|
目录
😺一、MSE（Mean Squared Error）均方误差😺二、PSNR（Peak Signal-to-Noise Ratio）峰值信噪比😺三、SSIM（structural similarity）结构相似性😺四、代码实现
评价一幅图像质量的好坏有多种方式，目前最常用的是
PSNR、SSIM、MSE。
😺一、MSE（Mean Squared Error）均方误差
MSE是预测值f(x)与目标值y之间差值平方和的均值，公式表示为：
M
S
E
=
∑
i
=
1
n
(
f
(
x
)
−
y
)
2
n
MSE=\frac{\sum_{i=1}^{n}(f(x)-y)^{2}}{n}
MSE=n∑i=1n(f(x)−y)2 对于图像来说，两个m×n单色图像I和K，如果一个为另一个的噪声近似，那么它们的均方误差定义为：
M
S
E
=
1
m
n
∑
i
=
0
m
−
1
∑
j
=
0
n
−
1
[
I
(
i
,
j
)
−
K
(
i
,
j
)
]
2
MSE=\frac{1}{mn}\sum_{i=0}^{m-1}\sum_{j=0}^{n-1}[I(i,j)-K(i,j)]^{2}
MSE=mn1i=0∑m−1j=0∑n−1[I(i,j)−K(i,j)]2 优点：MSE的函数曲线光滑、连续，处处可导，便于使用梯度下降算法，是一种常用的损失函数。而且，随着误差的减小，梯度也在减小，这有利于收敛，即使使用固定的学习速率，也能较快的收敛到最小值。
缺点：当真实值y和预测值f(x)的差值大于1时，会放大误差；而当差值小于1时，则会缩小误差，这是平方运算决定的。MSE对于较大的误差(>1)给予较大的惩罚，较小的误差( |