图像质量评估指标 | MAE | MSE | PSNR | SSIM

最新推荐文章于 2025-10-29 14:54:12 发布
原创 最新推荐文章于 2025-10-29 14:54:12 发布 · 1w 阅读 · 29 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#MAE #MSE #PSNR #SSIM

MAE 平均绝对误差

MAE=1m∑i=1m∣yi−yi′∣ MAE = \frac{1}{m}\sum_{i=1}^{m}|y_i-y_i^{'}| MAE=m1​i=1∑m​∣yi​−yi′​∣
是所有单个观测值与算术平均值的偏差的绝对值的平均。

MSE 均方误差

MSE=1m∑i=1m(yi−yi′)2 MSE = \frac{1}{m}\sum_{i=1}^{m}(y_i-y_i^{'})^2 MSE=m1​i=1∑m​(yi​−

最低0.47元/天 解锁文章
MAE(Masked Autoencoders) 详解
走在深度学习前沿的小宋
06-01 9391
masked autoencoders (MAE) 是用于CV的自监督学习方法，优点是扩展性强的（scalable），方法简单。在MAE方法中会随机mask输入图片的部分patches，然后重构这些缺失的像素。MAE基于两个核心设计：（1）不对称的（asymmetric）编码解码结构；（2）使用较高的mask比例（如75%）。MAE展现了很强的迁移性能，在ImageNet-1K上取得了best accuracy（87.8%），且因为方法简单，可扩展性极强（scalable）。
图像处理之图像质量评价指标MSE(均方误差)
qq_44111805的博客
11-05 2万+
MSE全称为“Mean Square Error”，中文意思即为均方误差，是衡量图像质量的指标之一。计算原理为真实值与预测值的差值的平方然后求和再平均，公式如下。 其中， M为图像I的像素总数，N为图像K的像素总数。MSE值越小，说明图像越相似。计算MSE有四种方法。
第六章 平均绝对误差（MAE）与均方根误差（RMSE）
热门推荐
qq_36171491的博客
03-06 3万+
本章主要介绍了平均绝对误差、均方根误差及其代码实现。
【性能指标】：【平均绝对误差】MAE的解释
最新发布
wq6qeg88的博客
10-29 1118
摘要：MAE（平均绝对误差）是评估预测模型性能的核心指标，计算公式为预测值与真实值绝对差异的平均值。其优势在于直观性强、对异常值稳健且具有线性特性，但存在不可微分和忽略误差方向的局限。MAE特别适用于含异常值或需直观解释的场景，不适合梯度优化需求。评估时需结合数据标准差或基准模型，其数值直接反映预测偏差程度。虽然MAE对严重错误惩罚不足且受量纲影响，但其物理意义明确，在金融、销售等领域的预测评估中具有重要实用价值。选择指标时应根据具体业务需求权衡其适用性。
【菜狗学三维重建】图像质量评价指标（PSNR、SSIM、LPIPS、SILog、MSE、RMSE、MAE）——20250221
weixin_53796634的博客
02-21 3725
计算机视觉常用的一些指标，例如PSNR、SSIM、MSE等
GAN图像生成评估指标：MAE
LJ1147517021的博客
06-20 750
生成对抗网络（GAN）在图像生成领域取得了革命性的进展，但如何客观评估生成图像的质量一直是研究的重点。在众多评估指标中，平均绝对误差（Mean Absolute Error, MAE）作为一个直观且易于理解的指标，在特定场景下发挥着重要作用。本文将深入探讨MAE在GAN图像生成评估中的应用、实现方法以及适用场景。
精选资源
10个图像评测指标PSNR/SSIM/MAE/MSE/RMSE/ISSM/SRE/LPIPS/PIQE/NIQE的代码计算方式
12-11
首先，峰值信噪比（PSNR）是一种常用的客观评价指标，用于衡量图像质量。它通过计算图像最大可能像素值的对数和均方误差（MSE）之间的比值来工作。PSNR值越高，表示图像质量越好。 结构相似性指数（SSIM）是一种...
SSIM、PSNR、LPIPS、MUSIQ、NRQM、NIQE 六个图像质量评估指标
qq_45987837的博客
06-06 3346
详细解释了SSIM、PSNR、LPIPS、MUSIQ、NRQM、NIQE这六个指标。
精选资源
使用指标评估去噪算法的性能：MSE、MAE、SNR、PSNR 和互相关：此代码计算指标 MSE、MAE、SNR、PSNR 和互相关系数。-matlab开发
06-01
PSNR的单位也是分贝，数值越大，表示图像质量越好。 5. 互相关系数（Correlation Coefficient）：互相关系数衡量两个变量之间的线性关系强度和方向。其值范围在-1到1之间，1表示完全正相关，-1表示完全负相关，0...
图像计算常用的指标 PSNR， MAE， MSE， SSIM（python 代码）
u012029332的博客
10-12 1万+
