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。文章来源地址https://uudwc.com/A/b1oER

import os

import cv2
import numpy as np
from PIL import Image
from skimage.metrics import structural_similarity
from skimage.metrics import peak_signal_noise_ratio

import warnings
warnings.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SSIM
SSIM = 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 os

import cv2
import numpy as np
from PIL import Image
from skimage.metrics import structural_similarity
from skimage.metrics import peak_signal_noise_ratio

import warnings
warnings.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SSIM
	SSIM = 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))