C++和OpenCV写的PSNR+SSIM代码，用于测试图像质量

对于所有对象及其功能，质量是非常重要的参数。 在基于图像的对象识别中，图像质量是主要标准。 为了进行真实的图像质量评估，必须具备地面真实性。 但是在实践中，很难找到基本事实。 通常，图像质量是通过完整的参考指标（例如MSE（均方误差）和PSNR（峰值信噪比））进行评估的。 与MSE和PSNR相比，最近，又开发了两个更多的参考度量标准SSIM（结构相似性索引方法）和FSIM（特征相似性索引方法），目的是在此基础上比较还原对象和原始对象之间的结构和特征相似性度量知觉。 本文主要强调比较不同的图像质量指标以提供全面的观点。 通过对不同的噪声浓度进行降噪，可以使用基准图像对这些指标进行实验。 所有指标均给出一致的结果。 但是，从表示的角度来看，对SSIM和FSIM进行了归一化，但对MSE和PSNR未进行归一化。 从语义的角度来看，MSE和PSNR仅给出绝对误差。 另一方面，SSIM和PSNR给出了基于感知和显着性的误差。 因此，与MSE和PSNR相比，可以更容易理解SSIM和FSIM。

SSIM算法，能够比较两图像的质量

同时计算两幅图片的PSNR（峰值信噪比）及SSIM（结构相似性）及MSE（均方差），通过设置不同图片所在的文件夹位置来进行操作。将最终结果展示到终端界面。

图像相似度PSNR和SSIM，图像处理的同学可以参考

此函数计算两个图像之间的复小波结构相似指数 (CW-SSIM)。 请尝试一下，如果有问题请告诉我。 重要的一点：你需要下载 matlabPyrTools 包，可以在这里找到： http ://www.cns.nyu.edu/~lcv/software.php 谢谢梅胡尔

经典full-reference 图像质量评估标准SSIM的MATLAB代码实现。

如下代码可以计算输入的两张图像的结构相似度（SSIM），结果与matlab计算结果一致 // An highlighted block import cv2 import numpy as np def ssim(img1, img2): C1 = (0.01 * 255)**2 C2 = (0.03 * 255)**2 img1 = img1.astype(np.float64) img2 = img2.astype(np.float64) kernel = cv2.getGaussianKernel(11, 1.5) window = np.outer(kerne

PCA图像降噪新算法-LPG PCA，全名叫做Two-stage Image Denoising by Principal Component Analysis with Local Pixel Grouping。内含算法代码和数据集，均经本人实测，可进行灰度图像和RGB图像的降噪，且PSNR和SSIM指标明显好于小波滤波、K-SVD等经典算法。值得学习图像降噪的看看！

简单的SSIM 实现SSIM丢失功能。 实现在Pix2PixLoss.py 。 一个测试示例在test.py