calculator.py --real_dir real --gen_dir generated --visualize ``` ### 5. 依赖安装 ```bash pip install torch torchvision opencv-python lpips tqdm # 如果使用可视化功能 pip install matplotlib pillow ``` ### 6. 输出示例 ``` 计算LPIPS: 100%|██████████| 100/100 [00:27<00:00, 3.62it/s] LPIPS模型初始化完成, 使用GPU计算 === LPIPS 计算完成 === 平均LPIPS: 0.312458 图像对数量: 100 最高相似度: 0.095623 | 最低相似度: 0.754812 详细结果已保存到: lpips_results.csv LPIPS值最高的5对图像(差异最大): 1. image_045.png: LPIPS = 0.754812 2. image_012.png: LPIPS = 0.723451 3. image_078.png: LPIPS = 0.698532 4. image_019.png: LPIPS = 0.681249 5. image_087.png: LPIPS = 0.665731 ``` ## LPIPS指标说明 LPIPS (学习感知图像块相似度) 是一种基于深度学习的图像相似度评估方法： 1. 使用预训练神经网络(如AlexNet、VGG)提取特征 2. 计算两个图像在特征空间中的距离 3. 值范围在0到1之间，值越高表示差异越大 4. 相比传统方法(如MSE、SSIM)更符合人类视觉感知