前言

在PyTorch中，可以使用 torchvision 庫中的 SSIM 函數(shù)來計(jì)算結(jié)構(gòu)相似性指數(shù) (SSIM)。

SSIM 函數(shù)的簽名如下：

torchvision.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，參數(shù)的含義如下：

• data_range：輸入數(shù)據(jù)的范圍，通常為1.0或255.0。
• win_size：滑動(dòng)窗口的大小。
• win_sigma：滑動(dòng)窗口的高斯核標(biāo)準(zhǔn)差。
• k1、k2：SSIM計(jì)算公式中的常數(shù)。
• nonnegative_ssim：是否將SSIM限制在非負(fù)數(shù)范圍內(nèi)。
• eps：數(shù)值穩(wěn)定性的參數(shù)。
• reduction：用于計(jì)算損失的降維方法，可以取值為 mean、sum 或 none。

下面是一個(gè)使用 SSIM 函數(shù)計(jì)算兩張圖片的 SSIM 值的例子：

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

# 讀取兩張圖片
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)

# 計(jì)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 是兩張待比較的圖片。首先使用 pil_loader 函數(shù)讀取圖片，然后使用 resize 函數(shù)將圖片大小調(diào)整為256x256，最后使用 to_tensor 函數(shù)將 PIL.Image 對(duì)象轉(zhuǎn)換為 PyTorch 張量。

在計(jì)算 SSIM 值時(shí)，我們需要先創(chuàng)建一個(gè) SSIM 對(duì)象，然后將兩張圖片作為參數(shù)傳入即可。計(jì)算結(jié)果將會(huì)是一個(gè)標(biāo)量張量

使用skimage計(jì)算

from skimage.measure import compare_ssim as ssim


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取值范圍

SSIM（結(jié)構(gòu)相似性指標(biāo)）是一種用于測(cè)量圖像質(zhì)量的方法，其取值范圍為-1到1之間，其中1表示兩幅圖像完全相同，-1表示兩幅圖像完全不同。通常情況下，SSIM值越高，表示兩幅圖像越相似，質(zhì)量也越好。常見的SSIM取值范圍如下：

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是一種相對(duì)度量，而不是絕對(duì)度量。這意味著SSIM值的實(shí)際意義取決于它與其他圖像的比較結(jié)果。因此，在評(píng)估圖像質(zhì)量時(shí)，應(yīng)該使用多個(gè)SSIM值進(jìn)行比較，以便得出更準(zhǔn)確的結(jié)論。

關(guān)于取到負(fù)數(shù)：SSIM（結(jié)構(gòu)相似性指標(biāo)）可以取到負(fù)數(shù)。SSIM的取值范圍是-1到1之間，其中1表示兩幅圖像完全相同，0表示兩幅圖像沒有相似性，而-1表示兩幅圖像完全不同。在實(shí)際應(yīng)用中，SSIM值通常是在0到1之間，表示圖像的相似度越高，SSIM值越接近1。但是，在一些情況下，SSIM值可能會(huì)低于0，這通常發(fā)生在比較的兩幅圖像之一具有負(fù)值像素時(shí)。在這種情況下，SSIM將返回一個(gè)負(fù)數(shù)。因此，當(dāng)使用SSIM作為圖像質(zhì)量度量時(shí)，需要注意檢查SSIM值是否為負(fù)，并對(duì)其進(jìn)行解釋。

附：PyTorch中的SSIM損失函數(shù)的參數(shù)

F.ssim_loss函數(shù)有一些可選參數(shù)，可以用于調(diào)整計(jì)算SSIM損失的方式。下面是一些常用參數(shù)的說明：

• data_range：指定圖像像素值的范圍，默認(rèn)為1.0。如果圖像像素值在0到1之間，可以保持默認(rèn)值。
• size_average：指定是否對(duì)每個(gè)像素的SSIM進(jìn)行平均，默認(rèn)為True。如果設(shè)置為False，將返回每個(gè)像素的SSIM值。

例如，如果想計(jì)算每個(gè)像素的SSIM值，并且圖像像素值范圍在0到255之間，可以使用以下代碼：

import torch
import torch.nn.functional as F

# 隨機(jī)生成兩個(gè)圖像，假設(shè)圖像大小為256x256
x = torch.rand((1, 3, 256, 256))
y = torch.rand((1, 3, 256, 256))

# 計(jì)算每個(gè)像素的SSIM損失，圖像像素值范圍為0到255
loss = 1 - F.ssim_loss(x, y, data_range=255, size_average=False)

print(loss)

總結(jié)

到此這篇關(guān)于pytorch ssim計(jì)算的文章就介紹到這了,更多相關(guān)pytorch ssim計(jì)算內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論