2. 评价指标详解：PSNR、SSIM、MSE的计算公式与适用场景

做去噪模型，最怕什么？不是模型跑不动，而是你辛辛苦苦调了一周参数，结果发现评价指标选错了。我早年就踩过这个坑——模型在PSNR上刷得挺高，但人眼一看，纹理全糊了。所以这一章，咱们把三个最常用的指标掰开揉碎讲清楚。

2.1 均方误差（MSE）——最朴素的误差度量

MSE是所有评价指标的基石。说白了，它就是逐像素算差异，然后取平均。

计算公式：

MSE = (1 / (M * N)) * Σ Σ [I(i,j) - K(i,j)]²

其中 M、N 是图像尺寸，I 是原始图像，K 是去噪后的图像。

适用场景：

• 适合评估整体像素级误差
• 在优化过程中作为损失函数很常见
• 对微小偏移非常敏感

2.2 峰值信噪比（PSNR）——行业标配，但有局限

PSNR 是从 MSE 推导出来的，本质上是对数域的 MSE 表达。公式如下：

PSNR = 10 * log10( MAX² / MSE )

其中 MAX 是像素最大值（8位图像就是 255）。

PSNR 的典型范围：

适用场景：

• 评估压缩失真、加性噪声去除效果
• 对比不同去噪算法的基准性能
• 学术中最常用的指标

2.3 结构相似性（SSIM）——更贴近人眼感知

SSIM 是我个人最看重的指标。它从亮度、对比度、结构三个维度评估图像相似度，公式稍复杂：

SSIM(x,y) = [ (2μxμy + C1)(2σxy + C2) ] / [ (μx² + μy² + C1)(σx² + σy² + C2) ]

其中 μ 是均值，σ 是方差，σxy 是协方差，C1、C2 是稳定常数。

SSIM 的特点：

• 取值范围 [0, 1]，越接近 1 越好
• 对结构信息敏感，能反映纹理保留情况
• 对亮度偏移有一定容忍度

2.4 Python 实现：手写计算与库函数

下面给出完整的 Python 实现，包含手动计算和 scikit-image 库函数两种方式。

import numpy as np
from skimage.metrics import peak_signal_noise_ratio, structural_similarity
import cv2

def calculate_mse(original, denoised):
    """手动计算 MSE"""
    mse = np.mean((original.astype(np.float64) - denoised.astype(np.float64)) ** 2)
    return mse

def calculate_psnr(original, denoised):
    """手动计算 PSNR"""
    mse = calculate_mse(original, denoised)
    if mse == 0:
        return float('inf')
    max_pixel = 255.0
    psnr = 10 * np.log10(max_pixel ** 2 / mse)
    return psnr

def calculate_ssim(original, denoised):
    """手动计算 SSIM（简化版，单通道）"""
    # 转为 float64 防止溢出
    orig = original.astype(np.float64)
    den = denoised.astype(np.float64)
    
    # 常数
    C1 = (0.01 * 255) ** 2
    C2 = (0.03 * 255) ** 2
    
    # 均值
    mu_x = np.mean(orig)
    mu_y = np.mean(den)
    
    # 方差与协方差
    sigma_x_sq = np.var(orig)
    sigma_y_sq = np.var(den)
    sigma_xy = np.mean((orig - mu_x) * (den - mu_y))
    
    # SSIM 公式
    numerator = (2 * mu_x * mu_y + C1) * (2 * sigma_xy + C2)
    denominator = (mu_x ** 2 + mu_y ** 2 + C1) * (sigma_x_sq + sigma_y_sq + C2)
    ssim = numerator / denominator
    return ssim

# 使用 skimage 库函数（推荐）
def evaluate_with_library(original, denoised):
    """使用 scikit-image 库计算三个指标"""
    # 确保图像在 [0, 255] 范围且为 uint8
    orig_uint8 = np.clip(original, 0, 255).astype(np.uint8)
    den_uint8 = np.clip(denoised, 0, 255).astype(np.uint8)
    
    psnr_val = peak_signal_noise_ratio(orig_uint8, den_uint8, data_range=255)
    ssim_val = structural_similarity(orig_uint8, den_uint8, data_range=255, multichannel=True)
    mse_val = np.mean((orig_uint8.astype(np.float64) - den_uint8.astype(np.float64)) ** 2)
    
    return mse_val, psnr_val, ssim_val

# 示例用法
if __name__ == "__main__":
    # 模拟图像
    img_original = np.random.randint(0, 256, (256, 256, 3), dtype=np.uint8)
    img_denoised = np.random.randint(0, 256, (256, 256, 3), dtype=np.uint8)
    
    mse, psnr, ssim = evaluate_with_library(img_original, img_denoised)
    print(f"MSE: {mse:.2f}")
    print(f"PSNR: {psnr:.2f} dB")
    print(f"SSIM: {ssim:.4f}")

2.5 知识体系总览

下面这张图帮你理清三个指标的关系和适用场景：

2.6 避坑指南与实战建议

最后分享几个我踩过的坑：

• 数据类型问题：计算 PSNR 时，图像必须是 uint8 或 float64 且范围正确。我曾经用 float32 直接算，结果 PSNR 虚高了好几个 dB。
• 边界效应：去噪后的图像边缘往往有伪影。我建议计算指标时裁剪掉边缘 10-20 像素，这样结果更真实。
• 多通道处理：彩色图像的 SSIM 计算，默认是对每个通道分别算然后平均。但有些库支持多通道模式，结果会略有差异。
• 不要只看一个指标：我见过有人只刷 PSNR，结果模型学会了「平均化」——所有像素都往中间值靠，PSNR 不低但图像完全不能用。