---
created: 2025-08-03 21:19:11
tags:
  - "Research"
  - "复现"
  - "MDMS"
  - "低光增强"
  - "评价指标"
---

PSNR、SSIM 和 LPIPS 是常用的图像质量评价指标，用于衡量图像处理或重建的效果。

### 1. **PSNR（Peak Signal-to-Noise Ratio，峰值信噪比）**

- **定义**：PSNR 是基于均方误差（MSE）的指标，衡量原始图像与处理图像之间的像素差异。

- **公式**：
  
  $\text{PSNR} = 10 \cdot \log_{10} \left( \frac{\text{MAX}_I^2}{\text{MSE}} \right)
  $

- 其中，$\text{MAX}_I$ 是图像像素的最大值（如 255），MSE 是均方误差。

- **特点**：
  
  - 计算简单，但对感知质量的反映有限。
  - 值越高，表示图像质量越好，但高 PSNR 不一定对应更好的视觉感知质量。

### 2. **SSIM（Structural Similarity Index，结构相似性）**

- **定义**：SSIM 衡量两幅图像在亮度、对比度和结构上的相似性。
- **公式**：
  $\text{SSIM}(x, y) = \frac{(2\mu_x\mu_y + C_1)(2\sigma_{xy} + C_2)}{(\mu_x^2 + \mu_y^2 + C_1)(\sigma_x^2 + \sigma_y^2 + C_2)}$
  其中，$$\mu_x$ 和 $\mu_y$ 是均值，$\sigma_x$ 和 $\sigma_y$ 是标准差，$\sigma_{xy}$ 是协方差，$C_1 $和 $C_2$ 是常数。
- **特点**：
  - 更符合人类视觉感知，能够捕捉结构信息。
  - 值范围在 [-1, 1]，1 表示完全相同。

### 3. **LPIPS（Learned Perceptual Image Patch Similarity，学习感知图像块相似性）**

- **定义**：LPIPS 使用深度学习模型提取图像特征，计算特征空间中的距离。
- **方法**：
  - 通过预训练网络（如 VGG 或 AlexNet）提取图像特征。
  - 计算特征向量之间的加权距离。
- **特点**：
  - 更符合人类感知，能够捕捉高层次语义信息。
  - 值越低，表示图像越相似。

### 总结

- **PSNR**：基于像素误差，计算简单，但对感知质量反映有限。
- **SSIM**：考虑亮度、对比度和结构，更符合人类视觉。
- **LPIPS**：基于深度学习特征，能更好反映感知质量，但计算复杂度较高。

这些指标各有优劣，通常结合使用以全面评估图像质量。