psnr和ssim的pytorch实现并用折线图显示

时间: 2023-08-31 17:43:20 浏览: 117
ZIP

超分重建PSNR和SSIM计算--pytorch.zip

star5星 · 资源好评率100%
### 回答1: PSNR 和 SSIM 的 PyTorch 实现代码如下: ``` import torch import numpy as np import matplotlib.pyplot as plt def psnr(img1, img2): mse = torch.mean((img1 - img2)**2) if mse == 0: return 100 PIXEL_MAX = 1.0 return 20 * torch.log10(PIXEL_MAX / torch.sqrt(mse)) def ssim(img1, img2, data_range=1.0, size_average=True): window = torch.hann_window(11) K1 = 0.01 K2 = 0.03 C1 = (K1 * data_range) ** 2 C2 = (K2 * data_range) ** 2 mu1 = torch.nn.functional.conv2d(img1, window.unsqueeze(0).unsqueeze(0), stride=1, padding=5) mu2 = torch.nn.functional.conv2d(img2, window.unsqueeze(0).unsqueeze(0), stride=1, padding=5) mu1_sq = mu1.pow(2) mu2_sq = mu2.pow(2) mu1_mu2 = mu1 * mu2 sigma1_sq = torch.nn.functional.conv2d(img1 * img1, window.unsqueeze(0).unsqueeze(0), stride=1, padding=5) - mu1_sq sigma2_sq = torch.nn.functional.conv2d(img2 * img2, window.unsqueeze(0).unsqueeze(0), stride=1, padding=5) - mu2_sq sigma12 = torch.nn.functional.conv2d(img1 * img2, window.unsqueeze(0).unsqueeze(0), stride=1, padding=5) - mu1_mu2 if size_average: SSIM = ((2 * mu1_mu2 + C1) * (2 * sigma12 + C2)) / ((mu1_sq + mu2_sq + C1) * (sigma1_sq + sigma2_sq + C2)) else: raise Not ### 回答2: PSNR(峰值信噪比)和SSIM(结构相似性)是评估图像质量的常用指标,它们可以通过PyTorch进行实现。这里我们先介绍一下它们的原理。 PSNR测量的是原始图像与压缩或者失真后图像之间的差别。它的计算公式为: PSNR = 10 * log10((MAX^2) / MSE) 其中,MAX是像素值的最大可能取值,MSE代表均方误差。在PyTorch中,我们可以使用`torch.mean`函数来计算MSE,然后根据PSNR的公式计算出PSNR值。 SSIM衡量的是两幅图像之间的结构相似性。它是基于亮度、对比度和结构三个方面的比较。在PyTorch中,我们可以使用`torch.mean`、`torch.var`、`torch.covar`等函数计算图像的均值、方差和协方差,然后利用这些值计算出SSIM值。 为了显示结果,我们可以使用折线图。在PyTorch中,可以使用Matplotlib库绘制折线图。我们将PSNR和SSIM计算的结果按照图像的索引进行组织,然后使用Matplotlib库的`pyplot.plot`函数将这些结果绘制成折线图。 具体的代码实现如下: ```python import torch import matplotlib.pyplot as plt # 计算PSNR def psnr(original, compressed): mse = torch.mean((original - compressed) ** 2) max_pixel = torch.max(original) psnr = 10 * torch.log10(max_pixel**2 / mse) return psnr # 计算SSIM def ssim(original, compressed): c1 = (0.01 * 255) ** 2 c2 = (0.03 * 255) ** 2 mean_original = torch.mean(original) mean_compressed = torch.mean(compressed) var_original = torch.var(original) var_compressed = torch.var(compressed) cov = torch.mean((original - mean_original) * (compressed - mean_compressed)) ssim = ((2 * mean_original * mean_compressed + c1) * (2 * cov + c2)) / ((mean_original ** 2 + mean_compressed ** 2 + c1) * (var_original + var_compressed + c2)) return ssim # 生成示例图像 original_images = [torch.randn(3, 256, 256) for _ in range(10)] compressed_images = [torch.randn(3, 256, 256) for _ in range(10)] # 计算PSNR和SSIM psnr_values = [] ssim_values = [] for i in range(10): psnr_values.append(psnr(original_images[i], compressed_images[i])) ssim_values.append(ssim(original_images[i], compressed_images[i])) # 显示折线图 plt.plot(range(10), psnr_values, label='PSNR') plt.plot(range(10), ssim_values, label='SSIM') plt.xlabel('Image Index') plt.ylabel('Metric Values') plt.title('PSNR and SSIM') plt.legend() plt.show() ``` 这段代码会生成10个示例图像,并分别计算它们的PSNR和SSIM值。然后使用Matplotlib库绘制一个折线图来显示这些值。折线图中,横坐标代表图像索引,纵坐标代表对应的PSNR和SSIM值。 ### 回答3: PSNR和SSIM是两种常用的用于图像质量评估的指标。下面给出它们的PyTorch实现,并用折线图显示它们在不同图像数据上的值。 首先,我们需要导入所需的库。以下是一个简单的例子: ```python import torch import torch.nn.functional as F import torchvision.transforms.functional as TF import matplotlib.pyplot as plt ``` 下一步是加载图像数据并将其转换为张量。这一步假设你已经准备好一个包含图像数据的文件夹,其中包含了你想要进行测试的图像。 ```python image_path = "path/to/your/image.jpg" image = Image.open(image_path) image_tensor = TF.to_tensor(image).unsqueeze(0) ``` 接下来,我们可以定义PSNR和SSIM函数。这些函数将计算图像之间的PSNR和SSIM值,并将其返回。 ```python def psnr(original, compared): mse = F.mse_loss(original, compared) return 10 * torch.log10(1 / mse) def ssim(original, compared): return torch.sum(F.l1_loss(original, compared)) ``` 最后,我们可以计算每个图像的PSNR和SSIM值,并将结果绘制成折线图。 ```python psnr_values = [] ssim_values = [] # 通过循环遍历图像数据并计算相应的值 for image_tensor in image_tensors: compared_image_tensor = # 与原始图像进行比较的图像 psnr_value = psnr(image_tensor, compared_image_tensor) ssim_value = ssim(image_tensor, compared_image_tensor) psnr_values.append(psnr_value.item()) ssim_values.append(ssim_value.item()) # 绘制折线图 plt.plot(psnr_values, label='PSNR') plt.plot(ssim_values, label='SSIM') plt.xlabel('Image Index') plt.ylabel('Value') plt.legend() plt.show() ``` 上述代码将根据所提供的图像数据计算出每个图像的PSNR和SSIM值,并将这些值绘制成折线图,以便更直观地了解图像质量的变化。
阅读全文

