psnr的python代码显示对比图像名字

以下是一个计算两个图像的PSNR值，并且显示对比图像的Python代码示例：

import cv2
import numpy as np

# 读取图像
img1 = cv2.imread('image1.jpg')
img2 = cv2.imread('image2.jpg')

# 计算MSE
mse = np.mean((img1 - img2) ** 2)

# 计算PSNR
max_pixel = 255.0
psnr = 20 * np.log10(max_pixel / np.sqrt(mse))

# 显示对比图像
cv2.imshow('Image 1', img1)
cv2.imshow('Image 2', img2)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 输出PSNR值
print('PSNR值为:', psnr)

在这个代码中，我们首先使用OpenCV库读取了两张图像（'image1.jpg'和'image2.jpg'）。然后计算了两张图像的MSE（均方误差），并且使用它计算了PSNR值。最后，我们使用OpenCV库显示了两张图像，并且输出了PSNR值。

相关问题

python 图像拼接融合质量评价代码

图像拼接融合质量评价通常可以使用以下几种方法：

1. SSIM（结构相似性指数）

SSIM是一种结构相似性指数，用于评估两个图像之间的相似性。它考虑了亮度、对比度和结构等因素。在Python中，可以使用Scikit-Image库的`compare_ssim`函数计算SSIM值。

from skimage.measure import compare_ssim

# img1和img2为两张要比较的图像
ssim_val = compare_ssim(img1, img2, multichannel=True)

2. PSNR（峰值信噪比）

PSNR是一种评价图像质量的指标，用于比较原始图像和压缩后的图像之间的相似性。在Python中，可以使用OpenCV库的`cv2.PSNR`函数计算PSNR值。

import cv2

# img1和img2为两张要比较的图像
psnr_val = cv2.PSNR(img1, img2)

3. NCC（归一化交叉相关系数）

NCC是一种比较两个图像之间的相似性的方法。在Python中，可以使用NumPy库的`corrcoef`函数计算NCC值。

import numpy as np

# img1和img2为两张要比较的图像，需要将图像转换为一维数组
ncc_val = np.corrcoef(img1.ravel(), img2.ravel())[0, 1]

以上三种方法可以用来评价图像拼接融合的质量。

psnr和ssim的pytorch实现并用折线图显示

### 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：

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:

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。

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。

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。

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。