做网站的人会留下啥漏洞吗,万网域名申请网站,普陀营销型网站建设,网站线框在图像质量评估上#xff0c;有三个重要指标#xff1a;PSNR#xff0c;SSIM#xff0c;LPIPS。本文提供简易脚本分别实现。
PSNR#xff0c;峰值信噪比#xff0c;是基于MSE的像素比较低质量评估#xff0c;一般30dB以上质量就不错#xff0c;到40dB以上肉眼就很难分…在图像质量评估上有三个重要指标PSNRSSIMLPIPS。本文提供简易脚本分别实现。
PSNR峰值信噪比是基于MSE的像素比较低质量评估一般30dB以上质量就不错到40dB以上肉眼就很难分别了。 SSIM结构相似性从分布上来比较相似性量化到0-1之间越接近1则证明图像质量越好。具体数学公式可以看我之前的博客《SSIM》。 LPIPS利用AI模型来量化图像之间的相似性。取值范围也是[0,1]与SSIM相反LPIPS是越小则证明图像质量越好。
像这种常见的图像质量评价指标都会收录到torchmetrics里面。只需安装
pip install torchmetrics实验脚本
import torch
from torchmetrics.image.lpip import LearnedPerceptualImagePatchSimilarity
from torchmetrics.image import StructuralSimilarityIndexMeasure
from torchmetrics.image import PeakSignalNoiseRatio_ torch.manual_seed(123)def psnr_torch(img1, img2):mse ((img1 - img2) ** 2).view(img1.shape[0], -1).mean(1, keepdimTrue)return 20 * torch.log10(1.0 / torch.sqrt(mse))def psnr(img1, img2):metric PeakSignalNoiseRatio()return metric(img1, img2)def ssim(img1, img2):metric StructuralSimilarityIndexMeasure(data_range1.0)return metric(img1, img2)def lpips(img1, img2):metric LearnedPerceptualImagePatchSimilarity(net_typevgg)return metric(img1, img2)def _main():img1 torch.rand(1, 3, 100, 100)img2 torch.rand(1, 3, 100, 100)# PSNRprint(PNSR: , psnr_torch(img1, img2))print(PNSR1: , psnr(img1, img2))print(SSIM: , ssim(img1, img2))print(LPIPS: , lpips(img1, img2))if __name__ __main__:_main()
代码里给了两种PSNR实现方法计算结果差别不大。欢迎自取
