评估数据相似度的几种方法

1、结构化相似性指数 (SSIM)

优点：综合考虑了亮度、对比度和结构（图像中的边缘和纹理等高频信息）等因素。
缺点：不考虑色彩信息

import cv2

# 函数：计算两张图片的结构化相似性(SSIM)
def calculate_ssim(image1, image2):
    # 读取图片
    img1 = cv2.imread(image1)
    img2 = cv2.imread(image2)

    # 将图片转换为灰度图
    gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
    gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)

    # 计算SSIM，分数范围通常是 ([-1, 1])，其中 1 表示完全相似，-1 表示完全不同，0 表示没有任何相似性
    (score, _) = cv2.compareSSIM(gray1, gray2, full=True)
    return score

【注】转为灰度的原因是1、不考虑色彩信息；2、加快计算速度。

2、峰值信噪比 (PSNR)

主要用于比较同一图像的不同版本之间的质量，如图像压缩算法评估、图像复原等， 而不是用于比较不同图像之间的质量。
【注意】因为 PSNR 的计算是基于图像的像素值之间的均方误差（MSE）来衡量的，即使两张图像的质量相同，但如果它们的像素值分布不同，PSNR 的值也可能不同，所以PSNR 主要用于比较同一图像的不同版本之间的质量，而不是用于比较不同图像之间的质量。

import cv2

# 函数：计算两张图片的峰值信噪比(PSNR)
def calculate_psnr(image1, image2):
    # 读取图片
    img1 = cv2.imread(image1)
    img2 = cv2.imread(image2)

    # 计算PSNR，其返回值范围通常是正值。PSNR 的值越高，表示图像质量越好，对于 8 位图像，PSNR 的典型范围在 20 到 50 之间，取决于图像的内容和失真程度。
    psnr = cv2.PSNR(img1, img2)
    return psnr

3、直方图比较

通过比较图像的直方图来评估它们的相似度。适用于颜色分布较为重要的场景，如图像检索、图像分类等。

import cv2
# 函数：计算两张图片的直方图相似度
def calculate_hist_similarity(image1, image2)