哪个SSIM是正确的: skimage.metrics.structural_similarity()？

Question

Stackoverflow合股，

我试图在Python上的两个SIMilarity图像之间计算SSIM (结构化bmp )。我发现相似性()函数是在skimage python库中实现的，以及原始MatLab实现(即托管于此 )中的等效代码。恳求是正确的：

def structuralSimilarityIndex(ref_image, impaired_image, cs_map=False):

    window = Metric.fSpecialGauss(constant.SSIM_FILTER_SIZE,
                                  constant.SSIM_FILTER_SIGMA)
    C1 = (constant.SSIM_Constant_1 * constant.PIXEL_MAX) ** 2
    C2 = (constant.SSIM_Constant_2 * constant.PIXEL_MAX) ** 2

    mu1 = signal.fftconvolve(window, ref_image, mode='valid')
    mu2 = signal.fftconvolve(window, impaired_image, mode='valid')

    mu1_sq = mu1 * mu1
    mu2_sq = mu2 * mu2
    mu1_mu2 = mu1 * mu2

    sigma1_sq = signal.fftconvolve(
        window, ref_image*ref_image, mode='valid') - mu1_sq
    sigma2_sq = signal.fftconvolve(
        window, impaired_image*impaired_image, mode='valid') - mu2_sq
    sigma12 = signal.fftconvolve(
        window, ref_image*impaired_image, mode='valid') - mu1_mu2

    if cs_map:
        return (((2 * mu1_mu2 + C1) * (2 * sigma12 + C2)) / ((mu1_sq + mu2_sq + C1) * (sigma1_sq + sigma2_sq + C2)), (2.0 * sigma12 + C2) / (sigma1_sq + sigma2_sq + C2))
    else:
        return np.mean(((2 * mu1_mu2 + C1) * (2 * sigma12 + C2)) / ((mu1_sq + mu2_sq + C1) * (sigma1_sq + sigma2_sq + C2)))

我使用这段代码读取图像：

ref_image = np.asfarray(Image.open('ref_image.bmp').convert('L'))
impaired_image = np.asfarray(Image.open('impaired_image.bmp').covert('L)

ref_image和impaired_image的输入图像形状和impaired_image分别为：

(512,512) float64 (512,512) float64

我使用相同的条件和相同的输入图像进行了测试，如下所示：

# Using the above code
structuralSimilarityIndex(ref_image, impaired_image, cs_map=False)

# Using the function imported from skimage.metrics
structural_similarity(ref_image, impaired_image, gaussian_weights=False, use_sample_covariance=False)

结果大不相同，这里的结果是：

来自Skimage python库的SSIM：

SSIM : 0.38135154028457885

以上代码中的SSIM：

SSIM : 0.8208087737160036

编辑：

我添加了读取和调用代码

以上的Python代码来自于信号处理库，根据作者的说法，该函数试图精确地模仿ssim.m的功能，这是作者的SSIM提供的

更新：

我测试了在相同图像上用MatLab编写的原始代码，结果如下：

SSIM : 0.8424

这与上面给出的Python实现的结果不远。

Answer 1

我已经打开了一个问题，在科学图像Github存储库，我得到了一个答案。在这里，答案是，我没有改变任何答案，你可以找到它这里：

我认为这里的主要问题是，从PIL中计算图像的方式会产生浮点图像，但是那些值在0,255.0范围内的图像。当输入是浮点时，skimage将假设data_range的范围为- 1.0，1.0，因此您需要手动指定data_range=255。

另外，请参阅docstring的Notes部分，以获得设置gaussian_weights=True、sigma=1.5的建议，以更好地匹配Wang et编写的Matlab。阿尔。(我认为最近的Matlab也有自己的内置SSIM实现，但我还没有尝试与这种情况进行比较，也不知道它是否完全相同)。

ref_image = np.asfarray(Image.open('avion.bmp').convert('L'))
impaired_image = np.asfarray(Image.open('avion_jpeg_r5.bmp').convert('L'))
structural_similarity(ref_image, impaired_image, multichannel=True, gaussian_weights=True, sigma=1.5, use_sample_covariance=False, data_range=255)

当我尝试的时候给了0.8292。

或者，您可以使用skimage.io.imread和rgb2gray读取数据并将其转换为灰度。在这种情况下，您的值将在0，1.0内缩放，并且data_range应该设置为1.0。

from skimage.io import imread
from skimage.color import rgb2gray
ref_image = imread('avion.bmp')
ref_image = rgb2gray(ref_image)
impaired_image = imread('avion_jpeg_r5.bmp')
impaired_image = rgb2gray(impaired_image)

structural_similarity(ref_image, impaired_image, multichannel=True, gaussian_weights=True, sigma=1.5, use_sample_covariance=False, data_range=1.0)

给出0.8265

我认为上述两种情况之间的微小差异可能是由于rgb2gray使用了与PIL的convert方法不同的亮度转换。