写个python程序计算psnr

PSNR是一种用于衡量图像压缩质量的指标，可以通过编写Python程序来计算PSNR。计算PSNR需要比较两张图片的像素值，并计算它们之间的均方误差（MSE）。下面是一个简单的Python代码示例：

import cv2
import numpy as np

def psnr(img1, img2):
    mse = np.mean((img1 - img2) ** 2)
    if mse == 0:
        return 100
    PIXEL_MAX = 255.0
    return 20 * np.log10(PIXEL_MAX / np.sqrt(mse))

# 加载两张图片
img1 = cv2.imread("image1.jpg")
img2 = cv2.imread("image2.jpg")

# 计算PSNR值
psnr_value = psnr(img1, img2)
print("PSNR值为:", psnr_value)

在这个示例中，我们首先使用OpenCV库加载两张图片。然后，我们定义一个名为“psnr”的函数，该函数接受两个图像作为输入，并返回它们之间的PSNR值。最后，我们在主程序中调用“psnr”函数，并将结果打印出来。

相关问题

psnr python

PSNR是峰值信噪比（Peak Signal-to-Noise Ratio）的缩写，用于衡量图像质量的指标。计算PSNR的公式为：PSNR = 20 * log10(MAX / sqrt(MSE))，其中MAX表示像素值的最大可能取值（例如255），MSE表示均方误差（Mean Squared Error）。

根据引用提供的代码，你可以使用OpenCV和NumPy库来计算图像的PSNR。在这个代码示例中，首先将图像转换为YCbCr格式，然后只计算Y分量的PSNR。具体的实现步骤如下：

1. 导入必要的库：import cv2 as cv, import numpy as np, import math。
2. 定义一个名为psnr的函数，该函数接受两个图像作为输入参数，计算它们的PSNR，并返回结果。PSNR的计算公式为20 * log10(255 / sqrt(mse))，其中mse表示均方误差。
3. 定义一个名为main的函数，该函数是程序的入口点。
4. 在main函数中，使用cv.imread函数读取原始图像和压缩后的图像。
5. 调用psnr函数，传入这两个图像作为参数，并将结果赋值给变量res。
6. 使用print函数打印结果。

根据引用提供的代码，你也可以使用第三方库scikit-image来计算图像的PSNR。这个库中有一个名为peak_signal_noise_ratio的函数可以直接计算图像的PSNR。具体的实现步骤如下：

1. 导入必要的库：from skimage.metrics import peak_signal_noise_ratio as psnr, from PIL import Image, import numpy as np。
2. 使用Image.open函数打开原始图像和压缩后的图像，并使用np.array函数将它们转换为NumPy数组。
3. 调用psnr函数，传入这两个图像作为参数，并将结果打印出来。

根据引用提供的修改后的代码，你也可以使用PIL库和NumPy库来计算图像的PSNR。具体的实现步骤如下：

1. 导入必要的库：from PIL import Image, import numpy as np。
2. 使用Image.open函数打开原始图像和压缩后的图像，并使用np.array函数将它们转换为NumPy数组。同时，将数组的数据类型设置为float64。
3. 定义一个名为psnr的函数，该函数接受两个图像作为输入参数，计算它们的PSNR，并返回结果。PSNR的计算公式为20 * log10(255 / sqrt(mse))，其中mse表示均方误差。
4. 在main函数中，调用psnr函数，传入这两个图像作为参数，并将结果打印出来。

请帮我写一个opencv python 程序，计算图片经过均值滤波、中值滤波、自适应中值滤波、两次小波分解滤波后的MSE,P SNR值，从而评价这几个滤波处理的结果的好坏

在OpenCV中，计算图像处理后（如滤波）的MSE（均方误差）和PSNR（峰值信噪比）通常用于比较原始图像和处理后的图像质量。以下是使用Python和OpenCV来实现这个功能的一个简单示例，涵盖了你提到的几种滤波方法：

import cv2
import numpy as np
from skimage.measure import compare_ssim
from scipy.fftpack import dct, idct

def calculate_mse(original_image, processed_image):
    mse = np.mean((original_image - processed_image) ** 2)
    return mse

def calculate_psnr(original_image, processed_image):
    mse = calculate_mse(original_image, processed_image)
    max_pixel_value = 255.0  # 对于8位灰度图像
    psnr = 10 * np.log10(max_pixel_value**2 / mse)
    return psnr

# 假设你已经有了原始图像和滤波后的图像
original_image = cv2.imread('original.jpg', 0)  # 读取灰度图像
processed_images = {
    "mean": cv2.blur(original_image, (3, 3)),  # 均值滤波
    "median": cv2.medianBlur(original_image, 5),  # 中值滤波
    "adaptive_median": cv2.adaptiveMedianFilter(original_image, (5, 5), cv2.ADAPTIVE_THRESH_GAUSSIAN_C),  # 自适应中值滤波
    "wavelet": np.abs(dct(dct(original_image, norm="ortho", axis=-1), norm="ortho", axis=-2)),  # 二次小波分解滤波
}

mse_values = []
psnr_values = []

for name, filtered_image in processed_images.items():
    mse = calculate_mse(original_image, filtered_image)
    psnr = calculate_psnr(original_image, filtered_image)
    mse_values.append(mse)
    psnr_values.append(psnr)
    print(f"{name} MSE: {mse:.4f}, PSNR: {psnr:.4f}")

# 结果总结
print("\nOverall comparison:")
for i, (method, (mse, psnr)) in enumerate(zip(processed_images.keys(), zip(mse_values, psnr_values))):
    print(f"{i+1}. {method}: MSE = {mse:.4f}, PSNR = {psnr:.4f}")
    
# 如果需要，可以使用skimage.metrics.structural_similarity()计算SSIM作为额外的评估指标
ssim_values = [compare_ssim(original_image, filtered_image, multichannel=True) for filtered_image in processed_images.values()]
print("SSIM values:", ssim_values)

这个程序首先定义了计算MSE和PSNR的方法，然后读取原始图像并应用各种滤波操作。最后，它计算每种滤波方法下的MSE和PSNR值，并输出对比结果。