MSE,PSNR,SSIM

-- TOC --

MSE: Mean Squared Error between original frame and impaired (compressed).

均方误差,就是将两张图片的每个pixel值相减,平方,求和,再平均。(两张图片的宽和高要一样,否则没法计算)

$$\text{MSE}=\frac{1}{H \times W}\sum_{i=1}^{H}\sum_{j=1}^{W}\bigl(X(i,j)-Y(i,j)\bigr)^2$$

MSE越小越好!

也有用MSE来直接比较图像质量的。

PSNR,Peak Signal to Noise Ratio.

峰值信噪比,用来客观评价视频压缩质量的一个常用的数量指标,有缺陷,但似乎一直没有更好的指标出来:

$$PSNR_{db}=10\cdot\log_{10}\frac{(2^n-1)^2}{\text{MSE}}$$

n一般取8,一个channel的bit depth。

PSNR越大越好!越大,就表示MSE越小。

PSNR的缺陷在于:

  1. 需要用 original frame 来参与计算(MSE),但有时可能难以获取或分辨其fidelity;(RGB转YUV后再传输)
  2. 与 subjective video quality measure (ITU-R 500)的相关性不好,更低的PSNR值在主观上并不一定就更差,比如一张仅做了背景虚化的图片,它的PSNR可能很低,但是视觉效果并不差。

上述计算公式可用于只有一个channel的图片计算。如果是彩色图片,有3个channel的情况,如何计算PSNR呢?

  1. 分别计算 RGB 三个通道的 PSNR,然后取平均值。
  2. 将图片转化为 YCbCr 格式,然后只计算 Y 分量也就是亮度分量的 PSNR。(MSE可以取三个通道的均值)
  3. 将图片转为灰度图,计算灰度图的PSNR。(MSE可以取三个通道的均值)
  4. \(PSNR_{yuv}=(6\times PSNR_{y}+PSNR_{u}+PSNR_{v})/8\),这个公式被很多专家使用。

还有一些其它的方法,注意上下文。

average PSNR:将所有frame的PSNR加总取平均。

SSIM,Structural SIMilarity.

结构相似性,是一种全参考的图像质量评价指标,它分别从亮度、对比度、结构三方面度量图像相似性。

本文链接:https://cs.pynote.net/ag/image/202209141/

-- EOF --

-- MORE --