图像相似度评估实战指南：从PSNR到UQI的深度对比与选型策略

当你在GitHub上找到一个超分辨率模型，看到作者宣称"PSNR达到30dB"时，是否曾疑惑这个数字究竟意味着什么？或者当你的图像修复算法在PSNR指标上表现优异，但用户反馈"修复结果看起来很奇怪"时，是否感到困惑？这背后隐藏着一个关键问题：我们是否选对了评估指标？

1. 为什么PSNR不再是黄金标准？

2004年，Wang等人发表了一篇开创性论文《Image Quality Assessment: From Error Visibility to Structural Similarity》，首次指出传统指标如PSNR与人眼感知存在显著差异。他们通过大量实验证明，在相同PSNR值下，不同失真类型的图像可能获得完全不同的主观评分。

PSNR（峰值信噪比）的计算公式看似简单：

code复制PSNR = 10 * log10(MAX² / MSE)

其中MAX是像素最大值（如255），MSE是均方误差。但问题在于：

• 亮度敏感：对全局亮度变化过度惩罚
• 结构盲区：无法捕捉结构信息损失
• 范围局限：动态范围与人类视觉不匹配

python复制# 典型PSNR计算实现
def psnr(img1, img2):
    mse = np.mean((img1 - img2)**2)
    return 10 * np.log10(255**2 / mse)

注意：PSNR值通常20-40dB为常见范围，>30dB通常认为质量较好，但具体阈值需结合应用场景

2. 主流指标全维度对比

我们选取了四种典型失真类型（高斯噪声、运动模糊、JPEG压缩、对比度变化）进行测试，使用Kodak数据集中的标准图像。以下是各指标的表现对比：