JupyterLab写一个测量压缩前后两张图像的SSIM的代码

好的，以下是使用Python和JupyterLab计算压缩前后两张图像的SSIM的代码：

首先，需要安装以下的Python库：

!pip install scikit-image
!pip install pillow

接下来，可以使用以下代码来计算两张图像的SSIM：

from skimage.measure import compare_ssim
from PIL import Image

# 加载两张图像
img1 = Image.open('image1.jpg').convert('L')
img2 = Image.open('image2.jpg').convert('L')

# 计算SSIM
ssim = compare_ssim(np.array(img1), np.array(img2))

print('SSIM:', ssim)

其中，`image1.jpg`和`image2.jpg`是需要比较的两张图像的路径。请将其替换为你的图像路径。

这段代码将计算两张图像的SSIM，并将结果打印到控制台上。

相关问题

压缩前的彩色图像为0.jpg，压缩后的彩色图像为1.jpg，JupyterLab写一个怎么计算压缩率的代码

首先，我们需要计算压缩前和压缩后的文件大小。可以使用Python的os库来获取文件大小，示例如下：

import os

# 获取压缩前文件大小
original_size = os.path.getsize('0.jpg')
# 获取压缩后文件大小
compressed_size = os.path.getsize('1.jpg')

接着，我们可以使用以下公式计算压缩率：

compression_ratio = (1 - compressed_size / original_size) * 100

最后，我们可以输出压缩率：

print(f"压缩率为：{compression_ratio:.2f}%")

完整代码如下：

import os

# 获取压缩前文件大小
original_size = os.path.getsize('0.jpg')
# 获取压缩后文件大小
compressed_size = os.path.getsize('1.jpg')

# 计算压缩率
compression_ratio = (1 - compressed_size / original_size) * 100

# 输出结果
print(f"压缩率为：{compression_ratio:.2f}%")

注意，这里的压缩率计算方式是以文件大小为基准的，不一定代表图像压缩效果的好坏。如果想要更准确地评估图像压缩效果，可以使用其他指标，比如PSNR、SSIM等。

测量压缩前后灰度图像的MS-SSIM

要测量压缩前后灰度图像的 MS-SSIM，可以使用 `skimage` 库中的 `compare_ssim()` 方法。具体步骤如下：

1. 安装 `skimage` 库：

使用 pip 命令安装 `skimage` 库：

pip install scikit-image

2. 导入 `skimage` 库并读取原始图像和压缩后的图像：

from skimage import io, img_as_float
from skimage.measure import compare_ssim

# 读取原始图像和压缩后的图像
img_original = img_as_float(io.imread('original_image.png', as_gray=True))
img_compressed = img_as_float(io.imread('compressed_image.jpg', as_gray=True))

在上面的代码中，我们使用 `io.imread()` 方法读取原始图像和压缩后的图像，并使用 `img_as_float()` 方法将像素值归一化到 [0, 1] 区间。

3. 计算 MS-SSIM 值：

# 计算 MS-SSIM 值
ms_ssim = compare_ssim(img_original, img_compressed, multichannel=False)

print('MS-SSIM:', ms_ssim)

在上面的代码中，我们使用 `compare_ssim()` 方法计算原始图像和压缩后的图像的 MS-SSIM 值，并将其输出到控制台。

需要注意的是，MS-SSIM 值越接近 1，说明压缩后的图像与原始图像的质量越接近。当 MS-SSIM 值为 1 时，说明压缩后的图像与原始图像完全相同。