图像修复评价指标代码

以下是一个示例代码，用于计算图像修复的评价指标（PSNR和SSIM）：

import cv2
import numpy as np
from skimage.metrics import peak_signal_noise_ratio, structural_similarity

def evaluate_image_restoration(original, restored):
    # 读取原始图像和修复后的图像
    img_original = cv2.imread(original)
    img_restored = cv2.imread(restored)

    # 将图像转换为灰度图
    img_original_gray = cv2.cvtColor(img_original, cv2.COLOR_BGR2GRAY)
    img_restored_gray = cv2.cvtColor(img_restored, cv2.COLOR_BGR2GRAY)

    # 计算 PSNR
    psnr = peak_signal_noise_ratio(img_original_gray, img_restored_gray)

    # 计算 SSIM
    ssim = structural_similarity(img_original_gray, img_restored_gray)

    return psnr, ssim

# 指定原始图像和修复后的图像的路径
original_image_path = 'original.png'
restored_image_path = 'restored.png'

# 调用函数进行评价
psnr_score, ssim_score = evaluate_image_restoration(original_image_path, restored_image_path)

print("PSNR:", psnr_score)
print("SSIM:", ssim_score)

在上面的示例中，使用OpenCV库读取原始图像和修复后的图像，并将其转换为灰度图像。然后，使用scikit-image库中的`peak_signal_noise_ratio`和`structural_similarity`函数计算PSNR和SSIM得分。最后，将得分打印出来。

请注意，你需要确保安装了`opencv-python`和`scikit-image`库。你可以使用以下命令来安装这些库：

pip install opencv-python
pip install scikit-image

你需要将`original.png`和`restored.png`替换为你的原始图像和修复后的图像的路径。