看完原论文后（英语不太好，只看懂了个大概），大致上明白了它是做什么以及如何实现的等，于是决定写一篇博客，所以该篇文章简单介绍一下 SSIM（有能力的话，看原论文或维基比我来介绍更好），并给出我用 opencv 在 C++ 中的 SSIM 算法实现。
首先什么是 SSIM 算法，该算法主要用于检测两张尺寸相同的图像的相似度，但注意到论文标题的中的 Structural，所以实际上它主要通过两个图像的亮度(l)、对比度(c)、结构(s)这三个要素的测量，而在论文中这三个要素用下面公式来表示：
$$l(x, y) = \frac{(2\mu _x\mu _y + C_1)}{(\mu _{x}^{2} + \mu _{y}^{2} + C_1)}$$
$$c(x, y) = \frac{(2\sigma _{x}\sigma _{y} + C_2)}{(\sigma _{x}^{2} + \sigma _{y}^{2} + C_2)}$$
$$s(x, y) = \frac{(\sigma _{xy} + C_3)}{(\sigma _{x} \sigma _{y} + C_3)}$$
这里 $\mu _x$ 为均值，$\sigma _{x}$ 为方差，$\sigma _{xy}$ 表示协方差。
而 SSIM 的一般方程为：
$$ssim(x, y) = [l(x, y)^\alpha \cdot c(x, y)^\beta \cdot s(x, y)^\gamma ]$$
这里一般 $\alpha$，$\beta$，$\gamma$ 取 $1$，并且令 $C_3 = \frac{C_2}{2}$，这样就得到简化的 SSIM 公式：
$$ssim(x, y) = \frac{(2\mu _x\mu _y + C_1)(\sigma _{xy} + C_2)}{(\mu _{x}^{2} + \mu _{y}^{2} + C_1)(\sigma _{x}^{2} + \sigma _{y}^{2} + C_2)}$$
实际上公式是十分显然的，我们只要分别求出两张图像的均值以及方差，再对两张图像求协方差就可以带入到 SSIM 公式进行计算，这里计算结果其实得到的是一张图像，它显示了两张图的混叠，借用一下python 以及两张 opencv 的示例图：
(pic5.png)
(pic6.png)
import numpy as np
import matplotlib.pyplot as plt
import cv2 as cv
from skimage import data, img_as_float
from skimage.metrics import structural_similarity as ssim
img1 = cv.imread('C:/opencv/samples/data/pic5.png', cv.CV_8U)
img2 = cv.imread('C:/opencv/samples/data/pic6.png', cv.CV_8U)
def mse(x, y):
return np.linalg.norm(x - y)
fig, axes = plt.subplots()
mse_none = mse(img1, img2)
mssim, s = ssim(img1, img2, data_range=img1.max() - img1.min(), full=True)
label = 'MSE: {:.2f}, SSIM: {:.2f}'
axes.imshow(s, cmap=plt.cm.gray, vmin=0, vmax=1)
axes.set_xlabel(label.format(mse_none, mssim))
axes.set_title('SSIM image')
plt.tight_layout()
plt.show()
会看到 ssim 输出：
而评估算法的性能指标公式是：
$$mssim(x, y) = \frac{1}{M}\sum_{j = 1}^{M} ssim(x_j, y_j)$$
也就是像素取均值。
该算法的优点在于对图像的结构信息敏感，所以识别率很高，但缺点也有：
1.如果将原图经过旋转（尺寸不同的话试试旋转 180 度）、平移等变换后再和原图进行比较就显得吃力了：
2.算法只能处理相同形状的两个图像，但可以多通道。
最后，给出我的 C++ 实现（不支持多通道图像，以后或许会考虑实现多通道）：
/********************************************************************************************************************************************************
* 该部分主要功能实现 SSIM 算法
*
* 关于 SSIM 算法参考文献：https://ece.uwaterloo.ca/~z70wang/publications/ssim.pdf
* 公式：$$ssim(x, y) = \frac{(2\mu _x\mu _y + C_1)(\sigma _{xy} + C_2)}{(\mu _{x}^{2} + \mu _{y}^{2} + C_1)(\sigma _{x}^{2} + \sigma _{y}^{2} + C_2)}$$
*
* 参数：
* im1: 图像 1
* im2: 图像 2
* window: 滑动窗口大小，用于卷积滤波
* k1: 可调节常数，默认 k1 = 0.01
* k2: 可调节常数，默认 k2 = 0.03
* L: 单通道灰度图像像素值范围，默认 L = 255.0
*
* 返回值：
* 相似度指标 (类型：double)
*********************************************************************************************************************************************************/
float ssim(Mat im1, Mat im2, int window = 7, float k1 = 0.01f, float k2 = 0.03f, float L = 255.f)
{
CV_Assert(im1.size() == im2.size());
int ndim = im1.dims;
float NP = std::powf(window, ndim);
float cov_norm = NP / (NP - 1);
float C1 = (k1 * L) * (k1 * L);
float C2 = (k2 * L) * (k2 * L);
Mat ux, uy;
Mat uxx = im1.mul(im1);
Mat uyy = im2.mul(im2);
Mat uxy = im1.mul(im2);
blur(im1, ux, Size(window, window), Point(-1, -1));
blur(im2, uy, Size(window, window), Point(-1, -1));
blur(uxx, uxx, Size(window, window), Point(-1, -1));
blur(uyy, uyy, Size(window, window), Point(-1, -1));
blur(uxy, uxy, Size(window, window), Point(-1, -1));
Mat ux_sq = ux.mul(ux);
Mat uy_sq = uy.mul(uy);
Mat uxy_m = ux.mul(uy);
Mat vx = cov_norm * (uxx - ux_sq);
Mat vy = cov_norm * (uyy - uy_sq);
Mat vxy = cov_norm * (uxy - uxy_m);
Mat A1 = 2 * uxy_m;
Mat A2 = 2 * vxy;
Mat B1 = ux_sq + uy_sq;
Mat B2 = vx + vy;
Mat ssim_map = (A1 + C1).mul(A2 + C2) / (B1 + C1).mul(B2 + C2);
Scalar mssim = mean(ssim_map);
ssim_map.convertTo(ssim_map, CV_8UC1, 255, 0);
imshow("ssim", ssim_map);
return mssim[0];
}
参考文献：
1.https://ece.uwaterloo.ca/~z70wang/publications/ssim.pdf
2.https://en.wikipedia.org/wiki/Structural_similarity
算法实现参考：
1.https://www.cns.nyu.edu/~lcv/ssim/ssim_index.m
2.https://github.com/PAHdb/ssim/blob/master/ssim.pro
3.skimage.metrics.structural_similarity 源码