python计算图像结构相似度（SSIM）实例_图像相似度计算_图像质量评价

scient

scient一个用python实现科学计算相关算法的包，包括自然语言、图像、神经网络、优化算法、机器学习、图计算等模块。

scient源码和编译安装包可以在Python package index获取。

The source code and binary installers for the latest released version are available at the [Python package index].

https://pypi.org/project/scient

可以用pip安装scient。

You can install scient like this:

pip install scient

也可以用setup.py安装。

Or in the scient directory, execute:

python setup.py install

scient.image

图像相关算法模块，包括边缘检测、图像相似度计算、图像质量评价、图像特征提取等。

scient.image.friqa

全参考图像质量评价模块，包括峰值信噪比（PSNR），结构相似度（SSIM），直方图相似度（HistSim）。

scient.image.friqa.ssim(image1,image2,k1=0.01,k2=0.03,block_size=(8, 8),max_pix=255)

Parameters

image1 : numpy.array 2D

image2 : numpy.array 2D

k1 : float, optional，k1<<1,避免分母为0造成不稳定. The default is 0.01.

k2 : float, optional，k2<<1,避免分母为0造成不稳定. The default is 0.03.

block_size : tuple, optional，将图像分成多个block,采用gaussian加权计算所有block的均值、方差、协方差,进而计算所有block的ssim,最后的ssim取所有block的平均值. The default is (8,8).

max_pix : int, optional default is 255, 像素值的最大值，默认值是255.

Returns

float

Algorithms

SSIM(Structural Similarity)，结构相似度，用于衡量两个图像相似程度，或检测图像的失真程度。
SSIM基于样本之间的亮度(luminance,像素平均值)、对比度(contrast,像素标准差)和结构(structure,像素减均值除以标准差)计算。

$$SSIM(x,y)=f(l(x,y),c(x,y),s(x,y))$$

$l(x,y)$为亮度对比函数，是关于图像的平均灰度${\mu }_x,{\mu }_y$的函数；

$$\begin{gathered} l(x,y)=\frac{2{\mu }_x{\mu }_y+C1}{{\mu }_x^2{\mu }_y^2+C1} \\ {\mu }_x=\frac{1}{N}\sum _{i=1}^N{x}_i \\ C1=(K_{1}L{)}^2 \end{gathered}$$

像素值的最大值，默认值是255. K1<<1。

$c(x,y)$为对比度对比函数，是关于图像的标准差${\sigma }_x,{\sigma }_y$的函数；

$$\begin{gathered} c(x,y)=\frac{2{\sigma }_x{\sigma }_y+C2}{{\sigma }_x^2{\sigma }_y^2+C2} \\ {\sigma }_x=(\frac{1}{N-1}\sum _{i=1}^N(x_i-{\mu }_x{)}^2{)}^{\frac{1}{2}} \\ C2=(K_{2}L{)}^2 \end{gathered}$$

K2<<1

$s(x,y)$为结构对比函数，是关于图像的标准化$\frac{x-{\mu }_x}{{\sigma }_x},\frac{y-{\mu }_y}{{\sigma }_y}$的函数；

$$\begin{gathered} s(x,y)=\frac{{\sigma }_{xy}+C3}{{\sigma }_x{\sigma }_y+C3} \\ {\sigma }_{xy}=\frac{1}{N-1}(\sum _{i=1}^N(x_i-{\mu }_x)(y_i-{\mu }_y)) \end{gathered}$$

$$SSIM(x,y)=[l(x,y){]}^{\alpha }[c(x,y){]}^{\beta }[s(x,y){]}^{\gamma }$$

α,β,γ取1，令$C_3=\frac{C_2}{2}$，可将SSIM简化为：

$$SSIM(x,y)=\frac{(2{\mu }_x{\mu }_y+C1)(2{\sigma }_{xy}+C2)}{({\mu }_x^2{\mu }_y^2+C1)({\sigma }_x^2{\sigma }_y^2+C2)}$$

SSIM取值范围为[0,1]，值越大表示图像质量越好。
SSIM具有：对称性，ssim(x,y)=ssim(y,x);
有界性,ssim(x,y)<=1;
最大值唯一性，当且仅当x==y时，ssim(x,y)==1。
SSIM缺点：对于图像出现位移、缩放、旋转（皆属于非结构性的失真）的情况无法有效的判断。

Examples

import os
from scient.image import friqa
import numpy
from PIL import Image

ref_image='test/data/I10.BMP'
images=['test/data/I10.BMP','test/data/i10_23_3.bmp','test/data/i10_23_4.bmp','test/data/i10_23_5.bmp','test/data/i10_24_5.bmp']

#读取图像文件
ref_image=Image.open(os.path.join(os.path.dirname(friqa.__file__),'..',ref_image))
images=[Image.open(os.path.join(os.path.dirname(friqa.__file__),'..',i)) for i in images]

#计算ssim
for i in images:
    print(friqa.ssim(numpy.array(ref_image.convert("L")),numpy.array(i.convert("L"))))

运行结果

1.0
0.8568124416229375
0.6810351495300123
0.5575398637742431
0.5072153083460104