图像质量评价指标之——PSNR和SSIM

Posted 2023-03-16

参考技术A 给定一个大小为 的干净图像 和噪声图像 ，均方误差 定义为：

然后 就定义为：

其中 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 位二进制来表示，那么 。

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。

其中，第二和第三种方法比较常见。

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。

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

一般取 。

那么

将 设为 1，可以得到

每次计算的时候都从图片上取一个 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。

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。

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×n) 的干净图像 (I) 和噪声图像 (K)，均方误差 ((MSE)) 定义为：

[MSE = frac{1}{mn}sum_{i=0}^{m-1}sum_{j=0}^{n-1}[I(i, j)-K(i,j)]^2]

然后 (PSNR (dB)) 就定义为：

[PSNR = 10 cdot log_{10}(frac{MAX_I^2}{MSE})]

其中 (MAX_I^2) 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 (B) 位二进制来表示，那么 (MAX_I = 2^B-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

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

[l(x,y) = frac{2mu_x mu_y + c_1}{mu_x^2+ mu_y^2 + c_1}]
[c(x,y) = frac{2sigma_x sigma_y + c_2}{sigma_x^2+ sigma_y^2 + c_2}]
[s(x,y) = frac{sigma_{xy} + c_3}{sigma_x sigma_y + c_3}]

一般取 (c_3 = c_2 / 2)。

• (mu_x) 为 (x) 的均值
• (mu_y) 为 (y) 的均值
• (sigma_x^2) 为 (x) 的方差
• (sigma_y^2) 为 (y) 的方差
• (sigma_{xy}) 为 (x) 和 (y) 的协方差
• (c_1 = (k_1L)^2, c_2 = (k_2L)^2) 为两个常数，避免除零
• (L) 为像素值的范围，(2^B-1)
• (k_1=0.01, k_2=0.03) 为默认值

那么

[SSIM(x, y) = [l(x,y)^{alpha} cdot c(x,y)^{eta} cdot s(x,y)^{gamma}]]

将 (alpha,eta,gamma) 设为 1，可以得到

[SSIM(x, y) = frac{(2mu_x mu_y + c_1)(2sigma_{xy}+c_2)}{(mu_x^2+ mu_y^2 + c_1)(sigma_x^2+sigma_y^2+c_2)}]

每次计算的时候都从图片上取一个 (N×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。

获取更多精彩，请关注「seniusen」!