mindspore.nn.MSSSIM
- class mindspore.nn.MSSSIM(max_val=1.0, power_factors=(0.0448, 0.2856, 0.3001, 0.2363, 0.1333), filter_size=11, filter_sigma=1.5, k1=0.01, k2=0.03)[源代码]
多尺度计算两个图像之间的结构相似性(SSIM)。
基于Zhou Wang、Eero P.Simoncelli和Alan C.Bovik在2004年于Signals, Systems and Computers上发表的 Multiscale structural similarity for image quality assessment 。
\[\begin{split}l(x,y)&=\frac{2\mu_x\mu_y+C_1}{\mu_x^2+\mu_y^2+C_1}, C_1=(K_1L)^2.\\ c(x,y)&=\frac{2\sigma_x\sigma_y+C_2}{\sigma_x^2+\sigma_y^2+C_2}, C_2=(K_2L)^2.\\ s(x,y)&=\frac{\sigma_{xy}+C_3}{\sigma_x\sigma_y+C_3}, C_3=C_2/2.\\ MSSSIM(x,y)&=l^\alpha_M*{\prod_{1\leq j\leq M} (c^\beta_j*s^\gamma_j)}.\end{split}\]- 参数:
max_val (Union[int, float]) - 像素值的动态范围,即最大值和最小值之间的差值。(8bit灰度图像素为255)。默认值:1.0。
power_factors (Union[tuple, list]) - 权重列表。默认值:(0.0448、0.2856、0.3001、0.2363、0.1333)。此处使用的默认值是由Wang等人在论文中提出。
filter_size (int) - 高斯滤波器的尺寸大小。默认值:11。
filter_sigma (float) - 高斯滤波器的标准差。默认值:1.5。
k1 (float) - 在亮度比较函数中,此常量用于生成 \(C_1\) 。默认值:0.01。
k2 (float) - 在对比度比较函数中,此常量用于生成 \(C_2\) 。默认值:0.03。
- 输入:
img1 (Tensor) - 格式为’NCHW’的第一批图像。shape和数据类型必须与 img2 相同。
img2 (Tensor) - 格式为’NCHW’的第二批图像。shape和数据类型必须与 img1 相同。
- 输出:
Tensor,输入的结构相似性。取值在[0, 1]范围内。它是一个shape为N的一维Tensor,其中N是 img1 的batch size。
- 异常:
TypeError - 如果 max_val 既不是int也不是float。
TypeError - 如果 power_factors 既不是tuple也不是list。
TypeError - 如果 k1 、 k2 或 filter_sigma 不是float。
TypeError - 如果 filter_size 不是int。
ValueError - 如果 max_val 或 filter_sigma 小于或等于0。
ValueError - 如果 filter_size 小于0。
ValueError - 如果 img1 或 img2 的shape长度不等于4。
- 支持平台:
Ascend
GPU
样例:
>>> import numpy as np >>> import mindspore.nn as nn >>> from mindspore import Tensor >>> net = nn.MSSSIM(power_factors=(0.033, 0.033, 0.033)) >>> img1 = Tensor(np.ones((1, 3, 128, 128)).astype(np.float32)) >>> img2 = Tensor(np.ones((1, 3, 128, 128)).astype(np.float32)) >>> output = net(img1, img2) >>> print(output) [1.]