图像匹配质量评估：SSIM 相似度检测方法原理与应用

一、SSIM 结构相似性

SSIM算法主要用于检测两张相同尺寸的图像的相似度、或者检测图像的失真程序。该指标首先是由德州大学奥斯丁分校的图像和视频工程实验室提出。而如果两幅图像是压缩前和压缩后的图像，那么SSIM图像就可以用来评估压缩后的图像质量。

SSIM评价将两幅图的相似性比较拆成了三个维度：亮度（luminance）、对比度（contrast）、结构（structure）。最终的相似度为这三个函数的乘积。

该相似度的设计遵循三个原则

1. 对称性：即
2. 有界性：即
3. 极限值唯一：即，当且仅当X=Y

给定两个图像X和Y，两张图像的结构相似度可按照以下方式求出

式中是X的平均值，是Y的平均值，是X的方差，是Y的方差，是X和Y的协方差。，，是用来避免分母为0 而维持稳定的常数。L是像素值的动态范围，一般为255。，。

当设定时，可将SSIM相似度的公式改写为更为简单的形式：

结构相似度的范围为-1到1。当两张图像一摸一样时，SSIM的值等于1。

二、函数及其说明

Scalar getSSIM(Mat cImg1, Mat cImg2) { Mat i1 = cImg1; Mat i2 = cImg2; const double C1 = 6.5025, C2 = 58.5225; // (0.01 * 255)^2 ; (0.03 * 255)^2 Mat cImgExt1, cImgExt2; cImg1.convertTo(cImgExt1, CV_32F); cImg2.convertTo(cImgExt2, CV_32F); Mat cImgGaus1, cImgGaus2; GaussianBlur(cImgExt1, cImgGaus1, Size(11, 11), 1.5); //以高斯代替均值 GaussianBlur(cImgExt2, cImgGaus2, Size(11, 11), 1.5); Mat cL; Mat cImgGaus1_2 = cImgGaus1.mul(cImgGaus2); Mat cImgGaus1_1 = cImgGaus1.mul(cImgGaus1); Mat cImgGaus2_2 = cImgGaus2.mul(cImgGaus2); divide(2 * cImgGaus1_2 + C1, cImgGaus1_1 + cImgGaus2_2 + C1,cL); //亮度 Mat cCS; Mat cImgDelt1 = cImgExt1 - cImgGaus1; Mat cImgDelt2 = cImgExt2 - cImgGaus2; Mat cImgDelt1_2 = cImgDelt1.mul(cImgDelt2); Mat cImgDelt1_1 = cImgDelt1.mul(cImgDelt1); Mat cImgDelt2_2 = cImgDelt2.mul(cImgDelt2); divide(2 * cImgDelt1_2 + C2, cImgDelt1_1 + cImgDelt2_2 + C2, cCS); //对比度与结构 Mat cSSIMRsl = cL.mul(cCS); return mean(cSSIMRsl); }

在SSIM（结构相似性）算法中经常会使用‌高斯模糊（GaussianBlur）‌代替‌均值模糊（均值滤波）‌，主要出于以下原因：

• 高斯加权更符合人眼视觉特性‌
  人眼对图像中心区域的敏感度高于边缘区域。高斯滤波对中心像素赋予更高权重，能更好地模拟人类视觉系统对局部结构的感知方式，而均值滤波对邻域内所有像素等权处理，忽略了这种空间重要性差异。
• ‌避免边缘模糊失真‌
  均值滤波在图像边缘或细节处容易造成过度平滑，破坏结构信息；高斯滤波则在保留主要结构的同时平滑噪声，更有利于准确计算亮度、对比度和结构三要素。
• ‌数学建模更合理‌
  SSIM公式中需计算局部窗口内的均值、方差和协方差。高斯加权能提供更平滑、连续的统计估计，减少因窗口边界突变带来的计算波动，提升SSIM值的稳定性与准确性。

简言之：‌高斯Blur比均值Blur更贴合人眼感知模型，能更精确地反映图像的结构相似性‌，因此被SSIM算法优先采用。

三、应用限制

结构相似性指标有其限制，对于影像出现位移、缩放、旋转（皆属于非结构性的失真）的情况无法有效的运作。当图片出现平移、旋转或是缩放时，结构相似度指标会改变得十分剧烈，并很容易将两张类似的图片视为不相似的。原因与在计算SSIM时所使用的局部性视窗有关，平移、旋转或是缩放都会导致视窗内的像素结构完全改变，使SSIM无法正确估计相似度。

四、补充说明

1、 convertTo(cImgExt1, CV_32F)

convertTo函数只改变数据类型，不改变通道数。

2、GaussianBlur(cImgExt1, cImgGaus1, Size(11, 11), 1.5);

是 OpenCV 中常用的图像模糊函数之一。它使用高斯滤波器对图像进行平滑处理。高斯模糊通过给不同的像素赋予不同的权重来平滑图像，常用于减少图像中的噪声和细节，同时比均值模糊更好地保留图像的边缘。
其函数原型：

void cv::GaussianBlur( InputArray src, // 输入图像 OutputArray dst, // 输出图像 Size ksize, // 滤波器的核大小 (宽度和高度) double sigmaX, // X方向的高斯核标准差 double sigmaY = 0, // Y方向的高斯核标准差，默认为0 int borderType = BORDER_DEFAULT // 边界类型 );

3、cImgGaus1.mul(cImgGaus2)：Opencv中对于矩阵乘法有三种

1. A*B：即常规理解的矩阵乘法

1. A.mul(B)：即常规立即的矩阵点乘

1. A.dot(B)：在点乘的基础上做一个累加

4、divide(2 * cImgGaus1_2 + C1, cImgGaus1_1 + cImgGaus2_2 + C1,cL)

cv::divide() 是 OpenCV 中用于执行数组或标量的逐元素除法操作的函数。它允许对矩阵进行元素级的除法操作，支持两种使用方式：矩阵与矩阵之间的除法，或矩阵与标量之间的除法。其函数原型如下：

void cv::divide( InputArray src1, //分子 InputArray src2, //分母 OutputArray dst, //输出 double scale=1, //可选的缩放因子。 int dtype=-1); //可选的输出矩阵类型

5、方差：用于衡量一组数据的离散程度。在统计描述中，方差用来计算每一个变量（观察值）与总体均数之间的差异。

6、标准差：是离均差平方的算术平均数（方差）的算术平方根。标准差也被称为标准偏差，或者实验标准差，在概率统计中最常使用作为统计分布程度上的测量依据。标准差越小说明数据越集中。

7、协方差：用来刻画两个随机变量 X，Y 之间的相关性。如果两个变量的变化趋势一致，也就是说如果其中一个大于自身的期望值，另外一个也大于自身的期望值，那么两个变量之间的协方差就是正值。

如果两个变量的变化趋势相反，即其中一个大于自身的期望值，另外一个却小于自身的期望值，那么两个变量之间的协方差就是负值。

协方差的公式如下：

方差就是协方差的一种特殊形式，当两个变量相同时，协方差就是方差了。