复盘：图像饱和度计算公式和图像信噪（PSNR）比计算公式

提示：系列被面试官问的问题，我自己当时不会，所以下来自己复盘一下，认真学习和总结，以应对未来更多的可能性

关于互联网大厂的笔试面试，都是需要细心准备的
（1）自己的科研经历，科研内容，学习的相关领域知识，要熟悉熟透了
（2）自己的实习经历，做了什么内容，学习的领域知识，要熟悉熟透了
（3）除了科研，实习之外，平时自己关注的前沿知识，也不要落下，仔细了解，面试官很在乎你是否喜欢追进新科技，跟进创新概念和技术
（4）准备数据结构与算法，有笔试的大厂，第一关就是手撕代码做算法题
面试中，实际上，你准备数据结构与算法时以备不时之需，有足够的信心面对面试官可能问的算法题，很多情况下你的科研经历和实习经历足够跟面试官聊了，就不需要考你算法了。但很多大厂就会面试问你算法题，因此不论为了笔试面试，数据结构与算法必须熟悉熟透了
秋招提前批好多大厂不考笔试，直接面试，能否免笔试去面试，那就看你简历实力有多强了。

基础知识：
【1】SSIM公式：结构相似性计算原理，基于SSIM的图像质量评价
【2】复盘：图像有哪些基本属性？关于图像的知识你知道哪些？图像的参数有哪些

---

面试官：你知道图像的饱和度计算方法吗？

饱和度计算公式：
Ω=双键数+三键数×2+环数

饱和度可定义为彩度除以明度，与彩度同样表征彩色偏离同亮度灰色的程度。

但由于其和彩度决定的是表现于人眼里的同一个效果，
所以才会出现视彩度与饱和度为同一概念的情况。

可以理解为饱和度虽然表现的东西在人眼中与彩度一致，
但实际是包含着彩度更高一级的单位（饱和度=彩度÷明度）。

高饱和度与低饱和度的区别：

1、色彩鲜艳度的区别

饱和度越高，则色彩越鲜艳；
饱和度偏低，照片整体颜色偏灰白。

2、饱和度过高和过低的区别

过高的饱和度会使画面整体颜色不均匀，给人以失真的视觉感受；
饱和度偏低的话，也很容易给照片整体效果造成不通透的感觉。

没有啥计算公式，就是饱和度S这个维度的调整呗！
看看下面这几个文章就知道
【2】复盘：图像有哪些基本属性？关于图像的知识你知道哪些？图像的参数有哪些

图像饱和度是指图像色彩的纯洁性程度，也称为颜色的鲜艳程度，是“色彩三属性”之一。

我们经常听到浅红色没有深红色颜色红，这种感受就是图像色彩属性的人类最直接感觉。

饱和度取决于该色中含色成分和消色成分的比例，
其中含色成分越大，那么饱和度就越大，
同理，如果消色成分越大，必然饱和度越小。

颜色有RGB,HSV,HLS等多种色彩属性模式，
本次主要比较几种不同方法的颜色饱和度调整效果。

def hsv(cv2_img, S, L, V, MAX):
    """ HSV 调整 """
    cv2_img = cv2_img.astype(np.float32)
    cv2_img = cv2_img / 255.0
    HSV = cv2.cvtColor(cv2_img, cv2.COLOR_BGR2HSV)
    HSV2 = np.copy(HSV)
    HSV2[:, :, 1] = (1.0 + V / float(MAX)) * HSV2[:, :, 1] ## 明度
    HSV2[:, :, 1][HSV2[:, :, 1] > 1] = 1
    HSV2[:, :, 2] = (1.0 + S / float(MAX)) * HSV2[:, :, 2]  ### 饱和度
    HSV2[:, :, 2][HSV2[:, :, 2] > 1] = 1
    
    adjImg = cv2.cvtColor(HSV2, cv2.COLOR_HSV2BGR)
    adjImg = adjImg * 255.0
    adjImg = adjImg.astype(np.uint8)
    
    del cv2_img, HSV, HSV2
    return adjImg
    
 
def hsl(cv2_img, S, L, V, MAX):
    """ HSL 饱和度调整 """
    cv2_img = cv2_img.astype(np.float32)
    cv2_img = cv2_img / 255.0
    HLS = cv2.cvtColor(cv2_img, cv2.COLOR_BGR2HLS)
    HLS2 = np.copy(HLS)
    HLS2[:, :, 1] = (1.0 + L / float(MAX)) * HLS2[:, :, 1] ## 明度
    HLS2[:, :, 1][HLS2[:, :, 1] > 1] = 1
    HLS2[:, :, 2] = (1.0 + S / float(MAX)) * HLS2[:, :, 2]  ### 饱和度
    HLS2[:, :, 2][HLS2[:, :, 2] > 1] = 1
    
    adjImg = cv2.cvtColor(HLS2, cv2.COLOR_HLS2BGR)
    adjImg = adjImg * 255.0
    adjImg = adjImg.astype(np.uint8)
    
    del cv2_img, HLS, HLS2
    return adjImg
 
 
def saturationAdjust(cv2_img):
    
