图像超分辨率评价指标

参考文章：https://zhuanlan.zhihu.com/p/50757421

                  https://blog.csdn.net/weixin_36815313/article/details/108531674

实现方式有两种

• skimage.measure.compare_ssim

sk_psnr = skimage.measure.compare_psnr(im1, im2, 255)
print(sk_psnr )

• 手动实现

def calculate_psnr(img1, img2):
    # img1 and img2 have range [0, 255]
    img1 = img1.astype(np.float64)
    img2 = img2.astype(np.float64)
    mse = np.mean((img1 - img2)**2)
    if mse == 0:
        return float('inf')
    return 20 * math.log10(255.0 / math.sqrt(mse))

以上两种方式的计算结果一致。

一般来说，MSE越小，则PSNR 越大，代表着图像质量越好。

1. PSNR高于40dB说明图像质量极好(即非常接近原始图像)
2. 在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. 在20-30dB说明图像质量差
4. 低于20dB图像不可接受

对于三通道的图像，对每个通道分别求ssim值，之后求平均，最大值为1.0

实现方式有两种

• skimage.measure.compare_ssim

sk_ssim = measure.compare_ssim(img1, img2, gaussian_weights = True,multichannel = True, data_range=255)
print(sk_ssim )

• 手动实现

def calculate_ssim(img1, img2):
    '''calculate SSIM
    the same outputs as MATLAB's
    img1, img2: [0, 255]
    '''
    if not img1.shape == img2.shape:
        raise ValueError('Input images must have the same dimensions.')
    if img1.ndim == 2:
        return ssim(img1, img2)
    elif img1.ndim == 3:
        if img1.shape[2] == 3:
            ssims = []
            for i in range(3):
                ssims.append(ssim(img1, img2))
            return np.array(ssims).mean()
        elif img1.shape[2] == 1:
            return ssim(np.squeeze(img1), np.squeeze(img2))
    else:
        raise ValueError('Wrong input image dimensions.')

def ssim(img1, img2):
    C1 = (0.01 * 255)**2
    C2 = (0.03 * 255)**2

    img1 = img1.astype(np.float64)
    img2 = img2.astype(np.float64)
    kernel = cv2.getGaussianKernel(11, 1.5)
    window = np.outer(kernel, kernel.transpose())

    mu1 = cv2.filter2D(img1, -1, window)[5:-5, 5:-5]  # valid
    mu2 = cv2.filter2D(img2, -1, window)[5:-5, 5:-5]
    mu1_sq = mu1**2
    mu2_sq = mu2**2
    mu1_mu2 = mu1 * mu2
    sigma1_sq = cv2.filter2D(img1**2, -1, window)[5:-5, 5:-5] - mu1_sq
    sigma2_sq = cv2.filter2D(img2**2, -1, window)[5:-5, 5:-5] - mu2_sq
    sigma12 = cv2.filter2D(img1 * img2, -1, window)[5:-5, 5:-5] - mu1_mu2

    ssim_map = ((2 * mu1_mu2 + C1) * (2 * sigma12 + C2)) / ((mu1_sq + mu2_sq + C1) *
                                                            (sigma1_sq + sigma2_sq + C2))
    return ssim_map.mean()

以上两种方式的计算结果基本一致。

SSIM，Structural Similarity，结构相似性. 也是衡量两幅图片相似性的指标.

结构相似性的基本原理是，认为自然图像时高度结构化的，即相邻像素间具有很强的关联性，而这种关联性表达了场景中物体的结构信息. 人类视觉系统对于图像已经具有很强的理解与信息抽取能力，所以在衡量图像质量时，结构性失真是很重要的考量