rmse和fsim评价图像质量python代码

计算RMSE（均方根误差）和FSIM（结构相似性指数）是常用的图像质量评价指标，可以使用Python编写代码来实现。

首先介绍RMSE的计算方法：

import numpy as np

# 定义计算RMSE的函数
def calculate_rmse(predicted_image, ground_truth_image):
    mse = np.mean((predicted_image - ground_truth_image) ** 2)
    rmse = np.sqrt(mse)
    return rmse

# 示例代码
predicted_image = # 预测图像数据，可以是一个numpy array或PIL Image对象
ground_truth_image = # 真实图像数据，与predicted_image相同尺寸
rmse = calculate_rmse(predicted_image, ground_truth_image)
print("RMSE: ", rmse)

然后介绍FSIM的计算方法：

import cv2

# 定义计算FSIM的函数
def calculate_fsim(predicted_image, ground_truth_image):
    predicted_image = cv2.cvtColor(predicted_image, cv2.COLOR_RGB2GRAY)
    ground_truth_image = cv2.cvtColor(ground_truth_image, cv2.COLOR_RGB2GRAY)
    (score, _) = cv2.ximgproc.structural_similarity(predicted_image, ground_truth_image, full=True)
    fsim = score
    return fsim

# 示例代码
predicted_image = # 预测图像数据，可以是一个numpy array或PIL Image对象
ground_truth_image = # 真实图像数据，与predicted_image相同尺寸
fsim = calculate_fsim(predicted_image, ground_truth_image)
print("FSIM: ", fsim)

上述代码示例中，需要替换掉`predicted_image`和`ground_truth_image`的赋值部分，使其指向实际的图像数据。另外，对于RMSE计算，需要确保输入的图像数据为相同尺寸的numpy array或PIL Image对象；对于FSIM计算，需要使用OpenCV库计算灰度图像的结构相似性。