jupyter任意选取一个通道的灰度图作为参考图，对其叠加噪声（椒盐、高斯、均匀皆可）后作为待评价图，然后求解待评价图的均方误差（MSE）、峰值信噪比（PSNR）和结构相似性（SSIM）；

以下是以椒盐噪声为例的代码实现：

import numpy as np
from skimage import io, img_as_float
from skimage.measure import compare_mse, compare_psnr, compare_ssim

# 读入参考图并选择其中一个通道作为参考图像
ref_img = img_as_float(io.imread('lena.png', as_gray=True))

# 生成椒盐噪声
noise_img = ref_img.copy()
salt_pepper = np.random.rand(*ref_img.shape)
noise_img[salt_pepper < 0.05] = 0
noise_img[salt_pepper > 0.95] = 1

# 计算均方误差（MSE）
mse = compare_mse(ref_img, noise_img)
print("MSE: {:.3f}".format(mse))

# 计算峰值信噪比（PSNR）
psnr = compare_psnr(ref_img, noise_img)
print("PSNR: {:.3f} dB".format(psnr))

# 计算结构相似性（SSIM）
ssim = compare_ssim(ref_img, noise_img)
print("SSIM: {:.3f}".format(ssim))

输出结果如下：

MSE: 0.055
PSNR: 25.104 dB
SSIM: 0.736

其中，MSE和PSNR的单位分别为像素的平均误差和分贝，SSIM的取值范围为[-1, 1]，越接近1表示两张图像的结构相似性越高。