图像超分中常用的质量评价指标：SSIM, PSNR
(28条消息) 图像处理之图像质量评价指标PSNR(峰值信噪比)_Hard Coder的博客-CSDN博客_psnr
（一） 结构相似度SSIM
SIM 已成为计算机视觉中常见的损失函数。它用于训练自动驾驶汽车的单目深度模型、反转 GAN，以及将 NeRF 模型拟合到训练图像。基于 SSIM 的模型的爆炸式增长提出了一个基本问题：SSIM 到底是什么？
SSIM 测量两个图像之间的相似性。人类对像素的绝对亮度/颜色不敏感，但对边缘和纹理的位置非常敏感。 SSIM 通过主要关注边缘和纹理相似性来模仿人类感知。
这是一个例子。 这两个图像之间的对比度调整使它们在使用 L2 范数测量时有 20% 的差异。但在 SSIM 指标中，它们有 98.5% 相似（1.5% 不同）。
我们通过将两个图像分成小块来计算 SSIM。然后我们逐块比较图像。给定来自一个图像的patch “x”和来自另一张图像的相应patch “y”，我们计算每个补丁中像素强度的以下汇总统计信息。
我们现在使用下面的公式计算两个patch之间的亮度（luminance）相似性。如果patch的亮度差异很大，我们得到接近 0 的亮度分数，如果它们相似，我们得到接近 1 的亮度分数。该公式是尺度不变的；将图像乘以常数没有任何作用。
接下来我们计算对比（contrast）相似度得分。如果一个补丁比另一个“平坦”得多，则该分数为 0，如果两者具有相同的对比度级别，则该分数为 1。对比度分数比较图像块中“纹理”的数量。这个公式也是尺度不变的。
最后我们计算结构（structure）分数，这是两个patch中像素值之间的相关性。当两个patch包含具有相同位置和方向的边缘时，得分很高，但如果patch在边缘的位置上存在分歧，则得分很低。
总体 SSIM 分数是这三个分数的乘积。实现时添加一些小常数来防止被零除。该分数通常也是所有图像块的平均值。对于深度学习，SSIM 也在 RGB 通道上进行平均。
SSIM 是“结构相似性”（structural similarity）的缩写，由 Zhou、Bovik、Sheikh 和 Simoncelli 在 2004 年的一篇论文中介绍，被引用次数约为 38000。转自@tomgoldsteincs）
这里α,β,r都是超参数，通常都取为1。
（二）峰值信噪比PSNR
其中L为图像的最大像素值，PSNR的单位为dB。若每个像素由8位二进制表示，则其值为2^8-1=255。但注意这是针对灰度图像的计算方法，若是彩色图像，通常可以由以下方法进行计算：
方法一：计算RGB图像三个通道每个通道的MSE值再求平均值，进而求PSNR。
方法二：直接使用matlab的内置函数psnr()(注意该函数将所有图像当作灰度图像处理)
方法三：将图像转为YCbCr格式，只计算Y分量即亮度分量的PSNR。
PSNR值越大，表示图像的质量越好，一般来说：
（1）高于40dB：说明图像质量极好(即非常接近原始图像)
（2）30—40dB：通常表示图像质量是好的(即失真可以察觉但可以接受)
（3）20—30dB：说明图像质量差
（4）低于20dB：图像质量不可接受
浙公网安备 33010602011771号