在配对数据集中的低光增强评价指标中主要有SSIM、PSNR、LPIPS三种。
参考文献：低光图像增强 评价指标
图像的峰值信噪比（PSNR）的计算方法
SSIM (Structure Similarity Index Measure) 结构衡量指标+代码
LPIPS 图像相似性度量标准、感知损失（Perceptual loss）

PSNR

PSNR（Peak Signal-to-Noise Ratio） 中文名称峰值信噪比，单位为DB，他说用来衡量图像大小为的真值图像与增强图之间的差异，数值越高表明二者差异越小，说明增强后的图像失真越小，一般大于30db就表明图像质量很好。PSNR的计算方法如下：

其中，表示图像点颜色的最大数值；MSE为图像的方差，定义为： 。

SSIM

SSIM(## Structural Similarity Index Measure)，中文名为结构相似性。用于衡量两幅图像相似性的指标。与PSNR相比，SSIM更关注图像结构、亮度和对比度等方面的差异，能够更好地反映人类对图像质量的主观感知。SSIM 主要考量图片的三个关键特征：亮度（Luminance）, 对比度（Contrast）, 结构 (Structure)。
1、亮度（Luminance）：亮度的表示方法通过平均灰度来表示， ，对比函数为：
2、对比度（Contrast）：对比度通过像素的标准差来衡量，，对比函数为：
3、结构 (Structure)：结构对比比较的是经过归一化后 与 的​​​​比较, 即可以用相关性系数衡量：
则SSIM定义如下：

参考代码：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
def ssim(self, img1, img2):
        C1 = (0.01 * self.data_range)**2
        C2 = (0.03 * self.data_range)**2
        kernel = self.gaussian_kernel.to(img1.device)
        mu1 = F.conv2d(img1, kernel, padding=0, groups=self.channel)
        mu2 = F.conv2d(img2, kernel, padding=0, groups=self.channel)
        mu1_sq = mu1.pow(2)
        mu2_sq = mu2.pow(2)
        mu1_mu2 = mu1 * mu2
        sigma1_sq = F.conv2d(img1 * img1, kernel, padding=0, groups=self.channel) - mu1_sq
        sigma2_sq = F.conv2d(img2 * img2, kernel, padding=0, groups=self.channel) - mu2_sq
        sigma12 = F.conv2d(img1 * img2, kernel, padding=0, groups=self.channel) - mu1_mu2
        ssim_map = ((2 * mu1_mu2 + C1) * (2 * sigma12 + C2)) / \
                  ((mu1_sq + mu2_sq + C1) * (sigma1_sq + sigma2_sq + C2))
        
        return ssim_map.mean()

LPIPS

LPIPS（Learned Perceptual Image Patch Structure），中文名称感知图像对比损失，是一种使用预训练的深度学习模型提取特征进行图像间比较的方法。LPIPS 认为，即使两个图像在像素级别上非常接近，人类观察者也可能将它们视为不同。因此，LPIPS 使用预训练的深度网络（如 VGG、AlexNet）来提取图像特征，然后计算这些特征之间的距离，以评估图像之间的感知相似度。
参考代码：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
import argparse
import os
import lpips
 
parser = argparse.ArgumentParser(formatter_class=argparse.ArgumentDefaultsHelpFormatter)
parser.add_argument('--dir0', type=str, default='./input_images')
parser.add_argument('--dir1', type=str, default='./output_images')
parser.add_argument('-v','--version', type=str, default='0.1')
opt = parser.parse_args()
 
## Initializing the model
loss_fn = lpips.LPIPS(net='alex', version=opt.version)
 
# the total list of images
files = os.listdir(opt.dir0)
i = 0
total_lpips_distance = 0
average_lpips_distance = 0
for file in files:
 
	try:
		# Load images
		img0 = lpips.im2tensor(lpips.load_image(os.path.join(opt.dir0,file)))
		img1 = lpips.im2tensor(lpips.load_image(os.path.join(opt.dir1,file)))
 
		if (os.path.exists(os.path.join(opt.dir0, file)), os.path.exists(os.path.join(opt.dir1, file))):
			i = i + 1
 
		# Compute distance
		current_lpips_distance = loss_fn.forward(img0, img1)
		total_lpips_distance = total_lpips_distance + current_lpips_distance
 
		print('%s: %.3f'%(file, current_lpips_distance))
 
	except Exception as e:
		print(e)
 
average_lpips_distance = float(total_lpips_distance) / i
 
print("The processed iamges is ", i , "and the average_lpips_distance is: %.3f" %average_lpips_distance)