【深度学习】图像去雾，去噪里常用的相似评价指标：PSNR（峰值信噪比） SSIM（结构相似度）MSE（均方误差）

---

一、PSNR（峰值信噪比）

公式直接抄我师哥论文上的，n通常取8，表示0-255.值越大表明越接近真实图像。
在使用前需要从掉包：

from skimage.metrics import peak_signal_noise_ratio

我们用三张图，来试一个例子：

这三张图分别在路径下：

分别计算第一张和第二张图的PSNR，第一张图和第三张图的PSNR

from skimage.metrics import peak_signal_noise_ratio as PSNR
import matplotlib.pyplot as plt
imor=plt.imread('imor.jpeg')
imnose=plt.imread('imnose.jpg')
imde=plt.imread('imde.jpeg')
print('原图和噪点图的PSNR为{}'.format(PSNR(imor,imnose)))
print('原图和去噪图的PSNR为{}'.format(PSNR(imor,imde)))

从这里可以看到去噪图的PSNR更高，说明去噪效果不错。

二、SSIM（结构相似度）

SSIM公式：

SSIM范围在0-1之间。
SSIM和PSNR还不太一样，使用起来要多调几个参数，不是那麽简单
我们首先看看函数构造：

im1和im2就不说了，后面那一堆还挺复杂的（如果后面参数不管的话，只放入前两个参数会报错。）

反正要加一个multichannel=True把

from skimage.metrics import structural_similarity as SSIM
import matplotlib.pyplot as plt
imor=plt.imread('imor.jpeg')
imnose=plt.imread('imnose.jpg')
imde=plt.imread('imde.jpeg')
print('原图和噪点图的PSNR为{}'.format(SSIM(imor,imnose,multichannel=True)))
print('原图和去噪图的PSNR为{}'.format(SSIM(imor,imde,multichannel=True)))

这里去噪图的PSNR明显比噪点图高，说明去噪效果不错

三、MSE（均方误差）

from skimage.metrics import mean_squared_error as MSE
import matplotlib.pyplot as plt
imor=plt.imread('imor.jpeg')
imnose=plt.imread('imnose.jpg')
imde=plt.imread('imde.jpeg')
print('原图和噪点图的MSE为{}'.format(MSE(imor,imnose)))
print('原图和去噪图的MSE为{}'.format(MSE(imor,imde)))

小插曲：plt.savefig（）保存的图片为空白

今天在做这个实验时，需要一组对照图片，所以我去STL10这个数据集里面去下载和保存一些照片，准备用savefig保存一些照片：

import torch
import numpy as np
from torchvision.datasets import STL10
import matplotlib.pyplot as plt
from skimage.util import random_noise #添加噪声模块
import torch.utils.data as Data
from sklearn.model_selection import  train_test_split
import hiddenlayer as hl
import torch.nn as nn
from tqdm import tqdm
from skimage.measure import compare_psnr
import os
os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"

data=STL10('data',download=False)
def read_image(path):
    with open(path,'rb') as f:
        data1=np.fromfile(f,dtype=np.uint8)
        images=np.reshape(data1,(-1,3,96,96))
        images=np.transpose(images,(0,3,2,1))
    return images/255.0
data_path='E:/图像处理课题/自编码器去噪网络/data/stl10_binary/train_X.bin'
images=read_image(data_path)  #最后输出的5000张图片
print(type(images)) #格式为
print("images.shape:",images.shape)
print("images.shape:",images.shape[0])
#print(images)
plt.figure(figsize=(3,3))
for i in range(1):
    plt.subplot(1,1,1)
    plt.imshow(images[i+1000])
    plt.axis('off')
plt.show()
plt.savefig('1.jpg')

最开始我的代码就是这样写的，结果发现，保存的图片为空白：

这里发生这个错误的原因是，plt.show()和plt.savefig()不能放在一起用。
如果要正常运行，需要把plt.show()注释掉，之后就正常了：

不过如果要把ndarray保存为图像，一般用plt.imsave还是挺合适的：

plt.imsave('imor.jpeg', imor)