图像计算常用的指标 PSNR， MAE， MSE， SSIM（python 代码） import numpy as np import math def psnr(img1, img2): mse = np.mean( (img1 - img2) ** 2 ) if mse == 0: return 100 PIXEL_MAX = 255.0 r...
插值计算评估图像质量MAE MSE PSNR.zip
03-14
matlab代码 自带图像测试！
图像处理之图像质量评价指标MAE(平均绝对误差)
qq_44111805的博客
11-07 1万+
1、注意每次运行主函数main.m文件，输出的MAE值都会有细微差别，可以对比上下两张图。2、仅以高斯噪声的参数为讨论，我们将主函数main.m文件椒盐噪声的方差改为0.001，可以与上方得到方差为0.1的MSE结果进行对比，可以看出得到的MAE要小很多，表示图像质量更好。3、本质上，方法三是方法一和方法二的结合体。
PSNR、SSIM等图像质量评估指标详解
m0_66890670的博客
12-19 2万+
本文详细介绍了PSNR、SSIM、MSE、MAE、UQI、FSIM、GMSD、LPIPS、DISTS、IFC等图像质量评估指标详解
关于MAE MSE PSNR SSIM 的含义
cxm4399的博客
06-25 3475
MAE（Mean Absolute Error）平均绝对误差 可以更好地反映预测值误差的实际情况。即 L1 loss MSE（Mean Square Error）均方误差 MSE是真实值与预测值的差值的平方然后求和平均。 通过平方的形式便于求导，所以常被用作线性回归的损失函数，即L2 loss 可以反映算法的鲁棒性。 RMSE（Root Mean Square Er...
图像增强的两个评价指标：峰值信噪比PSNR和结构相似度SSIM
weixin_45246566的博客
05-09 5027
两种图像增强的评价指标（全参考指标）PSNR和SSIM
MATLAB中实现MSE、SNR、PSNR、MAE误差度量函数
weixin_42360846的博客
08-20 1356
均方误差（Mean Squared Error, MSE）是衡量估计值与真实值之间偏差的统计量。它通过计算误差平方的平均值来评估模型的预测准确度。数学上，对于观测值 $y_i$ 和模型的预测值 $\hat{y}_i$，MSE定义如下：其中，$n$ 是样本数量，$y_i$ 和 $\hat{y}_i$ 分别是第 $i$ 个样本的真实值和预测值。MSE 作为性能指标在众多领域如统计学、机器学习中都有广泛应用。除了使用MATLAB内置函数外，我们也可以编写自定义函数来计算MSE。
深度学习常用损失MSE、RMSE、MAE和MAPE
weixin_48018951的博客
03-17 2万+
三种常见损失总结，MSE、RSME、MAE
MAE详解
sinat_34201763的博客
05-18 2万+
目录 一、介绍 二、网络结构 1. encoder 2. decoder 3. LOSS 三、实验 全文参考：论文阅读笔记：Masked Autoencoders Are Scalable Vision Learners_塔_Tass的博客-优快云博客 masked autoencoders(MAE)是hekaiming大佬又一新作，其做法很简单，就是随机mask掉一部分patches并重建这部分丢失的像素，可看作是一个可扩展的(scalable)自监督学习器，能极大加速模型的训练速度
【论文阅读】MAE模型介绍
aixiaomi123的博客
11-30 1万+
关于MAE模型
psnr ssim mae mse是什么指标
05-25
### **PSNR、SSIM、MAE 和 MSE 的定义与用途** #### **1. PSNR（Peak Signal-to-Noise Ratio，峰值信噪比）** PSNR 是一种用于衡量图像质量的指标，通常用于评估重建图像与原始图像之间的差异。PSNR 值越高，表示图像质量越好。 公式： \[ PSNR = 10 \cdot \log_{10} \left( \frac{MAX^2}{MSE} \right) \] 其中： - \( MAX \)：像素值的最大可能值（例如，对于8位灰度图像，\( MAX = 255 \)）。 - \( MSE \)：均方误差（Mean Squared Error）。 --- #### **2. SSIM（Structural Similarity Index Measure，结构相似性指数）** SSIM 是一种衡量两幅图像结构相似性的指标，考虑了亮度、对比度和结构信息。SSIM 的取值范围为 [0, 1]，值越接近 1，表示两幅图像越相似。 公式： \[ SSIM(x, y) = \frac{(2\mu_x\mu_y + C_1)(2\sigma_{xy} + C_2)}{(\mu_x^2 + \mu_y^2 + C_1)(\sigma_x^2 + \sigma_y^2 + C_2)} \] 其中： - \( \mu_x, \mu_y \)：分别表示图像 \( x \) 和 \( y \) 的均值。 - \( \sigma_x, \sigma_y \)：分别表示图像 \( x \) 和 \( y \) 的标准差。 - \( \sigma_{xy} \)：表示图像 \( x \) 和 \( y \) 的协方差。 - \( C_1, C_2 \)：用于避免分母为零的小常数。 --- #### **3. MAE（Mean Absolute Error，平均绝对误差）** MAE 是一种衡量预测值与真实值之间绝对差异的指标，计算简单直观。 公式： \[ MAE = \frac{1}{N} \sum_{i=1}^{N} |x_i - y_i| \] 其中： - \( x_i \)：原始图像的像素值。 - \( y_i \)：重建图像的像素值。 - \( N \)：像素总数。 --- #### **4. MSE（Mean Squared Error，均方误差）** MSE 是一种衡量预测值与真实值之间平方差异的指标，对较大的误差更敏感。 公式： \[ MSE = \frac{1}{N} \sum_{i=1}^{N} (x_i - y_i)^2 \] --- ### **代码实现** 以下是一个使用 Python 实现 PSNR、SSIM、MAE 和 MSE 的代码示例： ```python import numpy as np from skimage.metrics import structural_similarity as ssim def calculate_psnr(img1, img2, max_value=255): """ 计算 PSNR :param img1: 原始图像 (numpy array) :param img2: 重建图像 (numpy array) :param max_value: 像素值的最大可能值 :return: PSNR 值 """ mse = np.mean((img1 - img2) ** 2) if mse == 0: return float('inf') psnr = 10 * np.log10(max_value**2 / mse) return psnr def calculate_mse(img1, img2): """ 计算 MSE :param img1: 原始图像 (numpy array) :param img2: 重建图像 (numpy array) :return: MSE 值 """ mse = np.mean((img1 - img2) ** 2) return mse def calculate_mae(img1, img2): """ 计算 MAE :param img1: 原始图像 (numpy array) :param img2: 重建图像 (numpy array) :return: MAE 值 """ mae = np.mean(np.abs(img1 - img2)) return mae def calculate_ssim(img1, img2, data_range=255): """ 计算 SSIM :param img1: 原始图像 (numpy array) :param img2: 重建图像 (numpy array) :param data_range: 数据范围 :return: SSIM 值 """ score, _ = ssim(img1, img2, data_range=data_range, full=True) return score # 示例 if __name__ == "__main__": # 创建两个示例图像 img1 = np.array([[100, 150], [200, 250]], dtype=np.float32) img2 = np.array([[102, 148], [198, 255]], dtype=np.float32) # 计算各项指标 psnr = calculate_psnr(img1, img2) mse = calculate_mse(img1, img2) mae = calculate_mae(img1, img2) ssim_score = calculate_ssim(img1, img2) print(f"PSNR: {psnr:.4f}") print(f"MSE: {mse:.4f}") print(f"MAE: {mae:.4f}") print(f"SSIM: {ssim_score:.4f}") ``` --- ### **代码解释** 1. **PSNR 函数** - 计算均方误差（MSE）。 - 使用公式 \( PSNR = 10 \cdot \log_{10} \left( \frac{MAX^2}{MSE} \right) \) 计算 PSNR 值。 2. **MSE 函数** - 直接计算像素值之间的平方差并求平均值。 3. **MAE 函数** - 计算像素值之间的绝对差并求平均值。 4. **SSIM 函数** - 使用 `skimage.metrics.structural_similarity` 函数计算 SSIM 值。 --- ### **相关问题**
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值