1. 计算LPIPS

1.0.说明

LPIPS：学习感知图像块相似度(Learned Perceptual Image Patch Similarity, LPIPS)也称为“感知损失”(perceptual loss)，用于度量两张图像之间的差别。来源于CVPR2018《The Unreasonable Effectiveness of Deep Features as a Perceptual Metric》

1.1. 代码

要计算两张图片之间的LPIPS（Learned Perceptual Image Patch Similarity）距离，可以使用已经训练好的LPIPS模型来进行计算。以下是一个示例代码，演示了如何使用PyTorch和LPIPS模型计算两张图片的LPIPS距离：

import torch
import lpips
from PIL import Image

# 假设您已经有了要计算LPIPS距离的两张图片 image1 和 image2
# 加载图像文件
image1 = Image.open("image1.jpg")
image2 = Image.open("image2.jpg")

# 加载预训练的LPIPS模型
lpips_model = lpips.LPIPS(net="alex")

# 将图像转换为PyTorch的Tensor格式
image1_tensor = torch.tensor(np.array(image1)).permute(2, 0, 1).unsqueeze(0).float() / 255.0
image2_tensor = torch.tensor(np.array(image2)).permute(2, 0, 1).unsqueeze(0).float() / 255.0

# 使用LPIPS模型计算距离
distance = lpips_model(image1_tensor, image2_tensor)

print("LPIPS distance:", distance.item())

在上述代码中，您需要将要计算LPIPS距离的两张图片存储在变量image1和image2中（可以使用PIL库的Image.open()函数加载图像文件）。

然后，我们加载了预训练的LPIPS模型，这里使用了alex网络。您可以根据需要选择其他可用的网络，如vgg或squeeze。

接下来，我们将图像转换为PyTorch的Tensor格式，并进行归一化处理，将像素值范围从[0, 255]归一化到[0, 1]。注意，这里的图像顺序是通道在前，即形状为[C, H, W]。

最后，我们使用LPIPS模型对两张图像的Tensor进行计算，得到LPIPS距离。距离的值通过distance.item()获取。

请确保安装了PyTorch和lpips库。您可以使用以下命令安装lpips库：

pip install lpips

2. 计算SSIM

2.0 说明

结构相似性指数（SSIM，Structural Similarity Index）

2.1 代码

安装

pip install scikit-image

import cv2
from skimage import metrics

# Assume you have two image files: image1.jpg and image2.jpg

# Load the images
image1 = cv2.imread("image1.jpg")
image2 = cv2.imread("image2.jpg")

# Convert images to grayscale
gray_image1 = cv2.cvtColor(image1, cv2.COLOR_BGR2GRAY)
gray_image2 = cv2.cvtColor(image2, cv2.COLOR_BGR2GRAY)

# Compute SSIM
ssim_score = metrics.structural_similarity(gray_image1, gray_image2)

print("SSIM score:", ssim_score)

使用cv2.imread()函数加载图像文件，并将其分别存储在变量image1和image2中。

然后，将图像转换为灰度图像，以便计算SSIM。使用cv2.cvtColor()函数将图像从BGR色彩空间转换为灰度色彩空间。

最后，使用skimage.measure.compare_ssim()函数计算两张灰度图像之间的SSIM。