### 峰值信噪比 (PSNR) 峰值信噪比是一种广泛使用的图像质量评估指标，用于衡量两个图像之间的差异。该指标基于均方误差(MSE)，并将其转换为分贝(dB)单位表示[^1]。 公式如下： \[ \text{PSNR} = 10 \cdot \log_{10}\left(\frac{\text{MAX}_I^2}{\text{MSE}}\right) \] 其中 \( \text{MAX}_I \) 是像素的最大可能值，在8位灰度图中通常为255；\( \text{MSE} \) 表示均方误差。 ```python from skimage.metrics import peak_signal_noise_ratio as psnr def calculate_psnr(image_true, image_test): return psnr(image_true, image_test, data_range=255) ``` ### 平均平方误差 (MSE) 平均平方误差是最简单的图像质量评估方法之一，它通过计算两幅图像对应像素差值的平方再求平均值得到。尽管简单易懂，但其缺点在于无法反映人类视觉系统的特性[^2]。 公式定义为: \[ \text{MSE}(X,Y)=\frac{1}{mn}\sum^{m}_{i=1}\sum^{n}_{j=1}[X(i,j)-Y(i,j)]^2 \] 这里 X 和 Y 分别代表原始图片和失真后的图片矩阵形式。 ```python import numpy as np def mean_squared_error(img1, img2): mse_value = np.mean((img1 - img2)**2) return mse_value ``` ### 结构相似性指数 (SSIM) 结构相似性指数旨在改进传统的方法如 MSE 或 PSNR 对于感知质量估计不足的问题。此度量考虑亮度、对比度以及结构三方面因素来综合评价两张图片间的相似程度[^3]。 公式表达式较为复杂，具体实现可以借助 `skimage` 库中的函数完成： ```python from skimage.metrics import structural_similarity as ssim def calc_ssim(imageA, imageB): score, diff = ssim(imageA, imageB, full=True) return score ``` ### 学习感知图像块相似性 (LPIPS) 不同于上述三种经典算法主要依赖统计特征来进行比较,LPIPS 则引入了深度学习模型作为基础框架的一部分。这种方法能够更好地模拟人眼对于不同类型的失真的敏感度变化情况，尤其适用于风格迁移等应用场景下的质量评测。 Python 实现可利用 pytorch 提供的相关库： ```python !pip install lpips import torch from PIL import Image from torchvision import transforms loss_fn_alex = lpips.LPIPS(net='alex') def compute_lpips(image_path1, image_path2): transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor() ]) img_tensor1 = transform(Image.open(image_path1)).unsqueeze(0).cuda() img_tensor2 = transform(Image.open(image_path2)).unsqueeze(0).cuda() dist = loss_fn_alex(img_tensor1, img_tensor2) return dist.item() ```