图像是人类感知和机器模式识别的重要信息源，其质量对所获取信息的充分性和准确性起着决定性的作用。然而，图像在获取、压缩、处理、传输、显示等过程中难免会出现一定程度的失真。然而要解决这个问题我们需要建立有效的图像质量评价体制。

由此我们就有了图像质量评估指标 ：结构相似性SSIM / 峰值信噪比PSNR / 均方根误差MSE

PSNR和MSE：

PSNR是最普遍和使用最为广泛的一种图像客观评价指标，然而它是基于对应像素点间的误差。即峰值信号的能量与噪声的平均能量之比。

MSE表示当前图像X和参考图像Y的均方误差（MeanSquare Error），H、W分别为图像的高度和宽度；n为每像素的比特数，一般取8，即像素灰阶数为256. PSNR的单位是dB，数值越大表示失真越小。表达式为：

公式中Ｒ( m， n) 代表参考图像在空间位置( m， n) 的 灰度值， I( m， n) 代表失真图像在空间位置的( m，n) 的灰度值; L 为峰值信号，对于 8 位的灰度图像来说，L=255.

代码：

# -*- coding: utf-8 -*- 

import cv2

import numpy as np

import math

import os

def psnr(img1, img2):

       mse = np.mean((img1/1.0 - img2/1.0) ** 2 )

       if mse < 1.0e-10:

              return 100

       psnr = 10 * math.log10(255.0**2/mse)

       return psnr

def _main():

         img1 = cv2.imread('1.jpg')       

         img2 =  cv2.imread('2.jpg')  

         print  psnr

if __name__ == '__main__':

         _main() 

虽然 MSE 和 PSNＲ 计算形式上非常简单但本质上没有考虑将人类视觉 系统( 人眼对空间频率较低的对比差异敏感度较高，人眼对亮度对比差异的敏感度较色度高，人眼对一个 区域的感知结果会受到其周围邻近区域的影响等，HSV) 特性引入到图像 质量评价当中来，只是单纯从数学角度来分析差异，与图像的感知质量之间没有必然联系，评价结果不太理想。

SSIM：

由于 HVS 具有可以抓取图像的结构特征的特点，因此设计 Structural Similarity 进行评价，即 SSIM 。该方法认为光照对于物体结构是独立的，而光照改变主要来源于亮度和对比度；所以它将亮度和对比度从图像的结构信息中分离出来，并结合结构信息对图像质量进行评价。

代码研究中（太难了！）