pytorch ssim计算详细代码例子_开发_开发者

前言

在PyTorch中，可以使用 torchvision 库中的 SSIM 函数来计算结构相似性指数 (SSIM)。

SSIM 函数的签名如下：

torchvisio编程客栈n.metrics.SSIM(data_range: Union[int, float] = 1, win_size: int = 11, win_sigma: float = 1.5, k1: float = 0.01, k2: float = 0.03, nonnegative_ssim: bool = False, eps: float = 1e-8, reduction: str = 'mean')

其中，参数的含义如下：

data_range：输入数据的范围，通常为1.0或255.0。
win_size：滑动窗口的大小。
win_sigma：滑动窗口的高斯核标准差。
k1、k2：SSIM计算公式中的常数。
nonnegative_ssim：是否将SSIM限制在非负数范围内。
eps：数值稳定性的参数。
reduction编程客栈：用于计算损失的降维方法，可以取值为 mean、sum 或 none。

下面是一个使用 SSIM 函数计算两张图片的 SSIM 值的例子：

import torch
import torchvision.transforms.functional as F
import torchvision.metrics as metrics

# 读取两张图片
img1 = F.to_tensor(F.resize(F.pil_loader('img1.jpg'), (256, 256))).unsqueeze(0)
img2 = F.to_tensor(F.resize(F.pil_loader('img2.jpg'), (256, 256))).unsqueeze(0)

# 计算 SSIM
ssim = metrics.SSIM(data_range=1.0, win_size=11, win_sigma=1.5, k1=0.01, k2=0.03, eps=1e-8, reduction='mean')
print(ssim(img1, img2))

其中，img1.jpg 和 img2.jpg 是两张待比较的图片。首先使用 pil_loader 函数读取图片，然后使用 resize 函数将图片大小调整为256x256，最后使用 to_tensor 函数将 PIL.Image 对象转换为 PyTorch 张量。

在计算 SSIM 值时，我们需要先创建一个 SSIM 对象，然后将两张图片作为参数传入即可。计算结果将会是一个标量张量

使用skimage计算

from skimage.measure import compare_ssim as dbmISNjYbassim
python

def ssim_metric(target: object, prediction: object, win_size: int=21):
    """
    introduce:
        calculate ssim.
        
    args:
        :param ndarray target: target, like ndarray[256, 256].
        :param ndarray prediction: prediction, like ndarray[256, 256].
        :param int win_size: default.
    
    return:
        :param float cur_ssim: return ssim, between [-1, 1], like 0.72.
    """
    cur_ssim = ssim(
        target,
        prediction,
        win_size=win_size,
        data_range=target.max() - target.min(),
    )

    return cur_ssim

SSIM取值范围

SSIM（结构相似性指标）是一种用于测量图像质量的方法，其取值范围为-1到1之间，其中1表示两幅图像完全相同，-1表示两幅图像完全不同。通常情况下，SSIM值越高，表示两幅图像越相似，质量也越好。常见的SSIM取值范围如下：

1：完美匹配
0.9 - 1：非常好
0.7 - 0.9：良好
0.5 - 0.7：一般
0.3 - 0.5：差
0 - 0.3：非常差

需要注意的是，SSIM是一种相对度量，而不是绝对度量。这意味着SSIM值的实际意义取决于它与其他图像的比较结果。因此，在评估图像质量时，应该使用多个SSIM值进行比较，以便得出更准确的结论。

关于取到负数：SSIM（结构相似性指标）可以取到负数。SSIM的取值范围是-1到1之间，其中1表示两幅图像完全相同，0表示两幅图像没有相似性，而-1表示两幅图像完全不同。在实际应用中，SSIM值通常是在0到1之间，表示图像的相似度越高，SSIM值越接近1。但是，在一些情况下，SSIM值可能会低于0，这通常发生在比较的两幅图像之一具有负值像素时。在这种情况下，SSIM将返回一个负数。因此，当使用SSIM作为图像质量度量时，需要注意检查SSIM值是否为负，并对其进行解释。

附：PyTorch中的SSIM损失函数的参数

F.ssim_loss函数有一些可选参数，可以用于调整计算SSIM损失的方式。下面是一些常用参数的说明：

data_range：指定图像像素值的范围，默认为1.0。如果图像像素值在0到1之间，可以保持默认值。
size_average：指定是否对每个像素的SSIM进行平均，默认为True。如果设置为False，将返回每个像素的SSIM值。

例如，如果想计算每个像素的SSIM值，并且图像像素值范围在0到255之间，可以使用以下代码：

import torch
import torch.nn.functional as F

# 随机生成两个图像，假设图像大小为256x256
x = torch.rand((1, 3, 256, 256))
phpy = torch.rand((1, 3, 256, 256))

# 计算每个像素的SSIM损失，图像像素值范围为0到255
loss = 1 - F.ssim_loss(x, y, data_range=255, size_average=False)

print(loss)