图像质量评价指标metrics:PSNR 、SSIM、LPIPS

一、PSNR(峰值信噪比)

1.定义

是基于对应像素点间的误差,即基于误差敏感的图像质量评价,由于并未考虑到人眼的视觉特性(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等),因而经常出现评价结果与人的主观感觉不一致的情况必须满足两张图像的size要完全一样。

2.公式

计算时必须满足两张图像的size要完全一样!

对于单色图像来说,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:

图像质量评价指标metrics:PSNR 、SSIM、LPIPS_第1张图片

然后PSNR(dB)就定义为:

图像质量评价指标metrics:PSNR 、SSIM、LPIPS_第2张图片

其中MAXI是表示图像点颜色的最大数值,如果每个采样点用 8 位表示,那么就是 255,如果每个采样点用 n 位二进制表示,则MAXI=2^n-1。

3.结果

因此MSE越小,PSNR越大,代表图像质量越好。

PSNR高于40dB说明图像质量极好(即非常接近原始图像)

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)

在20—30dB说明图像质量差

PSNR低于20dB图像不可接受

二、SSIM(结构相似性)

1.定义

可以衡量图片的失真程度,也可以衡量两张图片的相似程度。与MSE和PSNR衡量绝对误差不同,SSIM是感知模型,即更符合人眼的直观感受

2.公式 

SSIM 主要考量图片的三个关键特征:

亮度(Luminance:亮度以平均灰度衡量,通过平均所有像素的值得到

图像质量评价指标metrics:PSNR 、SSIM、LPIPS_第3张图片

对比度(Contrast:对比度通过灰度标准差来衡量。标准差无偏估计:

图像质量评价指标metrics:PSNR 、SSIM、LPIPS_第4张图片 

结构 (Structure):

图像质量评价指标metrics:PSNR 、SSIM、LPIPS_第5张图片

α β γ 分别代表了不同特征在SSIM衡量中的占比,在实际计算中一般设定α = β = γ = 1,以及c 3 = c 2 / 2 ,因此公式可以化简为:

图像质量评价指标metrics:PSNR 、SSIM、LPIPS_第6张图片 

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。

3.结果

  1. SSIM具有对称性,即SSIM(x,y)=SSIM(y,x)
  2. SSIM是一个0到1之间的数,越大表示输出图像和无失真图像的差距越小,即图像质量越好。当两幅图像一模一样时,SSIM=1;

三、LPIPS(感知损失)

1.定义

基于学习的感知相似度度量LPIPS 比传统方法(比如L2/PSNR, SSIM, FSIM)更符合人类的感知情况。来源于论文《The Unreasonable Effectiveness of Deep Features as a Perceptual Metric》

2.公式

(14条消息) LPIPS图像相似性度量标准:The Unreasonable Effectiveness of Deep Features as a Perceptual Metric_Alocus_的博客-CSDN博客_lpips

3.结果

LPIPS的值越低表示两张图像越相似,反之,则差异越大

你可能感兴趣的:(深度学习,人工智能,计算机视觉)