基於python版的PSNR和ssim值計算
總所周知，圖像質量評價的常用指標有PSNR和SSIM等，本博文是基於python版的圖像numpy的float64格式和uint8格式計算兩種指標值(附代碼)，代碼經多方測試和對比，是可用的。
psnr峰值信噪比
psnr是用來評價兩幅圖像相比質量的好壞，即失真情況。這兩幅圖像分別為原圖像和經圖像重建或者壓縮后等圖像處理方法的圖像。PSNR越高，圖像失真越小，具體細節就不展開說了。首先簡單介紹一下psnr的公式計算。對於大小為m*n的兩幅圖像I和K(一幅是原圖，一幅一般是圖像重建后的圖像)，其均方差MSE定義為：
而PSNR的計算公式則為：
其中，MAX為最大像素，即255。這個計算公式主要是針對的是灰度圖，也就是單通道的。那么多通道的彩色圖像應該怎么計算呢?這里給出兩種計算方式：
分別計算RGB三個通道的PSNR，然后取平均值
計算RGB三通道的MSE，然后再除以3
這里給出三通道圖像計算PSNR值的方法二，附上代碼：
def psnr(target, ref):
#將圖像格式轉為float64
target_data = np.array(target, dtype=np.float64)
ref_data = np.array(ref,dtype=np.float64)
# 直接相減，求差值
diff = ref_data - target_data
# 按第三個通道順序把三維矩陣拉平
diff = diff.flatten('C')
# 計算MSE值
rmse = math.sqrt(np.mean(diff ** 2.))
# 精度
eps = np.finfo(np.float64).eps
if(rmse == 0):
rmse = eps
return 20*math.log10(255.0/rmse)
ssim結構相似性
SSIM公式是從三個方面衡量兩個圖像x和y之間的結構相似度，分別為：亮度，對比度和結構，
其中：L為像素值范圍，為255。
ssim的計算一般也是基於單通道(即灰度圖)來計算的，而本文采用了兩種方式，
分離每個通道，計算ssim，再求平均值
直接轉換為灰度圖，計算ssim
對於結構的計算公式，是求x和y的協方差，關於協方差，我一開始還沒搞明白是怎么計算的，后來查了資料，看到了一句非常重要的話 **協方差矩陣計算的是不同維度之間的協方差，而不是不同樣本之間的。**那么理解協方差矩陣的關鍵就在於牢記它計算的是不同維度之間的協方差，而不是不同樣本之間。拿到一個矩陣，我們最先要明確的就是一行是一個樣本還是一個維度。而對於三通道的圖像，擁有三個維度，要計算兩個三通道圖像的協方差，是要根據計算每一個維度之間的協方差，故要把三通道分離。
在這里，需要注意的一點是，博主並沒有計算結構公式。
附上代碼：鄭州人流多少錢 http://www.hnmt120.com/
def ssim(imageA, imageB):
# 為確保圖像能被轉為灰度圖
imageA = np.array(imageA, dtype=np.uint8)
imageB = np.array(imageB, dtype=np.uint8)
# 通道分離，注意順序BGR不是RGB
(B1, G1, R1) = cv2.split(imageA)
(B2, G2, R2) = cv2.split(imageB)
# convert the images to grayscale BGR2GRAY
grayA = cv2.cvtColor(imageA, cv2.COLOR_BGR2GRAY)
grayB = cv2.cvtColor(imageB, cv2.COLOR_BGR2GRAY)
# 方法一
(grayScore, diff) = compare_ssim(grayA, grayB, full=True)
diff = (diff * 255).astype("uint8")
print("gray SSIM: {}".format(grayScore))
# 方法二
(score0, diffB) = compare_ssim(B1, B2, full=True)
(score1, diffG) = compare_ssim(G1, G2, full=True)
(score2, diffR) = compare_ssim(R1, R2, full=True)
aveScore = (score0+score1+score2)/3
print("BGR average SSIM: {}".format(aveScore ))
return grayScore, aveScore