相关推荐

最新推荐

recommend-type

6种图像评价原理(UCIQE、UICM、PSNR、SSIM、等效圆偏检测、图像信息熵)

图像评价原理是对图像质量进行客观评价的方法,它们可以分为两类:有参考图像的图像质量评价指标和没有参考图像的图像质量评价指标。 1. 无参考图像评价指标 图像评价原理中,无参考图像评价指标是指不需要参考...
recommend-type

yolov3 在 Open Images 数据集上预训练了 SPP 权重以及配置文件.zip

yolov3 在 Open Images 数据集上预训练了 SPP 权重以及配置文件如果权重无法下载,则可能是存储库超出了 git lfs 配额。请从没有此限制的bitbucket 存储库中提取。此存储库包含 yolov3 权重以及配置文件。该模型在Kaggle Open Images 挑战赛的私有 LB 上实现了 42.407 的 mAP 。为了使用这些权重,您需要安装darknet 。您可以在项目网站上阅读更多相关信息。有多种方法可以使用 darknet 进行检测。一种方法是创建一个 txt 文件,其中包含要运行检测的图像的路径,并从包含的 yolo.data 文件中指向该文件。运行检测的命令(假设 darknet 安装在该 repo 的根目录中)是 ./darknet/darknet detector valid yolo.data yolov3-spp.cfg yolov3-spp_final.weights我分享这些权重是因为它们可能对某些人有用。如果您遇到任何问题,我无法提供任何支持。Yolo 不太容易排除故障,如果您遇到段错误,则需要您自己找出问题所
recommend-type