    #### 图像颜色饱和度 
    cv2.namedWindow("SatuAdj", 0)
    cv2.createTrackbar('S', 'SatuAdj', 10, 100, callback)
    cv2.createTrackbar('V', 'SatuAdj', 10, 100, callback)
    cv2.createTrackbar('L', 'SatuAdj', 10, 100, callback)
    cv2.createTrackbar('I', 'SatuAdj', -100, 100, callback)
    cv2.createTrackbar('Max', 'SatuAdj', 60, 360, callback)
    
    ####视图区域
    input_img = cv2_img.copy()
    while True:
        S, V, L, I, MAX = callback(0)
        hsv_img = hsv(input_img.copy(), S, L, V, MAX)
        hsl_img = hsl(input_img.copy(), S, L, V, MAX)
        rgb_img = rgb(input_img.copy(), I)
        mat_img = np.hstack((input_img, hsv_img, hsl_img, rgb_img))
        text = f"Max:{
      MAX},S:{
      S}, V:{
      V}, L:{
      L}"
        cv2.putText(mat_img, text, (10, 40), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 0), 1)
        cv2.imshow("SatuAdj", mat_img)
        cv2.waitKey(1)
        
 

HSV图像中的S就是饱和度，改变S值，就能改编饱和度

原始图像：

改变效果1

改变效果2

改变效果3

---

面试官：你知道图像信噪比（PSNR）计算公式吗？

Peak signal-to-noise ratio （PSNR）
图像峰值信号比。

（1）MSE (Mean Square Error) 描述原图与处理后的图片的均方误差

（2）PSNR的定义是

其中MAXI表示颜色图像的最大数值，
8位采样点则可以得到255。

对于彩色图片，只需要在计算MSE时，三个通道的MSE求均值即可。

记得要将图片转换成float类型后再进行运算，否则，uint8的计算结果是没有负数的

def get_psnr(im1, im2):
    im1 = np.asarray(im1, dtype=np.float64)
    im2 = np.asarray(im2, dtype=np.float64)
    mse = np.mean(np.square(im1 - im2))
    return 10. * np.log10(np.square(255.) / mse)

Question: PSNR 仍然是基于MSE的评价，与直接用MSE有和区别？

A：

Question： PSNR原始的评价是对图片压缩带来的图片质量损失，MSE越低，PSNR越高，说明图片压缩损失越低，那么对于图片增强来说，是否PSNR越高就说明增强效果越好呢？

A： 对图像增强来说，无论是否有ground truth，都是PSNR越高效果越好。

不过许多实验结果都显示，PSNR 的分数无法和人眼看到的视觉品质完全一致，
有可能 PSNR 较高者看起来反而比 PSNR 较低者差。

这是因为人眼的视觉对于误差的敏感度并不是绝对的，
其感知结果会受到许多因素的影响而产生变化（例如：人眼对空间频率较低的对比差异敏感度较高，人眼对亮度对比差异的敏感度较色度高，人眼对一个区域的感知结果会受到其周围邻近区域的影响）。

由于PSNR计算量低，已于实现，使用广泛，但是PSNR和人类视觉的主观判断并不容易一致。

SSIM更好一些。也就是说PSNR如果打分好的话，可以用， 打分不好也不要在意。

SSIM是啥？我之前写过：
【1】SSIM公式：结构相似性计算原理，基于SSIM的图像质量评价

---

总结

提示：重要经验：

1）图像饱和度就是HSV中S，hue是色相：颜色的长相，红橙黄绿青蓝紫；S就是饱和度，调整它，V即Value亮度
2）图像信噪比，是俩图像对比的信噪比，maxi方/MSE的对数
3）笔试求AC，可以不考虑空间复杂度，但是面试既要考虑时间复杂度最优，也要考虑空间复杂度最优。