scikit-image 0.17.2计算PSNR、SSIM、MSE

**计算图像质量指标：PSNR、SSIM、MSE**

在图像处理领域，衡量图像质量的指标有很多种，如Peak Signal-to-Noise Ratio（PSNR）、Structural Similarity Index Measure（SSIM）和Mean Squared Error（MSE）。这些指标可以用来评估图像压缩或传输过程中所产生的失真程度。

在本文中，我们将使用scikit-image库计算PSNR、SSIM和MSE。scikit-image是Python的一个强大的图像处理库，提供了大量的功能和工具。

### PSNR（Peak Signal-to-Noise Ratio）

PSNR是一种衡量图像失真的指标，它通过比较原始图像与压缩或传输后得到的图像之间的信噪比来评估图像质量。PSNR越高，表示图像质量越好。

**计算PSNR公式：**

PSNR =10 * log10（MAX_I^2 / MSE）

其中，MAX_I是图像最大可能值（通常为255），MSE是Mean Squared Error。

### SSIM（Structural Similarity Index Measure）

SSIM是一种衡量图像结构相似性的指标，它通过比较原始图像与压缩或传输后得到的图像之间的亮度、对比度和结构特征来评估图像质量。SSIM越高，表示图像质量越好。

**计算SSIM公式：**

SSIM = (2 * μ_x * μ_y + C1) / (μ_x^2 + μ_y^2 + C1) * (2 * σ_xy + C2) / (σ_x^2 + σ_y^2 + C2)

其中，μ_x和μ_y是原始图像和压缩或传输后得到的图像的平均值，σ_x和σ_y是原始图像和压缩或传输后得到的图像的标准差，C1和C2是常数。

### MSE（Mean Squared Error）

MSE是一种衡量图像失真的指标，它通过比较原始图像与压缩或传输后得到的图像之间的平方误差来评估图像质量。MSE越小，表示图像质量越好。

**计算MSE公式：**

MSE = (1 / N) * ∑（x_i - y_i）^2其中，N是原始图像和压缩或传输后得到的图像的像素数，x_i和y_i是原始图像和压缩或传输后得到的图像的第i个像素值。

### scikit-image计算PSNR、SSIM、MSE在scikit-image库中，可以使用`image_compare`模块中的函数来计算PSNR、SSIM和MSE。下面是示例代码：

import numpy as npfrom skimage.metrics import peak_signal_noise_ratio, structural_similarity, mean_squared_error# 原始图像img1 = np.random.rand(256,256)

# 压缩或传输后得到的图像img2 = img1 + np.random.randn(256,256) *0.01# 计算PSNRpsnr = peak_signal_noise_ratio(img1, img2)
print("PSNR：", psnr)

# 计算SSIMssim = structural_similarity(img1, img2, multichannel=True)
print("SSIM：", ssim)

# 计算MSEmse = mean_squared_error(img1, img2)
print("MSE：", mse)