qt 5.3.2 mingw 安装包

qt 5.3.2 mingw 安装包
recommend-type

586befcf3e78455eb3b5359d7500cc97.JPG

586befcf3e78455eb3b5359d7500cc97.JPG
recommend-type

yoloface-50k的可部署模型.zip

yoloface-50k的可部署模型yoloface-50k本仓库包含已量化的yoloface tflite模型以及未量化的onnx模型,h5模型和pb模型,另外还有使用pytorch解析运行yolocfg和weight的小工具本仓库所使用的网络模型来自dog-qiuqiu/MobileNet-Yolo,感谢这位大佬ncnn: yoloface使用ncnn推理后的工程,可以在CPU上实时运行。其中libncnn.a是在Ubuntu 20.04上编译的,如果是不同的操作系统,请下载ncnn自行编译替换tensorflow: 内含yolo转h5、h5转pb的代码tflite: pb转tflite并求解的代码固件单片机部分代码。因为硬件不同所以没有上传整个工程,摘取了核心代码,另附STM32CUBEMX工程文件参考。注意代码中nms是意象的nms,并没有进行非极大值抑制,只是提取了引起置信度的目标,使用时可自己添加
recommend-type

JHU荣誉单变量微积分课程教案介绍

资源摘要信息:"jhu2017-18-honors-single-variable-calculus" 知识点一:荣誉单变量微积分课程介绍 本课程为JHU(约翰霍普金斯大学)的荣誉单变量微积分课程,主要针对在2018年秋季和2019年秋季两个学期开设。课程内容涵盖两个学期的微积分知识,包括整合和微分两大部分。该课程采用IBL(Inquiry-Based Learning)格式进行教学,即学生先自行解决问题,然后在学习过程中逐步掌握相关理论知识。 知识点二:IBL教学法 IBL教学法,即问题导向的学习方法,是一种以学生为中心的教学模式。在这种模式下,学生在教师的引导下,通过提出问题、解决问题来获取知识,从而培养学生的自主学习能力和问题解决能力。IBL教学法强调学生的主动参与和探索,教师的角色更多的是引导者和协助者。 知识点三:课程难度及学习方法 课程的第一次迭代主要包含问题,难度较大,学生需要有一定的数学基础和自学能力。第二次迭代则在第一次的基础上增加了更多的理论和解释,难度相对降低,更适合学生理解和学习。这种设计旨在帮助学生从实际问题出发,逐步深入理解微积分理论,提高学习效率。 知识点四:课程先决条件及学习建议 课程的先决条件为预演算,即在进入课程之前需要掌握一定的演算知识和技能。建议在使用这些笔记之前,先完成一些基础演算的入门课程,并进行一些数学证明的练习。这样可以更好地理解和掌握课程内容,提高学习效果。 知识点五:TeX格式文件 标签"TeX"意味着该课程的资料是以TeX格式保存和发布的。TeX是一种基于排版语言的格式,广泛应用于学术出版物的排版,特别是在数学、物理学和计算机科学领域。TeX格式的文件可以确保文档内容的准确性和排版的美观性,适合用于编写和分享复杂的科学和技术文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

【实战篇:自定义损失函数】:构建独特损失函数解决特定问题,优化模型性能

![损失函数](https://img-blog.csdnimg.cn/direct/a83762ba6eb248f69091b5154ddf78ca.png) # 1. 损失函数的基本概念与作用 ## 1.1 损失函数定义 损失函数是机器学习中的核心概念,用于衡量模型预测值与实际值之间的差异。它是优化算法调整模型参数以最小化的目标函数。 ```math L(y, f(x)) = \sum_{i=1}^{N} L_i(y_i, f(x_i)) ``` 其中,`L`表示损失函数,`y`为实际值,`f(x)`为模型预测值,`N`为样本数量,`L_i`为第`i`个样本的损失。 ## 1.2 损
recommend-type

如何在ZYNQMP平台上配置TUSB1210 USB接口芯片以实现Host模式,并确保与Linux内核的兼容性?

