3. 峰值信噪比（PSNR）：图像质量评测的“硬通货”

聊完 MSE，咱们得聊聊它的“升级版”——PSNR。说实话，在图像和视频处理这个圈子里，PSNR 是出现频率最高的指标之一。我刚开始做算法评估那会儿，几乎每篇、每个项目报告里都能看到它。

PSNR 的全称是 Peak Signal-to-Noise Ratio，峰值信噪比。它衡量的是信号的最大可能功率与噪声功率之间的比值。说白了，就是看你的图像“干净”到什么程度。

3.1 PSNR 定义与公式

PSNR 的定义其实很直观。它用分贝（dB）作为单位，数值越高，代表图像质量越好。公式长这样：

PSNR = 10 * log10( MAX² / MSE )

其中：

• MAX：图像像素的最大可能值。对于 8 位图像，MAX = 255；对于 10 位图像，MAX = 1023。
• MSE：均方误差，就是咱们上一章讲的那个。

把公式展开，写成更通用的形式：

PSNR = 10 * log10( (2^n - 1)² / MSE )

这里的 n 是每个像素的比特数。8 位图像就是 2^8 - 1 = 255。

3.2 PSNR 与 MSE 的关系

这两者的关系，用一个词就能概括：一一对应。

你想想看，PSNR 公式里唯一跟图像内容相关的变量就是 MSE。给定 MAX 值后，PSNR 完全由 MSE 决定。反过来，知道 PSNR，也能反推出 MSE。

我习惯把 MSE 和 PSNR 看作同一枚硬币的两面：

指标	物理含义	数值趋势	常用场景
MSE	误差的大小	越小越好	数学推导、算法内部优化
PSNR	信号与噪声的比值	越大越好	工程报告、对比、行业标准

举个例子。假设两张 8 位图像，一张的 MSE = 100，另一张的 MSE = 50。咱们算算：

图像 A: MSE = 100 → PSNR = 10 * log10(255² / 100) ≈ 28.13 dB
图像 B: MSE = 50  → PSNR = 10 * log10(255² / 50)  ≈ 31.14 dB

你看，MSE 降低一半，PSNR 提升了大约 3 dB。这个 3 dB 的规律在很多场景下都成立——MSE 每减半，PSNR 大约增加 3 dB。

3.3 PSNR 的优缺点分析

任何指标都有它的局限性。PSNR 用了这么多年，大家早就摸清了它的脾气。

优点

1. 计算简单，物理意义明确。 就一个公式，几行代码搞定。我经常在实时处理系统中用它做快速质量监控。
2. 与 MSE 严格对应，数学上干净。 做算法优化时，梯度可以顺利传导。
3. 跨平台可比。 只要图像位深一致，PSNR 值在不同系统间可以直接对比。这一点在行业标准测试中特别重要。
4. 对噪声敏感。 加性噪声、量化误差这类问题，PSNR 能很灵敏地反映出来。

缺点

嗯，这里要重点说说缺点。我踩过的坑不少。

1. 与人眼视觉不匹配。 这是最大的问题。PSNR 只算像素差异，不管图像内容。一张图稍微模糊一点，PSNR 可能只降了 0.5 dB，但人眼看着就是不舒服。反过来，有些噪声人眼根本注意不到，PSNR 却降得很厉害。
2. 对结构信息不敏感。 边缘、纹理、平坦区域在 PSNR 里被一视同仁。但实际上，边缘失真对人眼的影响远大于平坦区域的失真。
3. 无法区分失真类型。 模糊、块效应、振铃效应……这些不同的失真，只要 MSE 相同，PSNR 就一样。但人眼对它们的感受天差地别。
4. 对全局偏移敏感。 整张图亮度整体偏移 10 个灰度级，PSNR 会显著下降，但人眼可能根本察觉不到。

3.4 PSNR 的典型取值范围

做工程久了，心里会有个谱。对于 8 位图像，PSNR 的典型范围大致如下：

PSNR 范围 (dB)	主观感受	典型场景
> 40	极好，几乎看不出失真	无损压缩、高质量重建
30 – 40	良好，轻微失真可接受	有损压缩（JPEG 质量 90+）、视频编码
20 – 30	一般，失真明显	中等压缩、低码率视频
< 20	差，严重失真	极端压缩、严重噪声污染

当然，这只是经验值。不同内容、不同应用场景，阈值会有浮动。

3.5 PSNR 计算示例（Python）

最后，给一段我常用的计算代码。很简单，但很实用。

import numpy as np

def calculate_psnr(img1, img2, max_val=255.0):
    """
    计算两幅图像的 PSNR
    :param img1: 参考图像 (numpy array)
    :param img2: 失真图像 (numpy array)
    :param max_val: 像素最大值，默认 255
    :return: PSNR 值 (dB)
    """
    mse = np.mean((img1.astype(np.float64) - img2.astype(np.float64)) ** 2)
    if mse == 0:
        return float('inf')  # 两图完全相同
    psnr = 10 * np.log10(max_val ** 2 / mse)
    return psnr

# 使用示例
# psnr_value = calculate_psnr(original_img, distorted_img)
# print(f"PSNR = {psnr_value:.2f} dB")

3.6 PSNR 知识体系图

下面这张图帮你理清 PSNR 的核心脉络：