psnr和ssim的pytorch代码

### 回答1：
PSNR的PyTorch代码：

import torch

def psnr(img1, img2):
    mse = torch.mean((img1 - img2) ** 2)
    if mse == :
        return float('inf')
    PIXEL_MAX = 1
    return 20 * torch.log10(PIXEL_MAX / torch.sqrt(mse))

SSIM的PyTorch代码：

import torch
import torch.nn.functional as F

def ssim(img1, img2, window_size=11, window=None, size_average=True):
    if window is None:
        window = create_window(window_size, img1.shape[1]).to(img1.device)
    mu1 = F.conv2d(img1, window, padding=window_size//2, groups=img1.shape[1])
    mu2 = F.conv2d(img2, window, padding=window_size//2, groups=img1.shape[1])

    mu1_sq = mu1.pow(2)
    mu2_sq = mu2.pow(2)
    mu1_mu2 = mu1 * mu2

    sigma1_sq = F.conv2d(img1 * img1, window, padding=window_size//2, groups=img1.shape[1]) - mu1_sq
    sigma2_sq = F.conv2d(img2 * img2, window, padding=window_size//2, groups=img1.shape[1]) - mu2_sq
    sigma12 = F.conv2d(img1 * img2, window, padding=window_size//2, groups=img1.shape[1]) - mu1_mu2

    C1 = (.01 * 1) ** 2
    C2 = (.03 * 1) ** 2

    ssim_map = ((2 * mu1_mu2 + C1) * (2 * sigma12 + C2)) / ((mu1_sq + mu2_sq + C1) * (sigma1_sq + sigma2_sq + C2))
    if size_average:
        return ssim_map.mean()
    else:
        return ssim_map.mean(1).mean(1).mean(1)

def create_window(window_size, channel):
    _1D_window = torch.tensor([math.exp(-(x - window_size//2)**2/float(2*1.5**2)) for x in range(window_size)])
    _1D_window = _1D_window / _1D_window.sum()
    window = _1D_window.unsqueeze().unsqueeze(1).repeat(channel, 1, window_size, 1)
    return window

### 回答2：
PSNR和SSIM是常用的图像质量评价指标。PSNR（Peak Signal-to-Noise Ratio）衡量原始图像与压缩图像之间的质量损失，通过计算均方误差（MSE）来评估两幅图像之间的相似度。SSIM（Structural Similarity Index）是一种结构相似度评价指标，它在图像数量表述和信息处理方面有更好的表现。接下来我将用Pytorch代码演示如何计算PSNR和SSIM指标。

1. PSNR

在Pytorch中，我们可以使用以下代码来计算PSNR指标：

import torch
import torch.nn.functional as F

def PSNR(img1, img2):
    mse = F.mse_loss(img1, img2)
    max_pixel = 1.0
    psnr = 20 * torch.log10(max_pixel / torch.sqrt(mse))
    return psnr.item()

在上面的代码中，我们使用了Pytorch中的F.mse_loss函数来计算两幅图像之间的均方误差（MSE）。我们还需要指定图像像素的最大值，这里我们将其设置为1.0。最后，通过使用PSNR公式，我们计算并返回PSNR值。

2. SSIM

在Pytorch中，我们可以使用以下代码来计算SSIM指标：

import torch
import torch.nn.functional as F

def SSIM(img1, img2, window_size=11, size_average=True):
    channel = img1.size(1)
    window = create_window(window_size, channel)
    mu1 = F.conv2d(img1, window, padding=window_size//2, groups=channel)
    mu2 = F.conv2d(img2, window, padding=window_size//2, groups=channel)

    mu1_sq = mu1.pow(2)
    mu2_sq = mu2.pow(2)
    mu1_mu2 = mu1 * mu2

    sigma1_sq = F.conv2d(img1 * img1, window, padding=window_size//2, groups=channel) - mu1_sq
    sigma2_sq = F.conv2d(img2 * img2, window, padding=window_size//2, groups=channel) - mu2_sq
    sigma12 = F.conv2d(img1 * img2, window, padding=window_size//2, groups=channel) - mu1_mu2

    C1 = 0.01 ** 2
    C2 = 0.03 ** 2

    ssim_map = ((2 * mu1_mu2 + C1) * (2 * sigma12 + C2)) / ((mu1_sq + mu2_sq + C1) * (sigma1_sq + sigma2_sq + C2))
    if size_average:
        return ssim_map.mean().item()
    else:
        return ssim_map.mean(1).mean(1).mean(1).item()

def create_window(window_size, channel):
    window = torch.Tensor(window_size, window_size).type(torch.FloatTensor)
    _window = window.expand(channel, 1, window_size, window_size)
    return _window / (_window ** 2).sum([2, 3]).sqrt().unsqueeze(1)

在上面的代码中，我们定义了create_window函数来创建一个SSIM窗口（也称为高斯加权窗口），它将依次应用于每个颜色通道。然后我们计算两幅图像之间的均值和标准偏差，并应用公式计算SSIM值。我们还需要指定窗口的大小，默认为11。最后，如果size_average参数设置为True，则返回平均值，否则返回每个图像的值。

### 回答3：
PSNR和SSIM是衡量图像品质的两个重要指标。PSNR是Peak Signal-to-Noise Ratio的缩写，即峰值信噪比。而SSIM是Structural Similarity Index的缩写，即结构相似性指标。现在我们来看一下如何使用PyTorch来计算PSNR和SSIM。

1. PSNR

PSNR的计算公式如下：

PSNR = 10 * log10(max^2 / MSE)

其中，max是像素的最大值（一般是255），MSE为均方误差（Mean Squared Error），公式如下：

MSE = 1/n * ∑(i=1~n) (f(i) - g(i))^2

其中，f(i)和g(i)分别表示两个图像在第i个像素点的值，n为像素数。

下面是PyTorch中计算PSNR的代码：

import torch
import torch.nn.functional as F

def psnr(img1, img2):
    mse = F.mse_loss(img1, img2)
    psnr = 10 * torch.log10(255**2 / mse)
    return psnr

其中，img1和img2可以是两张图像的Tensor或Variable。

2. SSIM

SSIM的计算公式如下：

SSIM = (2μ1μ2 + C1)(2σ12 + C2) / (μ1^2 + μ2^2 + C1)(σ1^2 + σ2^2 + C2)

其中，μ1、μ2为两张图像的均值，σ1、σ2为两张图像的标准差，σ12为两张图像的协方差，C1和C2是常数，用于避免分母为0。

下面是PyTorch中计算SSIM的代码：

import torch
import torch.nn.functional as F

def ssim(img1, img2):
    C1 = (0.01 * 255)**2
    C2 = (0.03 * 255)**2

    mu1 = F.avg_pool2d(img1, 3, 1, 0)
    mu2 = F.avg_pool2d(img2, 3, 1, 0)
    sigma1 = F.avg_pool2d(img1**2, 3, 1, 0) - mu1**2
    sigma2 = F.avg_pool2d(img2**2, 3, 1, 0) - mu2**2
    sigma12 = F.avg_pool2d(img1 * img2, 3, 1, 0) - mu1 * mu2

    ssim_num = (2 * mu1 * mu2 + C1) * (2 * sigma12 + C2)
    ssim_den = (mu1**2 + mu2**2 + C1) * (sigma1 + sigma2 + C2)
    ssim = ssim_num / ssim_den

    return ssim.mean()

其中，img1和img2同样可以是两张图像的Tensor或Variable。C1和C2在上面的代码中取的是默认值，也可以根据不同的需求进行调整。