基于Python：计算两幅图像的SSIM和PSNR(附代码)

背景

• SSIM：结构相似度
• PSNR: 峰值信噪比
• SSIM和PSNR是图像质量评价领域非常经典的全参考图像质量评价方法。
• SSIM和PSNR在图像去雾、图像去模糊等领域是常用的性能指标。

代码(详细注释)

单图像对版本

以图像去雾作为例子，给定待去雾图像和清晰图像的图片路径，运行以下代码即可实现这个图像对的SSIM和PSNR的计算。

import osimport cv2import numpy as npfrom PIL import Imagefrom skimage.metrics import structural_similarityfrom skimage.metrics import peak_signal_noise_ratioimport warningswarnings.filterwarnings('ignore')clear_img_path = "images/clear/clear_1.png"  # 清晰图像路径hazy_img_path = "images/hazy/hazy_1.png" # 待去雾图像路径clear_img = cv2.imread(clear_img_path) # 注意图片路径不要含中文hazy_img = cv2.imread(hazy_img_path)if clear_img.shape[0] != hazy_img.shape[0] or clear_img.shape[1] != hazy_img.shape[1]:pil_img = Image.fromarray(hazy_img)pil_img = pil_img.resize((clear_img.shape[1], clear_img.shape[0])) # 和clear_img的宽和高保持一致hazy_img = np.array(pil_img)# 计算PSNR# PSNR越大，代表着图像质量越好。PSNR = peak_signal_noise_ratio(clear_img, hazy_img)print('PSNR: ', PSNR)# 计算SSIMSSIM = structural_similarity(clear_img, hazy_img, multichannel=True)print('SSIM: ', SSIM)

多图像对版本

• 某文件夹含有多个待去雾图像，另一个文件夹含有多个对应的清晰图像；
• 待去雾图片文件名是jpg格式图片，清晰图片文件名是png格式图片;
• 例子：如果清晰图片文件名为img_001.png, 则对应的待去雾图片文件名为img_001.jpg。
• 运行以下代码即可计算这些图像对的SSIM和PSNR的平均值：

import osimport cv2import numpy as npfrom PIL import Imagefrom skimage.metrics import structural_similarityfrom skimage.metrics import peak_signal_noise_ratioimport warningswarnings.filterwarnings('ignore')SSIM_list = []PSNR_LIST = []clear_img_path = "images/clear/"  # 清晰图像文件夹路径hazy_img_path = "images/hazy/" # 待去雾图像文件夹路径clear_img_names = os.listdir(clear_img_path) # 获取所有的清晰图像文件名hazy_img_names = []# 遍历清晰图像文件名列表，找到对应的待去雾图像文件名for name in clear_img_names:    hazy_img_names.append(name[:4] + ".jpg")for i in range(len(clear_img_names)):    clear_img = cv2.imread(os.path.join(clear_img_path, clear_img_names[i]))    hazy_img = cv2.imread(os.path.join(hazy_img_path, hazy_img_names[i]))if clear_img.shape[0] != hazy_img.shape[0] or clear_img.shape[1] != hazy_img.shape[1]:pil_img = Image.fromarray(hazy_img)pil_img = pil_img.resize((clear_img.shape[1], clear_img.shape[0])) # 和clear_img的宽和高保持一致hazy_img = np.array(pil_img)    # 计算PSNR    # PSNR越大，代表着图像质量越好。    PSNR = peak_signal_noise_ratio(clear_img, hazy_img)    print(i+1, 'PSNR: ', PSNR)    PSNR_LIST.append(PSNR)    # 计算SSIMSSIM = structural_similarity(clear_img, hazy_img, multichannel=True)    print(i+1, 'SSIM: ', SSIM)    SSIM_list.append(SSIM)print("average SSIM", sum(SSIM_list)/ len(SSIM_list))print("average PSNR", sum(PSNR_LIST)/ len(PSNR_LIST))

来源地址：https://blog.csdn.net/qq_41813454/article/details/131335270