📚 课程目录第4章噪声评估指标

4. 噪声评估指标：PSNR、SSIM、LPIPS、噪声曲线(NPC)、信噪比(SNR)计算

做降噪这么多年，我最大的体会是：没有完美的指标，只有合适的场景。你辛辛苦苦调了一版降噪参数，肉眼看着挺干净，结果一跑PSNR反而降了——这种事我遇到过太多次了。

这一章，咱们就把几个主流评估指标掰开揉碎讲清楚。哪些指标看像素误差，哪些指标看人眼感知，哪些指标专门用来分析噪声本身。搞懂了这些，你才能知道自己的算法到底好在哪里、差在哪里。

  核心观点：评估指标不是用来“证明”算法好坏的，而是用来“诊断”算法问题的。每个指标都有自己的盲区，组合使用才是正道。

4.1 PSNR —— 最经典的像素级指标

PSNR全称是峰值信噪比（Peak Signal-to-Noise Ratio）。说白了，它就是算两幅图像之间像素差了多少。数值越高，说明像素越接近。

公式长这样：

MSE = (1/m*n) * Σ(I - K)²
PSNR = 10 * log10(MAX² / MSE)

其中MAX是像素最大值，8bit图像就是255。

我个人习惯：PSNR低于30dB的降噪结果，基本不能看。30-35dB算及格，35-40dB算不错，40dB以上就非常好了。但注意——这只是经验值，不同场景差异很大。

避坑指南：我曾经在低照度场景下吃过亏。暗光图像本身噪声大，PSNR天然就低。你强行把PSNR拉高，结果图像被磨成“塑料感”——细节全没了。所以PSNR高不代表视觉好，它只代表像素误差小。

4.2 SSIM —— 结构相似性，更接近人眼

SSIM（Structural Similarity Index）比PSNR聪明一点。它不光看像素差，还看亮度、对比度和结构三个维度的一致性。

公式拆开看：

SSIM(x,y) = [l(x,y)]^α * [c(x,y)]^β * [s(x,y)]^γ

其中：
l(x,y) = (2μxμy + C1) / (μx² + μy² + C1)  // 亮度
c(x,y) = (2σxσy + C2) / (σx² + σy² + C2)  // 对比度
s(x,y) = (σxy + C3) / (σxσy + C3)          // 结构

SSIM的取值范围是0到1，越接近1越好。0.95以上说明结构保留得很好。

我在项目中遇到过这样的情况：PSNR涨了2dB，但SSIM反而掉了。一查原因，降噪算法把纹理细节磨平了，像素误差小了，但结构信息丢了。这时候SSIM比PSNR更诚实。

指标	关注点	取值范围	典型阈值
PSNR	像素级误差	0~∞ (dB)	>35dB 良好
SSIM	结构相似性	0~1	>0.9 良好
LPIPS	感知相似性	0~∞	<0.1 良好

4.3 LPIPS —— 用深度学习“看”图像质量

LPIPS（Learned Perceptual Image Patch Similarity）是近几年火起来的指标。它用预训练的CNN（比如AlexNet、VGG）提取特征，然后在特征空间里算距离。

为什么需要它？因为PSNR和SSIM在某些场景下会“骗人”。比如一张图稍微平移了一个像素，PSNR会暴跌，但人眼根本看不出来。LPIPS对这种微小位移更鲁棒。

代码实现很简单：

import lpips
import torch

# 加载预训练模型
loss_fn = lpips.LPIPS(net='alex')

# 假设img0和img1是归一化到[-1,1]的tensor
d = loss_fn(img0, img1)
print(f'LPIPS distance: {d.item():.4f}')

注意：LPIPS的值越小越好，0表示完全一样。但不同网络（AlexNet vs VGG）算出来的值不能直接比较。我建议固定用AlexNet版本，它在降噪任务上表现最稳定。

4.4 噪声曲线（NPC）—— 无参考场景下的利器

前面几个指标都需要ground truth。但实际项目中，你哪有那么多干净图？这时候就需要无参考指标了。

噪声曲线（Noise Profile Curve, NPC）是我在工业项目中用得最多的工具。它的思路很简单：把图像分成均匀区域，统计这些区域的方差随亮度的变化。

具体步骤：

将图像分割成N×N的小块（我一般用32×32）
计算每个块的均值和方差
按均值亮度分bin（比如0-255分成16个bin）
每个bin内取方差的中位数或均值
绘制亮度-方差曲线

噪声曲线能告诉你三件事：

噪声水平：曲线越高，噪声越大
噪声类型：曲线随亮度线性增长→高斯噪声；曲线在暗部翘起→读出噪声或暗电流噪声
降噪效果：降噪后的曲线应该整体压低，且不能出现异常尖峰

  实战经验：我曾经用噪声曲线发现了一个降噪算法的bug。算法在中等亮度区域（100-150）降噪过度，导致曲线出现“凹陷”——这其实是纹理被磨平了。光看PSNR根本发现不了。

4.5 信噪比（SNR）计算

SNR在信号处理领域很基础，但在图像降噪里，计算方式有点讲究。

标准公式：

SNR = 10 * log10(信号功率 / 噪声功率)

问题来了：图像里的“信号”和“噪声”怎么分开？

我常用的两种方法：

均匀区域法：找一块均匀区域（比如灰卡），均值当信号，方差当噪声。适合实验室环境。
差分法：拍两张完全相同的场景，相减得到噪声图。适合有固定场景的测试。

实际代码：

import numpy as np

def compute_snr(image, noise_region):
    """
    image: 整张图像
    noise_region: 均匀区域的mask (bool数组)
    """
    signal = np.mean(image[~noise_region])
    noise_std = np.std(image[noise_region])
    snr = 20 * np.log10(signal / noise_std)
    return snr

小技巧：SNR和PSNR的区别要搞清楚。PSNR是用峰值信号（255）做分母，SNR是用实际信号均值做分母。所以同一张图，PSNR通常比SNR高10-20dB。别搞混了。

4.6 指标组合使用策略

说了这么多，到底怎么用？我总结了一个组合策略：

场景	推荐组合	原因
有ground truth	PSNR + SSIM + LPIPS	像素级+结构级+感知级全覆盖
无ground truth	噪声曲线 + SNR + BRISQUE	无参考场景下的黄金组合
算法调参	噪声曲线 + PSNR	噪声曲线看噪声形态，PSNR看整体误差
最终验收	主观评测 + LPIPS	人眼说了算，LPIPS辅助量化

嗯，指标这东西，用多了就有感觉了。刚开始你可能觉得PSNR就是一切，后来你会发现SSIM更靠谱，再后来你会意识到——真正的好算法，是让所有指标都“不差”，同时让肉眼觉得“舒服”。