本文主要是介绍Python代码之计算PSNR，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
峰值信噪比（Peak Signal to Noise Ratio，PSNR）经常用来评价图像质量。对于一张RGB三通道图像，其计算公式如下：
先计算图像与Ground Truth的均方误差MSE：
再计算PSNR:
计算PSNR的Python代码，网上有下面两种：
import cv2
import numpy as np
import mathdef psnr1(img1, img2):mse = np.mean((img1 - img2) ** 2 )if mse < 1.0e-10:return 100return 10 * math.log10(255.0**2/mse)def psnr2(img1, img2):mse = np.mean( (img1/255. - img2/255.) ** 2 )if mse < 1.0e-10:return 100PIXEL_MAX = 1return 20 * math.log10(PIXEL_MAX / math.sqrt(mse))理论上，这两种计算方式都对应上面的计算公式，在输入图像一样的情况下，这两段代码的结果应该是一样的。但是，在调用这段代码的时候，我发现这两者的结果却相差很远，同样的图片，psnr1的结果大概是29，而psnr2的结果是12。
gt = cv2.imread('1.jpg')
img= cv2.imread('2.jpg')print(psnr1(gt,img))
print(psnr2(gt,img))这是输出的结果：
单看代码的话完全看不出来任何问题，后来我输出了这两张图像作差的结果，发现所有的值都是在0-255之间的，比如img1的一个像素值是30，img2的一个像素值是60，二者作差，本来应该是-30，但是结果却是226，即对于负值，输出要加上256。所以，问题就出在这行代码上：
mse = np.mean((img1 - img2) ** 2 )如果img1某个点的像素比img2小，而两者差别又比较大，这个绝对值比较大的负值就会变成一个比较小的正值，MSE的结果也会偏小，那么PSNR的值就会偏大。
只要把上面那行代码改成mse = np.mean((img1/1.0 - img2/1.0) ** 2 )就可以了。
最后，我们发现这两个结果是一样的了。
这篇关于Python代码之计算PSNR的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
