python 实施八个评估指标来访问两个图像之间的相似性。这八个指标如下：RMSE、PSNR、SSIM、ISSM、FSIM、SRE、SAM 和 UIQ。 图像相似度测量 实施八个评估指标来访问两个图像之间的相似性。八项指标如下： 均方根误差 (RMSE) , 峰值信噪比 (PSNR) , 结构相似性指数（SSIM）， 基于特征的相似度指数（FSIM）， 基于信息论的统计相似性度量（ISSM）， 信号重构误差比 (SRE) , 光谱角映射器 (SAM)和 通用图像质量指数 (UIQ) 指示 以下分步说明将指导您安装此软件包并使用命令行工具运行评估。 注意：支持的 python 版本为 3.6、3.7、3.8 和 3.9。 安装包 pip install image-similarity-measures 为了更快地评估 FSIM 指标，pyfftw需要该软件包。您可以单独安装它，也可以通过speedups额外的： 更多详情、使用方法，请下载后阅读README.md文件

特征相似度评价算法远吗，Matlab实现代码

该论文介绍特征相似度用来评价图像质量，比较经典的算法，是各类先进算法的参考对象，值得学习。

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。

pytorch-fsim Pytorch中特征相似性指标度量的可微实现

图像质量评估指标，特征相似度(FSIM)，matlab代码（亲测可使用），用于图像质量评价，原始图像与处理后的图像计算它们的峰值信噪比，比值越高越优。

文档是feature similarity 图像质量评估指标的描述论文

MATLAB代码，图像质量评价标准，FSIM