要在ZYNQMP平台上实现TUSB1210 USB接口芯片的Host模式功能,并确保与Linux内核的兼容性,首先需要在硬件层面完成TUSB1210与ZYNQMP芯片的正确连接,保证USB2.0和USB3.0之间的硬件电路设计符合ZYNQMP的要求。 参考资源链接:[ZYNQMP USB主机模式实现与测试(TUSB1210)](https://wenku.csdn.net/doc/6nneek7zxw?spm=1055.2569.3001.10343) 具体步骤包括: 1. 在Vivado中设计硬件电路,配置USB接口相关的Bank502和Bank505引脚,同时确保USB时钟的正确配置。
recommend-type

Naruto爱好者必备CLI测试应用

资源摘要信息:"Are-you-a-Naruto-Fan:CLI测验应用程序,用于检查Naruto狂热者的知识" 该应用程序是一个基于命令行界面(CLI)的测验工具,设计用于测试用户对日本动漫《火影忍者》(Naruto)的知识水平。《火影忍者》是由岸本齐史创作的一部广受欢迎的漫画系列,后被改编成同名电视动画,并衍生出一系列相关的产品和文化现象。该动漫讲述了主角漩涡鸣人从忍者学校开始的成长故事,直到成为木叶隐村的领袖,期间包含了忍者文化、战斗、忍术、友情和忍者世界的政治斗争等元素。 这个测验应用程序的开发主要使用了JavaScript语言。JavaScript是一种广泛应用于前端开发的编程语言,它允许网页具有交互性,同时也可以在服务器端运行(如Node.js环境)。在这个CLI应用程序中,JavaScript被用来处理用户的输入,生成问题,并根据用户的回答来评估其对《火影忍者》的知识水平。 开发这样的测验应用程序可能涉及到以下知识点和技术: 1. **命令行界面(CLI)开发:** CLI应用程序是指用户通过命令行或终端与之交互的软件。在Web开发中,Node.js提供了一个运行JavaScript的环境,使得开发者可以使用JavaScript语言来创建服务器端应用程序和工具,包括CLI应用程序。CLI应用程序通常涉及到使用诸如 commander.js 或 yargs 等库来解析命令行参数和选项。 2. **JavaScript基础:** 开发CLI应用程序需要对JavaScript语言有扎实的理解,包括数据类型、函数、对象、数组、事件循环、异步编程等。 3. **知识库构建:** 测验应用程序的核心是其问题库,它包含了与《火影忍者》相关的各种问题。开发人员需要设计和构建这个知识库,并确保问题的多样性和覆盖面。 4. **逻辑和流程控制:** 在应用程序中,需要编写逻辑来控制测验的流程,比如问题的随机出现、计时器、计分机制以及结束时的反馈。 5. **用户界面(UI)交互:** 尽管是CLI,用户界面仍然重要。开发者需要确保用户体验流畅,这包括清晰的问题呈现、简洁的指令和友好的输出格式。 6. **模块化和封装:** 开发过程中应当遵循模块化原则,将不同的功能分隔开来,以便于管理和维护。例如,可以将问题生成器、计分器和用户输入处理器等封装成独立的模块。 7. **单元测试和调试:** 测验应用程序在发布前需要经过严格的测试和调试。使用如Mocha或Jest这样的JavaScript测试框架可以编写单元测试,并通过控制台输出调试信息来排除故障。 8. **部署和分发:** 最后,开发完成的应用程序需要被打包和分发。如果是基于Node.js的应用程序,常见的做法是将其打包为可执行文件(如使用electron或pkg工具),以便在不同的操作系统上运行。 根据提供的文件信息,虽然具体细节有限,但可以推测该应用程序可能采用了上述技术点。用户通过点击提供的链接,可能将被引导到一个网页或直接下载CLI应用程序的可执行文件,从而开始进行《火影忍者》的知识测验。通过这个测验,用户不仅能享受答题的乐趣,还可以加深对《火影忍者》的理解和认识。