mindspore.nn.SSIM

class mindspore.nn.SSIM(max_val=1.0, filter_size=11, filter_sigma=1.5, k1=0.01, k2=0.03)[源代码]

计算两个图像之间的结构相似性(SSIM)。

SSIM的实现请参考:Wang, Z., Bovik, A. C., Sheikh, H. R., & Simoncelli, E. P. (2004) Image quality assessment: from error visibility to structural similarity 。SSIM是用来衡量两张图片相似性的指标。与PSNR一样,SSIM经常被用于图像质量的评估。SSIM是一个介于0和1之间的值,值越大,输出图像和未失真图像之间的差距越小,即图像质量越好。当两个图像完全相同时,SSIM=1。

\[\begin{split}l(x,y)&=\frac{2\mu_x\mu_y+C_1}{\mu_x^2+\mu_y^2+C_1}, C_1=(K_1L)^2.\\ c(x,y)&=\frac{2\sigma_x\sigma_y+C_2}{\sigma_x^2+\sigma_y^2+C_2}, C_2=(K_2L)^2.\\ s(x,y)&=\frac{\sigma_{xy}+C_3}{\sigma_x\sigma_y+C_3}, C_3=C_2/2.\\ SSIM(x,y)&=l*c*s\\&=\frac{(2\mu_x\mu_y+C_1)(2\sigma_{xy}+C_2)}{(\mu_x^2+\mu_y^2+C_1)(\sigma_x^2+\sigma_y^2+C_2)}.\end{split}\]
参数:
  • max_val (Union[int, float]) - 像素值的动态范围,即最大值和最小值之间的差值。(8bit灰度图像像素为255)。默认值:1.0。

  • filter_size (int) - 高斯滤波器的大小。该值必须大于等于1。默认值:11。

  • filter_sigma (float) - 高斯核的标准差。该值必须大于0。默认值:1.5。

  • k1 (float) - 用于在亮度比较函数中生成 \(C_1\) 的常量。默认值:0.01。

  • k2 (float) - 用于在对比度比较函数中生成 \(C_2\) 的常量。默认值:0.03。

输入:
  • img1 (Tensor):格式为’NCHW’的输入图像。shape和数据类型必须与img2相同。

  • img2 (Tensor):格式为’NCHW’的输入图像。shape和数据类型必须与img1相同。

输出:

Tensor,数据类型与 img1 相同。shape为N的一维Tensor,其中N是 img1 的批次号。

异常:
  • TypeError - max_val 既不是int也不是float。

  • TypeError - k1k2filter_sigma 不是float。

  • TypeError - filter_size 不是int。

  • ValueError - max_valfilter_sigma 小于或等于0。

  • ValueError - filter_size 小于0。

支持平台:

Ascend GPU CPU

样例:

>>> import numpy as np
>>> import mindspore.nn as nn
>>> from mindspore import Tensor
>>> net = nn.SSIM()
>>> img1 = Tensor(np.ones([1, 3, 16, 16]).astype(np.float32))
>>> img2 = Tensor(np.ones([1, 3, 16, 16]).astype(np.float32))
>>> output = net(img1, img2)
>>> print(output)
[1.]