3. 画质评价指标：PSNR、SSIM、VMAF，以及主观评价（MOS）的适用场景
做编码的人，天天跟「画质」打交道。但画质这东西，你说它好，我说它差，总得有个标准吧？
我入行那会儿，大家基本只看 PSNR。后来慢慢有了 SSIM，再后来 Netflix 搞出了 VMAF。到现在，这三个指标加上人工打分（MOS），基本构成了我们评价画质的全部武器库。
但说实话，每个指标都有自己的脾气。用错了地方，结果可能完全相反。今天我就把这几个指标的底细，给你掰扯清楚。
核心观点：没有完美的单一指标。客观指标（PSNR/SSIM/VMAF）用于自动化对比和回归测试，主观评价（MOS）用于最终交付验收。两者互补，缺一不可。
3.1 PSNR —— 最老牌，但也最「直男」
PSNR，全称 Peak Signal-to-Noise Ratio，峰值信噪比。说白了，就是算两帧图像之间像素对像素的误差有多大。
它的计算公式很简单：
MSE = (1/N) * Σ (原始像素 - 重建像素)²
PSNR = 10 * log10( (255²) / MSE )单位是 dB。一般 30dB 以下算差，35dB 算及格，40dB 以上算不错。
我的经验：PSNR 适合做「回归测试」。比如你改了一个编码参数，跑一遍 PSNR，如果掉了 0.5dB 以上，大概率是改出问题了。但千万别拿它当唯一标准。我记得有一次，一个编码器 PSNR 高了 0.3dB，主观一看，画面全是振铃和块效应——PSNR 根本不管这些。
PSNR 的硬伤：
- 完全不考虑人眼视觉特性。人眼对亮度敏感，对色度不敏感；对平坦区域敏感，对纹理区域不敏感。PSNR 一视同仁。
- 对平移、旋转、亮度偏移极度敏感。画面整体调亮 5%，PSNR 可能掉 2dB，但人眼根本看不出来。
- 跨内容对比没有意义。一个动画片的 35dB 和一个体育直播的 35dB，主观感受可能天差地别。
什么时候用 PSNR？
- 编码器开发阶段的快速验证
- 大量序列的自动化对比（比如跑 100 个序列取平均）
- 学术论文中作为基准指标
3.2 SSIM —— 更懂人眼，但也不是万能
SSIM，Structural Similarity Index，结构相似性。它不比较像素绝对值，而是比较亮度、对比度、结构三个维度。
我打个比方：PSNR 像是一个严格的监考老师，你写错一个标点都扣分；SSIM 像是一个语文老师，更关注你的文章结构是否通顺。
SSIM 的取值范围是 0 到 1。0.9 以上算不错，0.95 以上算很好，0.98 以上基本看不出差异。
关键区别：SSIM 对模糊、块效应、振铃等常见编码失真更敏感，但对色度偏移、整体亮度变化仍然不够敏感。我在项目中遇到过，SSIM 高达 0.97 的画面，观众反馈「颜色不对」——因为 SSIM 主要看亮度结构，色度权重太低。
SSIM 的变种：
- MS-SSIM：多尺度 SSIM，在不同分辨率下计算，更稳定。我个人习惯用这个替代普通 SSIM。
- CW-SSIM：复小波域 SSIM，对平移和旋转更鲁棒，适合图像检索场景。
什么时候用 SSIM？
- 评估编码器对纹理和边缘的保留能力
- 对比不同编码参数对结构失真的影响
- 作为 PSNR 的补充，两者一起看
3.3 VMAF —— Netflix 的「王牌」，但别迷信
VMAF，Video Multi-Method Assessment Fusion。Netflix 开源的综合画质评价模型。
它的思路很聪明：把多个基础指标（视觉保真度、细节丢失、时域一致性等）用机器学习模型融合起来，输出一个 0-100 的分数。
90 分以上：接近原始画质，几乎看不出差异。
80-90 分：有轻微失真，但可接受。
70-80 分：明显失真，但还能看。
70 分以下：画质较差，建议重新编码。
注意：VMAF 模型是用特定数据集训练出来的。如果你处理的视频内容（比如游戏录屏、监控视频、医学影像）跟训练集差异很大，VMAF 的分数可能不准。我曾经在一个游戏直播项目中，VMAF 分数一直偏低，但主观看起来完全没问题——后来发现是模型对高动态范围内容的偏见。
VMAF 的优势：
- 最接近主观评价的客观指标
- 同时考虑空间失真和时域失真（抖动、闪烁）
- 支持自定义模型，可以针对特定内容微调
VMAF 的局限：
- 计算量大，不适合实时场景
- 对超高分辨率（4K 以上）和 HDR 内容支持有限
- 模型版本不同（v0.6.1、v1.0、v2.0），结果不可直接对比
我的建议：在流媒体场景下，把 VMAF 作为主要客观指标，PSNR 和 SSIM 作为辅助。但最终上线前，一定要做主观评价。
3.4 MOS —— 最贵，但也最靠谱
MOS，Mean Opinion Score，平均意见分。找一群人来打分，取平均值。
标准做法是 ITU-R BT.500 和 ITU-T P.910，规定了观看环境、显示器校准、评分尺度、异常值剔除等细节。
评分尺度一般是 1-5 分：
| 分数 | 质量等级 | 描述 |
|---|---|---|
| 5 | 优秀 | 看不出任何失真 |
| 4 | 良好 | 有失真但不影响观看 |
| 3 | 一般 | 明显失真，但还能接受 |
| 2 | 较差 | 失真严重，影响观看 |
| 1 | 极差 | 完全无法接受 |
MOS 的痛点：
- 贵。一次正规的主观测试，场地、设备、人员、时间，几万块打底。
- 慢。从准备到出结果，一两周算快的。
- 不稳定。不同人群、不同显示器、不同环境，结果可能差异很大。
我的经验：MOS 不是用来「日常调试」的，而是用来「最终验收」的。比如你要上线一个新的编码方案，先用 VMAF 筛选出几个候选参数，然后只对这几个候选做 MOS 测试。这样既省钱又高效。
3.5 实战中怎么选？
我给你一个我自己的决策流程：
- 日常开发调试：用 PSNR + SSIM 组合。PSNR 看整体误差，SSIM 看结构失真。两个指标同时下降，基本可以确认有问题。
- 参数对比和优化：用 VMAF。跑一遍 BD-Rate 曲线，看 VMAF 分数随码率的变化趋势。VMAF 提升 1 分，往往比 PSNR 提升 0.2dB 更有意义。
- 最终交付验收：做 MOS 测试。找 15-20 个人，选 3-5 个典型片段，在标准环境下观看打分。MOS 4.0 以上算合格，4.5 以上算优秀。
避坑指南：我曾经在一个项目中，只靠 VMAF 选参数，结果上线后被用户投诉「画面模糊」。后来发现 VMAF 对时域抖动不敏感，而那个参数恰好引入了轻微的帧间闪烁。从那以后，我坚持在 VMAF 之外，至少用 SSIM 和 PSNR 做交叉验证。
最后说一句：指标是工具，不是目的。你的目标是让观众看得舒服，而不是让 PSNR 跑到 45dB。工具用对了，事半功倍；用错了，事倍功半。